ntvНаучно-технический вестник информационных технологий, механики и оптикиScientific and Technical Journal of Information Technologies, Mechanics and Optics2226-14942500-0373Университет ИТМО10.17586/2226-1494-2025-25-1-87-94ntv-424Research ArticleКОМПЬЮТЕРНЫЕ СИСТЕМЫ И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИCOMPUTER SCIENCEСоздание модельных наборов целевых классов DAS-сигналов с использованием технологии генеративных состязательных нейронных сетейDAS signal modeling using the generative adversarial neural network techniquehttps://orcid.org/0000-0001-7212-5230ТимофеевА. В.TimofeevA. V.

Тимофеев Андрей Владимирович — доктор технических наук, научный директор

Астана, 010000

Andrey V. Timofeev — D.Sc., Chief Scientific Officer

Astana, 010000

timofeev.andrey@gmail.comТОО «Эквалайзум»КазахстанEqualizum LLPKazakhstan2025270220252518794Copyright © Тимофеев А.В., 20252025Тимофеев А.В.Timofeev A.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://ntv.elpub.ru/jour/article/view/424

Введение. Предложен новый метод генерации модельных наборов (Distributed Acoustic Sensing, DAS) сигналов различных классов. Статистические характеристики модельных сигналов аналогичны реальным DAS- сигналам соответствующих классов и могут быть использованы для повышения качества обработки DAS- сигналов методами машинного обучения. Метод. Представленный метод состоит в модификации технологии генеративных состязательных сетей (Generative Adversarial Network, GAN). Новизна подхода заключается во введении дополнительного контура внешнего контроля эффективности генеративной сети, который включает классификатор, обученный на доступном (малом) корпусе реальных DAS-сигналов. Основные результаты. Предложен оригинальный метод генерации модельных наборов DAS-сигналов, основанный на технологии GAN, и отличающийся от классической технологии наличием дополнительного контура внешнего контроля качества. Сформулирован критерий оптимальности генерирующей системы, который достигается путем пошагового реконфигурирования нейросетевой структуры GAN. Реконфигурирование основано на методе оптимизации Нелдера–Мида. Разработана и исследована на реальных данных программная реализация предложенного метода на платформе Python. Приведены результаты, доказывающие практическую эффективность рассмотренного подхода. Использование метода позволило увеличить мощность обучающего корпуса данных и, тем самым, повысить результирующую надежность классификации целевых DAS-сигналов. Обсуждение. Разработанный подход перспективен для применения в тех случаях, когда емкость представленных для обучения корпусов данных недостаточна для обеспечения высоконадежной классификации.

A new method of generating model sets of Distributed Acoustic Sensing (DAS) signals of different classes is proposed. Statistical characteristics of model signals are quite similar to real DAS-signals of corresponding classes and can be used for sharp improvement of DAS-signals processing quality by machine learning methods. The proposed method is a modification of the Generative Adversarial Network (GAN) technique. The novelty of the approach lies in the introduction of an additional external control loop for the performance of the generative network which includes a classifier trained on an available (small) corpus of real DAS signals. A method for generating model sets of DAS signals based on GAN technology is proposed, and it differs from the classical technology by the presence of an additional external quality control loop. An optimality criterion for the generating system is formulated, the optimum of which is achieved by step-by-step reconfiguration of the GAN neural network structure. Reconfiguration is based on the Nelder-Mead optimization method. A software implementation of the proposed solution architecture on the Python platform is developed and tested on real data. Results are presented proving the practical efficiency of the proposed method. In particular, the proposed method allowed to increase the capacity of the training dataset and, thus, to increase the resulting reliability of the classification of target DAS signals. The developed approach is promising for use in cases where the capacity of the datasets provided for training is insufficient to ensure highly reliable classification.

GANмашинное обучениеклассификацияоптоволоконная система мониторингаDASгенеративная модельGANmachine learningclassificationfiber optic monitoring systemDASgenerative modelReferencesTimofeev A.V., Groznov D.I. Classification of Seismoacoustic Emission Sources in Fiber Optic Systems for Monitoring Extended Objects // Optoelectronics, Instrumentation and Data Processing. 2020. V. 56. N 1. P. 50–60. https://doi.org/10.3103/S8756699020010070Timofeev A.V., Groznov D.I. Classification of Seismoacoustic Emission Sources in Fiber Optic Systems for Monitoring Extended Objects // Optoelectronics, Instrumentation and Data Processing. 2020. V. 56. N 1. P. 50–60. https://doi.org/10.3103/S8756699020010070Choi K.N., Juarez J.C., Taylor H.F. Distributed fiber optic pressure/ seismic sensor for low-cost monitoring of long perimeters // Proceedings of SPIE. 2003. V. 5090. P. 134–141. https://doi.org/10.1117/12.484911Choi K.N., Juarez J.C., Taylor H.F. Distributed fiber optic pressure/ seismic sensor for low-cost monitoring of long perimeters // Proceedings of SPIE. 2003. V. 5090. P. 134–141. https://doi.org/10.1117/12.484911Zuo J., Zhang Y., Xu H., Zhu X., Zhao Z., Wei X., Wang X. Pipeline Leak Detection Technology Based on Distributed Optical Fiber Acoustic Sensing System // IEEE Access. 2020. V. 8. P. 30789–30796. https://doi.org/10.1109/access.2020.2973229Zuo J., Zhang Y., Xu H., Zhu X., Zhao Z., Wei X., Wang X. Pipeline Leak Detection Technology Based on Distributed Optical Fiber Acoustic Sensing System // IEEE Access. 2020. V. 8. P. 30789–30796. https://doi.org/10.1109/access.2020.2973229Тимофеев А.В., Максимов П.Н., Грознов Д.И. Применение оптоволоконной технологии для мониторинга трубопроводных систем отведения шахтных вод в криолитозоне // Гидротехника. 2023. № 3 (72). С. 34–43. https://doi.org/10.55326/22278400_2023_3_34Timofeev A.V., Maksimov P.N., Groznov D.I., Application of fiber optic technology for monitoring the mine water drainage pipeline system in the permafrost zone. Gidrotehnika, 2023, no. 3 (72), pp. 34– 43. (in Russian). https://doi.org/10.55326/22278400_2023_3_34Goodfellow I., Pouget-Abadie J., Mirza M., Xu B., Warde-Farley D., Ozair S., Courville A., Bengio Y. Generative Adversarial Nets // Proc. of the 28th International Conference on Neural Information Processing Systems. 2014. V. 2. P. 2672–2680.Goodfellow I., Pouget-Abadie J., Mirza M., Xu B., Warde-Farley D., Ozair S., Courville A., Bengio Y. Generative Adversarial Nets // Proc. of the 28th International Conference on Neural Information Processing Systems. 2014. V. 2. P. 2672–2680.Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A., Bengio, Y. Generative adversarial networks // arXiv. 2014. arXiv:1406.2661. https://doi.org/10.48550/arXiv.1406.2661Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A., Bengio, Y. Generative adversarial networks // arXiv. 2014. arXiv:1406.2661. https://doi.org/10.48550/arXiv.1406.2661Goodfellow Ian. NIPS 2016 Tutorial: Generative Adversarial Networks // arXiv. 2017. arXiv:1701.00160. https://doi.org/10.48550/arXiv.1701.00160Goodfellow Ian. NIPS 2016 Tutorial: Generative Adversarial Networks // arXiv. 2017. arXiv:1701.00160. https://doi.org/10.48550/arXiv.1701.00160Goodfellow I., Bengio Y., Courville A. Back-Propagation and Other Differentiation Algorithms // Deep Learning. MIT Press. 2016. P. 200–220.Goodfellow I., Bengio Y., Courville A. Back-Propagation and Other Differentiation Algorithms // Deep Learning. MIT Press. 2016. P. 200–220.Duchi J., Hazan E., Singer Y. Adaptive subgradient methods for online learning and stochastic optimization // Journal of Machine Learning Research. 2011. V. 12. P. 2121–2159.Duchi J., Hazan E., Singer Y. Adaptive subgradient methods for online learning and stochastic optimization // Journal of Machine Learning Research. 2011. V. 12. P. 2121–2159.Jones K.S. A Statistical interpretation of term specificity and its application in retrieval // Journal of Documentation. 1972. V. 28. N 1. P. 11–21. https://doi.org/10.1108/eb026526Jones K.S. A Statistical interpretation of term specificity and its application in retrieval // Journal of Documentation. 1972. V. 28. N 1. P. 11–21. https://doi.org/10.1108/eb026526Rüschendorf L. Wasserstein metric // Encyclopedia of Mathematics / ed. by M. Hazewinkel. Springer, 2000. P. 487–488.Rüschendorf L. Wasserstein metric // Encyclopedia of Mathematics / ed. by M. Hazewinkel. Springer, 2000. P. 487–488.Erdmann M., Glombitza J., Quast T. Precise simulation of electromagnetic calorimeter showers using a Wasserstein Generative Adversarial Network // Computing and Software for Big Science. 2019. V. 3. N 1. P. 4. https://doi.org/10.1007/s41781-018-0019-7Erdmann M., Glombitza J., Quast T. Precise simulation of electromagnetic calorimeter showers using a Wasserstein Generative Adversarial Network // Computing and Software for Big Science. 2019. V. 3. N 1. P. 4. https://doi.org/10.1007/s41781-018-0019-7Goodfellow I., Pouget-Abadie J., Mirza M., Xu B., Warde-Farley D., Ozair S., Courville A.C., Bengio Y. Generative adversarial nets // Advances in Neural Information Processing Systems 27: Annual Conference on Neural Information Processing Systems (NIPS). 2014. P. 2672–2680.Goodfellow I., Pouget-Abadie J., Mirza M., Xu B., Warde-Farley D., Ozair S., Courville A.C., Bengio Y. Generative adversarial nets // Advances in Neural Information Processing Systems 27: Annual Conference on Neural Information Processing Systems (NIPS). 2014. P. 2672–2680.Farnia F., Ozdaglar A. Do GANs always have Nash equilibria? // Proc. of the 37th International Conference on Machine Learning, PMLR. 2020. V. 119. P. 3029–3039.Farnia F., Ozdaglar A. Do GANs always have Nash equilibria? // Proc. of the 37th International Conference on Machine Learning, PMLR. 2020. V. 119. P. 3029–3039.Тимофеев А.В. Метод выбора гиперпараметров в задачах машинного обучения для классификации стохастических объектов // Научно-технический вестник информационных технологий, механики и оптики. 2020. Т. 20. № 5. С. 667–676. https://doi.org/10.17586/2226-1494-2020-20-5-667-676Timofeev A.V. Method for hyperparameter tuning in machine learning tasks for stochastic objects classification. Scientific and Technical Journal of Information Technologies, Mechanics and Optics, 2020, vol. 20, no. 5, pp. 667–676. (in Russian). https://doi.org/10.17586/2226-1494-2020-20-5-667-676

The authors declare that there are no conflicts of interest present.