本发明涉及一种基于das系统的水声信号相位解卷绕的神经网络方法，属于信号解卷绕。
背景技术：
1、基于相位敏感光时域反射技术(φ-otdr)发展而来的分布式声波传感(das)技术是目前最先进的声场检测技术之一。它利用窄线宽单频激光在光纤中激发的相干瑞利散射对应变变化高度敏感的特性，结合光反射计原理，对与光纤相互作用的环境振动与声场信息进行长距离、高时空精度的感知。das技术解决了常规检波器在复杂地质环境中成本高、布设难度大等问题，广泛应用于桥梁结构监测、高速公路检测、地震预警、海洋勘探、管道泄漏检测、边界安防等领域。近年来，das技术得到了快速的发展，尤其在需要长期、大规模布设的监测应用场景中得到了迅速的发展。
2、传统的分布式声学传感系统(das)中，需要对收集到的数据进行相位解调以恢复原信号。一般来说，相位信号的可靠范围是[-π,π]，然而当应变信号的频率高且幅度足够大时，相邻两次采样之间相位变化可能会超过π，因此导致解卷绕操作时会数据会发生跳变，严重影响结果。
3、现有技术一【f.cunzheng et al.,“large dynamic range optical fiberdistributed acoustic sensing(das)with differential-unwrapping-integralalgorithm,”j.lightw.technol.,vol.39,no.22,pp.7274–7280,nov.15,2021.】提出了微分解包裹积分(differential-unwrapped-integral,dui)算法，该算法可以极大地扩展φ-otdr的动态范围，缺点是它无法解决复杂信号的卷绕问题。
4、现有技术二【h.he,l.yan,h.qian,x.zhang,b.luo,and w.pan,“enhancedra ngeof the dynamic strain measurement in phase-sensitive otdr withtunablesensitivity,”opt.exp.,vol.28,no.1,p.226,jan.2020.】提出了一种基于双波长探针脉冲光的方法来改善系统的最大可测应变(mams)，但这种方法具有更复杂的光学结构。
5、现有技术三【l.kong,k.cui,j.shi,m.zhu,and s.li,“1d phase unwrappingbased on the quasi-gramian matrix and deep learning for interferometricoptical fiber sensing applications,”j.lightw.technol.,vol.40,no.1,pp.252–261,jan.2022.】提出一种基于拟格拉曼矩阵和深度卷积神经网络的鲁棒一维相位展开方法，即使在负信噪比的情况下也能稳定工作，但是不适用于资源有限的操作平台中。
技术实现思路
1、本发明的目的在于：突破目前分布式光纤信号解卷绕领域发展所面临的损失率高、动态范围小、无法应用到实际场景等关键问题。
2、为了达到上述目的，本发明的技术方案是提供了一种基于das系统的水声信号相位解卷绕的神经网络方法，其特征在于，包括以下步骤：
3、步骤1、采用das系统获得水声信号，基于所获得的水声信号构建训练集，训练集中的样本为被卷绕到[-π,π]之间的卷绕信号，每个样本的标签为构建的理想信号；
4、步骤2、构建神经网络模型，利用训练集对所述神经网络模型进行训练，其中，神经网络模型包括上下采样层、lstm层和下上采样层：
5、在上下采样层中，输入数据被压缩为高维抽象特征，包括n个大残差模块一，n≥2，每个大残差模块一包括进行一次残差连接的三个小残差模块，每个小残差模块内由三个卷积层加bn层加relu层构成的卷积模块进行残差连接；每个大残差模块一后通过平均池化层提取特征；
6、lstm层用于将上下采样层抽象出来的高维特征转化为所需要的特征，所述特征被输入下上采样层；
7、下上采样层包括n个大残差模块二，大残差模块二的结构与所述大残差模块一的结构相同，每个大残差模块二后连接了一个上卷积层转置卷积层，上下采样层中每个平均池化层的输入与下上采样层中每个上卷积层转置卷积层的输入构建了跳跃连接；下上采样层最后使用1x1的卷积层将特征转换为所需的数据维度；
8、步骤3、将基于das系统实时获得的水声信号的卷绕信号输入上一步获得的神经网络模型，由所述神经网络模型进行解卷绕操作。
9、优选地，在所述步骤1中，所述das系统采用以下方法获得所述水声信号：
10、窄线宽激光通过光纤耦合器分为探测光和参考光，其中：探测光经过电光调制器调制后，再经声光调制器斩波以及掺铒光纤放大器放大，将掺铒光纤放大器放大后所获得的多频高相干光脉冲通过环形器注入传感光纤；来自光纤的瑞利后向散射光与参考光进行混合，然后由平衡光电探测器检测；最后，平衡光电探测器输出的电信号被数据采集单元采样，获得所述水声信号。
11、优选地，所述电光调制器的调制频率为20mhz，以保证能量集中在0、±1、±2共计5个电平，实现频率分级。
12、优选地，在所述步骤1中，采用以下方法构建所述理想信号：
13、选取若干典型的水声探测信号，对其进行频谱分析，利用傅里叶变换得到基波和谐波的振幅和频率，并大致确定范围后，构建最终的理想信号
14、优选地，在所述步骤2之后且在所述步骤3之前还包括以下步骤：
15、使用压电陶瓷和信号发生器在所述das系统上添加单频和多频信号来构成pzt测试集，通过所述pzt测试集来验证步骤2获得的所述神经网络模型的动态范围。
16、优选地，在所述步骤2之后且在所述步骤3之前还包括以下步骤：
17、使用所述das系统实际获得的水声信号来构成实际信号测试集，通过所述实际信号测试集来验证步骤2获得的所述神经网络模型的解卷绕能力和模型泛化能力。
18、优选地，构建样本库，基于样本库获得所述训练集、pzt测试集以及实际信号测试集。
19、优选地，通过对步骤1中的所述样本进行格拉姆矩阵升维、扩大信号范围或添加噪声来增加步骤1所获得的所述训练集中的样本数量。
20、本发明引入深度学习技术以解决分布式声学传感系统进行相位解调时所存在的跳变问题，在卷绕信号与原始信号之间直接建设函数关系以实现解调性能提升。不仅如此，本发明所引入的深度学习架构还能够在实现解卷绕的同时起到增强系统抗噪声和抗衰落的性能。
21、与现有技术方案相比，本发明具有如下有益效果：
22、(1)创新性地提出了利用实际信号的频谱特性构建神经网络的训练样本的思想，使得系统不仅具备了解卷绕能力，更具备了在复杂环境下进行解卷绕的能力，提升了分布式光纤系统的解卷绕能力和抗噪能力，为实际情况下的信号跳变问题提供了有效的解决手段和工具。
23、(2)充分利用分布式光纤声波传感的分布式传感优势，结合深度网络对信号进行解卷绕，复杂环境下的系统信噪比和探测范围得到大幅度提升，有利于减少长距离、大范围线路的安全警报信息管理成本及现场确认成本。
24、(3)创新性地提出了嵌套残差reslstm网络，能够达到很高的解卷绕效果和很低的损失率，比目前已发表的用于解卷绕的神经网络模型效果都要好。
25、(4)结合迁移学习方法，具备在线优化能力，可以满足复杂环境下的水声信号探测的监测需求。
1.一种基于das系统的水声信号相位解卷绕的神经网络方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于das系统的水声信号相位解卷绕的神经网络方法，其特征在于，在所述步骤1中，所述das系统采用以下方法获得所述水声信号：
3.如权利要求2所述的一种基于das系统的水声信号相位解卷绕的神经网络方法，其特征在于，所述电光调制器的调制频率为20mhz，以保证能量集中在0、±1、±2共计5个电平，实现频率分级。
4.如权利要求1所述的一种基于das系统的水声信号相位解卷绕的神经网络方法，其特征在于，在所述步骤1中，采用以下方法构建所述理想信号：
5.如权利要求1所述的一种基于das系统的水声信号相位解卷绕的神经网络方法，其特征在于，在所述步骤2之后且在所述步骤3之前还包括以下步骤：
6.如权利要求5所述的一种基于das系统的水声信号相位解卷绕的神经网络方法，其特征在于，在所述步骤2之后且在所述步骤3之前还包括以下步骤：
7.如权利要求6所述的一种基于das系统的水声信号相位解卷绕的神经网络方法，其特征在于，构建样本库，基于样本库获得所述训练集、pzt测试集以及实际信号测试集。
8.如权利要求1所述的一种基于das系统的水声信号相位解卷绕的神经网络方法，其特征在于，通过对步骤1中的所述样本进行格拉姆矩阵升维、扩大信号范围或添加噪声来增加步骤1所获得的所述训练集中的样本数量。
