[논문 리뷰] Distributed Brillouin frequency shift extraction via a convolutional neural network

Yiqing Chang, Hao Wu외 4명|arXiv (Cornell University)|2020. 01. 09.

Advanced Fiber Optic Sensors참고 문헌 20인용 수 7

한 줄 요약

이 논문은 공간-시간 상관관계를 활용하여 2차원 광섬유 시간 도메인 반사도(OTDR) 데이터에서 직접 분산 브릴루아인 주파수 이동을 추출하기 위해 완전 컨volution 신경망(FCNN)을 제안한다. 기존의 루르티안 피팅 방법에 비해 더 높은 정확도와 훨씬 빠른 처리 속도를 달성하였으며, 다양한 신호 대 잡음비 조건에서의 실험적 검증을 통해 뛰어난 성능을 입증하였다.

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.

연구 동기 및 목표

• 각 트레이스를 별도로 처리하여 섬유의 시간적 상관관계를 忽略하는 전통적인 브릴루아인 주파수 이동 추출 방법의 한계를 해결하기 위해.
• 전체 2차원 OTDR 데이터를 처리하는 데이터 기반 접근법을 개발하여 분산 브릴루아인 센싱에서 정확도와 처리 속도를 향상시키기 위해.
• 다양한 신호 대 잡음비와 스펙트럼 파rameter에 걸쳐 딥 러닝 모델의 강건성과 일반성을 입증하기 위해.
• 기존의 곡선 피팅을 대체할 수 있는 엔드 투 엔드 학습 프레임워크를 제안하여 원시 스펙트럼에서 주파수 이동 추정치로 직접 매핑하기 위해.

제안 방법

• 모델은 시뮬레이션된 2차원 브릴루아인 OTDR 데이터에 대해 엔드 투 엔드로 훈련되며, 각 공간 위치가 하나의 스펙트럼에 해당한다.
• 네트워크 아키텍처는 2차원 입력에서 계층적인 공간-시간 특징을 추출하기 위해 ReLU 활성화 함수와 배치 정규화를 사용한 스택된 컨볼루션 레이어를 활용한다.
• 훈련 데이터는 제어된 파rameter(예: 주파수 이동, FWHM, SNR)를 가진 합성 브릴루아인 스펙트럼으로 구성되어 있으며, 실제 측정 조건을 시뮬레이션한다.
• 손실 함수는 역전파 동안 예측된 주파수 이동과 진짜 주파수 이동 간의 평균 제곱오차를 최소화하도록 설계된다.
• 일반화 성능 향상을 위해 실험 데이터를 활용해 모델을 토닝한다.
• 사전 처리나 개별 스펙트럼 피팅 없이도 원시 2차원 OTDR 트레이스에 직접 추론을 수행한다.

실험 결과

연구 질문

• RQ1 합성 2차원 OTDR 데이터에 훈련된 딥 러닝 모델이 실제 실험 데이터에 대해 분산 브릴루아인 주파수 이동 추출에 일반화될 수 있는가?
• RQ2 2차원 데이터의 공간-시간 상관관계를 활용할 경우, 개별 스펙트럼 처리 방법에 비해 정확도가 향상되는가?
• RQ3 낮은 SNR 조건에서 제안된 FCNN는 기존의 루르티안 피팅에 비해 처리 속도와 강건성 측면에서 어떻게 비교되는가?
• RQ4 신호 대 잡음비와 스펙트럼 파rameter가 다양할 경우 네트워크의 성능 유지 정도는 어느 정도인가?

주요 결과

• 제안된 FCNN는 시뮬레이션에서 평균 절대 오차(MAE)가 0.82 MHz를 기록하여, 기존의 루르티안 피팅 방법(1.45 MHz)을 뛰어넘었다.
• 실험적 검증에서 FCNN는 기존의 곡선 피팅 대비 처리 시간을 90% 이상 단축시켜 실시간 처리가 가능해졌다.
• SNR 10 dB에서 30 dB까지의 다양한 수준에서 네트워크는 일관된 정확도를 유지하였고, 전통적 방법은 심각하게 성능 저하를 보였다.
• 튜닝 없이도 예측되지 않은 실험 트레이스에 잘 일반화되어 있어 강력한 일반화 능력과 이식 가능성(transferability)을 입증하였다.