本发明涉及分布式光纤布里渊应变和温度传感器，属于分布式光纤传感，尤其涉及一种基于多尺度深度展开网络的布里渊增益谱降噪方法。
背景技术：
1、分布式光纤传感技术具有传感距离长，分布式测量等优点。随着我国社会的发展，交通、石油、电力等方面大型基础设施的部署日益完善，对于大型基础设施进行结构安全健康监测愈发重要，相比于其他的分布式传感技术，光纤分布式传感技术具有抗腐蚀、抗电磁干扰、高空间分辨率和传感距离长等优点，在这方面有着天然的优势。分布式光纤是一种融合光通信和集成光学的新型传感技术，基于光反射、光散射等原理，利用光纤自身作为传感介质和传感单元，探测周围振动信号，成本较低，且一次铺设，可长久重复利用，具有极高的市场价值。在国内已被广泛应用于石化管道监测，安防监测、结构物检测等领域并取得良好效果，而该技术在高速公路领域应用也引发了各大高校的研究热潮。因此，进行分布式光纤传感技术的研究对我国的经济社会发展以及建设工业强国有着巨大的意义。
2、其中，基于受激布里渊散射(stimulated brillouin scattering,sbs)原理的布里渊光学时域分析(brillouin optical time domain analyzer,botda)系统的检测距离可达数百公里，具有长传感范围、高监测精度、高空间分辨率等优点，被广泛应用于石油管道运输、电力电网安防以及矿井火灾等领域的监测预警。然而，多种复杂噪声的存在使得面向工程应用的botda分布式光纤传感系统存在很大的发展瓶颈，例如受激布里渊散射(stimulated brillouin scattering,sbs)引起的相位—强度转换噪声、自发辐射引起的激光光源强度和相位噪声、泵浦路引起的自发布里渊散射(spontaneous brillouinscattering,sp-bs)与探测光相互作用产生的噪声、光波传输过程中偏振波动产生的噪声、光电探测器引起的热噪声和散粒噪声、以及外界环境所引起的干扰噪声。综上所述，由于系统自身和外界环境的影响，所采集的信号很大程度上被大量复杂的噪声信号淹没，严重影响了系统的传感范围、空间分辨率、解调精度等关键指标，会造成布里渊频移、峰值功率等重要信息无法提取的现象。由此可以看出对布里渊增益谱降噪的重要性。
技术实现思路
1、本发明的目的在于克服现有技术存在的不足，而提供一种基于多尺度深度展开网络的布里渊增益谱降噪方法，以解决布里渊增益谱噪声信号淹没的问题。
2、本发明的目的是通过如下技术方案来完成的。一种基于多尺度深度展开网络的布里渊增益谱降噪方法，所述方法包括以下步骤：
3、s1、模拟产生多个布里渊增益谱bgs曲线组合得到bgs距离矩阵p4×n，其中，m为扫频频率数，n为光纤上的位置数；改变bgs曲线的参数生成bgs距离矩阵集合p，按一定比例将p分为集合pa和集合pb；
4、s2、将集合pa的每一个元素随机分割成小块，形成集合ps，向集合ps中加入高斯白噪声得到一个新集合psn，作为训练集；
5、s3、设展开层数t＝1，将psn输入多尺度深度展开网络f，输出为pr，由ps和pr计算损失函数得到最优参数模型；
6、s4、增加t,重复上一步操作，得到不同t下的最优参数模型；
7、s5、从集合pb中随机抽取一个元素分别输入不同t下的参数模型，得到偏离度指标d(t)；
8、s6、根据偏离度指标d(t)选取降噪模块个数，并确定其他参数；
9、s7、从集合pb抽取一个元素加入高斯白噪声后，输入确定好的参数模型，得到降噪后的bgs距离矩阵。
10、更进一步地，具体步骤如下：
11、步骤1，训练阶段开始，设展开层数t＝1，固定扫频步长在一定频率范围内扫描，得到一组扫频频率，分别记为v1，v2，…，vm；设光纤上各位置分别为z1，z2，…，zn；设为布里渊增益谱bgs的线型函数，其中为线型函数自身参数，zi为位置，i＝1,2,…,n，vj为扫频频率，j＝1,2,…,m；当固定不变时，得到bgs距离矩阵pn×m；
12、
13、改变则得到一个bgs距离矩阵的集合p＝{pn×m}，按一定比例将p分为pa，pb；
14、步骤2，设迭代次数ep＝1，网络参数a，b，s的初始值为随机值；
15、步骤3，对于集合pa中每一个bgs距离矩阵pn×m，随机分割出具有固定尺寸k×k的正方形小块，组合在一起形成一个集合ps，向ps中每一个元素加入高斯白噪声得到一个新集合psn，作为训练集；
16、步骤4，将psn输入多尺度深度展开网络f，输出为pr＝f(psn,a,b,s,t)；其中，a，b，s为当前多尺度深度展开网络的参数；
17、步骤5，由ps和pr，计算损失函数l(ps,pr,a,b,s,t)；
18、步骤6，求解argmina,b,sl(psn,pr,a,b,s,t)，得到网络参数a，b，s；
19、步骤7，迭代次数ep增加1，重复步骤3～6，直至第n次迭代，得到a，b，s；
20、步骤8，从集合pb中随机抽取一个元素p1，加入噪声后输入到多尺度深度展开网络f中，得到输出p2＝(p1,a,b,s,t)；
21、步骤9，由p1和p2得到偏离度指标d(t)；
22、步骤10，展开层次t增加1，重复步骤2～9，直到t＝t0，或者|d(t)-d(t-1)|<eps；其中，t0为总的迭代展开层次，eps为差值极限；
23、步骤11，多尺度深度展开网络的展开层次t＝t；
24、步骤12，由t确定a，b，s的最终值，训练阶段结束；
25、步骤13，从pb抽取一个bgs距离矩阵pt，加入高斯白噪声后输入多尺度深度展开网络f，得到降噪后的bgs距离矩阵ptr＝f(pt,a,b,s,t)。
26、更进一步地，步骤1中，所述bgs的线性函数采用pseudo-voigt线型，定义如下：
27、
28、其中，c＝0为高斯线型，c＝1为洛仑兹线型，式中的参数分别为中心频率v0、带宽δv、峰值功率gb，以及线型比重c。
29、更进一步地，步骤4中，所述多尺度深度展开网络f，包含特征提取模块f，深度展开降噪模块q＝qt，图像重构模块g共3个部分；当给定输入x，则输出y＝f(x,a,b,s,t)＝g(qt(f(x),a,b,s))；
30、特征提取模块包含特征提取器即一个卷积层，功能为将输入x映射到特征空间，输出初始特征值的集合α0＝f(x)，其中初始特征集合α0的每一个矩阵元素的宽h和高w分别为
31、h＝(hin-kernel_size+2*padding)/stride+1；
32、w＝(win-kernel_size+2*padding)/stride+1；
33、其中h,w代表输出图的高和宽，hin,win为输入图的高和宽，kernel_size为卷积核大小，padding为填充的大小，stride为步幅；
34、深度展开降噪模块包含t个降噪模块，第t个降噪模块的输出为：
35、αt＝αt-1+at(αt-1-α0-st(αt-1))+bt(αt-1-αt-2)
36、at，bt，st是第t个降噪模块的网络参数，at和bt分别用一个残差块来实现；每个残差块包含两个卷积层和一个relu激活函数；其中st表示多尺度正则化器块，在多种分辨率下提取bgs距离矩阵的先验信息，被表示为：
37、s(α)＝z(g1(α),g2(α↓2),g3(α↓4))
38、其中↓k表示比例因子k的降采样算子，g1，g2，g3表示从不同尺度的特征学习bgs距离矩阵有用先验信息的深度cnn，称为多尺度卷积层，使用反投影特征融合bpff块实现z来聚合bgs距离矩阵中的多尺度特征，经过t个降噪模块输出为：
39、b＝αt＝qt(f(x),a,b,s)
40、图像重构模块g包含图像重构器即一个卷积层，功能为将特征b映射回图像空间，pr＝g(b)。
41、更进一步地，步骤5中，所述的损失函数是最小平方误差lse，表示为：
42、
43、其中yi是psn中的一个元素，xi是ps中的一个元素，f表示多尺度深度展开网络函数。
44、更进一步地，步骤6中，所述求解网络参数利用的是优化器，用来保存当前的状态，并能够根据计算得到的梯度来更新参数，每个ep训练结束保存一次参数a，b，s。
45、更进一步地，步骤9中，所述的偏离度指标d(t)是：
46、峰值信噪比psnr：用于表示信号的最大可能功率与影响其表示的保真度的破坏噪声的功率之间的比率，其表示为：
47、
48、其中maxi是图像中最大可能像素值，mse是均方误差；
49、结构相似度ssim：通过比较原始图像和处理后图像之间的亮度、对比度和结构相似性来评估图像质量其表示为：
50、ssim(x,y)＝[l(x,y)+c(x,y)+s(x,y)]/2
51、其中，l(x,y)、c(x,y)和s(x,y)分别表示亮度、对比度和结构相似性度量；
52、均方根误差rmse：用于评估降噪前后布里渊频移误差，提取布里渊频移的方法是洛伦兹曲线拟合lcf，rmse表示为：
53、
54、其中f(xi)是降噪后bgs距离矩阵提取的bfs，yi是干净bgs距离矩阵提取的bfs；
55、不确定度uncertainty：用于评估使用模型降噪后的bfs的标准偏差，其表示为：
56、
57、其中是通过使用模型降噪后的bfs的统计平均值。
58、本发明的有益效果为：目前对布里渊增益谱降噪的方法有许多，传统的图像处理方法bm3d以及深度学习方法，但是本发明提出将多尺度深度展开网络用于botda布里渊增益谱降噪，多尺度深度展开网络在传统深度展开方法的基础上引入了多尺度正则化器块(msrb)，它可以从不同分辨率的特征中学习布里渊增益谱的先验信息，并且明确地考虑了深度特征空间中的图像去噪问题，可以有效的降低布里渊增益谱中的噪声，提高信噪比。
1.一种基于多尺度深度展开网络的布里渊增益谱降噪方法，其特征在于：所述方法包括以下步骤：
2.根据权利要求1所述的基于多尺度深度展开网络的布里渊增益谱降噪方法，其特征在于：具体步骤如下：
3.根据权利要求2所述的基于多尺度深度展开网络的布里渊增益谱降噪方法，其特征在于：步骤1中，所述bgs的线性函数采用pseudo-voigt线型，定义如下：
4.根据权利要求2所述的基于多尺度深度展开网络的布里渊增益谱降噪方法，其特征在于：步骤4中，所述多尺度深度展开网络f，包含特征提取模块f，深度展开降噪模块q＝qt，图像重构模块g共3个部分；当给定输入x，则输出y＝f(x,a,b,s,t)＝g(qt(f(x),a,b,s))；
5.根据权利要求2所述的基于多尺度深度展开网络的布里渊增益谱降噪方法，其特征在于：步骤5中，所述的损失函数是最小平方误差lse，表示为：
6.根据权利要求2所述的基于多尺度深度展开网络的布里渊增益谱降噪方法，其特征在于：步骤6中，所述求解网络参数利用的是优化器，用来保存当前的状态，并能够根据计算得到的梯度来更新参数，每个ep训练结束保存一次参数a，b，s。
7.根据权利要求2所述的基于多尺度深度展开网络的布里渊增益谱降噪方法，其特征在于：步骤9中，所述的偏离度指标d(t)是：
