es.wedoany.com Noticia: Un equipo de investigación ha propuesto una red de demodulación y reducción de ruido en tiempo real y sincronizada para señales de detección acústica distribuida por fibra óptica (DAS) basada en la arquitectura Transformer (DASformer), logrando una resolución espacial submétrica y capacidad de procesamiento en tiempo real, lo que proporciona una vía técnica para sistemas de percepción inteligente en escenarios de respuesta rápida.
La tecnología de detección acústica distribuida por fibra óptica (DAS) utiliza fibras ópticas de comunicación como sensores, permitiendo la monitorización continua y distribuida a larga distancia de señales de vibración o acústicas. Esta tecnología se ha aplicado en campos como la investigación geofísica, la seguridad de infraestructuras y el transporte inteligente. A medida que los escenarios de aplicación se expanden hacia áreas con mayores requisitos de actualización de información, como la monitorización del tráfico urbano y la localización de fuentes sonoras de drones, la presión de procesamiento de datos de los sistemas DAS sigue aumentando. Estos escenarios no solo requieren que el sistema capture eventos dinámicos en tiempo real (como el seguimiento de trayectorias de vehículos o la identificación de intrusiones), sino que también necesita extraer rápidamente información de referencia para la toma de decisiones a partir de enormes cantidades de datos de sensores. Aunque los métodos tradicionales de demodulación de fase pueden recuperar señales de perturbación, dependen de la división artificial de bandas de frecuencia para suprimir la atenuación por interferencia, lo que aumenta el costo computacional y reduce la resolución espacial. En condiciones de grandes deformaciones, el desenrollado de fase basado en el criterio de Itoh es propenso a errores acumulativos, lo que provoca distorsión de la señal. Además, los métodos tradicionales enfrentan cuellos de botella en la eficiencia computacional al procesar grandes volúmenes de datos DAS, y su flujo de procesamiento difícilmente satisface las demandas de baja latencia y alto rendimiento de los sistemas de percepción inteligente en tiempo real, lo que limita su aplicación en escenarios de respuesta rápida.
Para abordar estos problemas, el equipo de investigación propuso una red de demodulación y reducción de ruido en tiempo real y sincronizada basada en la arquitectura Transformer (DASformer). Esta red adopta una estructura puramente de codificador, procesando las señales originales de retrodispersión Rayleigh de extremo a extremo para generar directamente la señal de fase diferencial demodulada y reducida en ruido, evitando la acumulación de errores del desenrollado de fase en los métodos tradicionales. En el diseño estructural, DASformer utiliza un mecanismo de atención multiescala combinado con desplazamientos apilados de módulos de extracción de características para mejorar la capacidad de restauración de los detalles de perturbación en los resultados de demodulación. Al mismo tiempo, emplea un conjunto de datos completamente simulado basado en modelos físicos para el aprendizaje supervisado, lo que permite que la red suprima simultáneamente múltiples tipos de ruido y atenuación por interferencia durante el proceso de demodulación. Gracias a la ventaja de computación paralela de Transformer, la red logra una resolución espacial submétrica y una demodulación y reducción de ruido en tiempo real, proporcionando señales de entrada de alta calidad para módulos de decisión inteligente posteriores.
Las principales innovaciones de esta red incluyen: el uso de una arquitectura puramente de codificador Transformer para la demodulación de fase de señales DAS, obteniendo directamente la señal de fase diferencial de extremo a extremo; el diseño de un módulo de atención dual con parches desplazados (Shifted-PDA), que combina un mecanismo de fusión multiescala de atención intra-parche e inter-parche con un desplazamiento cíclico de la ventana de autoatención para lograr la interacción de información entre ventanas, fusionando eficazmente características locales y dependencias globales, mientras que introduce una capa LeFF con convolución separable a lo largo del eje espacial para reemplazar la red de avance tradicional, mejorando la capacidad de representación de cambios de fase continuos; el uso de un conjunto de datos completamente simulado para el aprendizaje supervisado (50,000 canales de fibra óptica originales), empleando un método de aumento de datos con réplicas de perturbaciones aleatorias para entrenar la capacidad de la red de suprimir ruido aleatorio, ruido de fase acumulativo y atenuación por interferencia, y aprovechando la ventaja de computación paralela de Transformer para lograr finalmente una resolución espacial submétrica y un procesamiento en tiempo real de flujos de datos DAS de alta velocidad.
En experimentos de campo, los investigadores utilizaron dos tipos de cables sensores: "cable de fibra óptica instalado en pavimento" y "cable de fibra óptica enterrado en comunicación". Mediante el cable enterrado en comunicación para la localización inicial y experimentos de lanzamiento de bolas en un entorno nocturno silencioso, se comparó el rendimiento del nuevo esquema con el método tradicional de desenrollado y demodulación de fase. Los resultados mostraron que, en la supresión de ruido, el nuevo esquema mejoró en 4.6 dB en comparación con el método tradicional. Posteriormente, se utilizó el cable instalado en pavimento para la monitorización en tiempo real de señales de tráfico en el campus (señales de vehículos y peatones). En secciones donde el cable tenía un acoplamiento deficiente con el suelo, el nuevo esquema aún pudo distinguir claramente las dos trayectorias generadas por las ruedas delanteras y traseras de los vehículos, mientras que el esquema tradicional produjo resultados de demodulación en ese canal que se superponían debido a la degradación de la resolución espacial, lo que verificó la resolución espacial submétrica de la red. En la comparación de eficiencia computacional, este esquema, en comparación con el método tradicional de procesamiento de señales (algoritmo de demodulación de fase basado en extracción de subbandas, SPEA) y la red de aprendizaje profundo basada en CNN SEED-Net, mostró una latencia computacional promedio y una carga computacional que evidencian la mayor eficiencia de procesamiento de datos gracias a la ventaja de computación paralela de la arquitectura Transformer.
