基于1DCNN的ΦOTDR地埋光纤振动事件分类方法

OTDR分布式光纤传感系统在 安全监测领域应用 广泛,其关键的任务是振动事件的 类型识别。传统的模式识别方法的识别率和鲁棒性都不够理想,而基于深度学习的方法能自 发从数据提取特征并完成分类,准确率和适应性都更好。相比二维卷积神经网络(2D-CNN) , 一维卷积神经网络(1D-CNN)的网络大小和训练速度均更有优势,本文以LeNet-5为基准 网 络,实现了基于1D-CNN的Φ-OTDR地埋光纤检测振动事件分类,并通过 实验法对比分析了 不 同结构超参数对识别效果的影响,选取最优参数构建LeNet-1D-V网络。实验结果显示,本 文 构建的LeNet-1D-V在5种类别的地埋光纤振动事件分类中,将分类准确率从92.3%提升至94.6%,为多事件类型的地埋光纤事件分类研究 提供了参考依据。