CN109726825B - 弱测量中进行参量估值偏差补偿的方法及系统 - Google Patents
弱测量中进行参量估值偏差补偿的方法及系统 Download PDFInfo
- Publication number
- CN109726825B CN109726825B CN201811556730.4A CN201811556730A CN109726825B CN 109726825 B CN109726825 B CN 109726825B CN 201811556730 A CN201811556730 A CN 201811556730A CN 109726825 B CN109726825 B CN 109726825B
- Authority
- CN
- China
- Prior art keywords
- parameter
- deviation
- machine learning
- learning model
- value
- 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.)
- Active
Links
- 238000005259 measurement Methods 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000010801 machine learning Methods 0.000 claims abstract description 80
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000012360 testing method Methods 0.000 claims abstract description 27
- 230000008569 process Effects 0.000 claims abstract description 26
- 230000000694 effects Effects 0.000 claims abstract description 9
- 230000003321 amplification Effects 0.000 claims abstract description 8
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 8
- 238000005520 cutting process Methods 0.000 claims abstract description 6
- 230000010287 polarization Effects 0.000 claims description 28
- 230000003287 optical effect Effects 0.000 claims description 21
- 238000007781 pre-processing Methods 0.000 claims description 14
- 230000003595 spectral effect Effects 0.000 claims description 11
- 238000005096 rolling process Methods 0.000 claims description 9
- 238000002474 experimental method Methods 0.000 claims description 8
- 238000001228 spectrum Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 3
- 230000005428 wave function Effects 0.000 claims description 3
- 230000007774 longterm Effects 0.000 abstract description 4
- 230000002596 correlated effect Effects 0.000 abstract description 2
- 239000011159 matrix material Substances 0.000 description 11
- 239000010410 layer Substances 0.000 description 10
- 230000000875 corresponding effect Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000012935 Averaging Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 210000003537 structural cell Anatomy 0.000 description 1
Images
Landscapes
- Complex Calculations (AREA)
Abstract
本发明提供了一种弱测量中进行参量估值偏差补偿的方法及系统，包括：在弱测量过程中将引入待测参量的物理来源切断，使待测参量τ＝0，通过弱测量所获得由噪声引起的参量估值偏差值Δτ；基于获得的参量估值偏差值，通过训练和测试调整机器学习模型的参数，建立机器学习模型，用于拟合参量偏差的变化趋势；在正常测量待测参量的情况下进行弱测量参量估值，利用机器学习模型估算当前时刻的参量估值偏差值并进行修正。本发明通过机器学习算法对弱测量过程中噪声所引起的估值偏差进行修正，在有效利用弱值放大效应提升分辨率的同时，有效克服长期关联噪声带来的影响，显著提高信噪比，增加弱测量参量估值过程的精度和抗干扰能力。
Description
技术领域
本发明涉及精密测量技术领域，具体地，涉及在弱测量过程中利用机器学习进行参量估值偏差补偿的方法及系统。
背景技术
传统的弱测量技术可以对一个微小的量进行放大，弱测量技术通过合适的后选择，将本来很微小的偏移量适当的放大到一个可观测的位置，从而实现对微小参量的高精度测量。弱测量技术本身无法直接对抗噪声干扰，在传统方案中，采用多次测量取平均值的方法来消除噪声引起的误差。假如所涉及噪声具有短期相关性，如白噪声，取均值有利于消除统计误差，提高参量估值精度；但假如所涉及噪声具有长期相关性，例如1/f和1/f2噪声，则取均值不但无法提高精度，甚至还可能增大估值误差，成为目前弱测量技术方案无法解决的问题。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种弱测量中进行参量估值偏差补偿的方法及系统。
根据本发明提供的一种弱测量中进行参量估值偏差补偿的方法，包括：
偏差获取步骤：在弱测量过程中将引入待测参量的物理来源切断，使待测参量τ＝0，通过弱测量所获得由噪声引起的参量估值偏差值Δτ；
偏差预测步骤：基于获得的参量估值偏差值，通过训练和测试调整机器学习模型的参数，建立机器学习模型，用于拟合参量偏差的变化趋势；
偏差补偿步骤：在正常测量待测参量的情况下进行弱测量参量估值，利用机器学习模型估算当前时刻的参量估值偏差值并进行修正。
较佳的，所述偏差获取步骤通过标准弱测量程序获得由噪声引起的参量估值偏差值，所述标准弱测量程序是指将信号光的初始偏振态调制为
其中H和V分别表示水平偏振和垂直偏振；经偏振分束器按偏振方向分解为两路，通过双折射效应引入待测参量：路径间时延差τ，然后重新合并，并用偏振态
进行检偏，其中∈＜＜1，是一个可调相位；最后检测光信号的频谱均值ω，将其减去初始光频谱均值ω0后得到偏移量Δω，利用弱值放大效应公式求得待测参量。
较佳的，所述偏差预测步骤包括：
数据预处理子步骤：将获得的参量估值偏差值分成两部分，前一部分为训练集，用于训练机器学习模型；后一部分为测试集，用于评估机器学习模型；且在数据预处理过程中，数据之间的时间顺序不被打乱；
机器学习模型参数初始化子步骤：在训练机器学习模型之前，首先基于经验，进行参数设置；
机器学习模型训练子步骤，基于数据预处理子步骤得到的数据，通过训练和测试调整机器学习模型的参数，建立机器学习模型，用于拟合参量估计偏差的变化趋势。
较佳的，所述偏差补偿步骤包括：
参量偏差获取子步骤：在将待测参量设置为0的情况下，通过弱测量获取一定数目的参量偏差值；
参量测量子步骤：在打开信号输入的情况下进行弱测量参量估值，获取参量估值数据，参量估值数据包含真实值和偏差值；
参量偏差预测子步骤：基于参量偏差获取子步骤得到的参量偏差值，运用偏差预测步骤得到的机器学习模型，预测未来时刻的参量偏差预测值；
参量补偿子步骤：基于参量测量子步骤得到的参量估值数据减去参量偏差预测子步骤得到的对应时刻的参量偏差预测值，从而得到实际参量值的估计值，实现噪声补偿。
较佳的，所述参量偏差获取子步骤中，获取的参量偏差值的数目等于机器学习模型输入的特征数，获取的参量偏差值将作为机器学习模型预测下一个时刻偏差值的输入数据；
所述参量偏差预测子步骤中，应用滚动预测方法，把预测值作为对应时刻真实值的替代，并基于预测值来预测未来时刻参量。
根据本发明提供的一种弱测量中进行参量估值偏差补偿的系统，包括：
偏差获取模块：在弱测量过程中将引入待测参量的物理来源切断，使待测参量τ＝0，通过弱测量所获得由噪声引起的参量估值偏差值Δτ；
偏差预测模块：基于获得的参量估值偏差值，通过训练和测试调整机器学习模型的参数，建立机器学习模型，用于拟合参量偏差的变化趋势；
偏差补偿模块：在正常测量待测参量的情况下进行弱测量参量估值，利用机器学习模型估算当前时刻的参量估值偏差值并进行修正。
较佳的，所述偏差获取模块通过标准弱测量程序获得由噪声引起的参量估值偏差值，所述标准弱测量程序是指将信号光的初始偏振态调制为
其中H和V分别表示水平偏振和垂直偏振；经偏振分束器按偏振方向分解为两路，通过双折射效应引入待测参量：路径间时延差τ，然后重新合并，并用偏振态
进行检偏，其中∈＜＜1，是一个可调相位；最后检测光信号的频谱均值ω，将其减去初始光频谱均值ω0后得到偏移量Δω，利用弱值放大效应公式求得待测参量。
较佳的，所述偏差预测模块包括：
数据预处理子模块：将获得的参量估值偏差值分成两部分，前一部分为训练集，用于训练机器学习模型；后一部分为测试集，用于评估机器学习模型；且在数据预处理过程中，数据之间的时间顺序不被打乱；
机器学习模型参数初始化子模块：在训练机器学习模型之前，首先基于经验，进行参数设置；
机器学习模型训练子模块，基于数据预处理子模块得到的数据，通过训练和测试调整机器学习模型的参数，建立机器学习模型，用于拟合参量估计偏差的变化趋势。
较佳的，所述偏差补偿模块包括：
参量偏差获取子模块：在将待测参量设置为0的情况下，通过弱测量获取一定数目的参量偏差值；
参量测量子模块：在打开信号输入的情况下进行弱测量参量估值，获取参量估值数据，参量估值数据包含真实值和偏差值；
参量偏差预测子模块：基于参量偏差获取子模块得到的参量偏差值，运用偏差预测模块得到的机器学习模型，预测未来时刻的参量偏差预测值；
参量补偿子模块：基于参量测量子模块得到的参量估值数据减去参量偏差预测子模块得到的对应时刻的参量偏差预测值，从而得到实际参量值的估计值，实现噪声补偿。
较佳的，所述参量偏差获取子模块中，获取的参量偏差值的数目等于机器学习模型输入的特征数，获取的参量偏差值将作为机器学习模型预测下一个时刻偏差值的输入数据；
所述参量偏差预测子模块中，应用滚动预测方法，把预测值作为对应时刻真实值的替代，并基于预测值来预测未来时刻参量。
与现有技术相比，本发明具有如下的有益效果：
本发明通过机器学习算法对弱测量过程中噪声所引起的估值偏差进行修正，在有效利用弱值放大效应提升分辨率的同时，有效克服长期关联噪声带来的影响，显著提高信噪比，增加弱测量参量估值过程的精度和抗干扰能力。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明的流程图；
图2为本发明用于参量估值的弱测量方法的原理图；
图3为采用本发明对时间延迟系统进行测量的光路图；
图4为基于LSTM网络的机器学习模型的基本结构图；
图5为机器学习模型算法步骤的原理图；
图6为滚动预测方法的原理图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
如图1所示，本发明提供的一种弱测量中进行参量估值偏差补偿的方法，包括：
步骤A：获取弱测量参量估值偏差步骤，是指在关闭信号输入的情况下利用弱测量过程进行参量估值，获取大量由噪声引起的参量估值数据，称为弱测量参量估值偏差；
步骤B：预测弱测量参量估值偏差步骤，是指基于获得的参量估值偏差数据，通过训练和测试过程反复调整机器学习模型的参数，建立合适的机器学习模型，用于拟合参量偏差的变化趋势；
步骤C:补偿弱测量参量估值偏差步骤，是指在打开信号输入的情况下进行弱测量参量估值，利用步骤B获得的模型估算当前时刻的参量估值偏差并对当前输出进行修正，得到更准确的参量估值，有效降低噪声影响。
其中，步骤A和步骤C中均需要通过弱测量实验获取数据。弱测量实验的原理如图2所示，包括：
步骤A1:前后选择子步骤,信号源发出的信号经过系统的前选择1之后，发生弱相互作用2，弱相互作用的强度由待测参数表示，之后对系统进行后选择处理3；
步骤A2:测量子步骤,对经过后选择之后的系统进行测量4，得到光测量数据；
步骤A3:估值子步骤,基于光测量数据，计算偏移量和弱放大值。
其中，前后选择子步骤中的前后选择满足条件：
其中,
表示系统的本征态，Aw表示弱值，
和
分别表示系统的前选择态和后选择态，|·>符号表示希尔伯特态矢。
以下采用本发明提供的在弱测量过程中利用机器学习对参量估值偏差进行补偿的新方法对时间延迟系统的时延参数进行估计。本实施例中，基于弱测量原理的时延系统光路如图3所示：
信号源5为LED光源，经过透镜6和小孔7的准直光路后变成线偏振光，起偏器8通常是格兰泰勒棱镜，作用是制备前选择态。当光束经过前选择后，进入Sagnac光路中，绕Sagnac光路传播一周返回到原点，经偏振分束器(PBS)9重新汇合后输出。
Sagnac光路由偏振分束器(PBS)9、液晶玻片(NLC)10和两个反射镜11、12构成。NLC的电压可以调节，不同的电压会对应不同的时延，因此光路通过Sagnac光路后，会引入一定的时延τ。然后利用一块光轴方向与水平方向成45度的四分之一波片(QWP)
13和一个格兰泰勒棱镜14对光的偏振进行后选择，其中14与8几乎正交。最后，我们使用光谱仪15进行探测和数据采集，最后通过电脑16对数据进行处理。
实验中，LED射出的光的频谱状态记作
其中ω表示光频率，φ(ω)为光频率相关波函数。光束经过格兰泰勒棱镜8后，被调制成初始偏振态
随后光束通过了Sagnac光路，H光和V光通过光路的耗时不同，引入了时延差，这个时延量很小，通常在没有后选择时不容易测量。这个过程相当于光经历了幺正演化
其中
经历演化后，初始态演化为：
然后光束经过四分之一波片13和格兰泰勒棱镜14被进行后选择，后选择态为
ε是个很小的偏转角,则光频谱状态最终演化为：
光的初始频谱为P0(ω)＝|<ω|φ>|2，而光谱仪接收到的光的频谱分布为Pf(ω)＝|<ω|φf>|2。可以看出，光谱状态发生变化，光谱仪接收到的光谱相比于LED发出的光会有个比较大的偏移量。这个偏移量在理论上通过弱值计算公式来获得。将前选择和后选择代入后，得到弱值放大效应公式如下：
其中，δω表示光谱仪接收到的光相比于初始光中心频率的偏移，Im(Aw)表示Aw的虚部，Var(ω)表示初始光频率的方差。经计算，可以得到时延估值：
在本实施例中，实现时间延迟参量补偿的具体实施步骤如下：
步骤A：执行上述弱测量实验，获取大量时延参量数据，并保证这些数据均是由噪声因素引起的，即关闭信号输入。因此我们将这些时延参量数据称为时延偏差，记作Δτ，并按获取的时间序列顺序标记为Δτ1，Δτ1，Δτ3……
步骤B1:将步骤A获得的这些时延偏差数据分成两部分，通常的比例为8：2，前一部分称为训练集，用于建立机器学习模型，后一部分称为测试集，用于评估机器学习模型的预测准确性。在训练机器学习模型之前，我们首先应该进行数据处理，将时延偏差数据Δτ转化为适合机器学习模型处理的数据格式。假定训练集的数据长度为T，我们将数据转化为如下两个矩阵：
其中,Xtrain是训练样本矩阵，Ytrain是训练样本矩阵的预测目标值矩阵；Xk对应着Xtrain矩阵的第K列，将作为机器学习网络的输入，每一列称之为一个训练样本；Yk是Xk的预测目标值，将用于机器学习网络的输出进行比对，并进一步用于模型的参数优化。测试集样本矩阵Xtest及目标值矩阵Ytest的构建方式和训练集一致，且矩阵Xtrain和Xtest的行数必须一致。完成数据预处理之后，将进行机器学习模型算法的训练，并最终得到一个能够拟合这些时延偏差数据变化的机器学习模型。
步骤B2:将要训练的机器学习模型进行可调参数初始化，参数初始化通常基于经验进行调节。
本实施例中以长短时记忆网络(LSTM)算法为例。LSTM是一种特殊的循环神经网络(RNN),能够用于处理序列问题。且LSTM中含有的结构细胞状态(cell state)、及输入门、遗忘门和输出门，能够解决梯度消失问题，因此LSTM适合解决这种长期时间序列数据预测问题。首先介绍LSTM的网络结构，结构如图4所示。图4中17表示的是一个单层的LSTM网络结构，其中,(Xk,1 Xk,2 Xk,3... Xk,N)是LSTM网络的输入，(hk,1 hk,2 hk,3... hk,N)是LSTM网络的输出。如果要建立多层的LSTM网络，下一层网络的输出(Xk,1 Xk,2 Xk,3... Xk,N)可以作为上一层LSTM网络的输入，生成的网络层数越多，网络越复杂。“循环神经网络”中的循环表明一个结构要被重复的执行很多次，同理，LSTM中也存在一个结构要被重复的执行，重复的次数用参数time_step来确定，在17中结构A要被重复的执行N次，表明time_stemp＝N，并且time_stemp的大小可以设置，是网络的一个可调参数。LSTM能传递信息从前一个time_step到后一个time_step，箭头的方向代表着信息传递的方向。在每一个time_step数据处理过程中，数据处理的方式相同，执行的计算过程如下：
hk,j＝oj*tanh(Ck,j)
oj＝σ(WO*[hk,j,Xk,j]+b0)
fj＝σ(Wf*[hk,j,Xk,j]+bf)
ij＝σ(Wi*[hk,j,Xk,j]+bi)
其中，hk,j-1和hk,j代表着第k个样本第j-1个time_step和第j个time_step的隐藏状态(hidden state)，通常hiddenstate是一个向量，向量的维度可以设置，是网络的可调参数；Xk,j是网络在第j个time_step的输入，对应样本Xk的第j个数据；Wo、Wg、Wf、Wi是网络的权重矩阵；bo、bg、bg、bo是网络的偏差向量；fj、ij、oj分别代表遗忘门、输入门和输出门向量；
上述过程被执行N次之后，我们将得到LSTM网络的输出(hk,1 hk,2 hk,3... hk,N)，且通常我们设置hiddenstate的长度不是1。因为我们要希望得到的是输入(Xk,1 Xk,2 Xk,3... Xk,N)的预测值，因此我们基于最后一个时间步的输出，应用一个全连接层(fully connected layer)18,将hk,N映射为一个数值，并且这个数值yk，就是网络输入(Xk,1 Xk,2 Xk,3... Xk,N)的预测值。如果要建立多层LSTM网络，全连接层要连接到最后一层的最后一个time_step输出hk,N上，然后得到预测值为yk。也就是说，对于网络输入(Xk,2 Xk,2 Xk,3... Xk,N)，我们将得到网络的预测结果yk。
在网络训练之前，我们需要先初始化一些参数，为了区别于网络参数W，通常将这些参数成为超参数。在上述网络中，超参数包括LSTM的层数、time_step的数值、隐藏状态h的长度、模型训练的次数epoch，time_step要和数据预处理阶段矩阵Xtrain的行数N一致，N值也是可以在数据处理阶段设置的。
步骤B3:机器学习模型调整步骤。该阶段模型的训练和测试步骤要重复的循环执行，首先进行依据训练集的数据训练得到一个模型,然后在测试集上评估该模型的预测精确度，根据预测结果重新调整超参数进行下一次模型训练。预测精确度用均方误差(MSE)来评估：
其中，M为测试集的样本总数量,也就是Xtest矩阵的，k表示样本的序列数，k∈[1,M],yk为样本Xk对应的模型预测值，Yk为Xk的目标预测值，MSE越小，表明模型预测越准确。
因为并不是每一次超参数的调整都会使得模型在测试集上有个更好的表现，我们将选择一个在测试集上预测结果比较准确的模型，模型训练过程如图5所示。经过多次的超参数调整，我们将得到若干个机器学习模型，选择在测试集上有最好的预测准确度的模型作为最优模型，用于下一个步骤的时延偏差预测。
步骤C：基于步骤B得到的最优机器学习模型，我们将实现噪声补偿过程，这个过程可以表述为：τ′＝τ-Δτ′，其中τ为根据弱测量实验结果得到的时延估计值，Δτ′为基于机器学习模型得到的偏差预测值，τ′为噪声补偿后得到的时延估计值。首先需要先采集N个时延偏差值，N为对应的Xtrain矩阵的行数。然后进行弱测量实验，并获得一系列时延估计数据τ，τ中既包含真实时延值τ0，也包含由噪声引起的偏差值Δτ，即τ＝τ0+Δτ。为了实现噪声补偿，首先需要得到时延偏差的预测值Δτ′。为了实现更便捷的时延偏差估计，我们将采取滚动预测方法，通常估计结果中存在误差，滚动预测的方法虽然更加便捷，但是会积累估计误差，通常该方法会随着预测时间的加长误差逐渐增大，滚动预测过程如图6所示。基于第一个子步骤得到的N个时延偏差值和最优机器学习模型，预测得到第N+1个偏差值，然后将该预测值作为N+1时刻实际偏差值的估计，进行迭代预测得到未来的时延偏差值Δτ′。将得到的时延估计值τ减去基于滚动预测方法得到的时延偏差估计值Δτ′，最终实现噪声补偿，得到更精确的时延估计值τ′。
在上述一种弱测量中进行参量估值偏差补偿的方法的基础上，本发明还提供一种弱测量中进行参量估值偏差补偿的系统，包括：
偏差获取模块：在弱测量过程中将引入待测参量的物理来源切断，使待测参量τ＝0，通过弱测量所获得由噪声引起的参量估值偏差值Δτ；
偏差预测模块：基于获得的参量估值偏差值，通过训练和测试调整机器学习模型的参数，建立机器学习模型，用于拟合参量偏差的变化趋势；
偏差补偿模块：在正常测量待测参量的情况下进行弱测量参量估值，利用机器学习模型估算当前时刻的参量估值偏差值并进行修正。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件，而对其内部包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种弱测量中进行参量估值偏差补偿的方法，其特征在于，包括：
偏差获取步骤：在弱测量过程中将引入待测参量的物理来源切断，使待测参量τ＝0，通过弱测量所获得由噪声引起的参量估值偏差值Δτ；
偏差预测步骤：基于获得的参量估值偏差值，通过训练和测试调整机器学习模型的参数，建立机器学习模型，用于拟合参量偏差的变化趋势；
偏差补偿步骤：在正常测量待测参量的情况下进行弱测量参量估值，利用机器学习模型估算当前时刻的参量估值偏差值并进行修正。
2.根据权利要求1所述的弱测量中进行参量估值偏差补偿的方法，其特征在于，所述偏差获取步骤通过标准弱测量程序获得由噪声引起的参量估值偏差值，所述标准弱测量程序是指将信号光的初始偏振态调制为
其中H和V分别表示水平偏振和垂直偏振；
实验中，LED射出的光的频谱状态记作
其中ω表示光频率，φ(ω)为光频率相关波函数，光束经过格兰泰勒棱镜后，被调制成初始偏振态：
输入光的初始态演化为：
随后光束通过了Sagnac光路，H光和V光通过光路的耗时不同，引入了时延差，这个过程相当于光经历了幺正演化
其中
经历演化后，初始态演化为：
并用偏振态
进行检偏，其中∈＜＜1，是一个可调相位，i为虚数单位，i2＝-1，e为自然对数函数的底数；
最后检测光信号的频谱均值ω，将其减去初始光频谱均值ω0后得到偏移量Δω，利用弱值放大效应公式求得待测参量。
3.根据权利要求1所述的弱测量中进行参量估值偏差补偿的方法，其特征在于，所述偏差预测步骤包括：
数据预处理子步骤：将获得的参量估值偏差值分成两部分，前一部分为训练集，用于训练机器学习模型；后一部分为测试集，用于评估机器学习模型；且在数据预处理过程中，数据之间的时间顺序不被打乱；
机器学习模型参数初始化子步骤：在训练机器学习模型之前，首先基于经验，进行参数设置；
机器学习模型训练子步骤，基于数据预处理子步骤得到的数据，通过训练和测试调整机器学习模型的参数，建立机器学习模型，用于拟合参量估计偏差的变化趋势。
4.根据权利要求1所述的弱测量中进行参量估值偏差补偿的方法，其特征在于，所述偏差补偿步骤包括：
参量偏差获取子步骤：在将待测参量设置为0的情况下，通过弱测量获取一定数目的参量偏差值；
参量测量子步骤：在打开信号输入的情况下进行弱测量参量估值，获取参量估值数据，参量估值数据包含真实值和偏差值；
参量偏差预测子步骤：基于参量偏差获取子步骤得到的参量偏差值，运用偏差预测步骤得到的机器学习模型，预测未来时刻的参量偏差预测值；
参量补偿子步骤：基于参量测量子步骤得到的参量估值数据减去参量偏差预测子步骤得到的对应时刻的参量偏差预测值，从而得到实际参量值的估计值，实现噪声补偿。
5.根据权利要求4所述的弱测量中进行参量估值偏差补偿的方法，其特征在于，所述参量偏差获取子步骤中，获取的参量偏差值的数目等于机器学习模型输入的特征数，获取的参量偏差值将作为机器学习模型预测下一个时刻偏差值的输入数据；
所述参量偏差预测子步骤中，应用滚动预测方法，把预测值作为对应时刻真实值的替代，并基于预测值来预测未来时刻参量。
6.一种弱测量中进行参量估值偏差补偿的系统，其特征在于，包括：
偏差获取模块：在弱测量过程中将引入待测参量的物理来源切断，使待测参量τ＝0，通过弱测量所获得由噪声引起的参量估值偏差值Δτ；
偏差预测模块：基于获得的参量估值偏差值，通过训练和测试调整机器学习模型的参数，建立机器学习模型，用于拟合参量偏差的变化趋势；
偏差补偿模块：在正常测量待测参量的情况下进行弱测量参量估值，利用机器学习模型估算当前时刻的参量估值偏差值并进行修正。
7.根据权利要求6所述的弱测量中进行参量估值偏差补偿的系统，其特征在于，所述偏差获取模块通过标准弱测量程序获得由噪声引起的参量估值偏差值，所述标准弱测量程序是指将信号光的初始偏振态调制为
其中H和V分别表示水平偏振和垂直偏振；
实验中，LED射出的光的频谱状态记作
其中ω表示光频率，φ(ω)为光频率相关波函数，光束经过格兰泰勒棱镜后，被调制成初始偏振态：
输入光的初始态演化为：
随后光束通过了Sagnac光路，H光和V光通过光路的耗时不同，引入了时延差，这个过程相当于光经历了幺正演化
其中
经历演化后，初始态演化为：
并用偏振态
进行检偏，其中∈＜＜1，是一个可调相位，i为虚数单位，i2＝-1，e为自然对数函数的底数；
最后检测光信号的频谱均值ω，将其减去初始光频谱均值ω0后得到偏移量Δω，利用弱值放大效应公式求得待测参量。
8.根据权利要求6所述的弱测量中进行参量估值偏差补偿的系统，其特征在于，所述偏差预测模块包括：
数据预处理子模块：将获得的参量估值偏差值分成两部分，前一部分为训练集，用于训练机器学习模型；后一部分为测试集，用于评估机器学习模型；且在数据预处理过程中，数据之间的时间顺序不被打乱；
机器学习模型参数初始化子模块：在训练机器学习模型之前，首先基于经验，进行参数设置；
机器学习模型训练子模块，基于数据预处理子模块得到的数据，通过训练和测试调整机器学习模型的参数，建立机器学习模型，用于拟合参量估计偏差的变化趋势。
9.根据权利要求6所述的弱测量中进行参量估值偏差补偿的系统，其特征在于，所述偏差补偿模块包括：
参量偏差获取子模块：在将待测参量设置为0的情况下，通过弱测量获取一定数目的参量偏差值；
参量测量子模块：在打开信号输入的情况下进行弱测量参量估值，获取参量估值数据，参量估值数据包含真实值和偏差值；
参量偏差预测子模块：基于参量偏差获取子模块得到的参量偏差值，运用偏差预测模块得到的机器学习模型，预测未来时刻的参量偏差预测值；
参量补偿子模块：基于参量测量子模块得到的参量估值数据减去参量偏差预测子模块得到的对应时刻的参量偏差预测值，从而得到实际参量值的估计值，实现噪声补偿。
10.根据权利要求9所述的弱测量中进行参量估值偏差补偿的系统，其特征在于，所述参量偏差获取子模块中，获取的参量偏差值的数目等于机器学习模型输入的特征数，获取的参量偏差值将作为机器学习模型预测下一个时刻偏差值的输入数据；
所述参量偏差预测子模块中，应用滚动预测方法，把预测值作为对应时刻真实值的替代，并基于预测值来预测未来时刻参量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811556730.4A CN109726825B (zh) | 2018-12-19 | 2018-12-19 | 弱测量中进行参量估值偏差补偿的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811556730.4A CN109726825B (zh) | 2018-12-19 | 2018-12-19 | 弱测量中进行参量估值偏差补偿的方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109726825A CN109726825A (zh) | 2019-05-07 |
| CN109726825B true CN109726825B (zh) | 2020-09-15 |
Family
ID=66296215
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811556730.4A Active CN109726825B (zh) | 2018-12-19 | 2018-12-19 | 弱测量中进行参量估值偏差补偿的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109726825B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113052383A (zh) * | 2021-03-29 | 2021-06-29 | 上海酷量信息技术有限公司 | 一种基于机器学习的收入预测方法及装置 |
| CN115290125B (zh) * | 2022-10-10 | 2023-02-10 | 泉州昆泰芯微电子科技有限公司 | 注入随机噪声进行信号修调的方法及磁性编码器 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7108774B1 (en) * | 1999-10-06 | 2006-09-19 | Liqum Oy | Method for analyzing a papermaking process and an electrochemical sensor for analyzing liquid |
| CN102353385A (zh) * | 2010-06-02 | 2012-02-15 | 罗伯特·博世有限公司 | 用于补偿测量值偏差的方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9189886B2 (en) * | 2008-08-15 | 2015-11-17 | Brown University | Method and apparatus for estimating body shape |
| US8902436B1 (en) * | 2011-06-27 | 2014-12-02 | The United States Of America As Represented By The Secretary Of The Navy | Chiral slab thickness measurement using weak value amplification |
| CN104880257B (zh) * | 2015-04-20 | 2017-11-14 | 中国人民解放军国防科学技术大学 | 基于强弱联合测量的光脉冲特性快速探测系统 |
| CN107063479B (zh) * | 2017-06-29 | 2023-07-14 | 中国科学技术大学 | 一种基于量子弱测量的极小相位测量系统以及方法 |
| CN107941710B (zh) * | 2017-08-16 | 2020-10-13 | 四川大学 | 基于量子弱测量的表面等离子体共振传感器及金属表面介质折射率测量方法 |
| CN108507606A (zh) * | 2017-12-06 | 2018-09-07 | 上海交通大学 | 用于参量估值的自适应弱测量方法及系统 |
-
2018
- 2018-12-19 CN CN201811556730.4A patent/CN109726825B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7108774B1 (en) * | 1999-10-06 | 2006-09-19 | Liqum Oy | Method for analyzing a papermaking process and an electrochemical sensor for analyzing liquid |
| CN102353385A (zh) * | 2010-06-02 | 2012-02-15 | 罗伯特·博世有限公司 | 用于补偿测量值偏差的方法 |
Non-Patent Citations (2)
| Title |
|---|
| Prediction and real-time compensation of qubit decoherence via machine learning;Sandeep Mavadia 等;《Nature Communications》;20170116;第1-6页 * |
| Temperature drift modeling of MEMS gyroscope based on genetic-Elman neural network;shen chong 等;《Mechanical Systems and Signal Processing》;ScienceDirect;20160531;第897-905页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109726825A (zh) | 2019-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109726825B (zh) | 弱测量中进行参量估值偏差补偿的方法及系统 | |
| Linder et al. | Identification of systems with unknown inputs using indirect input measurements | |
| Granig et al. | Sensor system optimization to meet reliability targets | |
| CN108507606A (zh) | 用于参量估值的自适应弱测量方法及系统 | |
| Du et al. | Unbiased information filtering for systems with missing measurement based on disturbance estimation | |
| Yatawatta et al. | A stochastic LBFGS algorithm for radio interferometric calibration | |
| Bu et al. | Online sequential spatiotemporal bias compensation using multisensor multitarget measurements | |
| Thiébaut et al. | Closing the loop as an inverse problem: the real-time control of Themis adaptive optics | |
| Louis et al. | TE correlation coefficient of P lanck legacy data | |
| CN107192455B (zh) | 图像、高分辨率强度光谱与线偏振光谱探测装置和方法 | |
| CN115962841A (zh) | 基于弱测量的噪声谱探测方法及系统 | |
| Motloch et al. | Lens covariance effects on likelihood analyses of CMB power spectra | |
| CN112880987A (zh) | 光学元件的偏振性能检测方法及检测系统 | |
| Xinyuan et al. | Phase tracking for pulsar navigation with Doppler frequency | |
| Romer | [Is Growth Exogenous? Taking Mankiw, Romer, and Weil Seriously]: Comment | |
| Jurling et al. | Wavefront sensing for WFIRST with a linear optical model | |
| Harris et al. | Least-squares analysis of time series data and its application to two-way satellite time and frequency transfer measurements | |
| Wang et al. | Robust mimo radar target localization based on lagrange programming neural network | |
| Assad et al. | Phase estimation of coherent states with a noiseless linear amplifier | |
| Noordam | Generalized self-calibration for LOFAR | |
| Zhang et al. | Forklens: Accurate weak lensing shear measurement on extremely noisy images with deep learning | |
| Wang et al. | The unscented Kalman filter for state estimation of 3-dimension bearing-only tracking | |
| Scott et al. | Observer based fault detection in differential algebraic equations | |
| RU2730367C1 (ru) | Способ калибровки интеллектуальных датчиков | |
| Denneulin et al. | New inverse method for circumstellar environments reconstruction in polarimetry with the ESO/VLT-SPHERE IRDIS instrument |
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 |