本文提出了一种融合双通道格拉姆角场（GAF）与树突网络（DD）的光缆事件识别方法，旨在解决传统光缆故障识别方法中信号特征提取复杂、识别准确率不高的问题。以下是文件的核心内容总结：

研究背景与动机：

光时域反射仪（OTDR）是分析光缆故障状态的关键设备，但传统方法在信号特征提取和故障识别准确率上存在局限。

已有研究尝试从不同角度提升识别性能，但仍存在对复杂模态变化适应性不足、识别准确率有待提高等问题。

研究方法：

GAF技术：将一维OTDR时序信号转换为极坐标表示，并通过三角运算生成格拉姆矩阵，实现一维时间序列到二维图像的转化。具体包括格拉姆角和场（GASF）与格拉姆角差场（GADF）两种图像。

DD网络：通过挖掘输入数据之间的逻辑关系实现分类，具备“白盒特性”，不依赖非线性激活函数，且模型复杂度可控，具有良好的泛化能力。

融合方法：首先利用双通道GAF技术将一维OTDR信号转换为二维图像，然后利用DD网络挖掘图像中的逻辑关系，构建高精度分类模型。

实验设计与数据采集：

实验数据：通过在长约15 km的裸纤上模拟熔接、弯折、拉伸及连接法兰等故障，采集5000组OTDR数据。

数据集划分：将数据集划分为训练集（70%）、验证集（训练集中的30%）和测试集（30%）。

实验环境：基于Python环境，使用Pytorch框架与Pyts工具库搭建模型。

实验结果与分析：

反射事件与非反射事件分析：通过GASF和GADF生成的二维图像在元素分布和对称性上存在显著差异，有助于区分不同类型的故障事件。

对比实验：设计了三组对比实验，采用小波包分解、经验模态分解和变分模态分解三种方法处理信号后输入DD网络分类模型。结果显示，本文提出的方法准确率优于其他识别方法。

成像方式对比：比较了GASF、GADF和GASF-GADF三种成像方式的识别效果。GASF-GADF成像方式具有更快的收敛速度、更低的训练损失和更高的分类准确率。

分类方法对比：对比了K近邻算法（KNN）、支持向量机（SVM）、极限学习机（ELM）、卷积神经网络（CNN）与DD网络模型在光缆故障事件识别中的准确率。DD网络模型平均准确率达到98.67%±1.85%，表现最优。

研究结论与意义：

本文提出的方法通过将一维OTDR信号转换为双通道图像，有效保留了时序特征并扩展了特征空间，识别准确率达98.67%±1.06%。

双通道GAF结构增强了多模态故障特征的表征能力，DD网络凭借其白盒特性提升了分类性能。

该方法为光缆故障识别提供了新的技术方案，对光纤智能监测系统的发展具有实践意义。