[论文解读] 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 7

一句话总结

本文提出一种全卷积神经网络（FCNN），直接从二维光时域反射仪（OTDR）数据中提取分布式布里渊频移，利用光纤中的时空相关性。该方法在准确度上优于传统的洛伦兹拟合，处理速度显著更快，实验验证表明其在不同信噪比条件下均表现出稳健性能。

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.

研究动机与目标

• 解决传统布里渊频移提取方法中将每条轨迹独立处理、忽略光纤沿线时间相关性的局限性。
• 开发一种数据驱动方法，处理完整的二维OTDR数据，以提升分布式布里渊传感中的准确度和处理速度。
• 展示深度学习模型在不同信噪比和光谱参数下的鲁棒性与通用性。
• 用端到端学习框架替代传统曲线拟合，直接从原始光谱映射到频移估计值。

提出的方法

• 在模拟的二维布里渊OTDR数据上端到端训练全卷积神经网络（FCNN），其中每个空间位置对应一个光谱。
• 网络架构采用堆叠的卷积层，配合ReLU激活函数和批量归一化，从二维输入中提取分层时空特征。
• 训练数据由具有受控参数（如频移、半高全宽FWHM、信噪比SNR）的合成布里渊光谱组成，以模拟真实测量条件。
• 损失函数通过反向传播最小化预测值与真实频移之间的均方误差。
• 在实验数据上进行微调，以增强模型对真实世界噪声和非理想条件的泛化能力。
• 推理过程直接在原始二维OTDR轨迹上进行，无需预处理或逐个光谱拟合。

实验结果

研究问题

• RQ1 在合成二维OTDR数据上训练的深度学习模型能否泛化到真实实验数据，用于分布式布里渊频移提取？
• RQ2 利用二维数据中的时空相关性是否能提升准确度，相比逐光谱处理方法？
• RQ3 与传统洛伦兹拟合相比，所提出的FCNN在低信噪比条件下的处理速度和鲁棒性如何？
• RQ4 该网络在不同信噪比和光谱参数下性能保持程度如何？

主要发现

• 在仿真中，所提出的FCNN实现平均绝对误差（MAE）为0.82 MHz，优于洛伦兹拟合方法的1.45 MHz。
• 在实验验证中，FCNN将处理时间减少了90%以上，相比传统曲线拟合，实现了实时处理能力。
• 该网络在10 dB至30 dB的信噪比范围内表现出鲁棒性，保持一致的准确度，而传统方法在此条件下显著退化。
• 该模型在未见过的实验轨迹上无需微调即可良好泛化，表明其具备强大的泛化能力和迁移性。