引用本文：
尚秋峰，王若楠. 基于GADF-GCBAM-ResNet的DAS周界安防信号识别方法[J]. 光通信技术，2026，50（4）：60-64.
尚秋峰1，2，3，王若楠1，2，3*
（1.华北电力大学 电子与通信工程系，河北 保定 071003；2.华北电力大学 河北省电力物联网技术重点实验室， 河北 保定 071003；3.华北电力大学 保定市光纤传感与光通信技术重点实验室，河北 保定 071003）
【下载PDF全文】 【下载Word】摘要：为提升分布式声波传感（DAS）系统采集的振动信号识别精度，提出了一种DAS周界安防信号识别方法。采用格拉姆角差场（GADF）将一维时序振动信号转换为二维图像，经残差网络（ResNet）中的残差块提取特征后，采用分组卷积注意力模块（GCBAM）对其进行分组调整特征权重，以提升ResNet对核心特征及边缘细节的捕获效能。搭建了DAS周界安防实验系统，采集攀爬、拍打、踩踏、跑步及无入侵5种振动信号进行测试。实验结果表明，所提方法的识别准确率达99.3%，相较于卷积神经网络（CNN）、CNN-长短期记忆网络（LSTM）及ResNet等传统模型性能更优。
关键词：周界安防；分布式声波传感；残差网络；卷积注意力模块；格拉姆角差场
中图分类号：TN256 文献标志码：A 文章编号：1002-5561（2026）04-0060-05
DOI:10.13921/j.cnki.issn1002-5561.2026.04.009
研究背景与动机：
DAS技术特性：DAS技术因其灵敏度高、强耐腐蚀性及监测范围广，在交通监测、周界安防、油气开发等领域广泛应用。
信号识别挑战：DAS采集的振动信号复杂多变，对模型性能要求高，传统方法存在特征提取不足和识别精度有限的问题。
深度学习优势：深度学习通过端到端的学习机制，能自主挖掘并提取深度特征，无需依赖人工特征选择。
研究方法：
方法概述：提出基于GADF-GCBAM-ResNet的DAS周界安防信号识别方法，结合格拉姆角差场（GADF）、分组卷积注意力模块（GCBAM）和残差网络（ResNet）。
GADF编码：将一维时序振动信号转换为二维图像，避免时频图分析对帧长窗口的依赖。
ResNet改进：在ResNet中引入GCBAM，通过分组提取局部注意力权重与优化调整，强化关键细节特征捕获。
模型构建：搭建DAS周界安防实验系统，采集攀爬、拍打、踩踏、跑步及无入侵5种振动信号进行测试。
实验验证与分析：
数据获取与处理：采集5种事件的相位数据，运用GADF将时序数据构建为二维特征映射图。
实验设置：数据集划分为训练样本、验证样本和测试样本，模型基于TensorFlow框架构建，采用Adam优化器进行参数更新。
结果对比：GADF-GCBAM-ResNet识别准确率达99.3%，较传统ResNet提升3.8%，较CNN、CNN-LSTM分别提升5.7%、2.3%，且损失值最低。
混淆矩阵分析：GADF-GCBAM-ResNet对各类事件识别率均较高，特别是攀爬事件识别率提升至98%，验证了GCBAM机制的有效性。
研究结论：
方法优势：GADF-GCBAM-ResNet通过GADF编码和GCBAM注意力机制，解决了全局注意力机制中特征权重单一化及边缘信息易丢失的问题，提升了识别精度。
应用前景：该方法在光纤周界安防振动信号识别中表现出色，具有广泛的应用前景和实用价值。
未来展望：
进一步优化：未来工作可探索更多优化策略，如改进网络结构、优化参数设置等，以进一步提升模型性能。
扩展应用：将该方法应用于其他领域的振动信号识别，验证其普适性和鲁棒性。