基于领域自适应的漏缆周界入侵监测技术研究

传统的泄漏电缆入侵监测方法以及市面上大部分泄漏电缆入侵监测定位系统属于门限式检测,容易发生误判、漏判等问题。后有学者提出使用深度学习方法解决精度问题,但由于漏缆信号会随环境变化产生较大的变动,由实验环境数据训练生成的模型对目标敷设环境的适应性较差,模型往往难以达到预期的性能。对此,本文提出一种具有目标环境适应性的漏缆周界入侵定位模型KUMADAN(K-means-based Unsupervised Multi-Adversarial Domain Adaptation Network),实现了迁移学习领域自适应算法在漏缆周界入侵领域的应用。模型通过引入多对抗领域适应性神经网络(MADA)结构和K-means聚类算法,实现了从实验环境到目标环境的知识迁移,也解决了目标环境采集标签的困难。为了验证其可行性及实用性,在实地环境进行了测试实验以及对比实验。实验结果表明,KUMADAN模型在不同环境下的漏缆周界入侵定位任务中取得了较好的性能,迁移效果提升35%以上,验证了其在实际应用中的可行性和有效性。