Jun 05, 2025

تصميم خوارزمية التصنيف والاعتراف متعدد الأهداف على أساس شبكة مستشعر الألياف البصرية

ترك رسالة

نظرًا لخصائص نطاق الكشف الكبير ، والحساسية العالية والقدرة على التكيف البيئي الجيد ، تم تطبيق شبكات استشعار الألياف الضوئية على نطاق واسع في تحديد المواقع الأمنية والاستهداف الإقليمية على نطاق واسع. الوظائف التقليدية مثل تحديد وجود هدف والحكم تقريبًا لم تعد كافية لتلبية متطلبات الكشف المتزايدة بشكل متزايد. أصبح تصنيف أهداف متعددة بدقة ومعلمات الحالة المتعددة في منطقة كبيرة نقطة ساخنة للبحث. من بينها ، تحديد نوع الهدف ، وحساب الموضع المستهدف ، واستنتاج حالة حركة الهدف هي المهام الرئيسية للكشف لشبكة الاستشعار.

 

Sidelnikov O et al. إجراء اختبارات على إشارات التداخل غير الطبيعية المتعددة داخل المنطقة ، لتحقيق معدل اكتشاف 86. 3 ٪ باستخدام ترددات مختلفة للتصنيف الهدف. ومع ذلك ، يمكن لهذه الطريقة أن تؤدي فقط التصنيف النوعي ولا يمكنها تقديم معلومات عن معلمات الحالة للأهداف. Tejedor J et al. وضعت شبكة استشعار الألياف الضوئية على خطوط الأنابيب وتحديد العمليات الهندسية المحتملة التي يمكن أن تعرض خطوط الأنابيب للخطر من خلال تحليل الاختلافات في إشارات الاهتزاز. كما تصنفوا تداخلات مختلفة باستخدام عتبات الكثافة. جمعت Tian Miao الشبكات العصبية مع طريقة تحلل وضع الوظيفة لتحليل أربعة أنواع من أحداث التسلل ، لتحقيق متوسط ​​معدل التعرف على 85.2 ٪. زو بوكسيان وآخرون. تستخدم تقنية التصور ثلاثية الأبعاد لإشارات الاهتزاز لتصنيف مصادر الاهتزاز المختلفة مثل الضوضاء البيضاء والمشاة والمركبات والحفارات. أظهر تحليل المحاكاة معدلًا صحيحًا لأكثر من 90 ٪. ومع ذلك ، فإن الكمية الكبيرة من بيانات السحابة ثلاثية الأبعاد قللت بشكل كبير من سرعة المعالجة. بينغ كوان وآخرون. تم اختبار مصادر التسلل الإقليمية على أساس اختلافات مجال الوقت/التردد ، وتحقيق دقة التصنيف لأكثر من 98 ٪ لأربعة أنواع من مصادر التداخل الدورية. جيانغ هونغ وآخرون. اختبرت خمسة تدخلات شائعة التدخلات باستخدام حواجز شبكية Bragg الألياف الفائقة وتصنيفها بناءً على ميزات الإشارة المعتادة. في 500 عينة اختبار ، كان معدل الاعتراف أكثر من 98 ٪. بان رويزهي وآخرون. تستخدم تقنية الاستشعار عن طريق الألياف الألياف لتحقيق التصنيف المستهدف ، مع دقة الخوارزمية بنسبة 96.6 ٪. ومع ذلك ، يتم استخدام هذه الطريقة بشكل أساسي لقياس الاتصال المباشر بين الهدف و FBG. على الرغم من أن لديها دقة عالية ، إلا أن أداء الاستجابة ينخفض ​​بشكل كبير مع زيادة المسافة. Wei-Hao C et al. تستخدم تقنية φ-OtDR للحصول على إشارات مستهدفة ، والتي لها خصائص ذات دقة عالية واستقرار جيد. Suzhen L et al. تستخدم الشبكات العصبية الاصطناعية لقياس اهتزازات البناء في بيانات استشعار الألياف البصرية ، والتي لها خصائص ذات دقة عالية وتغطية واسعة. ومع ذلك ، تستخدم هذه الطريقة بشكل أساسي للتعرف على إشارات الاهتزاز الفردي ولا يمكنها تحقيق تصنيف متعدد الأهداف. Shang Qiufeng et al. تحلل الوضع المتغير المشترك مع خوارزميات آلة متجه الدعم لتحديد أربعة أنواع من الإشارات غير الطبيعية ، مما يحقق دقة تحديد أكثر من 98 ٪. ومع ذلك ، نظرًا لاستخدام خوارزميتين ، كان وقت المعالجة لمجموعة واحدة من البيانات 169 ثانية ، والتي كانت بطيئة نسبيًا.

 

تم تصميم خوارزمية التعريف المستندة إلى خصائص معلمات الإشارة متعددة الأهداف. تمثل هذه الخوارزمية ميزات أهداف مختلفة من حيث السعة والمدة والتردد ، وتحقيق فصل الإشارة في حالة الاسم المستعار للإشارة متعددة الأهداف. تم اختبار خصائص إشارة استشعار الألياف لأربعة أهداف شائعة ، وتم الانتهاء من التحليل الكمي للإشارات متعددة الأهداف. تُظهر النتائج التجريبية أن سعة الطول الموجي المتوسطة للهدف 1 هي 1.25 نانومتر ، مع وجود خاصية تقارب 12 0 ms ؛ تتراوح متوسطات الطول الموجي المتوسط ​​للأهداف 2 و 3 بين 150-350 pm ، مع فترات تتراوح من 1 إلى 3s ؛ متوسط ​​سعة الطول الموجي للهدف 4 أكثر من 3.2 نانومتر ، مع مدة حوالي 15 ثانية. هذه الميزات لها دقة تقدير عالية في هذه الخوارزمية. في اختبار الاسم المستعار المستهدف ، يتجاوز متوسط ​​معدل التعرف على الهدف ومتوسط ​​دقة الاعتراف كلاهما 80.0 ٪ ، مما يتحقق من جدوى الخوارزمية المقترحة.

إرسال التحقيق