本發(fā)明涉及光纖傳感技術(shù)領(lǐng)域，特別涉及一種分布式光纖測(cè)溫系統(tǒng)的降噪方法及裝置。

背景技術(shù)：

分布式光纖測(cè)溫系統(tǒng)(dts)的核心技術(shù)為光纖激光雷達(dá)技術(shù)，即利用激光器向光纖中注入激光脈沖，然后對(duì)其后向散射光進(jìn)行采集、分析，就可以實(shí)時(shí)測(cè)得整根光纖沿線的溫度變化。體現(xiàn)dts性能的指標(biāo)主要包括空間定位精度、測(cè)溫精度、空間分辨率、響應(yīng)時(shí)間和傳感距離等。尤其是測(cè)溫精度和距離提升，一直是光纖傳感技術(shù)的重點(diǎn)發(fā)展方向。

dts主要基于raman后向散射機(jī)理，采用anti-stokes光與stokes光的強(qiáng)度比來(lái)解調(diào)溫度。但是raman散射信號(hào)十分微弱，需采用雪崩光電二極管進(jìn)行光電轉(zhuǎn)換，由于高反偏置和雪崩特性，引入了雪崩暗電流和附加噪聲，使得光電轉(zhuǎn)換后的信號(hào)噪聲很大，導(dǎo)致實(shí)際采集到的anti-stokes光信號(hào)和stokes光信號(hào)完全無(wú)法分辨出信號(hào)細(xì)節(jié)，因此降噪是研制分布式光纖測(cè)溫系統(tǒng)的關(guān)鍵環(huán)節(jié)，直接影響到系統(tǒng)的測(cè)溫精度和傳感距離。

若采用傅里葉變換在頻域降噪，由于dts的噪聲頻譜是隨機(jī)的，且背向散射信號(hào)的e指數(shù)函數(shù)的頻譜也覆蓋整個(gè)頻域，因此很難在頻域中將兩者分離，效果無(wú)法保證。而小波變換作為多尺度分析工具，被譽(yù)為“信號(hào)顯微鏡”，能夠自動(dòng)調(diào)節(jié)信號(hào)分析的時(shí)寬和帶寬，尤其適用于分布式光纖測(cè)溫系統(tǒng)；所以，目前在分布式光纖測(cè)溫系統(tǒng)中主要采用基于mallat算法的小波變換進(jìn)行數(shù)據(jù)降噪處理。其特征在于，raman散射信號(hào)通常表現(xiàn)為低頻信號(hào)或是一些比較平穩(wěn)的信號(hào)，而噪聲信號(hào)通常表現(xiàn)為高頻信號(hào)，當(dāng)對(duì)其進(jìn)行小波變換時(shí)，信號(hào)的高頻部分對(duì)應(yīng)于高頻小波系數(shù)，低頻部分對(duì)應(yīng)于低頻小波系數(shù)，將包含噪聲的信號(hào)進(jìn)行小波變換后，用閾值法去除一定量的高頻小波系數(shù)后，再做小波逆變換得到降噪后的信號(hào)。

在小波域做降噪處理效果是比較不錯(cuò)的。小波閾值降噪法計(jì)算簡(jiǎn)單且具有分析信號(hào)局部特征的能力，但是涉及到的閾值選取時(shí)比較困難，選取不當(dāng)則對(duì)信號(hào)高頻部分的損害較大，影響降噪效果。

技術(shù)實(shí)現(xiàn)要素：

基于此，本發(fā)明實(shí)施例的目的在于提供一種分布式光纖測(cè)溫系統(tǒng)的降噪方法及裝置，可以提高分布式光纖測(cè)溫系統(tǒng)的降噪性能。

為達(dá)到上述目的，本發(fā)明實(shí)施例采用以下技術(shù)方案：

一種分布式光纖測(cè)溫系統(tǒng)的降噪方法，包括：

采集光纖測(cè)溫系統(tǒng)中的stokes光和anti-stokes光；

將stokes光和anti-stokes光分別轉(zhuǎn)換成對(duì)應(yīng)的電壓；

對(duì)轉(zhuǎn)換后的電壓進(jìn)行數(shù)據(jù)預(yù)處理；

對(duì)經(jīng)過(guò)預(yù)處理的數(shù)據(jù)做提升小波變換，獲得不同尺度下的小波系數(shù)；

為各尺度的高頻小波系數(shù)構(gòu)建隱馬爾科夫樹模型；

訓(xùn)練該隱馬爾科夫樹模型，求解該模型里面的各類參數(shù)；

根據(jù)所構(gòu)建隱馬爾科夫樹模型，對(duì)含噪信號(hào)的高頻小波系數(shù)做貝葉斯估計(jì)，得到一組真實(shí)信號(hào)高頻小波系數(shù)；

通過(guò)估計(jì)出來(lái)的高頻小波系數(shù)，結(jié)合最高尺度下的低頻小波系數(shù)，做提升小波逆變換，完成信號(hào)重構(gòu)，得到干凈信號(hào)；

對(duì)干凈信號(hào)再做預(yù)定數(shù)量的累加平均，得到最終信號(hào)。

優(yōu)選地，在所述對(duì)轉(zhuǎn)換后的電壓進(jìn)行數(shù)據(jù)預(yù)處理的步驟中，對(duì)轉(zhuǎn)換后的電壓進(jìn)行累加平均2000次，提高系統(tǒng)信噪比。

優(yōu)選地，在所述對(duì)干凈信號(hào)再做預(yù)定數(shù)量的累加平均的步驟中，對(duì)干凈信號(hào)做10次累加平均。

優(yōu)選地，采用最大期望算法來(lái)求解該模型里面的各類參數(shù)。

本發(fā)明還提出一種分布式光纖測(cè)溫系統(tǒng)的降噪裝置，包括：

采集單元，用于采集光纖測(cè)溫系統(tǒng)中的stokes光和anti-stokes光；

轉(zhuǎn)換單元，用于將stokes光和anti-stokes光分別轉(zhuǎn)換成對(duì)應(yīng)的電壓；

預(yù)處理單元，用于對(duì)轉(zhuǎn)換后的電壓進(jìn)行數(shù)據(jù)預(yù)處理；

小波變換單元，用于對(duì)經(jīng)過(guò)預(yù)處理的數(shù)據(jù)做提升小波變換，獲得不同尺度下的小波系數(shù)；

模型建立單元，用于為各尺度的高頻小波系數(shù)構(gòu)建隱馬爾科夫樹模型；

訓(xùn)練單元，用于訓(xùn)練該隱馬爾科夫樹模型，求解該模型里面的各類參數(shù)；

估計(jì)單元，用于根據(jù)所構(gòu)建隱馬爾科夫樹模型，對(duì)含噪信號(hào)的高頻小波系數(shù)做貝葉斯估計(jì)，得到一組真實(shí)信號(hào)高頻小波系數(shù)；

信號(hào)重構(gòu)單元，用于通過(guò)估計(jì)出來(lái)的高頻小波系數(shù)，結(jié)合最高尺度下的低頻小波系數(shù)，做提升小波逆變換，完成信號(hào)重構(gòu)，得到干凈信號(hào)；

計(jì)算單元，用于對(duì)干凈信號(hào)再做預(yù)定數(shù)量的累加平均，得到最終信號(hào)。

優(yōu)選地，所述預(yù)處理單元對(duì)轉(zhuǎn)換后的電壓進(jìn)行累加平均2000次，提高系統(tǒng)信噪比。

優(yōu)選地，在所述計(jì)算單元中，對(duì)干凈信號(hào)做10次累加平均。

優(yōu)選地，所述訓(xùn)練單元采用最大期望算法來(lái)求解該模型里面的各類參數(shù)。

本發(fā)明提利用隱馬爾可夫樹模型反映了小波系數(shù)在尺度間的相關(guān)性，克服了閾值法對(duì)信號(hào)高頻部分的不良影響，擁有更好的降噪效果。

附圖說(shuō)明

附圖是用來(lái)提供對(duì)本發(fā)明的進(jìn)一步理解，并構(gòu)成說(shuō)明書的一部分，與下面的具體實(shí)施方式一起用于解釋本發(fā)明，但不應(yīng)構(gòu)成對(duì)本發(fā)明的限制。在附圖中，

圖1是分布式光纖測(cè)溫系統(tǒng)的降噪方法的流程示意圖；

圖2是分布式光纖測(cè)溫系統(tǒng)的降噪裝置的結(jié)構(gòu)示意圖；

圖3是光纖測(cè)溫系統(tǒng)的結(jié)構(gòu)示意圖。

具體實(shí)施方式

為使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例，對(duì)本發(fā)明進(jìn)行進(jìn)一步的詳細(xì)說(shuō)明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施方式僅僅用以解釋本發(fā)明，并不限定本發(fā)明的保護(hù)范圍。

本發(fā)明提出一種分布式光纖測(cè)溫系統(tǒng)的降噪方法，其基于的光纖測(cè)溫系統(tǒng)如圖3所示，包括包括脈沖激光器、波分復(fù)用器、光電轉(zhuǎn)換器、單模傳感光纖、數(shù)據(jù)采集卡。其中，脈沖激光器與波分復(fù)用器的輸入端相連，傳感光纖與波分復(fù)用器的com(串行端口)端相連，波分復(fù)用器的兩個(gè)輸出端分別接雙通道光電轉(zhuǎn)換器的輸入端，光電轉(zhuǎn)換器的輸出端分別連接到數(shù)據(jù)采集卡。脈沖激光器發(fā)出的脈沖光通過(guò)波分復(fù)用器進(jìn)入傳感光纖并進(jìn)入測(cè)溫現(xiàn)場(chǎng)，經(jīng)測(cè)溫現(xiàn)場(chǎng)沿傳感光纖返回傳輸?shù)纳⑸涔庠龠M(jìn)入波分復(fù)用器，經(jīng)波分復(fù)用器中進(jìn)行濾光輸出stokes光和anti-stokes光，分別進(jìn)入光電轉(zhuǎn)換器將其轉(zhuǎn)換成對(duì)應(yīng)的電壓，由數(shù)據(jù)采集卡完成a/d轉(zhuǎn)換并將離散采樣值傳送至處理器，進(jìn)行降噪處理。

本發(fā)明提出一種分布式光纖測(cè)溫系統(tǒng)的降噪方法，其流程如圖1所示，包括步驟：

s100、采集光纖測(cè)溫系統(tǒng)中的stokes光和anti-stokes光；

s200、將stokes光和anti-stokes光分別轉(zhuǎn)換成對(duì)應(yīng)的電壓；

s300、對(duì)轉(zhuǎn)換后的電壓進(jìn)行數(shù)據(jù)預(yù)處理；

考慮到小波變換對(duì)于高頻噪聲的去噪效果非常好，但其在信噪比較低時(shí)去噪效果會(huì)降低，故在軟件中先對(duì)數(shù)據(jù)做累加平均2000次，提高系統(tǒng)信噪比。累加2000次后,信號(hào)的強(qiáng)度增加2000倍,而噪聲是隨機(jī)的,它的強(qiáng)度只增加倍。因此，信噪比的增加為：倍。

s400、對(duì)經(jīng)過(guò)預(yù)處理的數(shù)據(jù)做提升小波變換，獲得不同尺度下的小波系數(shù)；

其中，提升小波正變換中，將含噪信號(hào)提升小波分解至j層，得到相應(yīng)的提升小波分解系數(shù)wj,k。本發(fā)明中，考慮到分布式光纖測(cè)溫系統(tǒng)具有一定的響應(yīng)時(shí)間要求，經(jīng)過(guò)多次實(shí)驗(yàn)，權(quán)衡運(yùn)算量、能量緊致性等因素，小波基選取db4，分解層數(shù)(尺度)為4。

s500、為各尺度的高頻小波系數(shù)構(gòu)建隱馬爾科夫樹模型；

s600、訓(xùn)練該隱馬爾科夫樹模型，求解該模型里面的各類參數(shù)；

s700、根據(jù)所構(gòu)建隱馬爾科夫樹模型，對(duì)含噪信號(hào)的高頻小波系數(shù)做貝葉斯估計(jì)，得到一組真實(shí)信號(hào)高頻小波系數(shù)；

在本發(fā)明中，經(jīng)過(guò)分析發(fā)現(xiàn)，anti-stokes光的離散數(shù)據(jù)經(jīng)提升小波分解得到的小波系數(shù)在同一尺度下呈現(xiàn)出尖峰、長(zhǎng)拖尾的非gaussian分布的特征,這是由于小波系數(shù)具有持續(xù)性和聚集性造成的。另外，小波變換的二抽取過(guò)程使得小波系數(shù)隨尺度增加依次減半，這便可以很自然的映射到樹狀結(jié)構(gòu)上。綜上，我們可為其構(gòu)建隱馬爾科夫樹模型。hmt模型采用混合gaussian密度分布模型對(duì)小波系數(shù)的分布進(jìn)行估計(jì)，隱狀態(tài)變量的值決定了小波系數(shù)的大小，小波系數(shù)的持續(xù)性通過(guò)馬爾科夫樹中父節(jié)點(diǎn)及相鄰節(jié)點(diǎn)和子節(jié)點(diǎn)的狀態(tài)的相關(guān)性獲得。為了方便anti-stokes光的數(shù)據(jù)分析,我們先做如下定義：

w表示一個(gè)小波系數(shù)的隨機(jī)變量；s為w對(duì)應(yīng)的具有2個(gè)可能狀態(tài)(我們把小波系數(shù)分為兩類，0為小值小波系數(shù)，1為大值小波系數(shù))的隱狀態(tài)隨機(jī)變量,其概率分布函數(shù)psj(m)。對(duì)于給定狀態(tài)s＝m,w的概率密度函數(shù)為均值為μm方差為σm的gaussian分布。而在具有2個(gè)可能狀態(tài)時(shí)(0和1)，顯然小波系數(shù)不能再僅由1個(gè)gaussian分布來(lái)描述，但可以用2個(gè)gaussian分布的加權(quán)和來(lái)近似(小值小波系數(shù)用小方差gaussian分布建模，大值小波系數(shù)用大方差gaussian分布建模，總分布用它倆的加權(quán)和近似)。另外，同一尺度下不同小波系數(shù)是具有相似統(tǒng)計(jì)特性的，考慮到可供訓(xùn)練anti-stokes光數(shù)據(jù)較少，為了簡(jiǎn)化問(wèn)題，這里假設(shè)在同一尺度下所有小波系數(shù)有相同混合gaussian模型參數(shù)和狀態(tài)轉(zhuǎn)移概率，如此便可減少模型的參數(shù)數(shù)目，保證估計(jì)的穩(wěn)定性。

所以，gaussian混合模型的隨機(jī)變量w概率密度函數(shù)由2部分組成:隱狀態(tài)隨機(jī)變量s的概率分布函數(shù)和小波系數(shù)隨機(jī)變量w的gaussian條件概率密度函數(shù)。

其中，為典型高斯分布公式。

在構(gòu)建好的hmt模型中，每個(gè)小波系數(shù)wj由以下參數(shù)描述：

a、混合gaussian分布的均值和方差(j尺度下小波系數(shù)wj的狀態(tài)為m時(shí)的均值和方差)；這里m＝{0,1}；0代表小值小波系數(shù)狀態(tài)，1代表大值小波系數(shù)狀態(tài)。

b、隱狀態(tài)變量s的轉(zhuǎn)移概率，當(dāng)前為j尺度m狀態(tài)，到(j+1)尺度n狀態(tài)的轉(zhuǎn)移概率(兩個(gè)狀態(tài)概率分布做乘積操作)；這里m,n＝{0,1}。

c、根節(jié)點(diǎn)的初始狀態(tài)概率分布函數(shù)p(s＝m)，這里m＝{0,1}。

考慮到該模型的狀態(tài)變量是隱藏的，只有觀察到的小波系數(shù)作為訓(xùn)練數(shù)據(jù)，對(duì)于這種不完全數(shù)據(jù)的訓(xùn)練，我們采用期望最大算法(em)來(lái)計(jì)算模型參數(shù)。em算法是一種迭代算法。首先假定初始化一個(gè)包括均值、方差、狀態(tài)轉(zhuǎn)移概率及根節(jié)點(diǎn)的初始狀態(tài)概率的hmt參數(shù)集θ0，在每一次迭代中，通過(guò)計(jì)算es[lnf(w，s|θ)|w，θ^l)](e步)并使之最大化(m步)并得到新的θ的估計(jì)θ^l+1，得到它的最優(yōu)估計(jì)參數(shù)，從而找出和小波系數(shù)匹配最好的隱馬爾科夫樹模型。

假定x為源信號(hào)，且被加性gaussian噪聲noise污染，觀察到的含噪信號(hào)：y＝x+noise，注意x與noise是相互獨(dú)立的。降噪的目標(biāo)是從觀察到的噪聲信號(hào)y中獲得對(duì)源信號(hào)x的估計(jì)x’。各信號(hào)對(duì)應(yīng)的小波系數(shù)分別為wy，wx，wnoise，很明顯，其中的wy服從混合高斯分布，wnoise服從高斯分布，由于提升小波變換的線性屬性，獨(dú)立高斯隨機(jī)變量之和仍然服從高斯分布，且其方差為各變量方差之和，即有這里m＝{0,1}。

理論上噪聲的小波系數(shù)wnoise的均值和方差與尺度無(wú)關(guān)，所以噪聲是分布在各個(gè)尺度下的，但在最小尺度噪聲能量最為集中，因此可用該尺度下信號(hào)的方差作為噪聲方差的合理估計(jì)：

利用該最優(yōu)hmt模型按照貝葉斯最小均方誤差準(zhǔn)則對(duì)含噪小波系數(shù)進(jìn)行降噪處理，處理公式如下:

其中wj是觀察到的含噪信號(hào)的小波系數(shù)，wj'是經(jīng)降噪處理得到的源信號(hào)小波系數(shù)。jm表示hmt模型中節(jié)點(diǎn)隱狀態(tài)，取值為{0,1}，是j尺度下的節(jié)點(diǎn)隱狀態(tài)概率分布函數(shù)，是j尺度下節(jié)點(diǎn)狀態(tài)為m的源小波系數(shù)概率密度函數(shù)方差，是最低尺度j下的噪聲小波系數(shù)方差，由式(1)得到。和(觀測(cè)到的小波系數(shù)wj對(duì)應(yīng)的混合方差)都可由經(jīng)過(guò)大量觀測(cè)數(shù)據(jù)訓(xùn)練的hmt模型得到。

s800、通過(guò)估計(jì)出來(lái)的高頻小波系數(shù)，結(jié)合最高尺度下的低頻小波系數(shù)，做提升小波逆變換，完成信號(hào)重構(gòu)，得到干凈信號(hào)；

s900、對(duì)干凈信號(hào)再做預(yù)定數(shù)量的累加平均，得到最終信號(hào)。

本發(fā)明提利用隱馬爾可夫樹模型反映了小波系數(shù)在尺度間的相關(guān)性，克服了閾值法對(duì)信號(hào)高頻部分的不良影響，擁有更好的降噪效果。

優(yōu)選地，在所述對(duì)轉(zhuǎn)換后的電壓進(jìn)行數(shù)據(jù)預(yù)處理的步驟中，對(duì)轉(zhuǎn)換后的電壓進(jìn)行累加平均2000次，提高系統(tǒng)信噪比。

優(yōu)選地，在所述對(duì)干凈信號(hào)再做預(yù)定數(shù)量的累加平均的步驟中，對(duì)干凈信號(hào)做10次累加平均。

優(yōu)選地，采用最大期望算法來(lái)求解該模型里面的各類參數(shù)。

本發(fā)明還提出一種分布式光纖測(cè)溫系統(tǒng)的降噪裝置，如圖2所示，包括：

采集單元，用于采集光纖測(cè)溫系統(tǒng)中的stokes光和anti-stokes光；

轉(zhuǎn)換單元，用于將stokes光和anti-stokes光分別轉(zhuǎn)換成對(duì)應(yīng)的電壓；

預(yù)處理單元，用于對(duì)轉(zhuǎn)換后的電壓進(jìn)行數(shù)據(jù)預(yù)處理；

小波變換單元，用于對(duì)經(jīng)過(guò)預(yù)處理的數(shù)據(jù)做提升小波變換，獲得不同尺度下的小波系數(shù)；

模型建立單元，用于為各尺度的高頻小波系數(shù)構(gòu)建隱馬爾科夫樹模型；

訓(xùn)練單元，用于訓(xùn)練該隱馬爾科夫樹模型，求解該模型里面的各類參數(shù)；

估計(jì)單元，用于根據(jù)所構(gòu)建隱馬爾科夫樹模型，對(duì)含噪信號(hào)的高頻小波系數(shù)做貝葉斯估計(jì)，得到一組真實(shí)信號(hào)高頻小波系數(shù)；

信號(hào)重構(gòu)單元，用于通過(guò)估計(jì)出來(lái)的高頻小波系數(shù)，結(jié)合最高尺度下的低頻小波系數(shù)，做提升小波逆變換，完成信號(hào)重構(gòu)，得到干凈信號(hào)；

計(jì)算單元，用于對(duì)干凈信號(hào)再做預(yù)定數(shù)量的累加平均，得到最終信號(hào)。

優(yōu)選地，所述預(yù)處理單元對(duì)轉(zhuǎn)換后的電壓進(jìn)行累加平均2000次，提高系統(tǒng)信噪比。

優(yōu)選地，在所述計(jì)算單元中，對(duì)干凈信號(hào)做10次累加平均。

優(yōu)選地，所述訓(xùn)練單元采用最大期望算法來(lái)求解該模型里面的各類參數(shù)。

本發(fā)明與現(xiàn)有分布式光纖測(cè)溫系統(tǒng)降噪方法相比具有如下優(yōu)點(diǎn)：

1)有效降低了信號(hào)處理單元運(yùn)算的時(shí)間和資源

在光纖測(cè)溫技術(shù)領(lǐng)域普遍采用mallat卷積算法實(shí)現(xiàn)小波變換，然而這種算法運(yùn)算量大，實(shí)時(shí)性不好，很不利于在硬件中實(shí)現(xiàn)。本發(fā)明采用sweldens提出的提升小波算法，由于其計(jì)算復(fù)雜度只有原來(lái)卷積算法的一半，有效節(jié)省了計(jì)算時(shí)間和資源，在硬件中實(shí)現(xiàn)也更加容易。

2)更好地把握了小波系數(shù)之間的本質(zhì)特性及其相互關(guān)系，從而比閾值法擁有更好地降噪效果。

在光纖測(cè)溫技術(shù)領(lǐng)域普遍采用的小波閾值降噪法，涉及到閾值選取時(shí)存在武斷性，更重要的是在去噪的同時(shí)也會(huì)損失一部分有用信息，造成顧此失彼的局面，因此去噪效果還不是十分理想。究其原因是這種方法認(rèn)為小波系數(shù)之間是統(tǒng)計(jì)獨(dú)立、具有高斯分布性的，沒(méi)有考慮系數(shù)之間的相關(guān)性。本發(fā)明提利用隱馬爾可夫樹狀結(jié)構(gòu)反映了小波系數(shù)在尺度間的相關(guān)性，克服了閾值法對(duì)信號(hào)高頻部分的不良影響，擁有更好的降噪效果。

只要不違背本發(fā)明創(chuàng)造的思想，對(duì)本發(fā)明的各種不同實(shí)施例進(jìn)行任意組合，均應(yīng)當(dāng)視為本發(fā)明公開的內(nèi)容；在本發(fā)明的技術(shù)構(gòu)思范圍內(nèi)，對(duì)技術(shù)方案進(jìn)行多種簡(jiǎn)單的變型及不同實(shí)施例進(jìn)行的不違背本發(fā)明創(chuàng)造的思想的任意組合，均應(yīng)在本發(fā)明的保護(hù)范圍之內(nèi)。