Китайская команда разработала DASformer для субметровой демодуляции в реальном времени в распределенном акустическом зондировании на оптоволокне

Репортаж от Wedoany，Исследовательская группа предложила сеть синхронной демодуляции и шумоподавления в реальном времени для сигналов распределенного акустического зондирования на оптоволокне (DAS) на основе архитектуры Transformer (DASformer), обеспечивающую субметровое пространственное разрешение и обработку в реальном времени, что открывает технологический путь для интеллектуальных систем восприятия в сценариях быстрого реагирования.

Технология распределенного акустического зондирования на оптоволокне (DAS) использует телекоммуникационное оптоволокно в качестве датчика для непрерывного распределенного мониторинга вибраций или акустических сигналов на больших расстояниях. Эта технология применяется в геофизических исследованиях, безопасности инфраструктуры, интеллектуальном транспорте и других областях. По мере расширения сфер применения в области мониторинга городского трафика, локализации источников звука дронов и других областях, требующих высокой оперативности информации, нагрузка на обработку данных в системах DAS постоянно возрастает. Такие сценарии требуют не только захвата динамических событий в реальном времени (например, отслеживание траекторий транспортных средств, идентификация вторжений), но и быстрого извлечения информации для принятия решений из огромных массивов сенсорных данных. Традиционные методы фазовой демодуляции, хотя и позволяют восстанавливать сигналы возмущений, полагаются на такие способы, как искусственное разделение частотных полос для подавления интерференционных замираний, что увеличивает вычислительные затраты и снижает пространственное разрешение. В условиях больших деформаций фазовая развертка на основе критерия Ито легко приводит к накоплению ошибок, вызывая искажение сигнала. Кроме того, традиционные методы сталкиваются с узким местом вычислительной эффективности при обработке огромных объемов данных DAS, и их процедуры обработки с трудом удовлетворяют требованиям низкой задержки и высокой пропускной способности, предъявляемым интеллектуальными системами восприятия реального времени, что ограничивает их применение в сценариях быстрого реагирования.

Для решения вышеуказанных проблем исследовательская группа предложила сеть синхронной демодуляции и шумоподавления в реальном времени на основе архитектуры Transformer (DASformer). Эта сеть использует структуру чистого энкодера для сквозной обработки исходных сигналов обратного рэлеевского рассеяния, напрямую выводя дифференциальный фазовый сигнал после демодуляции и шумоподавления, избегая накопления ошибок, связанного с фазовой разверткой в традиционных методах. В структурном дизайне DASformer использует механизм многомасштабного внимания и сдвиговое наложение модулей извлечения признаков для улучшения восстановления деталей возмущений в результатах демодуляции. Одновременно применяется контролируемое обучение на полностью смоделированном наборе данных, основанном на физических моделях, что позволяет сети одновременно подавлять различные шумы и интерференционные замирания в процессе демодуляции. Благодаря преимуществам параллельных вычислений Transformer, эта сеть достигает субметрового пространственного разрешения и демодуляции с шумоподавлением в реальном времени, обеспечивая высококачественный входной сигнал для последующих модулей интеллектуального принятия решений.

Основные инновации этой сети включают: использование архитектуры чистого энкодера Transformer для фазовой демодуляции сигналов DAS с прямым сквозным получением дифференциального фазового сигнала; разработку модуля сдвигового двойного внимания к патчам (Shifted-PDA), который через механизм многомасштабного слияния внимания внутри и между патчами, в сочетании с циклическим сдвигом окна самовнимания, обеспечивает обмен информацией между окнами, эффективно объединяя локальные признаки и глобальные зависимости, а также вводит слой LeFF с разделимыми по глубине свертками вдоль пространственной оси для замены традиционной сети прямой связи, усиливая способность сети представлять непрерывные фазовые изменения; контролируемое обучение на полностью смоделированном наборе данных (50 000 исходных оптоволоконных каналов) с использованием метода усиления данных путем добавления случайных копий возмущений для обучения сети подавлению случайного шума, накопленного фазового шума и интерференционных замираний, а также использование преимуществ параллельных вычислений Transformer для достижения субметрового пространственного разрешения и обработки высокоскоростных потоков данных DAS в реальном времени.

В полевых экспериментах исследователи использовали два типа сенсорного оптоволокна: «оптоволокно, проложенное в дорожном покрытии» и «подземное телекоммуникационное оптоволокно». С помощью подземного телекоммуникационного оптоволокна проводилось предварительное позиционирование, а также эксперименты с бросанием мяча в ночной тихой обстановке для сравнения производительности нового метода и традиционного метода фазовой развертки. Результаты показали, что в подавлении шума новый метод превзошел традиционный на 4,6 дБ. Затем с использованием оптоволокна, проложенного в дорожном покрытии, проводился мониторинг сигналов кампусного трафика (сигналы транспортных средств, сигналы пешеходов) в реальном времени. На участках с плохим контактом оптоволокна с грунтом новый метод все еще мог четко различать две группы траекторий, создаваемых передними и задними колесами транспортных средств, в то время как результаты демодуляции традиционного метода на этом канале смешивались из-за ухудшения пространственного разрешения, что подтверждает субметровое пространственное разрешение сети. При сравнении вычислительной эффективности этот метод показал более высокую эффективность обработки данных по сравнению с традиционными методами обработки сигналов (алгоритм фазовой демодуляции на основе извлечения поддиапазонов, SPEA) и глубокой нейронной сетью на основе CNN SEED-Net, что обусловлено преимуществами параллельных вычислений архитектуры Transformer, выражающимися в меньшей средней задержке и объеме вычислений.