本技術(shù)屬于光纖傳感信號(hào)識(shí)別領(lǐng)域，更具體地，涉及一種用于光纖傳感信號(hào)的多場(chǎng)景事件標(biāo)簽處理方法及裝置。

背景技術(shù)：

1、異物入侵事件對(duì)大型基礎(chǔ)設(shè)施的安全造成極大威脅。目前人工巡檢，紅外探測(cè)技術(shù)和電學(xué)檢波法在長(zhǎng)距離監(jiān)測(cè)中存在維護(hù)成本高的限制。基于相位敏感性光時(shí)域反射技術(shù)（）的光纖傳感技術(shù)以其動(dòng)態(tài)響應(yīng)，大范圍及高靈敏的優(yōu)勢(shì)，正廣泛應(yīng)用于結(jié)構(gòu)安全監(jiān)測(cè)，周界安防，軌道交通等基礎(chǔ)設(shè)施之中。

2、為了實(shí)現(xiàn)智能化監(jiān)控，深度學(xué)習(xí)技術(shù)被引入光纖傳感異物入侵識(shí)別之中。目前光纖傳感信號(hào)識(shí)別領(lǐng)域的深度學(xué)習(xí)方法首先在目標(biāo)監(jiān)測(cè)場(chǎng)景中收集傳感數(shù)據(jù)并打上人工標(biāo)簽形成樣本集，然后基于該場(chǎng)景的樣本集進(jìn)行模型訓(xùn)練得到目標(biāo)模型。

3、然而該場(chǎng)景下的目標(biāo)模型有著固定的事件識(shí)別類(lèi)別，難以適應(yīng)多場(chǎng)景事件標(biāo)簽處理且無(wú)法預(yù)警未知事件標(biāo)簽。如何實(shí)現(xiàn)識(shí)別多個(gè)場(chǎng)景事件標(biāo)簽并預(yù)警未知事件標(biāo)簽是本領(lǐng)域亟待解決的技術(shù)問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有技術(shù)的缺陷，本技術(shù)的目的在于實(shí)現(xiàn)識(shí)別多個(gè)場(chǎng)景事件標(biāo)簽并預(yù)警未知事件標(biāo)簽。

2、為實(shí)現(xiàn)上述目的，第一方面，本技術(shù)提供了一種用于光纖傳感信號(hào)的多場(chǎng)景事件標(biāo)簽處理方法，該方法包括：

3、獲取光纖傳感數(shù)據(jù)；

4、輸入光纖傳感數(shù)據(jù)至多場(chǎng)景事件標(biāo)簽融合模型，獲取多場(chǎng)景事件標(biāo)簽融合模型輸出的向量，向量用于表征事件標(biāo)簽；

5、輸入向量至高斯混合模型gmm，獲取高斯混合模型gmm輸出的概率密度；

6、若概率密度小于概率密度閾值，則確定光纖傳感數(shù)據(jù)的類(lèi)別為未知事件標(biāo)簽，若概率密度大于或等于概率密度閾值，則基于向量確定光纖傳感數(shù)據(jù)的事件標(biāo)簽；

7、多場(chǎng)景事件標(biāo)簽融合模型用于識(shí)別光纖傳感數(shù)據(jù)對(duì)應(yīng)的事件標(biāo)簽，多場(chǎng)景事件標(biāo)簽融合模型是基于多場(chǎng)景數(shù)據(jù)集訓(xùn)練獲取的，多場(chǎng)景數(shù)據(jù)集是基于多個(gè)場(chǎng)景的光纖傳感數(shù)據(jù)集構(gòu)建的，高斯混合模型gmm是對(duì)向量集合進(jìn)行擬合獲取的，概率密度閾值是通過(guò)高斯混合模型gmm計(jì)算向量集合的最小概率密度確定的，向量集合是通過(guò)將多場(chǎng)景數(shù)據(jù)集輸入至多場(chǎng)景事件標(biāo)簽融合模型，由多場(chǎng)景事件標(biāo)簽融合模型所輸出的向量組成的。

8、在一種可能的實(shí)現(xiàn)方式中，多場(chǎng)景數(shù)據(jù)集包括多個(gè)場(chǎng)景的代表性數(shù)據(jù)集，多場(chǎng)景數(shù)據(jù)集是通過(guò)以下步驟構(gòu)建的：

9、基于各個(gè)場(chǎng)景的光纖傳感數(shù)據(jù)集，篩選對(duì)應(yīng)場(chǎng)景下的代表性樣本，獲取各個(gè)場(chǎng)景的代表性數(shù)據(jù)集；

10、上述篩選對(duì)應(yīng)場(chǎng)景下的代表性樣本，包括：

11、將第個(gè)場(chǎng)景的光纖傳感數(shù)據(jù)集分成簇樣本集合，并統(tǒng)計(jì)每一簇樣本集合中各類(lèi)事件標(biāo)簽的樣本數(shù)量，表示場(chǎng)景序號(hào)，為第個(gè)場(chǎng)景所能識(shí)別的事件標(biāo)簽總量，表示第簇樣本集合中事件標(biāo)簽序號(hào)為的樣本的數(shù)量；

12、基于每一簇樣本集合中各類(lèi)事件標(biāo)簽的樣本數(shù)量，計(jì)算每一簇樣本集合的樣本數(shù)量最大值得到，其中為各個(gè)簇樣本集合中樣本數(shù)量最大值所對(duì)應(yīng)的事件標(biāo)簽序號(hào)；

13、將各個(gè)簇樣本集合的簇標(biāo)簽分別記為，并去除各個(gè)簇樣本集合中事件標(biāo)簽不屬于簇標(biāo)簽的樣本；

14、從各個(gè)簇樣本集合中篩選出個(gè)代表性樣本，并將篩選出的個(gè)代表性樣本組合為第個(gè)場(chǎng)景的代表性數(shù)據(jù)集。

15、此處對(duì)上述計(jì)算每一簇樣本集合的樣本數(shù)量最大值的過(guò)程進(jìn)行示例性說(shuō)明，，為中樣本數(shù)量最大值所對(duì)應(yīng)的事件標(biāo)簽序號(hào)，，為中樣本數(shù)量最大值所對(duì)應(yīng)的事件標(biāo)簽序號(hào)，依次類(lèi)推，，為中樣本數(shù)量最大值所對(duì)應(yīng)的事件標(biāo)簽序號(hào)。

16、在一種可能的實(shí)現(xiàn)方式中，上述從各個(gè)簇樣本集合中篩選出個(gè)樣本，包括：

17、構(gòu)建橢圓擬合函數(shù)以記錄第簇樣本集合的橢圓中心坐標(biāo)，；

18、使用歐式距離衡量第簇樣本集合中每個(gè)樣本與橢圓中心坐標(biāo)的距離，按距離從近到遠(yuǎn)的順序從第簇樣本集合中篩選出個(gè)代表性樣本。

19、在一種可能的實(shí)現(xiàn)方式中，多場(chǎng)景事件標(biāo)簽融合模型是通過(guò)以下步驟獲取的：

20、基于各個(gè)場(chǎng)景的代表性數(shù)據(jù)集，迭代調(diào)整待訓(xùn)練的多場(chǎng)景事件標(biāo)簽融合模型，獲取多場(chǎng)景事件標(biāo)簽融合模型；

21、迭代調(diào)整待訓(xùn)練的多場(chǎng)景事件標(biāo)簽融合模型，包括：

22、輸入各個(gè)場(chǎng)景的代表性樣本至待訓(xùn)練的多場(chǎng)景事件標(biāo)簽融合模型，獲取待訓(xùn)練的多場(chǎng)景事件標(biāo)簽融合模型輸出的各個(gè)場(chǎng)景的代表性樣本對(duì)應(yīng)的第一向量，以及輸入各個(gè)場(chǎng)景的代表性樣本至對(duì)應(yīng)場(chǎng)景的目標(biāo)模型，獲取各個(gè)場(chǎng)景的代表性樣本對(duì)應(yīng)的第二向量；

23、基于各個(gè)場(chǎng)景的樣本標(biāo)簽值和各個(gè)場(chǎng)景的代表性樣本對(duì)應(yīng)的第一向量，確定分類(lèi)損失；以及基于各個(gè)場(chǎng)景的代表性樣本對(duì)應(yīng)的第一向量和第二向量，進(jìn)行知識(shí)蒸餾處理，確定蒸餾損失；

24、基于分類(lèi)損失和蒸餾損失，確定總損失；

25、基于總損失，調(diào)整待訓(xùn)練的多場(chǎng)景事件標(biāo)簽融合模型的模型參數(shù)（權(quán)重和偏置等）；

26、其中，各個(gè)場(chǎng)景對(duì)應(yīng)的目標(biāo)模型是基于第個(gè)場(chǎng)景的光纖傳感數(shù)據(jù)集訓(xùn)練獲取的。

27、可以理解的是，通過(guò)使用聚類(lèi)分析（上述篩選對(duì)應(yīng)場(chǎng)景下的代表性樣本）和蒸餾學(xué)習(xí)算法，能高效地融合學(xué)習(xí)多個(gè)場(chǎng)景的事件標(biāo)簽向量，能夠訓(xùn)練出識(shí)別多個(gè)場(chǎng)景事件標(biāo)簽的模型。

28、在一種可能的實(shí)現(xiàn)方式中，上述基于分類(lèi)損失和蒸餾損失，確定總損失，包括通過(guò)以下公式確定總損失：

29、；

30、其中，表示總損失，表示場(chǎng)景的數(shù)量，表示第個(gè)場(chǎng)景中模型的蒸餾比例系數(shù)，表示待訓(xùn)練的多場(chǎng)景事件標(biāo)簽融合模型與第個(gè)場(chǎng)景的目標(biāo)模型之間的蒸餾損失，表示分類(lèi)損失。

31、在一種可能的實(shí)現(xiàn)方式中，多場(chǎng)景事件標(biāo)簽融合模型和目標(biāo)模型所采用的模型結(jié)構(gòu)包括級(jí)聯(lián)的基礎(chǔ)塊、稠密塊、卷積層、稠密塊、卷積層、稠密塊、卷積層、稠密塊、全局平均池化層以及全連接層；

32、基礎(chǔ)塊包括級(jí)聯(lián)的卷積層、歸一化層、激活函數(shù)層和最大池化層；

33、稠密塊包括級(jí)聯(lián)的歸一化層、激活函數(shù)層、第一卷積層、歸一化層、激活函數(shù)層和第二卷積層，第一卷積層所輸出的結(jié)果和第二卷積層所輸出的結(jié)果拼接之后得到的拼接結(jié)果作為后續(xù)網(wǎng)絡(luò)結(jié)構(gòu)的輸入。

34、在一種可能的實(shí)現(xiàn)方式中，模型結(jié)構(gòu)的輸入層用于接收一維時(shí)序向量數(shù)據(jù)，模型結(jié)構(gòu)的全連接層的神經(jīng)元數(shù)量與事件標(biāo)簽總量相等。

35、第二方面，本技術(shù)提供一種用于光纖傳感信號(hào)的多場(chǎng)景事件標(biāo)簽處理裝置，包括：

36、獲取模塊，用于獲取光纖傳感數(shù)據(jù)；

37、事件標(biāo)簽預(yù)測(cè)模塊，用于輸入光纖傳感數(shù)據(jù)至多場(chǎng)景事件標(biāo)簽融合模型，獲取多場(chǎng)景事件標(biāo)簽融合模型輸出的向量，向量用于表征事件標(biāo)簽；

38、概率密度計(jì)算模塊，用于輸入向量至高斯混合模型gmm，獲取高斯混合模型gmm輸出的概率密度；

39、未知事件標(biāo)簽預(yù)警模塊，用于若概率密度小于概率密度閾值，則確定光纖傳感數(shù)據(jù)的類(lèi)別為未知事件標(biāo)簽，若概率密度大于或等于概率密度閾值，則基于向量確定光纖傳感數(shù)據(jù)的事件標(biāo)簽；

40、多場(chǎng)景事件標(biāo)簽融合模型用于識(shí)別光纖傳感數(shù)據(jù)對(duì)應(yīng)的事件標(biāo)簽，多場(chǎng)景事件標(biāo)簽融合模型是基于多場(chǎng)景數(shù)據(jù)集訓(xùn)練獲取的，多場(chǎng)景數(shù)據(jù)集是基于多個(gè)場(chǎng)景的光纖傳感數(shù)據(jù)集構(gòu)建的，高斯混合模型gmm是對(duì)向量集合進(jìn)行擬合獲取的，概率密度閾值是通過(guò)高斯混合模型gmm計(jì)算向量集合的最小概率密度確定的，向量集合是通過(guò)將多場(chǎng)景數(shù)據(jù)集輸入至多場(chǎng)景事件標(biāo)簽融合模型，由多場(chǎng)景事件標(biāo)簽融合模型所輸出的向量組成的。

41、第三方面，本技術(shù)提供一種電子設(shè)備，包括：至少一個(gè)存儲(chǔ)器，用于存儲(chǔ)程序；至少一個(gè)處理器，用于執(zhí)行存儲(chǔ)器存儲(chǔ)的程序，當(dāng)存儲(chǔ)器存儲(chǔ)的程序被執(zhí)行時(shí)，處理器用于執(zhí)行第一方面或第一方面的任一種可能的實(shí)現(xiàn)方式所描述的方法。

42、第四方面，本技術(shù)提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)存儲(chǔ)有計(jì)算機(jī)程序，當(dāng)計(jì)算機(jī)程序在處理器上運(yùn)行時(shí)，使得處理器執(zhí)行第一方面或第一方面的任一種可能的實(shí)現(xiàn)方式所描述的方法。

43、總體而言，通過(guò)本技術(shù)所構(gòu)思的以上技術(shù)方案與現(xiàn)有技術(shù)相比，具有以下有益效果：

44、（1）通過(guò)將多場(chǎng)景事件標(biāo)簽融合模型與高斯混合模型gmm相結(jié)合，能夠在多種場(chǎng)景下，判斷光纖傳感數(shù)據(jù)的類(lèi)別是否為未知事件標(biāo)簽，若是則給出預(yù)警，若否則將向量所表征的事件標(biāo)簽作為光纖傳感數(shù)據(jù)對(duì)應(yīng)的事件標(biāo)簽，實(shí)現(xiàn)識(shí)別多個(gè)場(chǎng)景事件標(biāo)簽并預(yù)警未知事件標(biāo)簽。

45、（2）在對(duì)未知事件標(biāo)簽進(jìn)行預(yù)警之后，可以收集未知事件標(biāo)簽對(duì)應(yīng)的光纖傳感數(shù)據(jù)樣本，并利用未知事件標(biāo)簽對(duì)應(yīng)的光纖傳感數(shù)據(jù)樣本繼續(xù)訓(xùn)練（微調(diào)）多場(chǎng)景事件標(biāo)簽融合模型，以使訓(xùn)練后的多場(chǎng)景事件標(biāo)簽融合模型能夠識(shí)別該未知事件標(biāo)簽，也即將未知事件標(biāo)簽變?yōu)橐阎录?biāo)簽。通過(guò)利用未知事件標(biāo)簽對(duì)應(yīng)的光纖傳感數(shù)據(jù)樣本繼續(xù)訓(xùn)練模型，能夠使得模型快速適應(yīng)于處理未知事件標(biāo)簽。