Study On Optical Communications, Volume. 50, Issue 6, 23011601(2024)
Overview of Feature Extraction and Recognition Methods for Fiber Optic Vibration Signals
Figures & Tables(10)
Fig. 1. Optical fiber perimeter security system based on Sagnac optical fiber interferometer
Fig. 5. Steps of optical fiber vibration identification based on MPSO-SVM
Fig. 6. Classification results of intrusion events, interference and normal conditions
Fig. 7. Evaluation results of the proposed model in the perimeter safety monitoring system
Table 1. Common time domain characteristics
Table 2. Comparison of various algorithms
View tableView in ArticleTable 2. Comparison of various algorithms
特征提取方法 特点 典型代表 文献实例 时域特征 方便快捷，但是由于振动信号是非平稳信号，仅仅通过时域特征很难将其区分。 峭度、标准差、均值等 文献[ 15 ]－[19 ]频域特征 通过FFT将时域信号转变为频谱，即可在频域中对信号进行分析，提高后续识别的精度。 FFT、倒频谱等 文献[ 20 ]－[22 ]时频结合 一种更全面的分析方式是进行时频域特征分析，不仅能获得特定时间段内的频谱特性，还能观察到不同频段随着时间变化的动态。 小波变换、希尔伯特变换等 文献[ 23 ]－[28 ]
Table 3. Comparison of various algorithms
View tableView in ArticleTable 3. Comparison of various algorithms
信号识别方法 特点 文献实例 SVM SVM在处理少量样本的机器学习问题上能避免神经网络的结构选择问题和局部最优问题。然而，SVM也存在一些不足：如算法复杂，选择合适的核函数参数有一定难度；在处理大规模样本数据时，训练耗时且效率不高；对失去的数据相当敏感。 文献[ 29 ]－[32 ]神经网络 并行处理能力非常强，学习能力杰出，同时拥有关联记忆功能，对噪声有较高的抗干扰性和容错能力，非线性映射处理能力突出且其数据分类算法对新的、未经训练的数据有出色的预测和分类能力。然而，也存在一些弱点：比如，设置神经网络需要大量的参数，选择合适的网络拓扑结构、激活函数等都与模型的精准度密切相关；由于学习过程是不可见的，所以对结果的可信度和接受程度有所影响；学习周期可能拖长或无法达到预定目标。 文献[ 33 ]－[36 ]DL 对比传统神经网络，具有更出色的学习能力，其神经网络层次众多，涵盖领域广泛，适应能力出色。DL的缺点主要体现在：需要大量的数据支持，并且对设备的计算能力有着极高的要求，这就直接导致了设备标准的升高以及成本的增加；另外，构建DL模型往往十分复杂，研发出新的算法和模型会耗费大量的人力、物质资源和时间。 文献[ 37 ]－[41 ]
Tools
Get Citation
Copy Citation Text
Junxia QIAN, Jiaxing GUO. Overview of Feature Extraction and Recognition Methods for Fiber Optic Vibration Signals[J]. Study On Optical Communications, 2024, 50(6): 23011601
Paper Information
Category:
Received: Sep. 23, 2023
Accepted: --
Published Online: Jan. 2, 2025
The Author Email: GUO Jiaxing (2650594653@qq.com)
© Copyright 2018-2021 | Chinese Laser Press.
All Rights Reserved 沪ICP备15018463号-20