DAS信号识别之所以困难,根源在于信号本身的性质与深度学习模型的固有缺陷之间存在多重错配。近期提出的WTSEConv1d-Net,正是针对这些错配提供了一种结构性的修正思路。
![]()
DAS信号识别的三重困境
第一重是“伪特征”陷阱。基于φ-OTDR的DAS系统采集的振动信号中,目标事件(挖掘、敲击、行走)的波形往往与随机噪声、环境干扰在统计特征上高度纠缠。传统CNN在训练中很容易捕捉到那些“与训练数据相关、但与真实事件无关”的虚假特征——例如某段背景噪声的特定频谱形状恰好与某类事件在训练集中共现。当测试环境的噪声分布发生偏移时,这些伪特征的相关性断裂,模型性能随之崩塌。
第二重是标注数据的结构性稀缺。DAS系统每秒产生海量波形数据,但真实入侵事件的标注样本极其有限,且类别分布严重失衡。可用于训练的标注数据不足,直接制约了模型的泛化能力;而部署环境中风雨、小动物、车辆等干扰的多样性,又远超有限训练样本所能覆盖的范围。模型在“没见过”的事件类型面前,往往表现出极高的虚警率。
第三重是信号的非平稳性与跨域漂移。DAS信号常被强环境噪声污染,频谱成分随时间剧烈变化,并夹杂间歇性瞬态脉冲。更棘手的是,最具判别力的特征在不同部署场景(不同土壤、不同埋深、不同光缆类型)之间会发生漂移,一个场景中有效的分类边界,在另一个场景中可能完全失效。
这三重困境相互叠加:伪特征放大了噪声的影响,数据稀缺限制了模型对伪特征的纠偏能力,跨域漂移则让任何在单一数据集上“过拟合”的模型暴露其脆弱性。
WTSEConv1d-Net的修正逻辑
WTSEConv1d-Net的核心判断是:问题不在于CNN不够深或不够大,而在于标准卷积的操作方式与DAS信号的物理特性之间存在错配。它从两个层面进行了结构性修正。
WTConv:用“可调带宽”替代固定感受野
标准一维卷积的感受野由卷积核尺寸固定。小核捕捉局部瞬态特征,大核捕捉长程依赖,两者不可兼得。而DAS事件的时间尺度跨度极大——一次敲击可能只有数十毫秒的瞬态,而行走的周期性步态则跨越数秒。
WTConv(小波卷积)的解决方案是用小波变换的多分辨率分解来替代固定核的单一尺度扫描。小波基函数具有可伸缩和平移的特性:尺度参数大时,核在时间轴上被拉伸,覆盖更长的上下文;尺度参数小时,核被压缩,聚焦于局部细节。WTConv以低参数开销实现了感受野的动态扩展,使模型能够同时建模瞬态冲击和长程周期模式,而不必在“看得细”和“看得远”之间做取舍。
但WTConv本身有一个副作用:它的多尺度分解在扩展感受野的同时,也会对普遍存在的高频噪声产生过度响应。高频噪声在小尺度分解中表现为密集的激活,如果这些激活与目标事件的特征在通道维度上混合,模型仍然会被噪声牵引。
SE注意力:在通道维度上“降噪”
这正是SE注意力机制介入的位置。WTConv输出的多通道特征图中,并非所有通道都同等重要。部分通道主要承载目标事件的振动模式,另一些通道则被高频噪声或冗余信息占据。SE注意力机制通过“压缩-激励”操作,先对每个通道的全局信息进行压缩统计,再学习一组通道级的权重,动态抑制冗余通道的激活强度,放大关键通道的贡献。
二者的结合不是简单的串联,而是一种功能互补:WTConv负责“看得宽、看得细”,SE负责“看得准”——在WTConv扩展后的多尺度特征空间中,SE将模型的注意力重新拉回到与目标事件真正相关的振动模式上,抵消WTConv对高频噪声的过度敏感。
为什么这个思路值得关注
WTSEConv1d-Net的价值不在于刷新了某个数据集的分类准确率,而在于它揭示了一个方法论上的转向:与其用更复杂的网络去拟合DAS信号的复杂性,不如从信号处理的物理直觉出发,在卷积结构内部嵌入“尺度选择”和“通道选择”的机制,让模型本身具备对抗噪声和伪特征的结构性能力。
在公开数据集(包含背景、挖掘、敲击、水声、摇晃、行走六类事件)上的实验表明,该结构在典型振动事件的分类中保持了高精度,并且模型的空间响应集中在有效信号区域,而非噪声背景。在自采埋地光纤数据集上的外部验证进一步显示,其在跨场景条件下的识别稳定性优于传统CNN基线。这说明WTConv+SE的组合并非针对某一数据集的过拟合优化,而是在结构层面提供了一种可迁移的鲁棒性。
特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.