[論文レビュー] Distributed Brillouin frequency shift extraction via a convolutional neural network

Yiqing Chang, Hao Wu+4 more|arXiv (Cornell University)|Jan 9, 2020

Advanced Fiber Optic Sensors参考文献 20被引用数 7

ひとこと要約

本論文は、光時間域リフレクトメトリー（OTDR）データの2次元空間的・時間的相関を活用して、分散型ブリルアン周波数シフトを直接抽出する完全畳み込みニューラルネットワーク（FCNN）を提案する。従来のローレンツ曲線フィッティングに比べ、高い精度と著しく高速な処理を達成しており、さまざまな信号対雑音比（SNR）条件下でも実験的検証により高い性能を示した。

ABSTRACT

Distributed optical fiber Brillouin sensors detect the temperature and strain along a fiber according to the local Brillouin frequency shift, which is usually calculated by the measured Brillouin spectrum using Lorentzian curve fitting. In addition, cross-correlation, principal component analysis, and machine learning methods have been proposed for the more efficient extraction of Brillouin frequency shifts. However, existing methods only process the Brillouin spectrum individually, ignoring the correlation in the time domain, indicating that there is still room for improvement. Here, we propose and experimentally demonstrate a full convolution neural network to extract the distributed Brillouin frequency shift directly from the measured two-dimensional data. Simulated ideal Brillouin spectrum with various parameters are used to train the network. Both the simulation and experimental results show that the extraction accuracy of the network is better than that of the traditional curve fitting algorithm with a much shorter processing time. This network has good universality and robustness and can effectively improve the performances of existing Brillouin sensors.

研究の動機と目的

• 各トレースを独立して処理する従来のブリルアン周波数シフト抽出手法の限界を是正し、ファイバーに沿う時間的相関を無視しないこと。
• 2次元OTDRデータ全体を処理するデータ駆動型アプローチを開発し、分散型ブリルアンセンシングにおける精度と処理速度を向上させること。
• さまざまな信号対雑音比とスペクトルパラメータの下で、深層学習モデルのロバストネスと汎用性を実証すること。
• 従来の曲線フィッティングを置き換え、生のスペクトルから周波数シフト推定値へ直接マッピングするエンドツーエンドの学習フレームワークを構築すること。

提案手法

• シミュレーションされた2次元ブリルアンOTDRデータ上で、エンドツーエンドに訓練された完全畳み込みニューラルネットワーク（FCNN）を用いる。各空間的位置に対応するスペクトルが入力となる。
• 畳み込み層をスタックし、ReLU活性化関数とバッチ正則化を用いて、2次元入力からの階層的空間的・時間的特徴を抽出するネットワークアーキテクチャを採用する。
• 訓練データは、制御されたパラメータ（例：周波数シフト、FWHM、SNR）を有する合成ブリルアンスペクトルから構成され、現実的な測定条件を再現する。
• 誤差関数は、バックプロパゲーション中に予測値と真値の周波数シフトの平均二乗誤差を最小化する。
• 一般化性能を向上させるために、実験データを用いてモデルをファインチューニングする。
• 前処理や個々のスペクトルフィッティングを経ずに、生の2次元OTDRトレースに対して直接推論を実行する。

実験結果

リサーチクエスチョン

• RQ1 合成2次元OTDRデータで訓練された深層学習モデルは、実験的データに一般化可能であり、分散型ブリルアン周波数シフト抽出に応用可能か？
• RQ2 2次元データにおける空間的・時間的相関を活用することで、個々のスペクトル処理手法に比べて精度が向上するか？
• RQ3 低SNR下でも、提案されたFCNNは従来のローレンツ曲線フィッティングに比べ、処理速度とロバストネスにおいて優れているか？
• RQ4 信号対雑音比やスペクトルパラメータが変動する条件下でも、ネットワークの性能がどの程度維持されるか？

主な発見

• シミュレーションでは、提案されたFCNNが平均絶対誤差（MAE）0.82 MHzを達成し、従来のローレンツ曲線フィッティング（MAE 1.45 MHz）を上回った。
• 実験的検証では、従来の曲線フィッティングに比べて処理時間を90％以上短縮し、リアルタイム処理が可能になった。
• SNR 10 dBから30 dBの範囲で、ネットワークは一貫した精度を維持した一方、従来手法は著しく性能が低下した。
• 微調整なしに未観測の実験トレースに対しても良好な一般化性能を示し、強力な一般化能力と転移性を示した。