基于深度学习的光纤光栅传感系统降噪方法及其相关设备

摘要

本申请提供一种基于深度学习的光纤光栅传感系统降噪方法、电子设备及计算机可读存储介质，所述方法包括：对采集到的多条FBG反射信号样本进行预处理，得到多条第一FBG反射信号；向多条第一FBG反射信号中添加预设噪声，得到多组第二FBG反射信号，预设噪声包括器件干涉噪声、高斯白噪声、α稳定分布噪声及非平稳线缆风舞噪声中的至少一者；将多组第二FBG反射信号划分为训练集与验证集，以对深度学习降噪模型进行训练；基于训练完成的深度学习降噪模型对光纤光栅传感系统采集到的FBG反射信号进行降噪处理。本申请基于训练得到的深度学习降噪模型，可对受不同程度干扰的FBG反射信号进行去噪处理，鲁棒性高，去噪效果好。

权利要求

1.一种基于深度学习的光纤光栅传感系统降噪方法，其特征在于，包括：采集多条光纤布拉格光栅FBG反射信号样本，及对所述多条FBG反射信号样本进行预处理，得到多条第一FBG反射信号；

向所述多条第一FBG反射信号中添加预设噪声，得到多组第二FBG反射信号，其中所述预设噪声包括随机强度的器件干涉噪声、高斯白噪声、α稳定分布噪声及非平稳线缆风舞噪声中的至少一者，所述多组第二FBG反射信号中的每组第二FBG反射信号包括一条不包含所述预设噪声的FBG反射信号及一条包含所述预设噪声的FBG反射信号；

将所述多组第二FBG反射信号划分为训练集与验证集；

基于所述训练集与所述验证集对深度学习降噪模型进行训练，直至确定所述深度学习降噪模型的模型参数；

基于训练完成的深度学习降噪模型对光纤光栅传感系统采集到的FBG反射信号进行降噪处理。

2.如权利要求1所述的基于深度学习的光纤光栅传感系统降噪方法，其特征在于，所述对所述多条FBG反射信号样本进行预处理，得到多条第一FBG反射信号，包括：将所述多条FBG反射信号样本的二进制数据文件转换为十进制数据文件，及以光谱的有效采样点数作为列数，将所述十进制数据文件中的数据转换为二维数组；

将所述二维数组按行进行可视化展示，以选取光谱信噪比大于预设阈值的FBG反射信号作为所述第一FBG反射信号。

3.如权利要求2所述的基于深度学习的光纤光栅传感系统降噪方法，其特征在于，所述光谱的有效采样点数为512个，所述预设阈值为4dB。

4.如权利要求1至3中任意一项所述的基于深度学习的光纤光栅传感系统降噪方法，其特征在于，所述深度学习降噪模型包括输入层、信号编码单元、残差收缩单元、信号解码单元及输出层，所述基于所述训练集与所述验证集对深度学习降噪模型进行训练，包括：将所述训练集中的一组训练数据作为所述输入层的输入；

在所述信号编码单元对该组训练数据中的包含所述预设噪声的FBG反射信号进行编码，通过所述残差收缩单元对编码结果进行软阈值化处理噪声特征，通过所述信号解码单元对所述残差收缩单元的处理结果进行解码，及通过所述输出层输出重构样本；

反向传播所述重构样本和该组训练数据中的不包含所述预设噪声的FBG反射信号的重构误差，判断损失是否大于预设误差；

若所述损失大于所述预设误差，采用所述训练集中的下一组训练数据作为所述输入层的输入，以继续对所述深度学习降噪模型进行训练；

若所述损失小于或等于所述预设误差，保留所述深度学习降噪模型的参数，及使用所述验证集对所述深度学习降噪模型进行测试。

5.如权利要求4所述的基于深度学习的光纤光栅传感系统降噪方法，其特征在于，所述器件干涉噪声的表达式In(λ)为：其中，在表达式In(λ)中，I0为到达光纤光栅时的光强，λ为满足布拉格条件的波长，n为2

介质折射率，I(λ)为经光纤光栅反射的光强，nL为光波光程差，a为噪声强度，为外部环境引起的反射点的相位变化；

α稳定分布噪声的特征函数 满足：

其中，在特征函数 中，i为复数虚部单位，t为信号时间单位，α为特征指数，β为对称参数，γ为分散系数，δ为位置参数，0<α≤2,‑1≤β≤1，γ>0，‑∞<δ<∞；

非平稳线缆风舞噪声的表达式nwind为：

nwind＝[1+acos(2πft)]ng(t)+n0(t)；

其中，在表达式nwind中，ng(t)为高斯白噪声，n0(t)表示环境噪声，a为信号非平稳性调制幅度。

6.如权利要求4所述的基于深度学习的光纤光栅传感系统降噪方法，其特征在于，所述信号编码单元包括两个卷积层，每个卷积层的工作原理描述为：z＝f(x)＝Sf(wx+bz)；

其中，x＝{x1,x2,x3,…,xN}为输入卷积层的信号，z＝{z1,z2,z3,…,zN}为卷积层处理得到的特征信号，Sf为激活函数， bz为编码过程中的偏移向量，w为权重矩阵；

所述信号解码单元包括两个反卷积层，每个反卷积层的工作原理描述为：y＝g(z)＝Sg(w’z+by)；

其中，y＝{y1,y2,y3,…,yN}为经过反卷积层处理得到的重构信号，Sg为激活函数，by为解码过程中的偏移向量，w’为权重矩阵。

7.如权利要求4所述的基于深度学习的光纤光栅传感系统降噪方法，其特征在于，所述残差收缩单元包括三个残差收缩网络，每个残差收缩网络的工作原理描述为：其中x是输入特征，y是输出特征，τ是阈值，在所述残差收缩网络中，全局均值池化后的特征信号输入至一个两层的全连接网络中得到尺度化参数z，通过Sigmoid函数规整到0和1之间，获得新的尺度化参数α，尺度化参数α乘以特征信号的绝对值的平均值得到阈值τ，其中尺度化参数α的表达式为： 阈值τ的表达式为： i、j、c分别表示特征信号x的宽、长和通道的序号。

8.如权利要求4所述的基于深度学习的光纤光栅传感系统降噪方法，其特征在于，所述重构误差的损失函数Loss的表达式：其中，y’＝{y1’,y2’,y3’,…,yN’}是预期输出值，所述损失函数优化目标为：λ是模型的固定参数，N为信号采样点数，xi为输入卷

积层信号的第i个分量，使用梯度下降法求解函数优化目标w*，迭代函数为：α是学习率。

9.一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，其特征在于，当所述计算机指令在电子设备上运行时，使得所述电子设备执行如权利要求1至权利要求8中任一项所述的基于深度学习的光纤光栅传感系统降噪方法。

10.一种电子设备，所述电子设备包括处理器和存储器，所述存储器用于存储指令，其特征在于，所述处理器用于调用所述存储器中的指令，使得所述电子设备执行权利要求1至权利要求8中任一项所述的基于深度学习的光纤光栅传感系统降噪方法。

说明书

基于深度学习的光纤光栅传感系统降噪方法及其相关设备

技术领域

[0001] 本申请涉及光纤传感技术领域，尤其涉及一种基于深度学习的光纤光栅传感系统降噪方法、电子设备及计算机可读存储介质。

背景技术

[0002] 长距离大容量光纤光栅传感系统使用弱反射率光纤光栅传感器以增加复用数量，结合光放大技术延长传感距离，能够满足超长距离密集监测应用需求。但由于长距离光纤传输损耗的积累和光纤光栅的弱反射率，导致接收到的传感信号相当微弱，严重时受外界环境及系统内部噪声影响，传感信号有可能被埋没在噪声中，无法为其温度、应变等多参数的高精度测量提供高质量的光谱。

[0003] 近年来，很多研究人员使用小波去噪和经验模态分析(EMD)对光纤光栅传感信号进行去噪。小波去噪中，能否正确设置阈值是去噪效果好坏的关键，尽管已经出现了多种阈值处理方法，但是使用小波去噪还是不够精确；经验模态分析将信号分解为多个分量，但在分解的过程中，模态混合问题和有效分量的选择对去噪性能有很大的影响。且这两种方法的计算过程复杂、计算量大、运行时间较长，对于长距离、大容量光纤光栅传感系统弱信号的去噪效果也不够好。因此，需要探索更好的降噪方法，方可实现系统的多参数高精度测量。

发明内容

[0004] 鉴于上述，本申请提供一种基于深度学习的光纤光栅传感系统降噪方法、电子设备及计算机可读存储介质，其可解决目前的长距离大容量光纤光栅传感系统信号不佳的问题。

[0005] 本申请一实施方式提供一种基于深度学习的光纤光栅传感系统降噪方法，包括：采集多条光纤布拉格光栅(Fiber Bragg Grating，FBG)反射信号样本，及对所述多条FBG反射信号样本进行预处理，得到多条第一FBG反射信号；向所述多条第一FBG反射信号中添加预设噪声，得到多组第二FBG反射信号，其中所述预设噪声包括随机强度的器件干涉噪声、高斯白噪声、α稳定分布噪声及非平稳线缆风舞噪声中的至少一者，所述多组第二FBG反射信号中的每组第二FBG反射信号包括一条不包含所述预设噪声的FBG反射信号及一条包含所述预设噪声的FBG反射信号；将所述多组第二FBG反射信号划分为训练集与验证集；基于所述训练集与所述验证集对深度学习降噪模型进行训练，直至确定所述深度学习降噪模型的模型参数；基于训练完成的深度学习降噪模型对光纤光栅传感系统采集到的FBG反射信号进行降噪处理。

[0006] 在一些实施方式中，所述对所述多条FBG反射信号样本进行预处理，得到多条第一FBG反射信号，包括：将所述多条FBG反射信号样本的二进制数据文件转换为十进制数据文件，及以光谱的有效采样点数作为列数，将所述十进制数据文件中的数据转换为二维数组；将所述二维数组按行进行可视化展示，以选取光谱信噪比大于预设阈值的FBG反射信号作为所述第一FBG反射信号。

[0007] 在一些实施方式中，所述光谱的有效采样点数为512，所述预设阈值为4dB。

[0008] 在一些实施方式中，所述深度学习降噪模型包括输入层、信号编码单元、残差收缩单元、信号解码单元及输出层，所述基于所述训练集与所述验证集对深度学习降噪模型进行训练，包括：将所述训练集中的一组训练数据作为所述输入层的输入；在所述信号编码单元对该组训练数据中的包含所述预设噪声的FBG反射信号进行编码，通过所述残差收缩单元对编码结果进行软阈值化处理噪声特征，通过所述信号解码单元对所述残差收缩单元的处理结果进行解码，及通过所述输出层输出重构样本；反向传播所述重构样本和该组训练数据中的不包含所述预设噪声的FBG反射信号的重构误差，判断损失是否大于预设误差；若所述损失大于所述预设误差，采用所述训练集中的下一组训练数据作为所述输入层的输入，以继续对所述深度学习降噪模型进行训练；若所述损失小于或等于所述预设误差，保留所述深度学习降噪模型的参数，及使用所述验证集对所述深度学习降噪模型进行测试。

[0009] 在一些实施方式中，所述器件干涉噪声的表达式In(λ)为：

[0010]

[0011] 其中，在表达式In(λ)中，I0为到达光纤光栅时的光强，λ为满足布拉格条件的波长，2
n为介质折射率，I(λ)为经光纤光栅反射的光强，nL为光波光程差，a 为噪声强度，为外部环境引起的反射点的相位变化；

[0012] α稳定分布噪声的特征函数 满足：

[0013]

[0014]

[0015] 其中，在特征函数 中，i为复数虚部单位，t为信号时间单位，α为特征指数，β为对称参数，γ为分散系数，δ为位置参数，0<α≤2,‑1≤β≤1，γ>0，‑∞<δ<∞；

[0016] 非平稳线缆风舞噪声的表达式nwind为：

[0017] nwind＝[1+acos(2πft)]ng(t)+n0(t)；

[0018] 其中，在表达式nwind中，ng(t)为高斯白噪声，n0(t)表示环境噪声，a为信号非平稳性调制幅度。

[0019] 在一些实施方式中，所述信号编码单元包括两个卷积层，每个卷积层的工作原理描述为：

[0020] z＝f(x)＝Sf(wx+bz)；

[0021] 其中，x＝{x1,x2,x3,…,xN}为输入卷积层的信号，z＝{z1,z2,z3,…,zN}为卷积层处理得到的特征信号，Sf为激活函数， bz为编码过程中的偏移向量，w为权重矩阵；

[0022] 所述信号解码单元包括两个反卷积层，每个反卷积层的工作原理描述为：

[0023] y＝g(z)＝Sg(w’z+by)；

[0024] 其中，y＝{y1,y2,y3,…,yN}为经过反卷积层处理得到的重构信号，Sg为激活函数，by为解码过程中的偏移向量，w’为权重矩阵。

[0025] 在一些实施方式中，所述残差收缩单元包括三个残差收缩网络，每个残差收缩网络的工作原理描述为：

[0026]

[0027] 其中x是输入特征，y是输出特征，τ是阈值，在所述残差收缩网络中，全局均值池化后的特征信号输入至一个两层的全连接网络中得到尺度化参数z，通过Sigmoid函数规整到0和1之间，获得新的尺度化参数α，α乘以特征信号绝对值的平均值得到阈值τ，i、j、c分别表示特征信号x的宽、长和通道的序号。

[0028] 在一些实施方式中，所述重构误差的损失函数Loss的表达式：

[0029]

[0030] 其中，y’＝{y1’,y2’,y3’,…,yN’}是预期输出值，所述损失函数优化目标为：λ是模型的固定参数，N为信号采样点数，xi为输入卷积
*
层信号的第i个分量，使用梯度下降法求解函数优化目标w ，迭代函数为：
α是学习率。

[0031] 本申请一实施方式提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，当所述计算机指令在电子设备上运行时，使得所述电子设备执行上述的基于深度学习的光纤光栅传感系统降噪方法。

[0032] 本申请一实施方式提供一种电子设备，所述电子设备包括处理器和存储器，所述存储器用于存储指令，所述处理器用于调用所述存储器中的指令，使得所述电子设备执行上述的基于深度学习的光纤光栅传感系统降噪方法。

[0033] 上述基于深度学习的光纤光栅传感系统降噪方法、电子设备及计算机可读存储介质，基于深度学习网络学习FBG反射信号的特征表达，使用残差收缩单元处理噪声特征，最后重构输入信号得到去噪后信号，深度学习去噪模型采用受到种类随机、能量大小及作用范围不明确的噪声干扰信号作为训练样本，在不断的迭代优化中，更新模型参数使重构误差最小，以实现模型输出信号接近目标信号，训练完成的深度学习去噪模型可对受不同程度干扰的FBG反射信号进行去噪处理，适用于长距离、大容量光纤光栅传感系统弱信号的去噪，鲁棒性高，去噪效果优良。

附图说明

[0034] 为了更清楚地说明本申请实施方式的技术方案，下面将对实施方式描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

[0035] 图1是本申请一实施例中的基于深度学习的光纤光栅传感系统降噪方法的步骤流程图。

[0036] 图2a～2b是本申请一实施例中的深度学习降噪模型的架构示意图。

[0037] 图3是本申请一实施例中的残差收缩网络的架构示意图。

[0038] 图4a～4b是本申请一实施例中的激活函数的架构示意图。

[0039] 图5a为本申请一实施例中采集到的FBG反射信号在去噪前的波形示意图。

[0040] 图5b为本申请一实施例中采集到的FBG反射信号在去噪后的波形示意图。

[0041] 图6为本申请一实施例中电子设备的功能模块图。

具体实施方式

[0042] 为了能够更清楚地理解本申请的上述目的、特征和优点，下面结合附图和具体实施方式对本申请进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施方式及实施方式中的特征可以相互组合。

[0043] 在下面的描述中阐述了很多具体细节以便于充分理解本申请，所描述的实施方式仅是本申请一部分实施方式，而不是全部的实施方式。

[0044] 除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施方式的目的，不是旨在于限制本申请。

[0045] 本申请的基于深度学习的光纤光栅传感系统降噪方法可应用在一个或者多个电子设备中。所述电子设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于处理器、微程序控制器(Microprogrammed Control Unit，MCU)、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable  Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。

[0046] 所述电子设备可以是桌上型计算机、光通信设备、服务器等计算设备。

[0047] 图1是本申请基于深度学习的光纤光栅传感系统降噪方法一实施例的步骤流程图。根据不同的需求，所述流程图中步骤的顺序可以改变，某些步骤可以省略。

[0048] 参阅图1所示，所述基于深度学习的光纤光栅传感系统降噪方法可以包括以下步骤。

[0049] 步骤S11、采集多条FBG反射信号样本，及对多条FBG反射信号样本进行预处理，得到第一FBG反射信号。

[0050] 在一些实施例中，可以将长距离大容量光纤光栅传感系统采集的一段时间内的FBG反射信号作为FBG反射信号样本。

[0051] 在一些实施例中，对多条FBG反射信号样本进行预处理可以包括：将多条FBG反射信号样本的二进制数据文件转换为十进制数据文件，及以光谱的有效采样点数作为列数，将十进制数据文件中的数据转换为二维数组；将二维数组按行进行可视化展示，以选取光谱信噪比大于预设阈值的FBG反射信号作为第一FBG反射信号。有效采样点数及预设阈值可以根据实际使用场景进行设定，例如有效采样点数为512个，预设阈值为4dB。

[0052] 步骤S12、向多条第一FBG反射信号中添加预设噪声，得到多组第二FBG反射信号。

[0053] 在一些实施例中，预设噪声可以包括随机强度的器件干涉噪声、高斯白噪声、α稳定分布噪声及非平稳线缆风舞噪声中的至少一者。多组第二FBG反射信号中的每组第二FBG反射信号可以包括一条不包含预设噪声的FBG反射信号及一条包含预设噪声的FBG反射信号。

[0054] 步骤S13，将多组第二FBG反射信号划分为训练集与验证集。

[0055] 在一些实施例中，可以根据实际使用场景设定划分比例，以基于该划分比例将多组第二FBG反射信号划分为训练集与验证集。例如划分比例为5:2，即若包括700组的第二FBG反射信号，500组的第二FBG反射信号为训练集，200组的第二FBG反射信号为验证集。

[0056] 步骤S14，基于训练集与验证集对深度学习降噪模型进行训练，直至确定深度学习降噪模型的模型参数。

[0057] 在一些实施例中，深度学习降噪模型包括输入层、信号编码单元、残差收缩单元、信号解码单元及输出层，可以通过以下方式对深度学习降噪模型进行训练：将训练集中的一组训练数据作为输入层的输入；在所述信号编码单元对该组训练数据中包含预设噪声的FBG反射信号进行编码，通过残差收缩单元对编码结果进行软阈值化处理噪声特征，通过信号解码单元对残差收缩单元的处理结果进行解码，及通过输出层输出重构样本；反向传播重构样本和该组训练数据中不包含预设噪声的FBG反射信号的重构误差，判断损失是否大于预设误差；若损失大于预设误差，采用训练集中的下一组训练数据作为输入层的输入，以继续对深度学习降噪模型进行训练；若损失小于或等于预设误差，保留深度学习降噪模型的参数，及使用所述验证集对深度学习降噪模型进行测试。

[0058] 步骤S15，基于训练完成的深度学习降噪模型对光纤光栅传感系统采集的FBG反射信号进行降噪处理。

[0059] 在一些实施例中，当深度学习降噪模型训练完成，可以将长距离大容量光纤光栅传感系统采集到的FBG反射信号输入至该深度学习降噪模型，以对采集到的FBG反射信号进行降噪处理。

[0060] 如图2a～2b所示，深度学习降噪模型包括输入层、信号编码单元、残差收缩单元、信号解码单元及输出层。信号编码单元可以由2层卷积层堆叠而成，每层卷积层可以包括卷积函数+激活函数的结构，一次卷积操作与一次激活处理为1层卷积层。信号解码单元可以由2层反卷积层堆叠而成，每层反卷积层可以包括反卷积函数+激活函数的结构，一次反卷积操作与一次激活处理为1层反卷积层。残差收缩单元由3层残差收缩网络堆叠而成，每个残差收缩网络可以包括卷积层+整流线性单元激活函数+批标准化+全局均值池化+全连接输出层的结构。残差收缩网络的结构可以如图3所示。

[0061] 激活函数实现激活，是用预设函数将神经元的输入映射到输出，并加入非线性因素的过程，以增强模型的非线性拟合能力，比如预设函数可以为Sigmoid函数、tanh函数、Relu函数等。如图4a、4b所示，分别以对单个神经元、多个神经元的激活过程为例，x1、x2、x3作为初始输入，并加入大小为b的偏差，经过神经元得到的输出hw,b(x)为：其中函数f被称为激活函数，W为权重矩阵。

[0062] 在一些实施例中，训练数据可以由输入层进入信号编码单元进行编码，由残差收缩单元处理噪声特征得到特征信号，信号解码单元对特征信号进行解码生成重构样本。深度学习降噪模型可以根据重构样本和目标样本(训练数据中的不包含预设噪声的FBG反射信号)的重构误差确定信号编码单元与信号解码单元中的权值和偏置等参数。

[0063] 由于深度学习模型在训练时可能出现过拟合问题，导致训练完成的模型在测试数据上的效果不佳，在构建训练集过程中，保证样本数据的噪声足够复杂，尽量囊括所有可能出现的噪声情形，以提升模型的去噪效果。

[0064] 举例而言，可以通过实验系统采集得到多条信噪比良好的FBG反射信号，并向其添加随机强度的器件干涉噪声、高斯白噪声，α稳定分布噪声、非平稳线缆风舞噪声中的至少一者，实现尽量模拟实际使用场景下，监测系统用于户外高空实时电缆监测时可能遇到的种类随机、能量大小及作用范围不明确的噪声干扰，产生模拟真实环境下的51000条含噪声的FBG反射信号(以下称为train_x信号)，及51000条与这些含噪声的FBG反射信号所对应的干净FBG反射信号(以下称为train_y)。51000条train_x信号与51000条train_y信号作为训练集。采用相同的处理方式产生20000条含噪声FBG反射信号(以下称为validation_x信号)，20000条与这些含噪声FBG反射信号对应的干净FBG反射信号(以下称为validation_y信号)。20000条validation_x信号与20000条validation_y信号作为验证集。在模型训练过程中，将train_x信号作为深度学习降噪模型的输入，得到重构信号。将重构信号与对应的train_y信号做误差计算，判断损失是否满足小于等于预设误差的指标。

[0065] 如果不满足指标，则在当前模型参数的基础上，继续使用下一个train_x对模型进行训练，如此循环往复地训练、判断及更新模型的参数，最终深度学习降噪模型满足损失函数最小化的目标，完成模型参数的确定。当训练完成的深度学习降噪模型测试通过，可以将长距离大容量光纤光栅传感系统采集到的FBG发射信号作为模型的输入，即可获得降噪后的FBG反射信号。

[0066] 如果满足指标，则保留模型的参数，将深度学习降噪模型的输入切换为validation_x信号，进行模型测试。20000条validation_x信号作为深度学习降噪模型的输入，可以得到对应数量的重构信号，基于得到的重构信号与对应的20000条validation_y信号，可以评估深度学习降噪模型的降噪性能是否符合要求，如果符合要求，可以结束模型的训练，如果不符合要求，可以更新模型的参数，并利用训练集的数据对模型进行训练。

[0067] 下面针对本申请实施例涉及的有关深度学习降噪模型的相关概念和计算过程进行详细的阐述。

[0068] 在一些实施例中，卷积层的表达式可以为：

[0069] z＝f(x)＝Sf(wx+bz)；

[0070] 其中，x＝{x1,x2,x3,…,xN}为输入卷积层的信号，z＝{z1,z2,z3,…,zN}为卷积层处理得到的特征信号，Sf为激活函数，bz为编码过程中的偏移向量，w为权重矩阵。

[0071] 在一些实施例中，残差收缩网络中的批标准化的表达式可以为：

[0072]

[0073] 其中，xn和yn分别表示一个小批量中的第n个样本的输入特征和输出特征，γ和β分别代表尺度化和平移分布的两个可训练参数，ε是一个接近于零的正数。

[0074] 在一些实施例中，残差收缩网络中的整流线性单元激活函数的表达式可以为：

[0075] y＝max(x,0)，其中，x和y分别表示激活函数的输入和输出特征。

[0076] 在一些实施例中，残差收缩网络中的全局均值池化可以减少全连接输出层的权重数量，从而降低网络过拟合的风险，还可以使网络学习特征时不易受到噪声引起的FBG信号中心波长偏移的影响。全局均值池化的表达式可以为：

[0077] 其中i、j和c分别表示特征信号x的宽、长和通道的序号。

[0078] 在一些实施例中，残差收缩网络中的软阈值化处理的工作原理可以描述为：

[0079] 其中x是输入特征，y是输出特征，τ是阈值。

[0080] 软阈值化可以将接近于零的特征直接置为零，将负的、有用的特征保留下来。全局均值池化后的特征信号被输入到一个两层的全连接网络中得到一个尺度化参数z，通过Sigmoid函数规整到0和1之间获得新的尺度化参数α，α乘以特征信号绝对值的平均值，得到阈值τ。其中，尺度化参数α和阈值τ的表达式可以为：

[0081]

[0082]

[0083] 在一些实施例中，反卷积层的表达式可以为：

[0084] y＝g(z)＝Sg(w’z+by)；

[0085] 其中，y＝{y1,y2,y3,…,yN}为经过反卷积层处理得到的重构信号，Sg为激活函数，by为解码过程中的偏移向量，w’为权重矩阵。

[0086] 在一些实施例中，深度学习降噪模型可以采用LeakyReLU函数作为信号编码单元与信号解码单元的激活函数，LeakyReLU函数的表达式可以为：

[0087]

[0088] 在一些实施例中，为了使模型解码后得到的重构信号与目标信号(train_y信号)间的误差最小化，得到满足要求的深度学习降噪模型。可以采用均方误差损失函数(MSE)作为损失函数，

[0089] 其中，y’＝{y1’,y2’,y3’,…,yN’}是预期输出值。

[0090] 设输入信号为 那么输出信号为，

[0091] 其中，w*是要求网络学习得到的模型参数，w*＝{w*1,w*2,w*3,…,w*N},d*表示编解码操作后得到的重构信号，d*＝{d*1,d*2,d*3,…,d*N}，进而可以求得损失函数为：

[0092]

[0093] 为了使损失最小，函数优化目标为，

[0094] 其中λ是网络的固定参数，N为信号采样点数，xi为输入卷积层信号的第i个分量。

[0095] 在一些实施例中，梯度下降法可以使得在最少的反向传播次数下得到符合要求的模型参数，最后得到的权重值和偏置就是沿梯度方向调整误差得到的结果。w*是包含所有参数的一维向量，可以先初始化一个w*，在这个值之上，用梯度下降法去求出下一组的值。由于是梯度下降的，所以损失函数的值在下降。当迭代到一定程度，w*的值趋于稳定，此时的w*即为要求得的值。

[0096] 迭代函数为：

[0097] 其中α是学习率。

[0098] 每次迭代，可以用当前的w*j求出等式右边的值，并覆盖当前w*j得到迭代后新的值。

[0099] 由2a‑2b可知，深度学习降噪模型主要由编码、噪声特征处理、解码三个部分组成，模型总体呈现对称结构，由信号编码单元中对输入信号进行编码，由残差收缩单元处理噪声特征，由信号解码单元进行解码，从而实现将低维特征信息还原成干净信号。

[0100] 在一些实施例中，在构建训练集过程中，为了使得模型能够尽可能全面的学习到受种类随机、能量大小及作用范围不明确的噪声干扰的信号特征，可以使用长距离大容量光纤光栅传感系统在4kHz的采样率下采集500条质量较好可视为纯净信号的实验室环境FBG反射信号，随机向其添加随机大小的器件干涉噪声、高斯白噪声，以及α稳定分布噪声、非平稳线缆风舞噪声两种非高斯分布噪声，尽量模拟系统用于户外高空实时电缆监测时可能遇到的种类随机、能量大小及作用范围不明确的噪声干扰，形成模拟真实环境下的51000条FBG反射信号作于训练集，相同处理产生20000条FBG反射信号作于验证集。

[0101] 其中，器件干涉噪声的表达式In(λ)可以为：

[0102]

[0103] 在上述表达式In(λ)中，I0为到达光纤光栅时的光强，λ为满足布拉格条件的波长，n2
为介质折射率，I(λ)为经光纤光栅反射的光强，nL为光波光程差，a 为噪声强度，为外部环境引起的反射点的相位变化。

[0104] α稳定分布噪声的特征函数 满足：

[0105]

[0106]

[0107] 在上述特征函数 中，i为复数虚部单位，t为信号时间单位，α为特征指数，β为对称参数，γ为分散系数，δ为位置参数，0<α≤2,‑1≤β≤1，γ>0，‑∞<δ<∞；

[0108] 非平稳线缆风舞噪声的表达式nwind为：

[0109] nwind＝[1+acos(2πft)]ng(t)+n0(t)；

[0110] 上式中，ng(t)表示高斯白噪声，n0(t)表示环境噪声，a为信号非平稳性调制幅度。

[0111] 在一些实施例中，当获得训练完成的深度学习降噪模型之后，可以将长距离大容量光纤光栅传感系统采集到的FBG反射信号作为模型的输入，即可获得降噪后的FBG反射信号。如图5a～5b所示，图5a为采集得到的信号质量不佳需要进行降噪的FBG反射信号，图5b为使用深度学习降噪模型得到的降噪后的FBG反射信号。由图5b可知，深度学习降噪模型处理得到的FBG反射信号干净平滑，完整恢复了1535nm‑1565nm波段的44个FBG波长信息，特别是边缘处的弱FBG反射信号从基本上看不见到明显看见，去噪效果显著。

[0112] 长距离大容量光纤光栅传感系统使用弱反射率光纤光栅传感器以增加复用数量，结合光放大技术延长传感距离，但由于长距离光纤传输损耗的积累和光纤光栅的弱反射率，导致接收到的传感信号相当微弱，容易受外界环境及系统内部噪声影响，传感信号有可能被埋没在噪声中。本申请基于深度学习算法训练得到深度学习降噪模型，模型可全面学习到含噪声光纤光栅传感信号的特征，具有无监督完成光纤光栅传感信号去噪的能力，深度学习降噪模型使用残差收缩单元处理噪声特征，最后重构输入信号得到去噪后信号，模型训练采用受到种类随机、能量大小及作用范围不明确的噪声干扰信号作为训练样本，在不断的迭代优化中，更新模型参数使重构误差最小化，以实现模型输出信号接近目标信号，从而显著提高信号质量，通过大量的样本训练，去噪模型可对不同程度受干扰的FBG反射信号进行重构，在系统环境复杂的情况下具有降噪明显的优势，且模型鲁棒性高，可解决长距离大容量光纤光栅传感系统弱信号的降噪问题，为其温度、应变等多参数的高精度测量提供了高质量的光谱。

[0113] 图6为本申请电子设备较佳实施例的示意图。

[0114] 电子设备100包括存储器20、处理器30以及存储在存储器20中并可在处理器30上运行的计算机程序40。处理器30执行计算机程序40时实现上述基于深度学习的光纤光栅传感系统降噪方法实施例中的步骤，例如图1所示的步骤S11～S15。

[0115] 示例性的，计算机程序40可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在存储器20中，并由处理器30执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，所述指令段用于描述计算机程序40在电子设备100中的执行过程。

[0116] 电子设备100可以是桌上型计算机、光通信设备、服务器等计算设备。本领域技术人员可以理解，所述示意图仅是电子设备100的示例，并不构成对电子设备100的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如电子设备100还可以包括信号采集设备、通信总线等。

[0117] 处理器30可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field‑Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者处理器30也可以是任何常规的处理器等，处理器30是电子设备100的控制中心，利用各种接口和线路连接整个电子设备100的各个部分。

[0118] 存储器20可用于存储计算机程序40和/或模块/单元，处理器30通过运行或执行存储在存储器20内的计算机程序和/或模块/单元，以及调用存储在存储器20内的数据，实现电子设备100的各种功能。存储器20可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据电子设备100的使用所创建的数据等。此外，存储器20可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。

[0119] 电子设备100集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read‑Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

[0120] 在本申请所提供的几个实施例中，应该理解到，所揭露的电子设备和方法，可以通过其它的方式实现。例如，以上所描述的电子设备实施例仅是示意性的，例如，所述单元的划分，仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

[0121] 另外，在本申请各个实施例中的各功能单元可以集成在相同处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在相同单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

[0122] 对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

[0123] 最后应说明的是，以上实施例仅用以说明本申请的技术方案而非限制，尽管参照较佳实施例对本申请进行了详细说明，本领域的普通技术人员应当理解，可以对本申请的技术方案进行修改或等同替换，而不脱离本申请技术方案的精神和范围。