Page 178 - 《应用声学》2023年第4期
P. 178

840                                                                                  2023 年 7 月


             号能量集中在低频,为了使能量均匀扩散在各个频                            SNR)为
             带,减少频带间能量差异,利用梅尔对数频率 (Mel                                            ∑ k=k max        2
                                                                                        q
                                                                                            |S (k, p)|
             frequency) 的非均匀特性,构造了频率到梅尔对数                              ξ snr (q, p) =  k=k min       ,   (12)
                                                                                        q
                                                                                  ∑ k=k max        2
                                                                                        q
             频率的映射关系式如下:                                                                   |N (k, p)|
                                                                                     k=k min
                                                                                        q
                        f l = 786 · lg (1 + f k /50) ,  (11)   其中,N (k, p) 是噪声信号的 STFT,由带噪信号
                                                                                             2
                                                               S (k, p)估计噪声功率谱|N (k, p)| 的具体估计方式
             其中,f k = kf 0 /N。最高频率 f        max  = f 0 /2 =    参考文献[18]。
                                            k
             250 Hz, 对 应 的 对 数 频 率 为 f       max  = 786 ·          本文将 ξ snr (q, p) 作为振动信号分类识别的特
                                             l
             lg(1 + f 0 /100),将对数频率域均等分为 B 份对数                 征量。根据图 9 给出的不同振动信号时域波形以及
             频带,那么第 q 个对数频带对应的频率上限为 k                  max ,   短时频谱波形分析,不同振动信号会表现出不同的
                                                       q
             频率下限为 k     min 。那么第 p 帧的第 q 个梅尔对数频               时域特性,通过利用连续的 P 帧信号特征量构造一
                         q
             带内的信号噪声能量比值 (Signal to noise ratio,               个具有B ∗ P 维振动信号分类识别样本。

                                                   B∗P                                               9
             z                                     }|                                     {   z     }|      {
             ⟨ξ snr (0,p),. . ., ξ snr (B − 1, p),ξ snr (0,p + 1) ,. .. , ξ snr (B − 1,p + 1) ,. .. , ξ snr (B − 1,p + P − 1)⟩ ⇒ ⟨0, 0,. .. , t k ,. . . 0⟩



             其中,t k = 1 表示识别目标样本中第 k 维度取值为                     计算:
                                                                         
             1,用来表示第k 种光纤振动信号类型。                                          l       l l   l
                                                                         z = W a + b ,
                                                                                                         (13)
             3.3 基于深度神经网络的振动信号分类识别                                        a    = h W a + b ,
                                                                                              )
                                                                                    (
                                                                                              l
                                                                                       l l
                                                                          l+1
                 根据信号帧移以及帧长分析,构造分类识别输                                  l
                                                               其 中, z 为 l + 1 层 神 经 元 输 入 向 量, h(z) =
             入信号特征需要 M ∗ P 个激光脉冲周期,对应的算                        1/(1 + exp(−z)) 为神经元激活函数,b 为 l 层与
                                                                                                    l
             法时延为B ∗ P ∗ T。光纤实时预警系统要求在此时                       l + 1层之间偏置向量。输出层神经元激活函数是指
             延之内给出分类识别结果,同时为了保证光纤沿线                            数函数 h(z) = exp(z),输出层第 i 个神经元输出值
             所有采样点的时间一致,需要对光纤所有采样点在                            记为c 。
                                                                    n l
                                                                    i
             相同算法时延之内同时给出识别结果。为满足实时                                深度神经网络首先需要训练网络神经元权值
             计算需求,本文构造了一个具有 5 层结构的全连接                          参数矩阵W 以及偏置向量b ,l = 1, 2, · · · , n l − 1。
                                                                                         l
                                                                          l
             深度神经网络,全连接深度神经网络由于具有专门                            利用提取的信号特征量以及相对应的振动事件类
             的硬件加速结构,广泛应用于实际系统部署之中。                            型构造带标签的训练数据 (ξ ⇒ φ),其中 ξ 为 3.2 节
                 深度神经网络结构示意图如图 10 所示。其中,                       构造的B ∗P 维输入信号特征向量,φ为振动事件标
             网络层数用 n l 表示,第 l 层记为 L l ,l 层神经元个数                签向量 ⟨0, 0, · · · , t k , · · · 0⟩。参数训练采用限制玻尔

             记为 s l 。L 1 为输入层,输入数据为提取的多维信号                     兹曼机 (Restricted Boltzmann machine, RBM) 确
                                        为输出层,输出为各              定每层参数的初始值,并用后向传播 (Back propa-
             特征量,因此 s 1 = B ∗ P;L n l
             振动事件的概率值,本文中神经网络输出结果共有                            gating, BP)算法寻优,具体参数训练参考文献 [19]。
                                                                                                    l
                                                                                     l
                         = 9。输入层与输出层之间的层称之                         在优化参数矩阵 W 以及偏置向量 b 后,网络
             9 个,因此 s n l
             为隐藏层,层与层之间通过权值相连,l 层与 l + 1                       在输入信号特征向量 ξ 判断第 k 种振动事件发生的
                                     l                         概率为
             层之间权值系数用矩阵 W ∈ ℜ             s l ×s l+1  表示,其中
                                                                                        / s l
              s l ×s l+1                                                                  ∑
             ℜ      为 s l × s l+1 二维矩阵。矩阵中第 i 行、第 j                         s l       n l     n l        (14)
                                                                           h w,b (ξ) = c k   c ,
                                                                                              j
                      l
             列元素 W 表示为第 l 层的 j 神经单元与第 l + 1 层                                             j=1
                     ij
             的i神经单元权值系数。那么第 l + 1 层神经元激活                       其中,通过比较每种振动事件概率大小,确定最大概
             值向量 a   l+1  可以用神经网络的前馈传播计算公式                     率的振动事件作为光纤预警判断的结果。
   173   174   175   176   177   178   179   180   181   182   183