基于CNN-SVM的陆地光缆扰动事件识别模型

《Photonics》：Disturbance-Event Recognition Model for Terrestrial Optical Cables Based on CNN-SVM

　　

摘要—区分人为干扰与自然背景扰动对于陆地光缆的安全运行具有重要意义，因人为破坏可通过及时干预予以阻止。针对分布式 acoustic 传感（Distributed Acoustic Sensing, DAS）系统中小样本扰动识别问题，研究人员提出了一种基于混合特征融合的CNN–SVM分类模型。利用卷积神经网络（Convolutional Neural Network, CNN）提取扰动信号的高级时空特征，将其与统计特征融合后输入支持向量机（Support Vector Machine, SVM）进行分类。在开源数据集上的评估结果表明，所提模型相比传统CNN、基于统计特征的SVM及传统CNN-SVM模型，准确率分别提升9.1%、8.7%和2.7%。此外，基于现场实测数据构建了含5664个样本的数据集，涵盖背景噪声、钻孔（drilling）、敲击（knocking）和挖掘（digging）四类典型扰动事件。现场分类结果显示，采用三层卷积结构的模型识别准确率达98.5%。ROC曲线（Receiver Operating Characteristic curve）及多项评价指标表明，该三层融合CNN-SVM模型具有更优的分类性能和更均衡的类别识别能力，可为同类光纤扰动工程任务提供可行参考。

论文解读：基于CNN-SVM的陆地光缆扰动事件识别模型

一、研究背景与意义

分布式 acoustic 传感（Distributed Acoustic Sensing, DAS）技术凭借长距离监测和高灵敏度优势，广泛应用于陆地光缆状态监测。然而DAS设备的高灵敏度导致环境噪声与设备热噪声严重叠加，且不同外力扰动信号特征存在严重混叠（aliasing），致使现有算法难以有效识别人为扰动（如施工挖掘、机械钻孔），限制了预警可靠性。自然扰动（地质沉降、风雨侵蚀）通常不可控，而人为扰动若能及时检测则可预防阻断，因此准确区分二者对光缆网络安全至关重要。已有研究多聚焦周界安防或入侵检测，针对光缆自身保护的直连威胁扰动识别研究较少；传统统计特征支持向量机（Support Vector Machine, SVM）对噪声敏感、泛化有限，单纯卷积神经网络（Convolutional Neural Network, CNN）在小样本下Softmax分类边界构建能力不足，CNN+SVM仅用深度特征仍存易混淆事件难分离问题。为此，研究人员开展融合法研究，结合CNN自动提取时空深层特征与传统时频域统计人工特征互补融合，并以SVM替代Softmax以应对小样本高维分类，成果发表于《Photonics》。

二、主要关键技术方法

研究人员采用φ-OTDR（phase-sensitive Optical Time Domain Reflectometry）型DAS系统采集信号，首先用开源六类事件数据集做基线对照，再于2 km埋地铠装陆地光缆现场采集背景噪声、drilling、knocking、digging四类事件构建5664样本数据集，按事件记录级非重叠划分训练:验证:测试=6:1:3并分层采样防数据泄露。信号经Min–Max归一化至[0,1]，CNN（ReLU激活、Dropout=0.1）提取flatten后的深层特征向量，并行计算时域（峰峰值V_pp、方差σ²、标准差σ、偏度Skewness、波峰因子Crest Factor）与频域（经FFT得中心频率f_c、均方根频率f_rms、频率标准差σ_f、谱峭度Spectral Kurtosis、信息熵Entropy）共10维统计特征，二者拼接融合并Z-score标准化后送入多类SVM（RBF核，C=10，γ='auto/scale'）分类；对比传统CNN（Softmax）、纯统计SVM、传统CNN特征+SVM及一层/三层融合CNN-SVM，经控制变量法优选SVM超参数与CNN层数。

三、研究结果

3.1 Baseline Model Testing（基线模型测试）

在开源六类事件数据集上，标准CNN（Softmax）准确率87.5%，纯统计特征SVM准确率87.9%（背景噪声识别好但其余事件区分差），仅用CNN深层特征的传统CNN-SVM准确率93.9%（walking与digging互混淆）。说明单一特征或单一模型存在局限，为融合策略提供依据。

3.2 The Fused CNN-SVM Model（融合CNN-SVM模型）

将三层CNN提取的深特征与10维统计特征拼接后输入SVM（RBF核，C=1，γ='auto'同基准对照），开源数据上达96.6%准确率，较上述三基线分别提升9.1%、8.7%、2.7%；各类事件F1-score均最优且类间波动最小（最低F1=0.951），证明统计特征提供明显差异度量、CNN深层特征捕获潜在抽象表示，二者互补有效缓解特征混叠与易混淆事件误分。

5.1 SVM Parameter Configuration（SVM参数配置）

固定RBF核与γ='auto'，遍历C=1~15得C=10时验证集最高98.2%；固定C=10与RBF核，遍历γ值得γ='scale'(auto)最优98.2%，过大γ致精度骤降；固定C=10、γ='scale'，比对Sigmoid/Poly/Linear/RBF核，RBF核最高98.2%。故最终取RBF核、C=10、γ='auto'(scale)。

5.2 CNN Structure Configuration（CNN结构配置）

设一层与三层融合CNN-SVM对照，三层结构含3组Conv1D(核3或5)+BatchNorm+ReLU+MaxPooling，全连接层Dropout=0.1；一层结构仅单组卷积池化。为后续现场对比奠定结构基础。

6.1 Normalization Processing（归一化处理）

所有样本执行Min–Max归一化至[0,1]以改善数值稳定性与泛化性，公式：x'=(x-x_min)/(x_max-x_min)。

6.2 Feature Visualization（特征可视化）

t-SNE降维显示一层融合CNN-SVM提取的融合特征中drilling与background noise及digging存明显重叠区，knocking独立分布；三层融合CNN-SVM的四类事件特征簇更紧凑、类间边界清晰，重叠区基本消失，说明加深网络扩大感受野可捕获高阶结构特征提升表征质量。

6.3 Comparison of Recognition Results（识别结果对比）

一层融合CNN-SVM现场测试准确率96.7%，drilling较多被误分为background noise（Precision-Recall失衡）；三层融合CNN-SVM现场测试准确率98.5%，各类Precision、Recall、F1-score均衡（drilling召回显著提升，background noise虚警消除，knocking双指标饱和，digging微幅互调），ROC曲线贴近左上角，AUC接近1。证实三层CNN深层特征融合统计特征可有效克服浅层网络表征不足，SVM在小样本下构建稳健超平面。

四、讨论与结论翻译

讨论指出混合特征融合策略有效增强DAS信号特征可分性，SVM在有限标注样本下可建鲁棒决策边界，适配光缆监测数据获取标注成本高且需实时识别人为扰动的工程场景；局限含未做核大小/Dropout及单统计特征消融、SVM参数为序贯启发式搜索非全局最优，未来拟扩展更复杂扰动条件、引入在线学习与增量学习、与ResNet/LSTM/Transformer基准全面对比。

结论（翻译）： 本文提出融合CNN-SVM模型，将CNN提取的高维特征与人工设计时频统计特征拼接后输入SVM分类。在含六类事件的开源DAS数据仿真显示，相较传统CNN、单特征SVM及传统CNN-SVM，所提模型准确率显著提升，最大增益9.1%。随后于2 km铠装光缆现场试验构建5664样本的background noise、drilling、knocking、digging四类事件数据集，按6:1:3事件级划分训练/验证/测试集（测试集完全隔离），经验证集序贯搜索确定SVM配置（RBF核，C=10，γ='auto'）并对比一层与三层CNN结构。实验表明三层融合CNN-SVM模型识别准确率达98.5%，各类事件Precision、Recall、F1-score均保持高位，整体分类性能均衡优良。研究证实混合特征融合法可增强DAS信号特征判别性，SVM适于小样本下构建强分类边界，所提方法适用于此类光缆监测工程应用。