基于外差相干检测的相位解调不可避免地遭受干扰衰落，衰落问题可能使来自某些光纤部分的RBS信号落入破坏性区域，无法解调相位。针对这一问题，南京大学研发团队联合美国康奈尔大学，在我司Ada-5032E型外差检测φ-OTDR的硬件结构基础上，提出了一种基于最优位置寻峰的抑制干扰衰落的方法。由于相位解调结果为与瑞利背散射（RBS）强度相关，动态跟踪传感光纤每个部分的RBS强度的最佳位置，以获得可靠的解调相位。该方法可以在很大程度上抑制衰落区域的发生概率，可为振动重构提供更高的精度，从而为后续的机器学习与模式识别提供便利，助力分布式光纤振动传感技术的应用推广。
团队利用DAS设备开展多次外场试验，共积累了如挖掘机挖土、工程车辆行驶、木桩夯击、隧道落石、钻机打孔共五种扰动事件的数据样本在时域上主要提取了信号能量、平均值、平方差和扰动持续时间4个特征；在频域上提出对信号的STFT谱图做二值处理，对二值图像进行面积、周长、致密性、连通域个数和欧拉数这5个特征的提取。采用SVM分类器和前馈神经网络对5类扰动事件进行模式识别，识别准确率分别为97%和98%。
该项研究内容近日以“Classification of Interference-Fading Suppressed Φ-OTDR Signal Using Optimal Peak-Seeking and Machine Learning”为题目，应邀发表在国际著名光电子期刊《Chinese Optics Letters 》上。
