CN113447071A - 一种基于人工神经网络的光纤布里渊频移提取方法 - Google Patents
一种基于人工神经网络的光纤布里渊频移提取方法 Download PDFInfo
- Publication number
- CN113447071A CN113447071A CN202110598805.0A CN202110598805A CN113447071A CN 113447071 A CN113447071 A CN 113447071A CN 202110598805 A CN202110598805 A CN 202110598805A CN 113447071 A CN113447071 A CN 113447071A
- Authority
- CN
- China
- Prior art keywords
- frequency
- chip
- signal
- pin
- neural network
- 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.)
- Pending
Links
- 239000013307 optical fiber Substances 0.000 title claims abstract description 44
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 40
- 238000000605 extraction Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 230000009467 reduction Effects 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 230000003287 optical effect Effects 0.000 claims description 7
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 claims description 5
- 238000007667 floating Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 229910000530 Gallium indium arsenide Inorganic materials 0.000 description 4
- KXNLCSXBJCPWGL-UHFFFAOYSA-N [Ga].[As].[In] Chemical compound [Ga].[As].[In] KXNLCSXBJCPWGL-UHFFFAOYSA-N 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 230000003321 amplification Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000003199 nucleic acid amplification method Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000005693 optoelectronics Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 238000001069 Raman spectroscopy Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000000149 argon plasma sintering Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000001028 reflection method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing Of Optical Devices Or Fibers (AREA)
Abstract
本发明公开了一种基于人工神经网络的光纤布里渊频移提取方法，其采用光电转换器将光纤传感器产生的布里渊散射信号转换成高频电信号；采用分频电路对高频电信号进行降频，得到低频电信号；对低频电信号进行数字滤波处理以降低噪声，得到高信噪比电信号；将高信噪比电信号作为输入信号，输入到训练好的人工神经网络模型中，输出高信噪比电信号的峰值频率，将该峰值频率作为光纤传感器产生的布里渊散射信号的布里渊频移的值；优点是其在保持提取速度的前提下提高了信号的信噪比，且提高了提取精度。
Description
技术领域
本发明涉及一种光纤传感器布里渊频移提取技术，尤其是涉及一种基于人工神经网络的光纤布里渊频移提取方法。
背景技术
光纤的应用是传感器领域的重大突破，起源于光纤通信技术。在光通信利用中发现当温度、应力等环境条件变化时，会引起光纤传输的光波强度、相位、频率、偏振态等变化，这样测量光波量的变化，就可知道导致光纤传输的光波强度、相位、频率、偏振态等变化产生的温度、应力等物理量的大小，根据这个原理便可研制出光纤传感器。目前，光纤传感器已经得到了广泛应用，比如用于桥梁、高层建筑物等要求较高的场合进行应变分析。
光纤传感器对温度、应力等物理量进行测量主要采用布里渊散射的原理。光在光纤介质中传播时，在反方向产生散射光，散射光光谱中包括了瑞利散射、布里渊散射和拉曼散射。布里渊散射是指入射到介质的光波与介质内的弹性声波发生相互作用而产生的光散射现象。由于光纤介质内部存在一定形式的振动，因此会引起光纤介质的折射率随时间和空间周期性起伏，从而会产生自发声波场，光定向入射到光纤介质时受到该声波场的作用而产生布里渊散射。光纤中布里渊散射产生的布里渊频移量与光纤中的声速成正比，而光纤的折射率和光纤中的声速都与光纤的温度及所受的应力等因素有关，这使得布里渊频移量会随这些因素变化而变化，光纤的温度及应变都会造成布里渊频率量产生线性移动，如公式ΔνB＝CTΔT+CεΔε所示，式中，ΔνB表示布里渊频移量，CT表示温度系数，Cε表示应变系数，ΔT表示温度的改变量，Δε表示应变的改变量。
目前国内外针对布里渊频移提取已经有了不少研究。比如：Liu W、Guan Z-G、LiuG等人在“Sensors and Actuators A:Physical”(传感器和执行器A：物理)上发表的“Optical low-coherence reflectometry for a distributed sensor array of fiberBragg gratings”(光纤布拉格光栅的分布式传感器阵列的光学低相干反射法)(2008，144(1)：64-68)，该方法利用布里渊散射光和本地参考光相干，将高频的自发布里渊散射信号搬到低频部分，并滤波放大处理之后进行数据采集；然后将采集到的数据分为若干个单元，对每个单元进行FFT变换(快速傅里叶变换)后进行洛伦兹拟合，就可获得信号的全部频谱信息；最后实现温度和应变测量。但是，该方法采用了洛伦兹拟合，速度比较慢，对系统的时效性有一定影响。
又如：王婷、田凤、汤文青等人发表在“激光与光电子学进展”期刊上的文章“分布式光纤温度传感系统的布里渊频移提取方法”(2019，56(17)：348-354)，提出了一种基于自适应梯度下降算法的布里渊频移提取方法，该方法与传统的莱文伯-马奈特洛伦兹拟合法相比，优点是能够快速地提取出布里渊频移，但是梯度下降算法存在天然的缺点，比如系统可能存在局部最小值等。另外，该文章中还提到，“布里渊散射谱受噪声等因素影响，毛刺较多”，但是并未采取有效措施进行解决。
再如：赵丽娟、王贺晴、徐志钮等人发表在“中国激光”期刊上的文章“基于相似匹配方法的光纤布里渊频移提取准确性影响因素分析”(2020，47(05)：461-470)，提出了一种基于相似匹配方法的布里渊频移提取算法，在单一因素变化情况下系统研究了布里渊线宽、信噪比、扫频间隔、扫频范围对布里渊频移提取准确性的影响规律。但是，该方法采用平均值算法对布里渊频移信号进行信号预处理，并且平均值计算的叠加次数在214次以上，影响到了该方法的计算速度。
发明内容
本发明所要解决的技术问题是提供一种基于人工神经网络的光纤布里渊频移提取方法，其在保持提取速度的前提下提高了信号的信噪比，且提高了提取精度。
本发明解决上述技术问题所采用的技术方案为：一种基于人工神经网络的光纤布里渊频移提取方法，其特征在于包括以下步骤：
步骤1：采用光电转换器将光纤传感器产生的布里渊散射信号转换成高频电信号；
步骤2：采用分频电路对高频电信号进行降频，得到低频电信号；
步骤3：对低频电信号进行数字滤波处理以降低噪声，得到高信噪比电信号；
步骤4：将高信噪比电信号作为输入信号，输入到训练好的人工神经网络模型中，输出高信噪比电信号的峰值频率，将该峰值频率作为光纤传感器产生的布里渊散射信号的布里渊频移的值。
所述的步骤1中，光电转换器选用适用于微弱光信号检测的光电转换器。
所述的步骤1中，光电转换器中包含有雪崩光电二极管(Avalanche Photo Diode，APD)。雪崩光电二极管是一种PN结型的光检测二极管，其利用了载流子的雪崩倍增效应来放大光电信号以提高检测的灵敏度，其基本结构常常采用容易产生雪崩倍增效应的Read二极管结构(即N+PIP+型结构，P+一面接收光)，其工作时加较大的反向偏压，使得其达到雪崩倍增状态，它的光吸收区与倍增区基本一致。雪崩光电二极管对光电流具有雪崩放大作用，有利于检测微弱光信号，因此本发明中光电转换器采用铟砷化镓(InGaAs)型的雪崩光电二极管，将接收到的后向散射光信号转换为电信号，不仅提高了光接收灵敏度和光电转换效率，而且降低了暗电流。
所述的步骤2中，分频电路包括能够处理高频电信号的分频芯片、第一电阻、第二电阻及10个跳帽，所述的分频芯片具有Vcc脚、Vee脚、2个信号输入脚、2个信号输出脚、20个分频比设置脚，所述的分频芯片的Vcc脚接+3.3V电源，所述的分频芯片的Vee脚接参考地，所述的分频芯片的第1个信号输入脚接入高频电信号，所述的分频芯片的第2个信号输入脚通过所述的第一电阻接参考地，所述的分频芯片的第1个信号输出脚输出低频电信号，所述的分频芯片的第2个信号输出脚通过所述的第二电阻接参考地，所述的分频芯片的第1个至第10个分频比设置脚各通过1个跳帽接参考地，所述的分频芯片的第11个至第20个分频比设置脚悬空，所述的分频芯片的任意一个分频比设置脚的值的确定规则为：若该分频比设置脚悬空则其值为0，若该分频比设置脚接到参考地则其值为1。
所述的分频芯片的型号为MX1DS10P，所述的分频芯片的第5脚、第14脚、第22脚、第26脚、第37脚均为所述的分频芯片的Vcc脚，所述的分频芯片的第1脚、第6脚、第9脚、第13脚、第17脚、第27脚、第34脚均为所述的分频芯片的Vee脚，所述的分频芯片的第8脚为所述的分频芯片的第1个信号输入脚，所述的分频芯片的第7脚为所述的分频芯片的第2个信号输入脚，所述的分频芯片的第29脚为所述的分频芯片的第1个信号输出脚，所述的分频芯片的第28脚为所述的分频芯片的第2个信号输出脚，所述的分频芯片的第31脚、第32脚、第35脚、第36脚均为空闲脚，所述的分频芯片的第38脚、第39脚、第40脚、第2脚、第3脚、第4脚、第10脚、第11脚、第12脚、第15脚、第16脚、第18脚、第19脚、第20脚、第21脚、第23脚、第24脚、第25脚、第30脚、第33脚依次为所述的分频芯片的第1个至第20个分频比设置脚。该型号为MX1DS10P的分频芯片的带宽范围在0.05GHz至15GHz，分频比可以在2至1048576之间进行设置；该型号为MX1DS10P的分频芯片仅需+3.3V单电源供电，尺寸仅为6mm×6mm；该型号为MX1DS10P的分频芯片非常适合锁相环和其他需要大分频比和可变分频比的场合；该型号为MX1DS10P的分频芯片的外围电路简单、容易实现。
所述的分频芯片的第1个至第20个分频比设置脚的值与高频电信号的频率和低频电信号的频率的关系为：
seed＝A1+A2×21+A3×22+...+A20×219；其中，Freq_out表示低频电信号的频率，Freq_in表示高频电信号的频率，Div_Ratio表示分频芯片的分频比，seed为中间变量，理论上seed的值的范围为1～220-1，A1表示第1个分频比设置脚的值，A2表示第2个分频比设置脚的值，A3表示第3个分频比设置脚的值，A20表示第20个分频比设置脚的值。在实际处理过程中，可只对分频芯片的第1个至第10个分频比设置脚的值进行设置，这样seed的值可设置的范围为1～210-1，而光纤传感器产生的布里渊散射信号的布里渊频移的典型值在11GHz左右，因此Freq_out的范围为10.5kHz～10.75MHz。如在具体实施时seed取值为3(A1和A2的值为1，A3至A20的值均为0)，此时
Freq_out约为31kHz左右。
所述的步骤3中，利用移动平均值数字滤波方法对低频电信号进行数字滤波处理以降低噪声。移动平均值是指采用逐项递进的办法，将时间序列中的若干项数据进行算术平均所得到的一系列平均值。比如：若依次得到测定值(x1，x2，x3，…，xn)时，按顺序取一定个数所做的全部算术平均值。例如，每次取3个测定值的平均，则(x1+x2+x3)/3，(x2+x3+x4)/3，(x3+x4+x5)/3等是移动平均值。
所述的步骤4中，人工神经网络模型的获取过程为：选择包含1个输入层、2个隐含层和1个输出层的人工神经网络，该人工神经网络的输入层、第1个隐含层、第2个隐含层、输出层依次连接，该人工神经网络的输入层包含65个节点、每个隐含层包含40个节点、输出层包含14个节点，该人工神经网络的传递函数采用Sigmoid函数；然后采用反向传播的Levenberg-Marquardt算法对该人工神经网络进行训练，得到人工神经网络模型。反向传播的Levenberg-Marquardt算法减少了训练过程中的计算量和内存需求量；训练可选用matlab工具进行训练。
与现有技术相比，本发明的优点在于：
1)采用分频电路对高频电信号进行降频处理，降低了对后续电路的性能要求。
2)对低频电信号进行数字滤波处理，能够有效滤除噪声，这样在不降低信号处理速度的情况下能够提高信号信噪比。
3)采用人工神经网络，能够实现布里渊频移的智能化提取，提取速度快，且提取精度高。
附图说明
图1为本发明方法的总体实现框图；
图2为本发明方法中采用的分频电路的电路图；
图3为本发明方法中采用的人工神经网络的组成示意图；
图4为理想情况下的布里渊幅频特性图；
图5为经过本发明方法得到的低频电信号的实测布里渊幅频特性图；
图6为经过本发明方法得到的高信噪比电信号的实测布里渊幅频特性图。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
本发明提出的一种基于人工神经网络的光纤布里渊频移提取方法，其总体实现框图如图1所法，其包括以下步骤：
步骤1：采用光电转换器将光纤传感器产生的布里渊散射信号转换成高频电信号。
在本实施例中，光电转换器选用适用于微弱光信号检测的光电转换器，如光电转换器中包含有雪崩光电二极管(Avalanche Photo Diode，APD)，雪崩光电二极管是一种PN结型的光检测二极管，其利用了载流子的雪崩倍增效应来放大光电信号以提高检测的灵敏度，其基本结构常常采用容易产生雪崩倍增效应的Read二极管结构(即N+PIP+型结构，P+一面接收光)，其工作时加较大的反向偏压，使得其达到雪崩倍增状态，它的光吸收区与倍增区基本一致。雪崩光电二极管对光电流具有雪崩放大作用，有利于检测微弱光信号，因此本发明中光电转换器采用铟砷化镓(InGaAs)型的雪崩光电二极管，将接收到的后向散射光信号转换为电信号，不仅提高了光接收灵敏度和光电转换效率，而且降低了暗电流。
步骤2：采用分频电路对高频电信号进行降频，得到低频电信号，降频处理后的电信号不仅便于后续处理，而且也利于观察。
在本实施例中，分频电路如图2所示，包括能够处理高频电信号的分频芯片U1、第一电阻R1、第二电阻R2及10个跳帽JP1、JP2、JP3、JP4、JP5、JP6、JP7、JP8、JP9、JP10，分频芯片U1具有Vcc脚、Vee脚、2个信号输入脚、2个信号输出脚、20个分频比设置脚，分频芯片U1的Vcc脚接+3.3V电源，分频芯片U1的Vee脚接参考地，分频芯片U1的第1个信号输入脚CK接入高频电信号，分频芯片U1的第2个信号输入脚CKN通过第一电阻R1接参考地，分频芯片U1的第1个信号输出脚MSB输出低频电信号，分频芯片U1的第2个信号输出脚MSBN通过第二电阻R2接参考地，分频芯片U1的第1个至第10个分频比设置脚A1、A2、A3、A4、A5、A6、A7、A8、A9、A10对应通过10个跳帽JP1、JP2、JP3、JP4、JP5、JP6、JP7、JP8、JP9、JP10接参考地，分频芯片U1的第11个至第20个分频比设置脚A11、A12、A13、A14、A15、A16、A17、A18、A19、A20悬空，分频芯片U1的任意一个分频比设置脚的值的确定规则为：若该分频比设置脚悬空则其值为0，若该分频比设置脚接到参考地则其值为1，图2中第1个至第10个分频比设置脚接了跳帽到参考地，可以设置这些脚的值为0或者1，第11个至第20个分频比设置脚为悬空，值为0。
在本实施例中，分频芯片U1的型号为MX1DS10P(Microsemi公司生产)，分频芯片U1的第5脚、第14脚、第22脚、第26脚、第37脚均为分频芯片U1的Vcc脚，分频芯片U1的第1脚、第6脚、第9脚、第13脚、第17脚、第27脚、第34脚均为分频芯片U1的Vee脚，分频芯片U1的第8脚为分频芯片U1的第1个信号输入脚CK，分频芯片U1的第7脚为分频芯片U1的第2个信号输入脚CKN，分频芯片U1的第29脚为分频芯片U1的第1个信号输出脚MSB，分频芯片U1的第28脚为分频芯片U1的第2个信号输出脚MSBN，分频芯片U1的第31脚、第32脚、第35脚、第36脚均为空闲脚，分频芯片U1的第38脚、第39脚、第40脚、第2脚、第3脚、第4脚、第10脚、第11脚、第12脚、第15脚、第16脚、第18脚、第19脚、第20脚、第21脚、第23脚、第24脚、第25脚、第30脚、第33脚依次为分频芯片U1的第1个至第20个分频比设置脚。该型号为MX1DS10P的分频芯片U1的带宽范围在0.05GHz至15GHz，分频比可以在2至1048576之间进行设置；该型号为MX1DS10P的分频芯片U1仅需+3.3V单电源供电，尺寸仅为6mm×6mm；该型号为MX1DS10P的分频芯片U1非常适合锁相环和其他需要大分频比和可变分频比的场合；该型号为MX1DS10P的分频芯片的外围电路简单、容易实现。
在本实施例中，分频芯片U1的第1个至第20个分频比设置脚的值与高频电信号的频率和低频电信号的频率的关系为：
seed＝A1+A2×21+A3×22+...+A20×219；其中，Freq_out表示低频电信号的频率，Freq_in表示高频电信号的频率，Div_Ratio表示分频芯片U1的分频比，seed为中间变量，理论上seed的值的范围为1～220-1，A1表示第1个分频比设置脚的值，A2表示第2个分频比设置脚的值，A3表示第3个分频比设置脚的值，A20表示第20个分频比设置脚的值。在实际处理过程中，可只对分频芯片的第1个至第10个分频比设置脚的值进行设置，这样seed的值可设置的范围为1～210-1，而光纤传感器产生的布里渊散射信号的布里渊频移的典型值在11GHz左右，因此Freq_out的范围为10.5kHz～10.75MHz。如在具体实施时seed取值为3(A1和A2的值为1，A3至A20的值均为0)，此时
Freq_out约为31kHz左右。
步骤3：对低频电信号进行数字滤波处理以降低噪声，得到高信噪比电信号。
在本实施例中，利用移动平均值数字滤波方法对低频电信号进行数字滤波处理以降低噪声。移动平均值是指采用逐项递进的办法，将时间序列中的若干项数据进行算术平均所得到的一系列平均值。比如：若依次得到测定值(x1，x2，x3，…，xn)时，按顺序取一定个数所做的全部算术平均值。例如，每次取3个测定值的平均，则(x1+x2+x3)/3，(x2+x3+x4)/3，(x3+x4+x5)/3等是移动平均值。
步骤4：将高信噪比电信号作为输入信号，输入到训练好的人工神经网络模型中，输出高信噪比电信号的峰值频率，将该峰值频率作为光纤传感器产生的布里渊散射信号的布里渊频移的值。
在本实施例中，人工神经网络模型的获取过程为：选择包含1个输入层、2个隐含层和1个输出层的人工神经网络，如图3所示，该人工神经网络的输入层、第1个隐含层、第2个隐含层、输出层依次连接，该人工神经网络的输入层包含65个节点、每个隐含层包含40个节点、输出层包含14个节点，该人工神经网络的传递函数采用Sigmoid函数；然后采用反向传播的Levenberg-Marquardt算法对该人工神经网络进行训练，得到人工神经网络模型。反向传播的Levenberg-Marquardt算法减少了训练过程中的计算量和内存需求量；训练可选用matlab工具进行训练。
图4给出了理想情况下的布里渊幅频特性图，图4中纵坐标表示光纤传感器产生的布里渊散射信号在理想情况下的幅值的归一化值，幅值的归一化值的最大值为1，图4中横坐标表示光纤传感器产生的布里渊散射信号在理想情况下的频率，理论上幅值的归一化值的最大值对应的频率为11GHz左右，这里对横坐标进行了数学平移处理，将幅值的归一化值的最大值对应的频率设为0。实际中获取的布里渊散射信号往往带有很多噪声，图5给出了经过本发明方法得到的低频电信号的实测布里渊幅频特性图，图5中纵坐标表示低频电信号的幅值的归一化值，幅值的归一化值的最大值为1，图5中横坐标表示低频电信号的频率，这里对横坐标进行了数学平移处理，将幅值的归一化值的最大值对应的频率设为0，从图5中可以看出，相当于在理想情况下的布里渊幅频特性上增加了很多噪声干扰。图6给出了经过本发明方法得到的高信噪比电信号的实测布里渊幅频特性图，图6中纵坐标表示高信噪比电信号的幅值的归一化值，幅值的归一化值的最大值为1，图6中横坐标表示高信噪比电信号的频率，这里对横坐标进行了数学平移处理，将幅值的归一化值的最大值对应的频率设为0，从图6中可以看出，噪声明显下降了很多，信号的信噪比得到了提高。
以利用光纤传感器测量应变为例，说明人工神经网络的数据采集。从图6所示的实测布里渊幅频特性曲线中均匀取65个数据，作为人工神经网络的输入层的输入数据。改变光纤传感器外界应变值，从而获取不同的布里渊幅频特性曲线，这里一共获得100组不同的布里渊幅频特性曲线，其中从80组不同的布里渊幅频特性曲线中所取的数据作为人工神经网络的训练数据，从剩余的20组不同的布里渊幅频特性曲线中所取的数据作为人工神经网络的测试数据。
为了测试本发明方法的运行时间，利用Matlab软件对数字滤波处理和利用人工神经网络进行处理的两部分的运行时间进行了测试(因为光电转换和分频电路为纯硬件电路，运行时间几乎可忽略，所以可以不进行测试)，平均运行时间为865μs。同时利用Matlab软件对使用洛伦兹拟合的方法进行布里渊频移提取的运行时间进行了测试，平均运行时间为8945μs。王婷、田凤、汤文青等人发表在“激光与光电子学进展”期刊上的文章“分布式光纤温度传感系统的布里渊频移提取方法”(2019，56(17)：348-354)，该方法的平均运行时间为42ms。赵丽娟、王贺晴、徐志钮等人发表在“中国激光”期刊上的文章“基于相似匹配方法的光纤布里渊频移提取准确性影响因素分析”(2020，47(05)：461-470)，根据实验条件的不同，该方法的平均运行时间为10～60ms。
另外，对本发明方法的运行误差进行了测试，利用Matlab软件人为产生具有一定信噪比的布里渊幅频特性曲线作为数字滤波处理的输入信号，信噪比分别为5dB、10dB和15dB；同时利用Matlab软件对使用洛伦兹拟合的方法进行布里渊频移提取的运行误差进行了测试，两者的测试结果如表1所示。
表1不同的布里渊频移提取方法的运行误差对比
在运行时间和运行误差两方面来比较本发明方法与现有方法，发现本发明方法的运行速度和运行误差明显都优于现有方法，能够满足实际工作的需求，不仅提取速度快，而且提取精度高。
Claims (8)
1.一种基于人工神经网络的光纤布里渊频移提取方法，其特征在于包括以下步骤：
步骤1：采用光电转换器将光纤传感器产生的布里渊散射信号转换成高频电信号；
步骤2：采用分频电路对高频电信号进行降频，得到低频电信号；
步骤3：对低频电信号进行数字滤波处理以降低噪声，得到高信噪比电信号；
步骤4：将高信噪比电信号作为输入信号，输入到训练好的人工神经网络模型中，输出高信噪比电信号的峰值频率，将该峰值频率作为光纤传感器产生的布里渊散射信号的布里渊频移的值。
2.根据权利要求1所述的一种基于人工神经网络的光纤布里渊频移提取方法，其特征在于所述的步骤1中，光电转换器选用适用于微弱光信号检测的光电转换器。
3.根据权利要求2所述的一种基于人工神经网络的光纤布里渊频移提取方法，其特征在于所述的步骤1中，光电转换器中包含有雪崩光电二极管。
4.根据权利要求1至3中任一项所述的一种基于人工神经网络的光纤布里渊频移提取方法，其特征在于所述的步骤2中，分频电路包括能够处理高频电信号的分频芯片、第一电阻、第二电阻及10个跳帽，所述的分频芯片具有Vcc脚、Vee脚、2个信号输入脚、2个信号输出脚、20个分频比设置脚，所述的分频芯片的Vcc脚接+3.3V电源，所述的分频芯片的Vee脚接参考地，所述的分频芯片的第1个信号输入脚接入高频电信号，所述的分频芯片的第2个信号输入脚通过所述的第一电阻接参考地，所述的分频芯片的第1个信号输出脚输出低频电信号，所述的分频芯片的第2个信号输出脚通过所述的第二电阻接参考地，所述的分频芯片的第1个至第10个分频比设置脚各通过1个跳帽接参考地，所述的分频芯片的第11个至第20个分频比设置脚悬空，所述的分频芯片的任意一个分频比设置脚的值的确定规则为：若该分频比设置脚悬空则其值为0，若该分频比设置脚接到参考地则其值为1。
5.根据权利要求4所述的一种基于人工神经网络的光纤布里渊频移提取方法，其特征在于所述的分频芯片的型号为MX1DS10P，所述的分频芯片的第5脚、第14脚、第22脚、第26脚、第37脚均为所述的分频芯片的Vcc脚，所述的分频芯片的第1脚、第6脚、第9脚、第13脚、第17脚、第27脚、第34脚均为所述的分频芯片的Vee脚，所述的分频芯片的第8脚为所述的分频芯片的第1个信号输入脚，所述的分频芯片的第7脚为所述的分频芯片的第2个信号输入脚，所述的分频芯片的第29脚为所述的分频芯片的第1个信号输出脚，所述的分频芯片的第28脚为所述的分频芯片的第2个信号输出脚，所述的分频芯片的第31脚、第32脚、第35脚、第36脚均为空闲脚，所述的分频芯片的第38脚、第39脚、第40脚、第2脚、第3脚、第4脚、第10脚、第11脚、第12脚、第15脚、第16脚、第18脚、第19脚、第20脚、第21脚、第23脚、第24脚、第25脚、第30脚、第33脚依次为所述的分频芯片的第1个至第20个分频比设置脚。
6.根据权利要求5所述的一种基于人工神经网络的光纤布里渊频移提取方法，其特征在于所述的分频芯片的第1个至第20个分频比设置脚的值与高频电信号的频率和低频电信号的频率的关系为：
seed＝A1+A2×21+A3×22+...+A20×219；其中，Freq_out表示低频电信号的频率，Freq_in表示高频电信号的频率，Div_Ratio表示分频芯片的分频比，seed为中间变量，理论上seed的值的范围为1～220-1，A1表示第1个分频比设置脚的值，A2表示第2个分频比设置脚的值，A3表示第3个分频比设置脚的值，A20表示第20个分频比设置脚的值。
7.根据权利要求4所述的一种基于人工神经网络的光纤布里渊频移提取方法，其特征在于所述的步骤3中，利用移动平均值数字滤波方法对低频电信号进行数字滤波处理以降低噪声。
8.根据权利要求4所述的一种基于人工神经网络的光纤布里渊频移提取方法，其特征在于所述的步骤4中，人工神经网络模型的获取过程为：选择包含1个输入层、2个隐含层和1个输出层的人工神经网络，该人工神经网络的输入层、第1个隐含层、第2个隐含层、输出层依次连接，该人工神经网络的输入层包含65个节点、每个隐含层包含40个节点、输出层包含14个节点，该人工神经网络的传递函数采用Sigmoid函数；然后采用反向传播的Levenberg-Marquardt算法对该人工神经网络进行训练，得到人工神经网络模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110598805.0A CN113447071A (zh) | 2021-05-31 | 2021-05-31 | 一种基于人工神经网络的光纤布里渊频移提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110598805.0A CN113447071A (zh) | 2021-05-31 | 2021-05-31 | 一种基于人工神经网络的光纤布里渊频移提取方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113447071A true CN113447071A (zh) | 2021-09-28 |
Family
ID=77810390
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110598805.0A Pending CN113447071A (zh) | 2021-05-31 | 2021-05-31 | 一种基于人工神经网络的光纤布里渊频移提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113447071A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114034327A (zh) * | 2021-11-10 | 2022-02-11 | 南京航空航天大学 | 基于稀疏采样和人工神经网络的布里渊散射信号测量方法 |
| CN117490985A (zh) * | 2023-12-29 | 2024-02-02 | 中国工程物理研究院激光聚变研究中心 | 一种受激布里渊散射在线监测方法、系统、设备及介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7208990B1 (en) * | 2006-04-28 | 2007-04-24 | Giga-Tronics, Inc. | Low noise microwave frequency synthesizer having loop accumulation |
| US7215167B1 (en) * | 2006-04-28 | 2007-05-08 | Giga-Tronics, Inc. | Low noise microwave frequency synthesizer having fast switching |
| US20080048733A1 (en) * | 2006-08-23 | 2008-02-28 | Roland Hassun | Decimal frequency synthesizer |
| CN101517375A (zh) * | 2006-08-24 | 2009-08-26 | 普拉德研究及开发股份有限公司 | 利用通道化来测量来自光纤的布里渊反向散射 |
| US20100225900A1 (en) * | 2006-01-27 | 2010-09-09 | The University Of Tokyo | Optical-fiber-characteristic measuring device and optical-fiber-characteristic measuring method |
| CN110926355A (zh) * | 2019-11-07 | 2020-03-27 | 华中科技大学 | 一种基于卷积神经网络的布里渊频移提取方法和装置 |
| CN111060285A (zh) * | 2018-10-17 | 2020-04-24 | 横河电机株式会社 | 光纤特性测量设备和光纤特性测量方法 |
-
2021
- 2021-05-31 CN CN202110598805.0A patent/CN113447071A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100225900A1 (en) * | 2006-01-27 | 2010-09-09 | The University Of Tokyo | Optical-fiber-characteristic measuring device and optical-fiber-characteristic measuring method |
| US7208990B1 (en) * | 2006-04-28 | 2007-04-24 | Giga-Tronics, Inc. | Low noise microwave frequency synthesizer having loop accumulation |
| US7215167B1 (en) * | 2006-04-28 | 2007-05-08 | Giga-Tronics, Inc. | Low noise microwave frequency synthesizer having fast switching |
| US20080048733A1 (en) * | 2006-08-23 | 2008-02-28 | Roland Hassun | Decimal frequency synthesizer |
| CN101517375A (zh) * | 2006-08-24 | 2009-08-26 | 普拉德研究及开发股份有限公司 | 利用通道化来测量来自光纤的布里渊反向散射 |
| US20100165327A1 (en) * | 2006-08-24 | 2010-07-01 | Schlumberger Technology Corporation | Measuring brillouin backscatter from an optical fibre using channelisation |
| CN111060285A (zh) * | 2018-10-17 | 2020-04-24 | 横河电机株式会社 | 光纤特性测量设备和光纤特性测量方法 |
| CN110926355A (zh) * | 2019-11-07 | 2020-03-27 | 华中科技大学 | 一种基于卷积神经网络的布里渊频移提取方法和装置 |
Non-Patent Citations (5)
| Title |
|---|
| ABUL KALAM AZAD等: "Signal processing using artificial neural network for BOTDA sensor system", 《OPTICS EXPRESS》 * |
| WEISHENG LIU等: "Distributed Sensing System of Optical Low-Coherence Reflectometry Using an Array of Identical Fiber Bragg Gratings", 《IEEE SENSORS，2007 CONFERENCE》 * |
| 佚名: "MX1DS10P 15 GHz Ultra – Variable Broadband Prescaler", 《MICROSEMI》 * |
| 张有迪等: "布里渊散射谱拟合的混合优化算法", 《强激光与粒子束》 * |
| 汤文青: "BOTDA光纤温度传感系统中布里渊频移提取技术研究", 《基础科学辑》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114034327A (zh) * | 2021-11-10 | 2022-02-11 | 南京航空航天大学 | 基于稀疏采样和人工神经网络的布里渊散射信号测量方法 |
| CN114034327B (zh) * | 2021-11-10 | 2023-02-28 | 南京航空航天大学 | 基于稀疏采样和人工神经网络的布里渊散射信号测量方法 |
| CN117490985A (zh) * | 2023-12-29 | 2024-02-02 | 中国工程物理研究院激光聚变研究中心 | 一种受激布里渊散射在线监测方法、系统、设备及介质 |
| CN117490985B (zh) * | 2023-12-29 | 2024-04-26 | 中国工程物理研究院激光聚变研究中心 | 一种受激布里渊散射在线监测方法、系统、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113447071A (zh) | 一种基于人工神经网络的光纤布里渊频移提取方法 | |
| CN102095538B (zh) | 保偏光纤应力传感的数据解调方法 | |
| CN108955734B (zh) | 一种光纤f-p温度/压力复合传感器的腔长解调方法 | |
| CN110488266B (zh) | 基于里德堡原子超外差测量的雷达测速系统及测速方法 | |
| CN102279062A (zh) | 一种分布式光纤传感测温系统温度定标解调方法 | |
| CN111486938A (zh) | 基于自适应滤波的干涉型光纤振动传感探测系统和方法 | |
| CN108896274B (zh) | 一种基于子集窗长度优化算法的分布式光纤应变解调方法 | |
| CN114777950B (zh) | 一种基于双波长脉冲的温度应变双参量传感系统和方法 | |
| CN111579816B (zh) | 基于光电振荡器的加速度测量仪器 | |
| CN111780856B (zh) | 基于瑞利散射谱的相位谱分析的光纤分布式振动测量方法 | |
| CN114674352B (zh) | 基于瑞利散射光谱非相似性的分布式扰动传感和解调方法 | |
| CN110823262A (zh) | 基于光量子技术的高灵敏度光纤光栅传感方法及系统 | |
| CN103412137B (zh) | 旋转因子中和测速方法和装置 | |
| CN113503955A (zh) | 一种基于光频域反射技术的光纤水听器 | |
| CN204461547U (zh) | 光纤干涉水位传感器 | |
| CN113654580A (zh) | 一种同时测量温度与应变的光频域反射系统 | |
| Min et al. | The research of vibration monitoring system for transformer based on optical fiber sensing | |
| CN117232558A (zh) | 一种局部受激布里渊散射光时域反射系统及数据处理方法 | |
| CN105004278A (zh) | 基于分布传感和小波解析技术的实时基线及去噪处理方法 | |
| CN116194740A (zh) | 振动分布测量装置及其方法 | |
| CN109444895B (zh) | 分布式振动传感器消除干涉衰落的振动信息定位方法 | |
| CN211904198U (zh) | 光纤干涉仪臂长差测试系统 | |
| CN107631814B (zh) | 光自相干传感光路结构、频移变化检测方法和传感装置 | |
| CN213455339U (zh) | 一种测量光纤长度的装置 | |
| Li et al. | Design and analysis of weak optical signal detection system based on photoelectric detection technology |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210928 |
|
| RJ01 | Rejection of invention patent application after publication |