基于SFLA-LSSVM算法的多峰Brillouin散射谱的特征提取 下载: 637次
1 引言
Brillouin光时域反射(BOTDR)技术是一种基于自发Brillouin散射的分布式光纤传感技术[1]。该技术在光时域反射的基础上利用Brillouin散射谱频移(BFS)的变化量与温度、应变的变化量存在的线性关系[2]来监测温度、应变等物理量的变化。基于其对温度、应变的敏感特性,BOTDR已经应用于铁路光缆的在线温度监测[3]和深基坑支护柱监测[4]等领域中。
在Brillouin光纤传感系统中,当光纤受到相同应变或温度影响时,Brillouin散射信号的频谱包含一个峰值;但当光纤受到不同温度或应变的影响时,Brillouin散射谱往往会出现多峰现象。另外,当光纤掺杂不均匀时,Brillouin散射谱也会出现多峰现象[5]。针对Brillouin多峰现象,2007年,董玉明等[6]在大有效面积非零色散位移光纤中,利用多峰BFS与温度、应变之间的线性关系,来解决交叉敏感性问题;2009年,梁浩等[7]发现,当BOTDR系统中光纤的受力长度小于空间分辨率时,系统往往只对最大峰进行拟合而忽略了其他峰,造成有用数据的丢失。由此可见,对多峰Brillouin散射谱的研究意义重大,提高多峰Brillouin散射谱的特征提取精度十分重要。本文提出一种新的多峰Brillouin散射谱特征提取方法,为后续利用多峰Brillouin散射谱提高BOTDR系统空间分辨率或解决交叉敏感等问题打好了基础。2015年,Zhao等[8]先将含有多个峰的Brillouin散射谱分割为几个单峰信号,再利用Levenberg-Marquardt算法分别对预先分割的每个单峰Brillouin散射谱进行拟合。此方法虽然可以完成对多峰Brillouin散射谱的拟合,但是区间划分拟合过程繁琐,分区节点处拟合曲线不平滑,造成一定的拟合误差。基于此,本文提出了一种由混合蛙跳算法(SFLA)优化最小二乘支持向量机(LSSVM)算法的混合优化算法,对多峰Brillouin散射谱进行一次性完整的拟合处理。通过对多峰Brillouin散射谱的仿真分析和对实验数据的拟合处理结果分析可知,该混合算法不仅能够直接对多峰Brillouin散射谱数据进行拟合,还具有操作简单、拟合结果误差小、运行速度快的优点,提高了多峰Brillouin散射谱特征的提取精度。
2 SFLA-LSSVM混合优化算法原理
2.1 LSSVM算法
支持向量机(SVM)算法是Cortes和Vapnik于1995年提出的用于解决分类及线性和非线性回归等问题的学习算法。LSSVM算法是目前诸多改进的SVM算法之一[9],用于缩短SVM算法的训练时间。LSSVM算法主要是将SVM算法的不等式优化问题转化成等式优化问题[10],有效地减少了算法的计算量,缩短了算法的训练时间。
假设训练样本集合为
式中
式中
式中
将(5)式写成矩阵形式并消掉
式中
常用的LSSVM算法中的核函数主要有3种,分别是径向基函数(RBF)核函数、多项式核函数和神经元的非线性作用函数Sigmoid核函数。本文选取RBF作为核函数,可表示为:
式中
2.2 SFLA-LSSVM混合优化算法
SFLA是由Eusuff和Lansey于2006年首次提出的,是一种新型的后启发式群体智能优化算法[11]。该算法的实现路径主要是通过模拟自然环境中的青蛙种群在寻找食物过程中所体现出来的信息交流共享等行为来完成对一些困难问题的寻优求解。SFLA按照种族群体的分类来进行有价值的信息交流,群体局部进化与种族重新混合过程交叉进行,具有高效的计算性能和卓越的全局搜索能力[12]。
SFLA把每只青蛙看成是当前所需要求解问题的一个解。假设一共有
式中
式中
SFLA-LSSVM混合优化算法先利用SFLA初始化惩罚因子
3 SFLA-LSSVM混合优化算法仿真分析
为了进一步说明SFLA-LSSVM混合优化算法对多峰Brillouin散射谱拟合的可行性及适用性,分别选取不同参数下的多峰Brillouin散射谱数据点对其进行仿真分析。多峰Brillouin散射谱的实现方法主要有2种:1)从光纤材料和结构出发,通过利用光纤中声波导的特性来实现多峰Brillouin散射谱;2)从光路结构和设计出发,通过Brillouin散射谱的迭加组合实现多峰Brillouin散射谱[13]。按照第2种方法的思路,在一定的频率范围内,对不同参数下仿真得到的单峰Brillouin散射谱的波峰处进行迭加组合,得到仿真所需的多峰Brillouin散射谱。其中信噪比
由
选用相同线宽、不同
图 2. 不同线宽下多峰Brillouin散射谱拟合曲线图。 (a) ΔvB=40 MHz;(b) ΔvB=60 MHz;(c) ΔvB=80 MHz;(d) ΔvB=100 MHz
Fig. 2. Fitting curves of multi-peak Brillouin scattering spectra under different line width. (a) ΔvB=40 MHz; (b) ΔvB=60 MHz; (c) ΔvB=80 MHz; (d) ΔvB=100 MHz
表 1. 不同线宽下多峰Brillouin散射谱拟合结果
Table 1. Fitting results of multi-peak Brillouin scattering spectra under different line width
|
图 3. 不同RSN下多峰Brillouin散射谱拟合曲线。 (a) RSN=20 dB;(b) RSN=25 dB;(c) RSN=30 dB
Fig. 3. Fitting curves of multi-peak Brillouin scattering spectra under different RSN. (a) RSN=20 dB; (b) RSN=25 dB; (c) RSN=30 dB
通过对相同
为了说明SFLA-LSSVM混合优化算法的优越性,选取线宽为40 MHz,
图 4. 4种算法的多峰Brillouin散射谱拟合曲线。(a) PSO;(b) PSO-LM;(c) GA-BP;(d) SFLA-LSSVM
Fig. 4. Fitting curves of multi-peak Brillouin scattering spectra under four algorithms. (a) PSO; (b) PSO-LM; (c) GA-BP; (d) SFLA-LSSVM
表 2. 4种算法的多峰Brillouin散射谱的拟合结果
Table 2. Fitting results of multi-peak Brillouin scattering spectra under four algorithms
|
由
4 实验结果与讨论
所采用的Brillouin散射谱检测光路系统如
图 5. 分布式光纤传感Brillouin散射谱检测光路系统图
Fig. 5. Brillouin scattering spectrum system diagram of distributed optical fiber sensing
本实验选用30 km长的普通单模光纤作为实验光纤,并且加热其25 km长度位置处的两段长度为100 m、间距为100 m的光纤,加热温度分别为50 ℃和80 ℃,其余的光纤置于25 ℃的室温环境中。调整脉冲调制系统的脉冲宽度为50 ns,脉冲功率为25 dBm。以电子扫频的方式进行数据采集,得到的Brillouin散射谱如
图 6. 实验条件下的Brillouin散射谱三维图
Fig. 6. Three-dimensional diagram of Brillouin scattering spectrum under experimental conditions
由
图 7. 实验条件下的Brillouin散射谱截面图
Fig. 7. The cross section of the Brillouin scattering spectrum under experimental conditions
由
由
图 8. 不同算法下Brillouin散射谱实验数据拟合曲线图。(a) LSSVM;(b) SFLA-LSSVM
Fig. 8. Fitting curves of multi-peak Brillouin scattering spectra under different algorithms. (a) LSSVM; (b) SFLA-LSSVM
响,得到了最小的BFS误差(0.18 MHz),分析结果更准确,提高了多峰Brillouin散射谱的特征提取精度。
表 3. 不同算法下Brillouin散射谱实验数据拟合结果
Table 3. Fitting results of multi-peak Brillouin scattering spectra under different algorithms
|
5 结论
利用SFLA-LSSVM混合优化算法完成了对多峰Brillouin散射谱的精确拟合。首先在
[2] 李永倩, 李晓娟, 安琪. 提高Brillouin光时域反射系统传感性能的方法[J]. 光学学报, 2015, 35(1): 0106003.
[3] 曹玉龙, 叶青, 蔡海文. 基于布里渊光时域反射计的铁路既有光缆在线温度监测[J]. 激光与光电子学进展, 2016, 53(8): 080602.
[4] 索文斌, 程刚, 卢毅, 等. 深基坑支护桩布里渊光时域分布式监测方法研究[J]. 高校地质学报, 2016, 22(4): 724-732.
[5] 李成宾. 相干BOTDR温度和应变传感系统信号处理技术研究[D]. 保定: 华北电力大学, 2010: 41- 42.
Li CB. Research on the signal processing technology in temperature and strain sensing system based on coherent BOTDR[D]. Baoding: North China Electric Power University, 2010: 41- 42.
[6] 董玉明, 张旭苹, 路元刚, 等. 布里渊散射光纤传感器的交叉敏感问题[J]. 光学学报, 2007, 27(2): 197-201.
[7] 梁浩, 张旭苹, 李新华, 等. 布里渊背向散射光谱数据拟合算法设计与实现[J]. 光子学报, 2009, 38(4): 875-879.
[10] 阎威武, 邵惠鹤. 支持向量机和最小二乘支持向量机的比较及应用研究[J]. 控制与决策, 2003, 18(3): 358-360.
[12] 郑仕链, 楼才义, 杨小牛. 基于改进混合蛙跳算法的认知无线电协作频谱感知[J]. 物理学报, 2010, 59(5): 3611-3617.
[13] 李宏亮. 光纤中双峰布里渊增益及其应用研究[D]. 北京: 清华大学, 2011: 2- 9.
Li HL. Dual-peak Brillouin gain property in optical fibers and its applications[D]. Beijing: Tsinghua University, 2011: 2- 9.
[14] 张燕君, 徐金睿, 付兴虎. 基于GA-QPSO混合算法的Brillouin散射谱特征提取方法[J]. 中国激光, 2016, 43(2): 0205002.
[15] 刘银, 张燕君, 李达, 等. 粒子群优化和拉凡格氏混合优化算法提取传感布里渊散射谱特征的方法[J]. 中国激光, 2012, 39(4): 0415001.
Article Outline
张燕君, 金培俊, 付兴虎, 张芳草, 侯姣茹, 徐金睿. 基于SFLA-LSSVM算法的多峰Brillouin散射谱的特征提取[J]. 中国激光, 2018, 45(1): 0106004. Zhang Yanjun, Jin Peijun, Fu Xinghu, Zhang Fangcao, Hou Jiaoru, Xu Jinrui. Feature Extraction of Multi-peak Brillouin Scattering Spectrum Based on SFLA-LSSVM Algorithm[J]. Chinese Journal of Lasers, 2018, 45(1): 0106004.