【儀表網(wǎng) 研發(fā)快訊】近日，南方科技大學(xué)電子與電氣工程系研究員邵理陽團(tuán)隊(duì)以“Separation and Identification of Mixed Signal for Distributed Acoustic Sensor using Deep Learning”為題，在 OPTO-ELECTRONIC ADVANCES 期刊上發(fā)布研究成果。該團(tuán)隊(duì)提出了一種基于雙路徑循環(huán)神經(jīng)網(wǎng)絡(luò)(DPRNN)的單通道多源信號(hào)分離方案，不僅攻克了非線性混合信號(hào)的分離難題，更創(chuàng)新評(píng)估體系實(shí)現(xiàn)信號(hào)分離與識(shí)別一體化，平均可識(shí)別率高達(dá)98.33%。該成果為 DAS 技術(shù)在復(fù)雜場(chǎng)景的規(guī)?；瘧?yīng)用掃清了關(guān)鍵障礙。
在中國遠(yuǎn)古神話中，諦聽神獸可以通過聽來辨認(rèn)世間萬物。而如今，埋藏于地下的光纖網(wǎng)絡(luò)，如諦聽一般實(shí)時(shí)感知著每一處細(xì)微振動(dòng)，能預(yù)言潛藏的災(zāi)情與風(fēng)險(xiǎn)。分布式聲學(xué)傳感(DAS)技術(shù)通過光纖在周界安防、管網(wǎng)監(jiān)測(cè)、結(jié)構(gòu)健康診斷等場(chǎng)景中，默默守護(hù)著公共安全。然而，地下機(jī)房、道路隧道、校園管網(wǎng)等復(fù)雜環(huán)境中，機(jī)械轟鳴、人行動(dòng)靜、環(huán)境雜音交織混疊，讓感知系統(tǒng)能聞其聲卻難辨其源。本研究借助雙路徑循環(huán)神經(jīng)網(wǎng)絡(luò)(DPRNN)，在混沌聲響中分離出來自不同振源的清晰信號(hào)，讓光纖傳感真正實(shí)現(xiàn)從感知到認(rèn)知的跨越。
研究人員提出了基于編碼器-分離器-解碼器的深度學(xué)習(xí)框架，在潛在空間中構(gòu)建了信號(hào)分離的流形幾何結(jié)構(gòu)。分離器模塊通過雙向 LSTM 對(duì)特征序列進(jìn)行流形學(xué)習(xí)，拓展了混疊信號(hào)的特征邊界，使原本線性不可分的混合分量在隱空間形成可分離的幾何分布。結(jié)構(gòu)優(yōu)勢(shì)體現(xiàn)為：編碼器的分段(Segmentation)操作將長序列轉(zhuǎn)換為局部特征塊，為后續(xù)的流形嵌入提供基礎(chǔ)；分離器中雙向 LSTM 的時(shí)序梯度傳播，本質(zhì)上是在流形空間中進(jìn)行特征軌跡優(yōu)化；而解碼器的重疊相加算法則保證了流形空間特征向時(shí)域信號(hào)的高保真映射。
實(shí)驗(yàn)過程中，PZT被固定在測(cè)量的光纖上，同時(shí)使用錘子敲擊木板。實(shí)驗(yàn)共收集了30個(gè)混合信號(hào)，每個(gè)信號(hào)持續(xù)時(shí)間為4秒。隨后，使用上述訓(xùn)練的分離模型對(duì)混合數(shù)據(jù)進(jìn)行處理。
為了定量驗(yàn)證分離效果，本研究將30組混合信號(hào)輸入DPRNN 模型和 Conv-TasNet 模型中，計(jì)算了時(shí)頻域(TFE)輸出。結(jié)果表明雖然信號(hào)的非線性混合效應(yīng)較弱且振動(dòng)通過均勻介質(zhì)木板傳播，但 DPRNN 模型在時(shí)頻熵指標(biāo)上仍展現(xiàn)出穩(wěn)定優(yōu)勢(shì)。對(duì)于PZTv信號(hào)，兩種方法分離結(jié)果的TFE值均落在參考區(qū)間(4.34-5.24)內(nèi)，但 DPRNN 的結(jié)果與原始參考區(qū)間重疊度更高，其第一四分位數(shù)、第三四分位數(shù)及中位數(shù)均更接近參考區(qū)間的統(tǒng)計(jì)值。對(duì)于錘擊信號(hào)，DPRNN 結(jié)果的 TFE 區(qū)間完全落在參考范圍(2.99-4.13)內(nèi)，其統(tǒng)計(jì)量與參考區(qū)間的平均差異僅為0.08，而 Conv-TasNet 的結(jié)果出現(xiàn)明顯偏離，平均差異達(dá)到0.11。
為進(jìn)一步驗(yàn)證該方法在實(shí)際環(huán)境中的應(yīng)用能力，研究人員進(jìn)行了雙源與三源信號(hào)分離實(shí)驗(yàn)。以三元信號(hào)分離為例，在服務(wù)器機(jī)房環(huán)境中，大型服務(wù)器與空調(diào)機(jī)組噪聲、錘擊及PZT干擾同時(shí)作用于傳感光纖，此時(shí)DAS系統(tǒng)收集的傳感信號(hào)是三源混合信號(hào)。
研究人員采集了120個(gè)樣本，每個(gè)樣本為4秒，并使用訓(xùn)練好的三源分離模型進(jìn)行處理。圖5展示了DPRNN 網(wǎng)絡(luò)分離的結(jié)果。從時(shí)域和時(shí)頻域來看，DPRNN網(wǎng)絡(luò)對(duì)三源混合信號(hào)的分離效果顯著，時(shí)域和時(shí)頻域分析顯示三個(gè)分離信號(hào)與預(yù)期信號(hào)特征高度吻合；針對(duì)傳統(tǒng)TFE指標(biāo)存在重疊(達(dá)40%)的局限，采用分離信號(hào)可識(shí)別率(RRSS)評(píng)估方法，將360個(gè)分離信號(hào)輸入SVM分類器，最終獲得98%的識(shí)別準(zhǔn)確率，有效驗(yàn)證了該模型在實(shí)際復(fù)雜場(chǎng)景中的分離性能。
目前，研究人員已經(jīng)在實(shí)驗(yàn)室和真實(shí)的工程環(huán)境中完成了三組實(shí)驗(yàn)，驗(yàn)證了 DPRNN 網(wǎng)絡(luò)對(duì) DAS 的雙源和三源混合信號(hào)的分離性能。
本研究聚焦分布式聲學(xué)傳感(DAS)系統(tǒng)的多源混合干擾難題，核心貢獻(xiàn)在于提出“雙路徑循環(huán)神經(jīng)網(wǎng)絡(luò)(DPRNN)+ 支持向量機(jī)(SVM)”的融合方案。一方面，將 DPRNN 應(yīng)用于不同環(huán)境下 DAS 的非線性混合干擾信號(hào)分離；另一方面，引入SVM 直接評(píng)估分離效果，解決了時(shí)頻域(TFE)信號(hào)重疊時(shí)單個(gè)信號(hào)難評(píng)估的問題。雙源混合場(chǎng)景下，其分離信號(hào)可識(shí)別率(RRSS)均值提升 36%、準(zhǔn)確率達(dá) 97.22%；三源混合場(chǎng)景下，RRSS 均值提升14%、準(zhǔn)確率達(dá) 98.33%。該融合方案為解決實(shí)際應(yīng)用中 DAS 多源混合干擾問題提供新路徑，有望突破當(dāng)前 DAS 技術(shù)推廣的局限。
南方科技大學(xué)碩士研究生谷華鑫為論文第一作者，邵理陽為唯一通訊作者，南方科技大學(xué)為論文第一單位。本研究得到國家自然科學(xué)基金、深圳市科創(chuàng)委、鵬城實(shí)驗(yàn)室“智能傳感”重大專項(xiàng)資助支持。
所有評(píng)論僅代表網(wǎng)友意見，與本站立場(chǎng)無關(guān)。