一种适用于Φ-OTDR入侵检测系统的非平衡小样本事件快速分类方法
摘要
在基于Φ-OTDR原理的分布式光纤入侵检测系统中，实时、准确地得到感知结果对及时提出解决策略、降低员伤亡和减少财产损失具有重要意义。数据驱动的深度学习信号分类方法具有分类精度高、鲁棒性强等特点，但需要大量训练样本才能达到较好的分类效果。为解决该问题，首先提出了一种基于噪声融合的数据增强方法，通过设计一种空间相关性噪声融合增强（SCNFE）算法，将原始非平衡小样本数据增强为满足模型的数据集。然后，针对不同时间尺度信号输入问题，提出一种改进的格拉姆角场图像变换方法，通过格拉姆角场中引入图像变换，得到满足网络输入尺度的数据。最后，为满足分布式光纤声波传感器（DAS）设备实时信号分类，结合有效通道注意力（ECA）机制提出了一种MobileNetV3-DAS分类网络。实验证明，本文所提的空间相关性噪声融合方法可将样本非平衡率降低至1.09。与MobileNetV3相比，所改进方法在模型权重和推理时延分别减少了29.80%和10.26%。
引用本文（GB/T 7714）
张占平 Zhang Zhanping, 吕浩音 Lü Haoyin, 杨芳萍 Yang Fangping, 等. 一种适用于Φ-OTDR入侵检测系统的非平衡小样本事件快速分类方法[J]. Laser & Optoelectronics Progress, 2025.
引文网络
本站仅收录题录与摘要供学习参考，全文版权归属出版方；如有侵权请联系我们删除。