主办单位: 共青团中央   中国科协   教育部   中国社会科学院   全国学联  

承办单位: 贵州大学     

基本信息

项目名称:
基于小波变换和模板匹配的OTDR事件分析方法
小类:
信息技术
简介:
在现代通信技术中,宽带光纤维护已成为关键问题。宽带光纤线路不断增多,监测维护已完全实现机器自动化。在光纤维护过程中,光时域反射仪(OTDR)是必不可缺的测试仪器。OTDR的核心功能是利用内嵌的软件算法对光纤事件进行检测与定位。我们团队将DSP及模式识别技术中的小波变换及模板匹配算法应用于该项目,最终实现通过有效的算法对光纤事件点进行准确的检测与定位,提高了OTDR事件识别的精确性与可靠性。
详细介绍:
在现代通信技术中,宽带网络高速发展的同时,宽带光纤维护也成为了首要难题之一。宽带光纤线路不断增多,监测维护已完全实现机器自动化。在光纤维护过程中,光时域反射仪(OTDR)是必不可缺的测试仪器。OTDR的核心功能是利用内嵌的软件算法对光纤事件进行检测与定位。目前国内的OTDR测试技术正处于起步阶段,急需技术上的创新和突破。我们团队将DSP及模式识别技术中的小波变换及模板匹配算法应用于该项目,提高了OTDR事件识别的精确性与可靠性。 OTDR的工作原理与雷达类似:OTDR向光纤中发射短脉冲,然后一部分光通过光纤介质中的瑞利散射或菲涅尔反射被反射回来。不同时刻返回的光功率值,通过传播时间与传播距离的关系可以反映光纤不同位置的光衰减及反射特性[1],从而得到OTDR测试曲线。OTDR测试曲线中的总体光功率衰减由瑞利散射引起。曲线中有三类事件:(1)光纤末端(2)反射性事件:体现为尖峰型突变,通常由光纤活接头、光纤断裂处的因折射率变化产生的菲涅尔反射引起(3)非反射性事件:体现为阶跃型突变,通常由光纤熔接、光纤受压产生的扭曲造成在该位置经瑞利散射反射OTDR的光功率值发生异常衰减。通常情况下,(1)(2)类事件数量少且易于定位,而(3)非反射性事件数量多且较难进行精确定位,特别是信噪比很低的情况下,噪声幅值与事件造成的信号幅值突变规模相近,对事件的检测及定位造成极大干扰。另一方面,光纤事件检测的实时性对算法的复杂度提出了较高要求。 我们提出了一种新的基于双正交小波变换和模板匹配的OTDR事件分析方法. 对数化的OTDR测试数据是信噪比随时间变化的非平稳信号。对于非平稳信号,双正交小波变换是一种很理想的时频分析工具,它能够在无相位失真的情况下检测出噪声中的信号的奇异点(OTDR测试数据的事件位置)并对其进行整体定位。 另一方面,模板匹配法可以在一段信噪比近似不变的信号局部内对事件点进行精确定位。 本文首次提出在无需对信号做去噪预处理的情况下直接根据噪声强度选择合适尺度下的小波系数,通过检测模极大值对OTDR事件进行检测和粗略定位,并进一步采用模板匹配在此粗略定位区间内通过寻找模板与信号局部相关系数极大值位置对事件进行精确定位的方法,并讨论了不同小波基的选取及小波变换分解层数对定位效果的影响。对工程实测数据的实验结果表明,无需去噪等预处理步骤,本文的方法能够在不同信噪比情况下对事件进行准确定位,进而证明其对染噪的OTDR数据分析体现出良好的自适应性及可靠性。

作品图片

  • 基于小波变换和模板匹配的OTDR事件分析方法
  • 基于小波变换和模板匹配的OTDR事件分析方法
  • 基于小波变换和模板匹配的OTDR事件分析方法
  • 基于小波变换和模板匹配的OTDR事件分析方法
  • 基于小波变换和模板匹配的OTDR事件分析方法

作品专业信息

撰写目的和基本思路

作品的基本思路是将OTDR数据视为非平稳离散时间信号,在无需对信号做去噪预处理的情况下直接根据噪声强度选择合适尺度下的小波系数,通过检测模极大值对OTDR事件进行检测和粗略定位,并进一步采用模板匹配在此粗略定位区间内通过寻找模板与信号局部相关系数极大值位置对事件进行精确定位,并讨论了不同小波基的选取、小波变换分解层数、噪声强度对定位效果的影响。

科学性、先进性及独特之处

对非平稳的离散时间信号(OTDR数据),双正交小波变换是一种很理想的时频分析工具,它能够在无相位失真的情况下检测出噪声中的信号的奇异点(OTDR测试数据的事件位置)并对其进行粗略定位。 另一方面,模板匹配法可以在信号局部对事件点进行精确定位。本文首次提出先利用不同尺度下的双正交小波变换模极大值检测对事件进行检测及粗略定位,然后根据信号特征与模板的相关性在时域进行精确定位的方法,达到了较好的效果。

应用价值和现实意义

近几十年来,随着光纤通信的负荷日趋增大,利用光时域反射仪(OTDR)进行光纤参数的测量及光纤事件的自动准确定位已成为研究热点。目前国内的OTDR测试技急需技术上的创新和突破。其主要困难在于非反射性事件数量多且较难进行精确定位,另外,噪声对事件的检测及定位造成极大干扰。对工程实测数据的实验结果表明,我们的方法能够对噪声区中的OTDR事件进行准确识别与定位,进而表明我们的算法具有良好的应用前景。

学术论文摘要

本文提出了一种新的基于双正交小波变换和模板匹配的OTDR事件分析方法. 对数化的OTDR测试数据是信噪比随时间变化的非平稳信号。对于非平稳信号,双正交小波变换是一种很理想的时频分析工具,它能够在无相位失真的情况下检测出噪声中的信号的奇异点(OTDR测试数据的事件位置)并对其进行整体定位。 另一方面,模板匹配法可以在一段信噪比近似不变的信号局部内对事件点进行精确定位。 基于本文提出的方法,先利用不同尺度下的双正交小波变换模极大值检测对事件进行检测及粗略定位,然后根据信号特征与模板的相关性在时域进行精确定位。对工程实测数据的实验结果表明,无需去噪等预处理步骤,本文的方法能够在不同信噪比情况下对事件进行准确定位,进而证明其对染噪的OTDR数据分析体现出良好的自适应性及可靠性。

获奖情况

正在整理发表过程中

鉴定结果

暂无

参考文献

[1] Xiaodong Gu, Mike Sablatash. “Estimation and Detection in OTDR Using Analyzing Wavelets”. [2] P. Blanchard, J. Dubard, etc. “Simulation Method of Reflectance Measurement Error Using the OTDR” [3] Fenlei Liu, Christopher J. Zarowski, “Detection and Estimation of Connection Splice Events in Fiber Optics Given Noisy OTDR Data—Part I: GSR/MDL Method”. [4] Fenlei Liu, Christopher J. Zarowski, “Detection and Estimation of Connection Splice Events in Fiber Optics Given Noisy OTDR Data—Part II: R1MSDE Method”. [5] Xiaojing Man, Yi Dong, etc. “Analysis of connection splice events in OTDR data using short Fourier transform method”. [6] Yongmin Kim, Jinho Sung, etc. “Analyzing OTDR Measurement Data Using the Kalman Filter”. [7] Xiaoli Hao, Houjin Chen, Changli Wang. “One data processing method for detecting fibre events” [C]. [8] Liangrui Tang, Bing Qi, etc. “Wavelet transform based algorithm for optical fiber fault analysis”.

同类课题研究水平概述

目前,已有很多学者对OTDR事件分析算法进行了研究。P. Blanchard等人在1990年提出基于两点法和最小二乘法的事件监测算法[2],该算法复杂度低,但抗噪声能力差,定位精度差。Xiaodong Gu等人与1994年提出利用小波变换从OTDR曲线中提取信息,并据此进行事件位置检测,但其没有给出对于曲线中非反射性事件的定位准确度分析。Fenglei Liu等人引入Gabor变换进行分析[3] ,随后又提出了一阶匹配子空间算法 [4],但其算法只针对反射性事件进行研究,没有对非反射性事件定位问题进行探讨。2008年,Yongmin Kim等人提出用统计信号处理方法Kalman滤波对数据进行处理,但其只研究了高信噪比情形下的算法性能,未对算法的抗噪声性能进行分析。 此外,前四者都采取OTDR采集原始数据(线性坐标下的指数型曲线)与白噪声叠加的模型,而目前实际工程应用中,随着可测距离的增加,大多数OTDR是通过直接检测对数化的数据,以获得较大的动态范围,采集的数据曲线在对数坐标下呈线性函数与非高斯白噪声的叠加[5]。2004至2006年间,Xiaoli Hao[7]等人和Liangrui Tang[8] 等人提出用小波变换对对数化的数据进行分析。Xiaoli Hao[7]等人先利用小波变换对信号进行预处理,滤除信号中的噪声,再重新进行小波变换,并根据小波系数模极大值来确定事件位置,Liangrui Tang[8]等人则在去噪后通过将各级小波系数相乘,实现了突变信号的增强环节,从而在强噪声情况下更有效地实现了信噪分离,从而降低了事件漏判概率。然而,在小波域内对信号细节部分进行处理,虽能突出事件点特征并压制噪声,但仍无法在小波域内对事件点进行精确定位。原因是,原始离散时间信号每经过一次离散小波变换,时间分辨率都下降为原来的一半[9],如果仅在小波域对模极大值点进行定位,无法从理论上精确地定位事件到原始信号的某一时间点,而只能将事件点的预测位置限定在原始信号的某一段区间内。OTDR事件点定位问题不仅需要算法对噪声有良好的抗干扰能力,还要求算法能给出事件点的精确位置。此时,为了保证定位的精确度,在小波域对模极大值点进行定位的基础上,必须采用进一步对事件进行精确定位的手段,本文提出的模板匹配法很好地解决了这一问题。
建议反馈 返回顶部