.png){kind=icon}
返回
Spatiotemporal Anomaly Detection in Distributed Acoustic Sensing Using a GraphDiffusion Model
.png){kind=icon}
PRE
AI
DOI：10.3390-s25165157.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
分布式声学传感（DAS）技术能够利用光纤提供密集的空间和时间测量数据，正迅速成为大规模基础设施监测的关键技术。然而，DAS数据中的异常检测仍然具有挑战性，这归因于传感通道之间的空间相关性以及非线性时间动态。近期的方法往往忽视显式的传感器布局，而将DAS数据视为二维图像或展平的序列，从而消除了空间拓扑结构。本研究提出了一种名为GraphDiffusion的新型生成式异常检测模型，该模型结合了条件去噪扩散概率模型（DDPM）和图神经网络（GNN），以克服这些局限性。通过将每个通道视为图节点，并基于欧几里得距离构建边，GNN能够显式地建模DAS传感器的空间排列，使网络能够捕捉局部通道间依赖关系。条件DDPM通过迭代去噪来建模标准信号的时序动态，使系统能够在不依赖异常样本的情况下检测偏差。基于真实世界DAS数据集的性能评估表明，GraphDiffusion在F1-score的K级曲线下面积（F1K-AUC）和接收者操作特征曲线的K级曲线下面积（ROCK-AUC）上分别达到98.2%和98.0%，优于其他对比模型。
Keyword:
Distributed acoustic sensing
Anomaly detection
Graph neural network
Denoising diffusion probabilistic model
Spatial-temporal dynamics
期刊
IF:
3.5
论文数:
7.2W
被引数:
20.9W
机构
引用论文
Illuminating seafloor faults and ocean dynamics with dark fiber distributed acoustic sensing用暗光纤分布式声传感照亮海底断层和海洋动力学.png)
Science
ScienceIF0
PREAI
分享收藏An Easy Access Method for Event Recognition of φ-OTDR Sensing System Based on Transfer Learning
PREAI
分享收藏分享收藏Signal-to-Noise Ratio Enhancement Based on Empirical Mode Decomposition in Phase-Sensitive Optical Time Domain Reflectometry SystemsSENSORS
OAAI
SENSORSIF3.5
OAAI分享收藏
查看更多内容