De acordo com pt.wedoany.com-Uma equipe de pesquisa propôs uma rede de demodulação e redução de ruído em tempo real e síncrona para sinais de sensoriamento acústico distribuído por fibra óptica (DAS) baseada na arquitetura Transformer (DASformer), alcançando resolução espacial submétrica e capacidade de processamento em tempo real, fornecendo um caminho técnico para sistemas de percepção inteligentes em cenários de resposta rápida.
A tecnologia de sensoriamento acústico distribuído por fibra óptica (DAS) utiliza fibras ópticas de comunicação como sensores, permitindo o monitoramento distribuído e contínuo de sinais de vibração ou ondas acústicas em longas distâncias. Esta tecnologia tem sido aplicada em áreas como pesquisa geofísica, segurança de infraestrutura e transporte inteligente. Com a expansão das aplicações para cenários que exigem maior atualidade da informação, como monitoramento de tráfego urbano e localização de fontes sonoras de drones, a pressão de processamento de dados dos sistemas DAS continua aumentando. Esses cenários não apenas exigem que o sistema capture eventos dinâmicos em tempo real (como rastreamento de trajetória de veículos e identificação de comportamentos de invasão), mas também precisam extrair rapidamente informações de referência para tomada de decisão a partir de enormes volumes de dados de sensoriamento. Embora os métodos tradicionais de demodulação de fase possam recuperar sinais de perturbação, eles dependem de métodos como a divisão artificial de bandas de frequência para suprimir o desvanecimento de interferência, o que aumenta a sobrecarga computacional e reduz a resolução espacial. Em casos de grandes deformações, a desenrolamento de fase baseado no critério de Itoh é propensa a erros acumulativos, levando à distorção do sinal. Além disso, os métodos tradicionais enfrentam gargalos de eficiência computacional ao processar grandes volumes de dados DAS, e seus fluxos de processamento dificilmente atendem às demandas de baixa latência e alta taxa de transferência de sistemas de percepção inteligentes em tempo real, limitando sua aplicação em cenários de resposta rápida.
Para resolver os problemas acima, a equipe de pesquisa propôs uma rede de demodulação e redução de ruído em tempo real e síncrona baseada na arquitetura Transformer (DASformer). Esta rede adota uma estrutura puramente codificadora, processando o sinal bruto de retroespalhamento Rayleigh de ponta a ponta e gerando diretamente o sinal de fase diferencial após demodulação e redução de ruído, evitando o acúmulo de erros causado pelo desenrolamento de fase nos métodos tradicionais. Em termos de design estrutural, o DASformer utiliza um mecanismo de atenção multiescala combinado com deslocamento empilhado de módulos de extração de características para melhorar a capacidade de restaurar detalhes de perturbação nos resultados de demodulação. Simultaneamente, um conjunto de dados totalmente simulado baseado em modelos físicos é usado para aprendizado supervisionado, permitindo que a rede suprima simultaneamente vários ruídos e desvanecimento de interferência durante o processo de demodulação. Aproveitando a vantagem de computação paralela do Transformer, a rede alcança resolução espacial submétrica e demodulação e redução de ruído em tempo real, fornecendo entrada de sinal de alta qualidade para módulos de decisão inteligente downstream.
As principais inovações desta rede incluem: o uso da arquitetura puramente codificadora do Transformer para demodulação de fase de sinais DAS, obtendo diretamente o sinal de fase diferencial de ponta a ponta; o design do módulo de Atenção Dupla com Patch Deslocado (Shifted-PDA), que combina um mecanismo de fusão multiescala de atenção intra-patch e entre-patches com deslocamento cíclico da janela de autoatenção para realizar interação de informações entre janelas, fundindo efetivamente características locais e dependências globais, enquanto introduz uma camada LeFF com convolução separável em profundidade ao longo do eixo espacial para substituir a rede feedforward tradicional, melhorando a capacidade da rede de representar mudanças de fase contínuas; o uso de aprendizado supervisionado baseado em um conjunto de dados totalmente simulado (50.000 canais de fibra óptica brutos), com um método de aumento de réplicas de perturbação aleatória para aumento de dados, treinando a rede para suprimir ruído aleatório, ruído de fase acumulativo e desvanecimento de interferência, e utilizando a vantagem de computação paralela do Transformer para, finalmente, alcançar resolução espacial submétrica e processamento em tempo real de fluxos de dados DAS de alta velocidade.
Em experimentos de campo, os pesquisadores usaram dois tipos de cabos de sensoriamento: "cabo óptico instalado na superfície da estrada" e "cabo óptico de comunicação enterrado". Através do cabo óptico de comunicação enterrado para localização inicial e experimentos de lançamento de bola em ambiente noturno silencioso, o desempenho do novo esquema foi comparado com o método tradicional de demodulação por desenrolamento de fase. Os resultados mostraram que, na supressão de ruído, o novo esquema melhorou em 4,6 dB em relação ao método tradicional. Em seguida, o cabo óptico instalado na superfície da estrada foi usado para monitoramento em tempo real de sinais de tráfego no campus (sinais de veículos, sinais de pedestres). Em seções onde o cabo estava mal acoplado ao solo, o novo esquema ainda conseguiu distinguir claramente as duas trajetórias geradas pelas rodas dianteiras e traseiras dos veículos, enquanto o esquema tradicional, devido à degradação da resolução espacial, resultou em sobreposição nos resultados de demodulação desse canal, validando a resolução espacial submétrica da rede. Na comparação de eficiência computacional, este esquema, em comparação com o método tradicional de processamento de sinal (algoritmo de demodulação de fase baseado em extração de sub-banda, SPEA) e a rede de aprendizado profundo baseada em CNN SEED-Net, mostrou maior eficiência de processamento de dados devido à vantagem de computação paralela da arquitetura Transformer, tanto em latência média de computação quanto em quantidade de computação.
