买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：齐鲁工业大学(山东省科学院)

摘要：本申请公开了一种基于增量学习的分布式光纤检测信号识别方法，涉及分布式光纤声波传感系统监测技术领域。本发明包括以下步骤：S1、构建基于高效通道注意力的ConvNeXt网络；S2、对基于高效通道注意力的ConvNeXt网络进行初始训练；S3、将步骤S2得到的基于高效通道注意力的初始ConvNeXt网络模型的模型参数通过知识蒸馏传递给基于高效通道注意力的ConvNeXt网络，得到新的基于高效通道注意力的ConvNeXt网络；而后，对新的基于高效通道注意力的ConvNeXt网络进行增量学习训练，增量学习训练的过程中实现对待检测信号的识别。本申请对已有样本数据遗忘少，能够得到较佳的平均识别率。

主权项：1.一种基于增量学习的分布式光纤检测信号识别方法，其特征在于：包括如下步骤：S1、构建基于高效通道注意力的ConvNeXt网络；所述基于高效通道注意力的ConvNeXt网络是通过对现有的ConvNeXt网络进行下述改进得到的：（1）将现有的ConvNeXt网络中的ConvNeXt模块统一替换成基于高效通道注意力的ConvNeXt模块；（2）在现有的ConvNeXt网络中的全连接层中添加α和β这两个偏置参数；全连接层添加α和β两个偏置参数用于实现对待检测信号预测类别的概率分布进行线性校正；步骤S1中，所述基于高效通道注意力的ConvNeXt模块是对现有的ConvNeXt网络中的现有的ConvNeXt模块进行如下改进得到的：（1）、现有的ConvNeXt模块包括并联的第一分支和第二分支，第一分支和第二分支均与Add层连接，其中，第一分支包括依次连接的深度可分离卷积层、第一个二维卷积层和第二个二维卷积层，在第一分支的第二个二维卷积层之后依次连接基于高效通道注意力模块ECA和Dropout层，并将Dropout层的输出端以及第二分支均与Add层的输入端连接，获得基于高效通道注意力的ConvNeXt模块；（2）、将现有的基于高效通道注意力模块ECA中的sigmoid函数替换成hard-sigmoid函数；S2、对步骤S1构建的基于高效通道注意力的ConvNeXt网络进行初始训练，得到基于高效通道注意力的初始ConvNeXt网络模型；步骤S2中，包括如下具体步骤：S2-1、将计划进行识别待检测信号的起始时间之前，在应用场景收集到的二维时空信号进行预处理得到已有样本数据，将已有样本数据及其对应的标签按照7：3的比例进行划分，得到已有数据训练集和已有数据测试集；S2-2、利用已有数据训练集和已有数据测试集对步骤S1构建的基于高效通道注意力的ConvNeXt网络进行初始训练，得到基于高效通道注意力的初始ConvNeXt网络模型；S3、将基于高效通道注意力的初始ConvNeXt网络模型的模型参数通过知识蒸馏传递给步骤S1中构建的基于高效通道注意力的ConvNeXt网络，得到新的基于高效通道注意力的ConvNeXt网络；而后对新的基于高效通道注意力的ConvNeXt网络进行增量学习训练，增量学习训练的过程中实现对待检测信号的识别；步骤S3包括如下具体步骤：S3-1、获取实时数据集；在计划进行识别待检测信号的起始时间之后，在应用场景收集二维时空信号；然后，对该上述二维时空信号进行预处理得到实时样本数据，实时样本数据及其对应的标签构成实时数据集；其中，步骤S3中对二维时空信号进行预处理的方式与步骤S2-1中对二维时空信号进行预处理的方式相同；S3-2、将步骤S3-1得到的实时数据集中的实时样本数据依据二维时空信号的信号类别对实时样本数据和其对应的标签进行划分，然后每次选择两个信号类别的二维时空信号所对应的实时样本数据和标签作为一个增量样本数据集，而后，将增量样本数据集中的实时样本数据和其对应的标签按照8:1:1的比例进行划分，得到增量样本训练集、增量样本测试集和增量样本验证集；S3-3、将步骤S2-2得到的基于高效通道注意力的初始ConvNeXt网络模型的模型参数通过知识蒸馏传递给步骤S1中构建的基于高效通道注意力的ConvNeXt网络，实现对步骤S1中构建的基于高效通道注意力的ConvNeXt网络进行初始化，得到新的基于高效通道注意力的ConvNeXt网络；S3-4、利用增量样本训练集、增量样本验证集和增量样本测试集对步骤S3-3得到的新的基于高效通道注意力的ConvNeXt网络进行增量学习训练，增量学习训练的过程中实现对待检测信号的识别；步骤S3-4包括如下具体步骤：S3-4-1、将增量样本训练集中的实时样本数据输入到步骤S3-3得到的新的基于高效通道注意力的ConvNeXt网络中进行增量学习训练，保留并输出待检测信号类别的概率分布和识别率，同时，计算总蒸馏损失L总，而后基于总蒸馏损失L总通过随机梯度下降算法更新新的基于高效通道注意力的ConvNeXt网络中的二维卷积层以及基于高效通道注意力的ConvNeXt模块中所示的深度可分离卷积层和两个二维卷积层中的卷积核权重参数和偏置参数，并更新全连接层中除偏置参数α和β之外的权重参数和偏置参数，得到初步参数后的新的基于高效通道注意力的ConvNeXt网络；S3-4-2、冻结步骤S3-4-1得到的初步参数后的新的基于高效通道注意力的ConvNeXt网络的参数，然后，将增量样本验证集中的实时数据输入至步骤S3-4-1得到的初步参数后的新的基于高效通道注意力的ConvNeXt网络中前向传播一次进行验证，保留并输出待检测信号类别的概率分布和识别率，同时，计算总蒸馏损失L总，而后基于总蒸馏损失L总通过随机梯度下降算法更新步骤S3-4-1得到的初步参数后的新的基于高效通道注意力的ConvNeXt网络中用于线性校正的两个偏置参数α和β，得到偏置参数α和β更新后的基于高效通道注意力的ConvNeXt网络；S3-4-3、将增量样本测试集输入至偏置参数α和β更新后的基于高效通道注意力的ConvNeXt网络中前向传播一次，保留并输出待检测信号类别的概率分布和识别率，完成一次迭代过程；S3-4-4、重复迭代100次，完成新的基于高效通道注意力的ConvNeXt网络的增量学习训练过程；将增量样本测试集输入至偏置参数α和β更新后的基于高效通道注意力的ConvNeXt网络中前向传播一次的过程，称为增量样本测试过程；识别率最大的那个增量样本测试过程中，偏置参数α和β更新后的基于高效通道注意力的ConvNeXt网络输出的待检测信号类别的概率分布和识别率为最终的待检测信号的识别结果。

全文数据：

权利要求：

百度查询： 齐鲁工业大学(山东省科学院) 基于增量学习的分布式光纤检测信号识别方法