CN113791037A - 一种基于生成对抗网络的硅基傅里叶变换光谱测量方法 - Google Patents
一种基于生成对抗网络的硅基傅里叶变换光谱测量方法 Download PDFInfo
- Publication number
- CN113791037A CN113791037A CN202110953916.9A CN202110953916A CN113791037A CN 113791037 A CN113791037 A CN 113791037A CN 202110953916 A CN202110953916 A CN 202110953916A CN 113791037 A CN113791037 A CN 113791037A
- Authority
- CN
- China
- Prior art keywords
- spectrum
- model
- init
- output
- silicon
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 132
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 title claims abstract description 30
- 229910052710 silicon Inorganic materials 0.000 title claims abstract description 30
- 239000010703 silicon Substances 0.000 title claims abstract description 30
- 238000000691 measurement method Methods 0.000 title claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims abstract description 19
- 230000003595 spectral effect Effects 0.000 claims abstract description 18
- 238000006243 chemical reaction Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000005259 measurement Methods 0.000 claims description 15
- 238000009615 fourier-transform spectroscopy Methods 0.000 claims description 13
- 230000004044 response Effects 0.000 claims description 13
- 238000000034 method Methods 0.000 claims description 8
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000000605 extraction Methods 0.000 abstract description 2
- 230000001737 promoting effect Effects 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000005070 sampling Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000001237 Raman spectrum Methods 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000003889 chemical engineering Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002189 fluorescence spectrum Methods 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000206 photolithography Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000377 silicon dioxide Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
- G01J3/45—Interferometric spectrometry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/41—Refractivity; Phase-affecting properties, e.g. optical path length
- G01N21/45—Refractivity; Phase-affecting properties, e.g. optical path length using interferometric methods; using Schlieren methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biochemistry (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Spectrometry And Color Measurement (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于生成对抗网络的硅基傅里叶变换光谱测量方法，包括：待测光谱Sin，经过MZI阵列后，得到对应的输出干涉图Iout，依据线性关系Sinit＝A+Iout，将输出干涉图Iout转换为模型输入光谱Sinit；将模型输入光谱Sinit输入至训练好的光谱预测模型中，得到预测光谱Sout；本发明以Iout的伪逆矩阵计算光谱Sinit为模型输入，进行模型训练和光谱预测，通过“光谱‑光谱”转换，实现光谱分布信息的快速、准确提取，有利于推进硅基微型化光谱仪器的实际应用。
Description
技术领域
本发明属于硅基光子集成傅里叶变换光谱检测领域，具体涉及一种基于生成对抗网络的硅基傅里叶变换光谱测量方法。
背景技术
光谱检测是获取物质“指纹”光谱，实施物质成分定性和定量分析的重要手段，根据光与物质相互作用形式的不同，包括：红外光谱、拉曼光谱、荧光光谱等，具有快速、多参数、高特异性、无损等突出检测优势，在医疗诊断、化学化工、材料发展、食品安全、环境保护等众多领域中得到了越来越广泛的应用。
傅里叶变换光谱仪器(Fourier-transform Spectrometer，FTS)是公认的高性能光谱检测工具，具有光谱分辨率高和信噪比高的突出原理性优势。为了进一步提高光谱检测的通用性和适用性，FTS的微型化发展备受关注，其中，基于硅基光子集成技术，可以发展芯片级微型化FTS，通过光刻加工构造完全固化的硅基硬件结构，构建高度紧凑的集成光子回路，具有突出的多平台集成优势以及出色的稳定性和抗干扰能力，同时兼容互补金属氧化物半导体(Complementary Metal Oxide Semiconductor，CMOS)加工工艺，能够大规模批量生产，有利于推进光谱检测的普及应用。
硅基光子集成FTS，根据产生光程差(Optical Path Difference，OPD)变化的形式不同，主要包括三种类型：主动扫描型、空间外差型和驻波集成型。其中，硅基空间外差型FTS具有简单且稳定的马赫-曾德尔干涉仪(Mach-Zehnder Interferometer，MZI)阵列结构，其中，各个MZI具有特定的波导宽度和臂长差设置，形成线性增加的采样OPD序列，产生傅里叶变换光谱测量所必需的理想干涉调制。不同于其他两种主要类型，无需主动的物理调制，无需复杂的硬件结构，体现出更好的实际应用潜力。然而，硅基波导的实际加工难以避免误差，直接导致干涉信号采样OPD序列偏差，此时，利用傅里叶变换解调干涉信号提取光谱信息的理论方法无法适用。
为了实现干涉信号不完美情况下的光谱测量，目前，主要形成两种方案：1)通过热光效应的物理调制，修正采样OPD序列，实施傅里叶变换提取光谱，操作复杂，稳定性差；2)利用正则化线性回归数值重建，基于MZI阵列的“光谱-干涉图”系统响应矩阵，在损失函数的约束下，通过迭代计算提取光谱信息，单次光谱测量通常需要消耗较长的时间和较大的计算资源。
发明内容
发明目的：为解决硅基波导实际加工误差造成无法利用傅里叶变换解调干涉信号提取光谱信息的问题，本发明提出了一种基于生成对抗网络的硅基傅里叶变换光谱测量方法，在干涉信号不完美情况下，也能实现快速、准确的傅里叶变换光谱测量。
技术方案：一种基于生成对抗网络的硅基傅里叶变换光谱测量方法，包括以下步骤：
步骤1：基于硅基空间外差型傅里叶变换光谱器件中MZI阵列的“光谱-干涉图”系统响应矩阵A，构造具有不同复杂度和噪声水平的“输入光谱-输出干涉图”集合；
步骤2：利用GAN生成器和GAN判别器的组合结构，建立光谱预测模型；并基于“输入光谱-输出干涉图”集合，对光谱预测模型进行训练，得到训练好的光谱预测模型；
步骤3：待测光谱Sin，经过MZI阵列后，得到对应的输出干涉图Iout，依据线性关系Sinit＝A+Iout，将输出干涉图Iout转换为模型输入光谱Sinit，实施“光谱-光谱”转换，取代通常的“干涉图-光谱”转换；其中，A+为MZI阵列的“光谱-干涉图”系统响应矩阵A的伪逆矩阵；
步骤4：将模型输入光谱Sinit输入至训练好的光谱预测模型中，得到预测光谱Sout。
进一步的，步骤1具体包括以下步骤：
采用不同数量、不同宽度、不同强度的光谱谱峰组合，构成输入光谱集合Sin；
各输入光谱经过MZI阵列后，根据线性关系Iout＝ASin，得到对应的输出干涉图Iout；
在输出干涉图上叠加不同形式、不同强度的噪声n，构建与输入光谱集合相应的输出干涉图集合。
进一步的，步骤1中，所述的“光谱-干涉图”系统响应矩阵A通过高分辨窄带激光扫描测量获得。
进一步的，步骤2中，所述的对建立的光谱预测模型进行训练，得到训练好的光谱预测模型，具体包括以下子步骤：
S210：依据线性关系Sinit＝A+Iout，计算得到“输入光谱-输出干涉图”集合中各输出干涉图对应的光谱Sinit；
S220：将得到的光谱Sinit输入至GAN生成器，得到模型输出光谱Sout；
S230：GAN判别器根据模型输出光谱Sout与模型输入光谱Sinit的差异，判别输出光谱Sout性能，反馈并调整GAN生成器的训练参数；
S240：直至GAN生成器和GAN判别器损失函数收敛，得到训练好的光谱预测模型。
有益效果：本发明与现有技术相比，具有以下优点：
(1)本发明通过干涉信号的伪逆矩阵计算初始光谱，并将其作为光谱预测模型的输入，实施“光谱-光谱”转换，取代通常的“干涉图-光谱”转换，利用输入光谱和输出光谱间的内在相似性，增强模型输入对模型输出的监督，提高模型预测光谱的准确性和可靠性；
(2)基于硅基空间外差型傅里叶变换光谱器件中MZI阵列的“光谱-干涉图”系统响应矩阵，构造具有不同复杂度和噪声水平的“输入光谱-输出干涉图”集合，建立并训练光谱预测模型，增强光谱预测模型的适用性，提高光谱预测模型的抗噪声能力，进一步降低检测限；
(3)采用本发明的光谱预测模型进行光谱测量，单次光谱测量时间可以控制在毫秒级。
附图说明
图1是本发明的流程框图；
图2是本发明的实际光谱测量效果图。
具体实施方式
现通过参考示范性实施例，本发明的目的和功能以及用于实现这些目的和功能的方法将得以阐明。然而，本发明并不受限于以下所公开的示范性实施例；可以通过不同形式来对其加以实现。说明书的实质仅仅是帮助相关领域技术人员综合理解本发明的具体细节。
图1所示的一种基于生成对抗网络的硅基傅里叶变换光谱测量方法，具体包括以下步骤：
步骤1：基于生成对抗网络(Generative Adversarial Network，GAN)中生成器和判别器的组合结构，建立光谱预测模型，能够快速、准确地完成单次光谱预测，实现光谱信息的高效提取。其中，光谱预测模型以伪逆矩阵计算得到的光谱作为输入，实施“光谱-光谱”转换，取代通常的“干涉图-光谱”转换，根据光谱间内在相似性，模型输入光谱通过GAN判别器能够直接监督GAN生成器输出的光谱，实现更精确、更可靠的光谱预测；
步骤2：根据MZI阵列的“光谱-干涉图”系统响应矩阵，构造具有不同复杂度和噪声水平的“输入光谱-输出干涉图”集合，训练光谱预测模型；
硅基MZI阵列是硅基空间外差型FTS有效实施硅基傅里叶变换光谱测量的核心硬件，为了构建傅里叶变换光谱测量基本原理所要求的线性增加的理想采样OPD序列，根据理想采样OPD序列等于MZI中硅基波导臂长差ΔL与硅基波导有效折射率neff的乘积的物理性质，各个MZI具有特定的波导宽度W和臂长差ΔL设置，其中，波导宽度W直接控制硅基波导有效折射率neff。但硅基MZI阵列的实际采样OPD序列因为不可避免的加工误差而存在偏差，加工误差主要影响波导宽度W，导致波导有效折射率neff偏差，此时，利用傅里叶变换解调干涉信号提取光谱信息的理论方法无法适用。
因此，为了实现干涉信号不完美情况下的光谱测量，本实施例基于MZI阵列的“光谱-干涉图”系统响应矩阵A，根据线性关系Iout＝ASin+n，构造“输入光谱-输出干涉图”集合，其中，n是噪声；为进一步提高光谱预测模型的适用性，构造“输入光谱-输出干涉图”集合时，输入的光谱Sin具有不同的复杂度，具体由不同数量、不同宽度、不同强度的光谱谱峰组合构成，确定谱峰数量NP后，谱峰宽度、强度以及分布随机设置；为了提高光谱预测模型的可靠性，构造“输入光谱-输出干涉图”集合时，输出干涉图Iout叠加不同形式、不同强度的噪声n，噪声形式有加性噪声、乘性噪声等，通过随机噪声强度的改变调节输出干涉图Iout的信噪比，模拟不同探测器噪声情况；光谱复杂度和干涉图噪声的随机性有利于增强光谱预测模型的适用性。“光谱-干涉图”系统响应矩阵A通过高分辨窄带激光扫描测量获得。
本步骤基于数值计算重建光谱，具有无需物理调制、灵活性更好的优点。
本步骤实施“光谱-光谱”转换，基于“输入光谱-输出干涉图”集合训练光谱预测模型，光谱预测模型的训练过程为：
利用MZI阵列的“光谱-干涉图”系统响应矩阵A的伪逆矩阵A+，依据线性关系Sinit＝A+Iout，得到模型输入光谱Sinit；
模型输入光谱Sinit输入至步骤1中构建好的光谱预测模型，具体的：模型输入光谱Sinit进入GAN生成器和判别器的组合结构后，通过GAN生成器的“编码-解码”卷积神经网络处理，生成模型输出光谱Sout，即预测光谱；
模型输入光谱Sinit同时通过GAN判别器，直接参与模型输出光谱Sout的判别，根据模型输入光谱Sinit和模型输出光谱Sout光谱间的内在相似性，即根据Sinit和Sout光谱间差异，监督GAN生成器的光谱预测性能，联合生成器和判别器损失函数的计算，产生反馈信号，继续训练GAN生成器，直至达到最大迭代次数或损失函数收敛，得到训练好的光谱预测模型。该步骤通过增强模型输入对模型输出的监督，提高模型预测光谱的准确性和可靠性。
步骤3：输入光谱Sin即待测光谱，经过MZI阵列后，得到输出干涉图Iout，利用MZI阵列的“光谱-干涉图”系统响应矩阵A的伪逆矩阵A+，依据线性关系Sinit＝A+Iout，得到模型输入光谱Sinit；
步骤4：将模型输入光谱Sinit输入至光谱预测模型，得到光谱Sout，即预测光谱。
图2示出了实际光谱测量效果图，针对最大相对OPD偏差大于0.35的具有较大采样OPD偏差的硅基傅里叶变换光谱器件，当谱峰数量NP为15，输出干涉图Iout信噪比为1000和100时，均具有很好的光谱预测性能，光谱数据均方根误差小于0.05，意味着硅基傅里叶变换光谱测量的检测限可以降低一个数量级。
Claims (4)
1.一种基于生成对抗网络的硅基傅里叶变换光谱测量方法，其特征在于：包括以下步骤：
步骤1：基于硅基空间外差型傅里叶变换光谱器件中MZI阵列的“光谱-干涉图”系统响应矩阵A，构造具有不同复杂度和噪声水平的“输入光谱-输出干涉图”集合；
步骤2：利用GAN生成器和GAN判别器的组合结构，建立生成对抗网络光谱预测模型；并基于“输入光谱-输出干涉图”集合，对生成对抗网络光谱预测模型进行训练，得到训练好的生成对抗网络光谱预测模型；
步骤3：待测光谱Sin，经过MZI阵列后，得到对应的输出干涉图Iout，依据线性关系Sinit＝A+Iout，将输出干涉图Iout转换为模型输入光谱Sinit；其中，A+为MZI阵列的“光谱-干涉图”系统响应矩阵A的伪逆矩阵；
步骤4：将模型输入光谱Sinit输入至训练好的生成对抗网络光谱预测模型中，得到预测光谱Sout。
2.根据权利要求1所述的一种基于生成对抗网络的硅基傅里叶变换光谱测量方法，其特征在于：步骤1具体包括以下步骤：
采用不同数量、不同宽度、不同强度的光谱谱峰组合，构成输入光谱集合Sin；
各输入光谱经过MZI阵列后，根据线性关系Iout＝ASin，得到对应的输出干涉图Iout；
在输出干涉图上叠加不同形式、不同强度的噪声n，构建与输入光谱集合相应的输出干涉图集合。
3.根据权利要求1所述的一种基于生成对抗网络的硅基傅里叶变换光谱测量方法，其特征在于：步骤1中，所述的“光谱-干涉图”系统响应矩阵A通过高分辨窄带激光扫描测量获得。
4.根据权利要求1所述的一种基于生成对抗网络的硅基傅里叶变换光谱测量方法，其特征在于：步骤2中，所述的对生成对抗网络光谱预测模型进行训练，得到训练好的生成对抗网络光谱预测模型，具体包括以下子步骤：
S210：依据线性关系Sinit＝A+Iout，计算得到“输入光谱-输出干涉图”集合中各输出干涉图对应的光谱Sinit；
S220：将得到的光谱Sinit作为模型输入光谱，输入至GAN生成器，得到模型输出光谱Sout；
S230：GAN判别器根据模型输出光谱Sout与模型输入光谱Sinit的差异，判别输出光谱Sout性能，反馈并调整GAN生成器的训练参数；
S240：直至GAN生成器和GAN判别器损失函数收敛，得到训练好的生成对抗网络光谱预测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110953916.9A CN113791037B (zh) | 2021-08-19 | 2021-08-19 | 一种基于生成对抗网络的硅基傅里叶变换光谱测量方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110953916.9A CN113791037B (zh) | 2021-08-19 | 2021-08-19 | 一种基于生成对抗网络的硅基傅里叶变换光谱测量方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113791037A true CN113791037A (zh) | 2021-12-14 |
| CN113791037B CN113791037B (zh) | 2022-10-11 |
Family
ID=79181925
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110953916.9A Active CN113791037B (zh) | 2021-08-19 | 2021-08-19 | 一种基于生成对抗网络的硅基傅里叶变换光谱测量方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113791037B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115326783A (zh) * | 2022-10-13 | 2022-11-11 | 南方科技大学 | 拉曼光谱预处理模型生成方法、系统、终端及存储介质 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090185176A1 (en) * | 2008-01-23 | 2009-07-23 | Livingston Peter M | Diffractive method for control of piston error in coherent phased arrays |
| CN103635785A (zh) * | 2011-02-15 | 2014-03-12 | 勒克思马克斯科技公司 | 整合cmos-ftir测定及拉曼测定的光谱仪及其方法 |
| US20150168217A1 (en) * | 2013-12-18 | 2015-06-18 | Massachusetts Institute Of Technology | Methods and apparatus for spectrometry |
| US20170227399A1 (en) * | 2016-02-10 | 2017-08-10 | Juejun Hu | Apparatus, Systems, and Methods for On-Chip Spectroscopy Using Optical Switches |
| US20190069849A1 (en) * | 2017-09-01 | 2019-03-07 | The Trustees Of Columbia University In The City Of New York | Compressed sensing enabled swept source optical coherence tomography apparatus, computer-accessible medium, system and method for use thereof |
| WO2020117245A1 (en) * | 2018-12-06 | 2020-06-11 | Massachusetts Institute Of Technology | Computational reconfigurable imaging spectrometer |
| US20200342234A1 (en) * | 2019-04-25 | 2020-10-29 | International Business Machines Corporation | Audiovisual source separation and localization using generative adversarial networks |
| US20200348180A1 (en) * | 2017-12-21 | 2020-11-05 | The Regents Of The University Of California | Optical spectroscopy using the fourier transform |
| CN111947780A (zh) * | 2020-07-30 | 2020-11-17 | 上海交通大学 | 硅基片上傅里叶变换光谱仪及获得光源重构光谱的方法 |
| US10900838B1 (en) * | 2019-09-20 | 2021-01-26 | Honeywell International Inc. | Wavemeter system using a set of optical chips |
| CN112950505A (zh) * | 2021-03-03 | 2021-06-11 | 西安工业大学 | 一种基于生成对抗网络的图像处理方法、系统和介质 |
| CN113189080A (zh) * | 2021-04-28 | 2021-07-30 | 天津大学 | 一种基于互质调制的多模态硅基芯片检测方法 |
-
2021
- 2021-08-19 CN CN202110953916.9A patent/CN113791037B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090185176A1 (en) * | 2008-01-23 | 2009-07-23 | Livingston Peter M | Diffractive method for control of piston error in coherent phased arrays |
| CN103635785A (zh) * | 2011-02-15 | 2014-03-12 | 勒克思马克斯科技公司 | 整合cmos-ftir测定及拉曼测定的光谱仪及其方法 |
| US20150168217A1 (en) * | 2013-12-18 | 2015-06-18 | Massachusetts Institute Of Technology | Methods and apparatus for spectrometry |
| US20170227399A1 (en) * | 2016-02-10 | 2017-08-10 | Juejun Hu | Apparatus, Systems, and Methods for On-Chip Spectroscopy Using Optical Switches |
| US20190069849A1 (en) * | 2017-09-01 | 2019-03-07 | The Trustees Of Columbia University In The City Of New York | Compressed sensing enabled swept source optical coherence tomography apparatus, computer-accessible medium, system and method for use thereof |
| US20200348180A1 (en) * | 2017-12-21 | 2020-11-05 | The Regents Of The University Of California | Optical spectroscopy using the fourier transform |
| WO2020117245A1 (en) * | 2018-12-06 | 2020-06-11 | Massachusetts Institute Of Technology | Computational reconfigurable imaging spectrometer |
| US20200342234A1 (en) * | 2019-04-25 | 2020-10-29 | International Business Machines Corporation | Audiovisual source separation and localization using generative adversarial networks |
| US10900838B1 (en) * | 2019-09-20 | 2021-01-26 | Honeywell International Inc. | Wavemeter system using a set of optical chips |
| CN111947780A (zh) * | 2020-07-30 | 2020-11-17 | 上海交通大学 | 硅基片上傅里叶变换光谱仪及获得光源重构光谱的方法 |
| CN112950505A (zh) * | 2021-03-03 | 2021-06-11 | 西安工业大学 | 一种基于生成对抗网络的图像处理方法、系统和介质 |
| CN113189080A (zh) * | 2021-04-28 | 2021-07-30 | 天津大学 | 一种基于互质调制的多模态硅基芯片检测方法 |
Non-Patent Citations (5)
| Title |
|---|
| HUGH PODMORE ET AL.: "On-Chip Compressed Sensing Fourier-Transform Visible Spectrometer", 《IEEE PHOTONICS JOURNAL》 * |
| HUIJIE WANG ET AL.: "On-chip Fourier transform", 《OPTICS LETTERS》 * |
| HUIJIE WANG ET AL.: "On-chip polarization-insensitive Fourier", 《OPTICS LETTERS》 * |
| 李奇峰等: "同轴倾斜转镜式傅里叶变换红外光谱仪的系统误差容限研究", 《纳米技术与精密工程》 * |
| 潘浩等: "激光调频连续波测距的精度评定方法研究", 《物理学报》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115326783A (zh) * | 2022-10-13 | 2022-11-11 | 南方科技大学 | 拉曼光谱预处理模型生成方法、系统、终端及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113791037B (zh) | 2022-10-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108981953B (zh) | 一种基于干涉调制原理的激光吸收光谱测温方法和系统 | |
| US10677726B2 (en) | Tunable diode laser absorption spectroscopy with corrected laser ramping nonlinearities | |
| CN105548075A (zh) | 一种玻璃药瓶内氧气含量的检测装置与方法 | |
| Fan et al. | Signal‐to‐noise ratio enhancement for Raman spectra based on optimized Raman spectrometer and convolutional denoising autoencoder | |
| CN113791037B (zh) | 一种基于生成对抗网络的硅基傅里叶变换光谱测量方法 | |
| CN109270027A (zh) | 一种基于正弦调制时域拟合的气体吸收率在线测量方法 | |
| CN102818630B (zh) | 一种干涉型成像光谱仪的光谱定标方法 | |
| Guo et al. | Method for parameter estimation of LFM signal and its application | |
| CN114544547A (zh) | 一种用于波长调制光谱信号在线递推解调的方法与系统 | |
| CN110426370B (zh) | 一种基于直和模式的tdlas线型拟合方法 | |
| CN107255627B (zh) | 一种基于级数展开的气体浓度测量方法及其检测装置 | |
| CN115015120B (zh) | 一种傅里叶红外光谱仪及其温漂在线校正方法 | |
| CN111123286A (zh) | 一种基于自校准全光纤多普勒电缆长度测试方法及装置 | |
| CN106442405B (zh) | 一种卷烟烟气气相物动态检测方法 | |
| Werle | Time domain characterization of micrometeorological data based on a two sample variance | |
| Tian et al. | Analysis of Gas Mixtures with Broadband Dual Frequency Comb Spectroscopy and Unsupervised Learning Neural Network | |
| CN112700373A (zh) | 一种基于非线性回归数据处理的提高光谱图像分辨率的方法、系统、设备及存储介质 | |
| Chen et al. | Fiber grating loop ring-down strain sensors using overlap spectrum demodulation and machine learning algorithm | |
| CN117907277B (zh) | 一种基于深度学习的偏振增强型气体识别探测方法、装置 | |
| CN113742651B (zh) | 基于字典学习的分布式布里渊频移提取方法及其装置 | |
| Cao et al. | Spectrum reconstruction of non-uniform sampling interference data via a deep neural network | |
| Luo et al. | Dense ultraweak fiber Bragg grating temperature detection method based on minimal gating unit demodulation | |
| CN113567366B (zh) | 一种基于光强时间积分的光谱测量衰荡时间的推算方法 | |
| Wang et al. | Proposal of real-time Brillouin optical fiber sensing based on compressing sensing and pattern recognition algorithms | |
| Yang et al. | Maximum linear matching: intelligent and automatic wavelength calibration method |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |