發(fā)布時(shí)間：2024-04-13 14:52

　　分布式光纖傳感系統(tǒng)具有無(wú)需外場(chǎng)供電、抗電磁干擾能力強(qiáng)、探測(cè)靈敏度高、監(jiān)測(cè)范圍廣、便于集成等優(yōu)勢(shì),已經(jīng)成為了傳感器領(lǐng)域的研究熱點(diǎn)之一。目前,分布式光纖傳感系統(tǒng)己廣泛應(yīng)用于油氣管道狀態(tài)檢測(cè)、大型結(jié)構(gòu)探傷、國(guó)土安全監(jiān)控等諸多領(lǐng)域。在眾多類(lèi)型的分布式光纖傳感技術(shù)中,基于相位敏感光時(shí)域反射器(Φ-OTDR)的傳感系統(tǒng)憑借著其空間分辨率高、系統(tǒng)結(jié)構(gòu)簡(jiǎn)單、可同時(shí)定位多個(gè)擾動(dòng)事件等優(yōu)點(diǎn),成為當(dāng)前長(zhǎng)距離分布式光纖傳感系統(tǒng)研究的主流方向之一。本文針對(duì)Φ-OTDR分布式光纖傳感系統(tǒng)在實(shí)際應(yīng)用中遇到的誤報(bào)率較高、對(duì)于擾動(dòng)事件是否有害判別不清的問(wèn)題,提出了基于概率神經(jīng)網(wǎng)絡(luò)(PNN)模型分類(lèi)器的擾動(dòng)事件模式識(shí)別方法,有效實(shí)現(xiàn)了對(duì)不同類(lèi)型的擾動(dòng)事件的區(qū)分。本文主要完成的研究工作如下:(1)在理論研究Φ-OTDR分布式光纖傳感系統(tǒng)的原理及其系統(tǒng)的輸出信號(hào)特征的基礎(chǔ)上,構(gòu)建了基于Φ-OTDR分布式光纖傳感實(shí)驗(yàn)平臺(tái),實(shí)驗(yàn)采集澆水、攀爬、敲擊與碾壓四類(lèi)擾動(dòng)信號(hào)以及無(wú)擾動(dòng)時(shí)的輸出信號(hào),研究了時(shí)域信號(hào)及時(shí)域差分信號(hào)相應(yīng)的特征值的提取并將擾動(dòng)信號(hào)劃分為測(cè)試樣本,為后續(xù)擾動(dòng)信號(hào)模式識(shí)別研究奠定了基礎(chǔ)。(2)提出了基于概率神經(jīng)網(wǎng)絡(luò)模...

【文章頁(yè)數(shù)】：83 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
致謝
摘要
ABSTRACT
1 緒論
    1.1 引言
    1.2 分布式光纖傳感技術(shù)方案
        1.2.1 光纖光柵陣列方案
        1.2.2 干涉儀型傳感方案
        1.2.3 光散射型傳感方案
    1.3 Φ-OTDR分布式光纖傳感系統(tǒng)模式識(shí)別研究現(xiàn)狀
    1.4 本文研究意義與研究?jī)?nèi)容
        1.4.1 研究意義
        1.4.2 研究?jī)?nèi)容
2 Φ-OTDR分布式光纖傳感技術(shù)理論研究
    2.1 引言
    2.2 光的散射
        2.2.1 布里淵散射
        2.2.2 拉曼散射
        2.2.3 瑞利散射
    2.3 Φ-OTDR分布式光纖傳感系統(tǒng)基本原理
        2.3.1 OTDR系統(tǒng)基本原理
        2.3.2 Φ- OTDR系統(tǒng)基本原理
        2.3.3 Φ-OTDR系統(tǒng)數(shù)學(xué)模型建立
    2.4 本章小結(jié)
3 Φ-OTDR分布式光纖擾動(dòng)傳感系統(tǒng)信號(hào)處理與識(shí)別算法模型
    3.1 引言
    3.2 實(shí)驗(yàn)信號(hào)采集
        3.2.1 實(shí)驗(yàn)裝置
        3.2.2 擾動(dòng)信號(hào)采集
    3.3 信號(hào)數(shù)據(jù)處理
        3.3.1 信號(hào)歸一化
        3.3.2 信號(hào)差分
        3.3.3 實(shí)驗(yàn)樣本劃分
        3.3.4 信號(hào)特征提取
    3.4 概率神經(jīng)網(wǎng)絡(luò)模型
        3.4.1 神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介
        3.4.2 概率神經(jīng)網(wǎng)絡(luò)模型理論
        3.4.3 概率神經(jīng)網(wǎng)絡(luò)模型的優(yōu)勢(shì)
    3.5 本章小結(jié)
4 算法模型及其優(yōu)化識(shí)別結(jié)果
    4.1 引言
    4.2 概率神經(jīng)網(wǎng)絡(luò)模型搭建與識(shí)別結(jié)果
    4.3 概率神經(jīng)網(wǎng)絡(luò)模型的平均影響因子優(yōu)化方案
        4.3.1 平均影響因子簡(jiǎn)介
        4.3.2 MIV-PNN模型識(shí)別工作與結(jié)果
    4.4 概率神經(jīng)網(wǎng)絡(luò)模型的主成分分析優(yōu)化方案
        4.4.1 主成分分析方法簡(jiǎn)介
        4.4.2 PCA-PNN模型識(shí)別工作與結(jié)果
    4.5 模型識(shí)別結(jié)果對(duì)比與分析
    4.6 改進(jìn)網(wǎng)絡(luò)模型的樣本庫(kù)建立與識(shí)別
        4.6.1 樣本庫(kù)的建立
        4.6.2 MIV-PNN模型與PCA-PNN模型樣本庫(kù)識(shí)別結(jié)果
    4.7 本章小結(jié)
5 結(jié)論
    5.1 論文完成的主要工作
    5.2 下一步工作建議
參考文獻(xiàn)
作者簡(jiǎn)歷及攻讀碩士/博士學(xué)位期間取得的研究成果
學(xué)位論文數(shù)據(jù)集



本文編號(hào)：3953210