编辑推荐：
针对分布式光纤传感中单采样周期数据含噪易致模型过拟合、多事件同时发生时识别难的问题，研究人员开展 M2former 模型研究。其采用 MSFE、MGAE 和 ESA，在单 / 多事件数据集上精度等指标优异，为光纤传感事件识别提供新方案。
在科技飞速发展的今天，分布式光纤传感技术凭借高灵敏度、抗电磁干扰等优势，在航空航天、安全防护、能源等领域大显身手。然而，这一技术在实际应用中面临两大棘手难题：一是光纤传感器高频检测与高灵敏度特性，使得单采样周期内产生大量含噪声数据，无约束的线性层嵌入易让模型过度拟合噪声，难以捕捉更具代表性的模式；二是现有模型在单个采样周期内识别多个同时发生的事件时力不从心，复杂且相似的振动信号常导致事件类型识别错误，严重影响系统在复杂环境中的可靠性。为突破这些瓶颈，推动分布式光纤传感技术在实际场景中的精准应用，研究人员开展了相关研究。
《Expert Systems with Applications》上发表的一项研究，针对上述问题展开了深入探索。研究团队提出了 M2former 模型，致力于提升分布式光纤传感中事件识别的准确性和鲁棒性。该研究通过构建真实的单事件和多事件数据集进行验证，结果表明，M2former 在单事件数据集上的准确率、精确率和召回率分别达到 0.96、0.966 和 0.975，在多事件数据集上分别为 0.905、0.961 和 0.964，展现出良好的实际应用潜力。
研究人员主要采用了以下关键技术方法：
- 多尺度特征提取（Multi-Scale Feature Extraction，MSFE）：对光纤数据进行处理，着重提取可解释的时频特征并进行有效数据压缩，其多尺度设计平衡了全局和局部信息，缓解了压缩过程中的信息丢失。
- 多图注意力嵌入（Multi-Graph Attention Embedding，MGAE）：将特征视为节点，通过图结构信息融入先验知识，利用图注意力约束模型构建双感知嵌入，使模型聚焦于相连节点之间的依赖关系，缓解无约束线性层嵌入导致的模型过拟合问题。
- 特定事件注意力（Event-Specific Attention，ESA）：采用输入门和选择门自适应地为每个事件学习独特表示，克服了以往方法在处理同时发生的多个事件时的局限性。
实验结果及分析
实验在 PyTorch 2.1.1 环境下进行，硬件配置为 Intel (R) Core (TM) i5-13500H CPU 和 NVIDIA GeForce RTX 4050 GPU，学习率、训练 epoch 和批量大小分别设置为 1e-4、100 和 32。
- MSFE 与其他信号处理方法对比：结果显示，MSFE 在压缩数据量和缓解模型过拟合方面表现更优，能有效提取可解释信息，为后续模型处理奠定良好基础。
- M2former 与其他模型在单事件识别上的对比：M2former 凭借其独特的结构设计，在单事件识别中准确率等指标显著领先，证明了其在单事件处理中的有效性。
- M2former 与其他模型在多事件识别上的对比：在多事件识别场景中，M2former 的优势更为明显，能更好地处理同时发生的多个事件，减少信息干扰，提升识别准确性。
结论
该研究针对分布式光纤传感事件识别中的关键挑战，提出了 M2former 模型，通过 MSFE、MGAE 和 ESA 等创新方法，有效解决了数据含噪易过拟合和多事件同时识别难的问题。实验结果表明，M2former 在单事件和多事件识别中均表现出色，为分布式光纤传感技术在实际场景中的精准应用提供了有力的技术支持。这一研究成果不仅提升了光纤传感系统的可靠性和实用性，也为该领域的进一步发展提供了新的思路和方法，有望在更多领域发挥重要作用。
