深度学习算法在提高光纤传感器光学参数控制精度中的应用

《Photonics》：Application of Deep Learning Algorithms to Increase the Accuracy of Control of Optical Parameters of Fiber-Optic Sensors

　　

摘要

开发准确、稳健且自适应的方法来监测光纤传感器（FOS）的光学参数是精密测量领域的首要任务之一，特别是在智能监测系统需求快速增长的背景下。本文提出了一种综合方法，利用现代深度学习算法来分析和处理来自光纤传感器的光谱数据。所提出的方案基于使用卷积神经网络（CNN）自动提取信息特征，以及使用自编码器进行噪声抑制和信号恢复。开发了一种结合 CNN 和循环神经网络（RNN）的混合架构。进行的实验证实了所评估模型的有效性。在独立的回归测试集上，仅使用 CNN 的模型在无添加噪声的情况下实现了 98.2% 的基于宏平均 R² 的预测得分，在高噪声条件下达到了 89.4%；在单独的时间测试序列上，混合的 CNN + RNN 模型达到了 95.0%，而仅使用 CNN 时为 88.0%。所提出的方法具有很高的抗噪性，并且能够扩展到各种类型的光纤传感器。最后，讨论了所提出系统在实际应用中的前景：建筑物和结构物的结构监测，以及工业和能源领域的过程自动化，重点强调了可靠性、自主性与现有平台的集成。