基于LIF脉冲神经网络的FBG–PMFBG传感重叠光谱智能解调

《Applied Sciences》：Intelligent Demodulation of Overlapping Spectra in FBG-PMFBG Sensing Based on a Spiking Neural Network

　　

本文提出一种泄漏积分发放脉冲神经网络（leaky integrate-and-fire spiking neural network, LIF-SNN），用于对光谱重叠的光纤布拉格光栅–保偏光纤布拉格光栅（FBG–PMFBG）响应进行直接解调。该混合光谱包含一个常规FBG峰和两个PMFBG峰，当FBG波长向任一PMFBG峰移动时，会产生部分至重度重叠。由于受控重叠测量成本高昂，数据采集集中在信息量丰富的重叠区域。所提出的LIF-SNN利用代理梯度学习与时间脉冲积分，无需显式峰分离即可直接估计全部三个峰值波长。多随机种子验证、加性高斯白噪声（additive white Gaussian noise, AWGN）增强和少样本微调进一步提升了有限实测数据下的鲁棒性。在留出测试集上，该模型取得平均绝对误差（mean absolute error, MAE）0.0786 nm和均方误差（mean squared error, MSE）0.0130 nm²，优于混合密度网络（mixture density network, MDN）、长短期记忆（long short-term memory, LSTM）和门控循环单元（gated recurrent unit, GRU）基线。少样本适应将MSE降至0.0085 nm²；在30–50 dB信噪比（signal-to-noise ratio, SNR）测试中，该模型持续表现出比对比模型更低的MAE。匹配的非脉冲多层感知机（multilayer perceptron, MLP）消融进一步表明，性能同时取决于网络架构与训练策略：在干净实验光谱上MLP仍具有竞争力，而LIF-SNN在噪声下表现出更强鲁棒性，并受益于AWGN增强与适应。上述结果证明了面向受重叠影响的FBG–PMFBG应变传感，可实现准确、自适应且噪声鲁棒的三峰解调。

光纤传感器（optical fiber sensor, OFS）因其高灵敏度、结构紧凑、抗电磁干扰和强复用能力，在航空航天、能源和结构健康监测中应用广泛。光纤布拉格光栅（fiber Bragg grating, FBG）通过布拉格波长移位实现应变与温度传感；多个FBG可沿单纤集成以提升传感容量，但应变引起的波长移位会使相邻响应间距减小，产生部分乃至严重重叠，降低峰值识别与波长解调精度。现有机器学习与深度学习方法虽能改善非线性建模能力，但对训练数据量、初始化、测量噪声和重叠程度变化敏感；受控重叠光谱实测数据获取成本高、耗时长。在FBG–保偏光纤布拉格光栅（polarization-maintaining fiber Bragg grating, PMFBG）混合结构中，常规FBG贡献一个反射峰，PMFBG贡献快慢轴两个反射峰，FBG峰移动时会形成从分离到严重重叠的三峰光谱，传统局部极大值检测和无约束峰拟合难以可靠估计真实峰位。针对这一难题，研究人员提出一种泄漏积分发放（leaky integrate-and-fire, LIF）脉冲神经网络（spiking neural network, SNN），将复合光谱直接映射到三个峰波长，无需显式峰分离。研究表明，该模型在留出测试集上取得平均绝对误差（mean absolute error, MAE）0.0786 nm、均方误差（mean squared error, MSE）0.0130 nm²和平均百分比误差（mean percentage error, MPE）0.0051%，均优于混合密度网络（mixture density network, MDN）、长短期记忆（long short-term memory, LSTM）和门控循环单元（gated recurrent unit, GRU）基线；少样本适应后MSE降至0.0085 nm²；在30–50 dB信噪比（signal-to-noise ratio, SNR）范围内MAE始终最低；与非脉冲多层感知机（multilayer perceptron, MLP）的消融比较表明，LIF-SNN的噪声鲁棒性来自脉冲架构与AWGN增强、少样本适应策略的协同。该研究为拥挤混合FBG–PMFBG光谱提供了一种准确、自适应且抗噪的三峰解调方案，对分布式和混合光纤传感系统的发展具有重要意义。

研究人员开展研究时采用的主要关键技术如下。样本队列来源为实验室构建的FBG–PMFBG混合传感系统，包含宽带光源、光环行器、1×2耦合器、PMFBG、FBG和光谱分析仪；在约23 °C下采集46条实测光谱，按36/5/5划分训练、验证和留出测试集。关键方法包括：LIF神经元膜电位积分、阈值发放与乘法重置实现时间编码；代理梯度实现反向传播；率解码与回归头直接输出三峰波长；基于多随机种子干净验证MSE选择AWGN增强比例（25%）和Lion优化器；在0–12步少样本微调预算内依据验证性能选择9步更新。

主要结果如下。

少样本适应行为：预训练SNN相比随机初始化SNN在后续梯度更新中始终具有更低MSE；微调步数增加时MSE下降先快后缓，累计适应时间近似线性增加。按验证集在0–12步预算内选出的9步操作点使留出测试MSE下降34.27%，从0.0130 nm²降至0.0085 nm²，说明预训练为重叠光谱回归提供了更有效的初始化。

解调精度与运行稳定性：在相同数据划分和评估协议下，SNN的MAE、MSE和MPE均低于MDN、LSTM和GRU；MSE相对MDN降低约84.7%，相对两类循环网络降低约97.0%。多次随机种子重复实验中，SNN平均MAE为0.0669 nm，95%置信区间为0.0574–0.0764 nm，明显低于各基线；样本级误差分布最紧凑、中位数最小，说明性能优势具有跨运行一致性，并非来自个别有利样本。

噪声鲁棒性：对干净测试光谱分别加入30、35、40、45、50 dB AWGN后，SNN在所有SNR条件下均保持最低MAE，且误差随SNR升高而下降；MDN在低SNR时退化明显，LSTM和GRU整体误差较高。这为时间脉冲积分与验证选择的AWGN增强提供了直接的抗噪能力证据。

架构与训练策略消融：在相同训练条件下，LIF-SNN与匹配非脉冲MLP在干净实验光谱上性能接近；在AWGN增强条件下，LIF-SNN优势更明显；少样本适应在两类模型上均带来额外改善。因此最终性能由回归骨干、脉冲动力学、AWGN增强和适应策略共同决定，而非仅由脉冲架构决定。

峰值特异性误差：SNN直接估计FBG波长λ_FBG、PMFBG快轴波长λ_fast和慢轴波长λ_slow。三个输出的MAE分别为0.165 nm、0.051 nm和0.019 nm。FBG误差较大是因为其波长在传感窗口中移动并与两个PMFBG峰发生不同程度重叠；PMFBG两峰近似静止，其微小偏差来自残余室温波动和测量相关光谱漂移等实验背景。

讨论部分指出，SNN的性能优势不能仅归因于脉冲架构，训练策略同样关键；MLP在干净谱上仍具竞争力，而LIF-SNN在噪声下鲁棒性更强，与已有噪声感知SNN研究趋势一致。时间脉冲积分与AWGN增强结合可在退化光谱中保留有效波长信息，少样本适应则利用少量目标条件数据进一步提升精度。

研究结论可概括为：本文提出一种用于光纤应变传感中光谱重叠FBG–PMFBG响应直接解调的智能LIF-SNN框架。该方法将每条实测复合光谱直接映射至应变敏感FBG以及PMFBG快、慢轴响应对应的三个峰值波长，避免显式峰分离和常规峰值跟踪。代理梯度学习与时间脉冲积分实现端到端三峰回归，验证集选择的AWGN增强和少样本微调在有限实测数据下提升了鲁棒性和适应性。留出实测光谱实验表明，所提SNN在实验研究重叠域内可泛化至未见测量，并在相同评估协议下获得低于MDN、LSTM和GRU基线的波长估计误差；峰值分析证实，当移动FBG峰经历不同重叠程度时，三个波长成分均可被可靠恢复；少样本适应进一步降低估计误差，受控SNR测试表明噪声退化条件下性能相对稳定。总体而言，该框架为拥挤的混合FBG–PMFBG光谱提供了准确、自适应且噪声鲁棒的三峰解调，证明了将直接波长回归、有限数据适应和噪声鲁棒学习统一于SNN框架的可行性，为未来扩展至更复杂的复用和混合光纤传感系统提供了实用基础。