CN113945154A - 一种基于神经网络的snap结构微腔位移传感信号的解调方法 - Google Patents

一种基于神经网络的snap结构微腔位移传感信号的解调方法 Download PDF

Info

Publication number
CN113945154A
CN113945154A CN202111177230.1A CN202111177230A CN113945154A CN 113945154 A CN113945154 A CN 113945154A CN 202111177230 A CN202111177230 A CN 202111177230A CN 113945154 A CN113945154 A CN 113945154A
Authority
CN
China
Prior art keywords
displacement
neural network
network model
characteristic parameters
axial
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
Application number
CN202111177230.1A
Other languages
English (en)
Other versions
CN113945154B (zh
Inventor
董永超
孙鹏辉
曾学良
王晗
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202111177230.1A priority Critical patent/CN113945154B/zh
Publication of CN113945154A publication Critical patent/CN113945154A/zh
Application granted granted Critical
Publication of CN113945154B publication Critical patent/CN113945154B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/045—Combinations of networks
    • 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)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明公开了一种基于神经网络的SNAP结构微腔位移传感信号的解调方法，包括：将检测激光输入SNAP结构微腔位移传感系统中，对SNAP结构微腔位移传感系统量程内的一系列位移节点进行检测，以获取各位移节点处的轴向模态特征参数，并记录对应的位移；将轴向模态特征参数和位移作为训练数据，训练预置的神经网络模型；根据位移优化神经网络模型中的各个参数，得到优化后的神经网络模型；利用优化后的神经网络模型测量位移。本发明提供的方法能有效计算出多阶轴向模态特征参数中的传感信息，提高传感系统的位移分辨率，并结合人工神经网络算法，解决了传统解析型数学模型无法拟合位移与特征参数之间映射关系的难题。

Description

一种基于神经网络的SNAP结构微腔位移传感信号的解调方法
技术领域
本发明涉及光学传感的技术领域，尤其涉及到一种基于神经网络的SNAP结构微腔位移传感信号的解调方法。
背景技术
光学精密测量系统常用于机床、精密测量仪器等领域，以实现对直线位移或角位移的精密检测。系统的光信号经过传感部分调制后输出至光电转换部分，经光电探测器转换为电信号后，通过检测电信号达到检测光信号强度、幅值、相位、偏振等参数以实现光学检测仪器的位移测量功能。
传统的光学位移测量系统有光栅尺、光纤光栅传感器、激光干涉仪等等，但它们在满足工业现场测量要求的同时也有着各自的限制，无法实现对微、深沟槽等结构的测量。回音壁模式(WGM)微腔是近二十年被广泛研究的一种光学器件，其极高的Q值使得它在传感领域具备极高的灵敏度。基于微腔的位移传感器件可以实现亚微米的分辨率，具有体积小、易于集成化的优势，给微小结构测量提供了一种很好的选择。
在基于微腔的位移传感器中，实现高精度、高分辨率传感的关键是对传感信号的处理及精确测量，即建立位移检测的数学模型。由于信号处理系统输入的是经过预处理的多阶轴向模态特征参数(Q值或透过率)，这种输入信号具有极强的非线性以及多维度特征，无法使用经典的解析数学模型来进行求解。基于上述缺点，为了实现对SNAP结构微腔位移传感系统信号的处理与识别功能，亟需开发一种新型的位移传感信号处理方案。
发明内容
本发明的目的在于克服现有技术的不足，提供一种传感精度和灵敏度高、易于制作、成本低廉的基于神经网络的SNAP结构微腔位移传感信号的解调方法。
为实现上述目的，本发明所提供的技术方案为：
一种基于神经网络的SNAP结构微腔位移传感信号的解调方法，包括以下步骤：
STEP1、将检测激光输入SNAP结构微腔位移传感系统中，对SNAP结构微腔位移传感系统量程内的一系列位移节点进行检测，以获取各所述位移节点处的轴向模态特征参数，并记录对应的位移；
STEP2、将所述轴向模态特征参数与对应的所述位移作为训练数据，训练预置的神经网络模型；
STEP3、根据所述位移优化所述神经网络模型中的各个参数，得到优化后的神经网络模型；
STEP4、利用所述优化后的神经网络模型测量SNAP结构微腔位移传感系统的位移。
进一步地，所述将所述轴向模态特征参数与对应的所述位移作为训练数据，对预置的神经网络模型进行训练，包括：
将所述的轴向模态特征参数归一化，作为所述神经网络模型的输入，将所述的位移归一化后作为输出，对所述预置神经网络模型进行训练，建立所述轴向模态特征参数与所述位移之间的映射关系。
进一步地，根据所述位移优化所述神经网络模型中的各个参数，得到优化后的神经网络模型，包括：
沿所述SNAP结构微腔轴向采集一系列位移节点处的轴向模态特征参数与对应的真实位移；
将所述轴向模态特征参数和所述位移分别作归一化处理；
将所述轴向模态特征参数作归一化处理后的数据输入所述神经网络模型，得到预测位移；
通过评价函数，计算所述预测位移和所述真实位移之间的均方误差；
根据所述均方误差调整所述神经网络模型的参数以优化神经网络。
进一步地，所述评价函数为：
Figure BDA0003295742620000031
其中，Xt表示所述训练数据中被归一化处理的所述位移，Yt表示向所述神经网络模型输入被归一化处理的所述轴向模态特征参数后所述神经网络模型预测的位移，t表示训练数据组号，N表示训练数据总组数，MSE表示评价函数。
进一步地，所述利用所述优化后的神经网络模型测量所述位移，包括：
将所述轴向模态特征参数归一化并输入所述优化后的神经网络模型；
将所述神经网络模型的输出值作反归一化处理，得到与所述轴向模态特征参数相对应的所述位移。
进一步地，所述将检测激光输入SNAP结构微腔位移传感系统中，对SNAP结构微腔位移传感系统量程内的一系列位移节点进行检测，以获取各所述位移节点处的轴向模态特征参数，包括：
沿SNAP结构微腔的轴向移动SNAP结构微腔靠近并接触耦合波导；
检测激光通过耦合波导耦合进入SNAP结构微腔中并发生谐振，形成多阶轴向模态谐振光波，使得发生谐振的光波被束缚在微腔中，未发生谐振的光波从耦合波导中输出；
通过光电探测器采集未发生谐振的光波并转换成电信号，传输给计算机处理，以获得轴向模态特征参数。
进一步地，所述检测激光为可调谐激光。
进一步地，所述耦合波导为锥形光纤。
进一步地，所述SNAP结构微腔的截面为抛物线形。
进一步地，所述耦合波导的透射光谱的轴向模态谷值呈中心对称。
与现有技术相比，本方案原理及优点如下：
本方案涉及的基于神经网络的SNAP结构微腔位移传感信号的解调方法能充分地利用谐振谱中的有效传感信息，提高传感系统的精度与灵敏度。SNAP结构微腔的制造不可避免地由于不可控因素而呈非对称形状或近似理想形状，通过人工神经网络模型可以很好的拟合位移与多阶轴向模态特征参数之间的非线性映射关系，实现位移传感系统的高精度测量目标。同时，基于光纤制作的SNAP结构微腔、耦合波导易于制作、成本低廉。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的服务作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1所示的是本申请提出的基于神经网络的SNAP结构微腔位移传感信号的解调方法；
图2所示的是本申请提供的一种SNAP结构微腔位移传感器的示意图；
图3示意性地示出了本申请实施例提供的一种透射谱的示意图；
图4示意性地示出了本申请实施例提供的一种轴向模态与位移的映射关系示意图；
图5示意性地示出了本申请实施例提供的一种神经网络模型的示意图；
图6示意性地示出了本申请实施例提供的一种神经网络模型在设置不同隐含层节点数时的测量性能的示意图；
图7示意性地示出了本申请实施例提供的一种神经网络模型在设置不同学习率时的测量性能的示意图；
图8示意性地示出了本申请实施例提供的一种神经网络模型在设置不同训练目标误差时的测量性能的示意图；
图9示意性地示出了本申请实施例提供的一种神经网络模型在设置不同训练数据组数时的测量性能的示意图；
图10示意性地示出了本申请实施例提供的一种神经网络模测量的位移与理论仿真数据对比图。
具体实施方式
下面结合具体实施例对本发明作进一步说明：
如图1所示，本申请提出的一种基于神经网络的SNAP结构微腔位移传感信号的解调方法包括以下步骤：
STEP1、将检测激光输入SNAP结构微腔位移传感系统中，对SNAP结构微腔位移传感系统量程内的一系列位移节点进行检测，以获取各位移节点处的轴向模态特征参数，并记录对应的位移。
其中，检测激光可以为可调谐激光，SNAP结构微腔位移传感系统中的耦合波导可以为锥形光纤，SNAP结构微腔的截面可以为抛物线形。
在测量轴向模态特征参数时，包括以下几个步骤：
沿SNAP结构微腔的轴向移动SNAP结构微腔靠近并接触耦合波导。检测激光通过耦合波导耦合进入SNAP结构微腔中并发生谐振，形成多阶轴向模态谐振光波，使得发生谐振的光波被束缚在微腔中，未发生谐振的光波从耦合波导中输出。
通过光电探测器采集未发生谐振的光波并转换成电信号，传输给计算机处理，以获得轴向模态特征参数。
沿SNAP结构微腔的轴向移动SNAP结构微腔，采集一系列位移节点处的透射光谱数据并计算轴向模态特征参数。
在本申请实施例中，SNAP结构微腔位移传感系统中的位移为设定值，从而获取对应的透射谱。
STEP2、将轴向模态特征参数与对应的位移作为训练数据，训练预置的神经网络模型。
在本实施方式中，由于SNAP结构微腔的截面呈抛物线形对称分布，导致透射光谱中的各阶轴向模态谷值随位移的变化呈中心对称变化，因此只能使用SNAP结构的一半长度对应的轴向模态特征参数用于训练神经网络。
在本实施方式中，在一定波长范围内计算出多阶轴向模态特征参数的变化，并通过实验仿真谐振谱对应的位移作为训练数据，建立神经网络模型实现多阶模态传感检测。
分别对轴向模态特征参数和位移作归一化处理，输入神经网络模型中，训练神经网络模型，建立轴向模态特征参数和位移之间的映射关系。
将数据进行归一化处理，可以减少计算量，使神经网络模型计算更加便捷、快速。
STEP3、根据位移优化神经网络模型中的各个参数，得到优化后的神经网络模型。
建立好位移与轴向模态特征参数之间的映射关系后，还可以对神经网络模型中的各个参数进行优化以获得更好的测量精度。
神经网络模型中的各个参数可以包括神经网络模型的输入层神经元个数、隐藏层神经元个数、隐藏层层数、输出层神经元个数、学习率、训练目标误差等。
对神经网络模型的优化过程可以分为这样几个步骤：
在半个SNAP结构微腔的长度范围内，沿轴向移动SNAP结构微腔，采集一系列位移节点处的透射光谱数据，计算出透射光谱的轴向谐振模态特征参数和记录对应的位移。
将所得到的轴向模态特征参数与位移作归一化处理。
将经过归一化处理的轴向模态特征参数输入神经网络，得到预测的位移。
通过评价函数，计算预测的位移与实际测量的位移之间的均方误差。
评价函数为：
Figure BDA0003295742620000061
其中，Xt表示所述训练数据中被归一化处理的所述位移，Yt表示向所述神经网络模型输入被归一化处理的所述轴向模态特征参数后所述神经网络模型预测的位移，t表示训练数据组号，N表示训练数据总组数，MSE表示评价函数。
根据均方误差调整神经网络模型的参数。
根据上述方法，每次调整神经网络模型的参数后，重新计算预测位移量与实际位移量之间的均方误差，并根据均方误差再继续调整神经网络模型的其余参数，直至均方误差不再缩小。这样做的目的是使得预测位移量与实际位移量之间的误差达到最小值，提高测量的精度。
STEP4、利用优化后的神经网络模型测量位移，过程如下：
将轴向模态特征参数作归一化处理后输入优化后的神经网络模型中，得到输出值。
将输出值作反归一化处理得到与轴向模态特征参数对应的预测位移。
图2示意性示出了本申请实施例提供的一种SNAP结构微腔位移传感器的示意图。
如图2所示，SNAP结构微腔位移传感器包括：
一个SNAP结构微腔1、一根耦合波导2。耦合波导2的一端为整个传感器的光源输入端，另一端为传感信号输出端。SNAP结构微腔1与耦合波导2靠近并接触，SNAP结构微腔1可沿自身轴向移动。
该传感器的机理在于：当SNAP结构微腔1与耦合波导2靠近并接触时，各自由内部产生的倏逝场发生重叠，当彼此之间的相位满足谐振条件时将会发生谐振，谐振波长处的光波会被束缚在SNAP结构微腔1内部，而其余未发生谐振波长处的光透过耦合波导2到达光电探测器而被转换成电信号。其中，各个轴向模态的耦合强度由SNAP结构微腔1与耦合波导2耦合的倏逝场的重叠积分决定，当它们处于不同的耦合位置时，各阶轴向模态耦合强度随位移的变化表现出不同的变化趋势，且轴向模态特征参数由耦合的强度决定，同样表现出相同的变化特征，这种特征关于SNAP结构微腔1的中心横截面对称分布。
在此基础上，本申请实施例提出的如图1所示的方法，建立了基于轴向模态特征参数与位移的神经网络模型，通过测量轴向模态特征参数，可以反向预测位移。
实施例
下面以使用二氧化硅光纤制作的SNAP结构微腔位移传感器件为例对其工作原理和应用作进一步说明。
在本申请实施例中，SNAP结构微腔的轴向长度为400μm，半径截面为抛物线形，耦合波导为锥形光纤，SNAP结构微腔沿轴向移动的过程中始终与锥形光纤保持接触并耦合。
如果沿轴向移动SNAP结构微腔，将引起各阶轴向模态的耦合程度发生变化。相应地，各阶轴向模态谷值也会发生明显变化，这是由于锥形光纤和SNAP结构微腔彼此之间的各阶轴向模态的倏逝场的重叠部分发生了变化，通过计算机对透射谱的仿真计算可以得到它的典型透射谱图。
图3示意性地示出了本申请实施例提供的一种透射谱的示意图。
如图3所示，该透射谱表示的谐振波长之间的自由频谱间隔相等，不同谐振波长处的轴向模态谷值变化趋势明显不同。例如，以SNAP结构微腔的一端为位移零点，在位移从d1＝100μm变化到d2＝105μm时，归一化的轴向模态谷值出现增大或者减小。因此，在被测位移发生变化时，通过SNAP结构微腔位移传感系统产生的多个轴向模态相比于单模态传感体现了更多的有效传感信息。
图4示意性地示出了本申请实施例提供的一种轴向模态与位移的映射关系示意图。
如图4所示，该映射关系图表示的是前8阶轴向模态谷值随位移的变化图。其中，所有关系曲线关于200μm处对称，这是由SNAP结构的对称性决定的。因此，只能使用关系图中的一半来实现传感功能。同时，高阶轴向模态的分布范围在轴向上跨度更大，轴向模态两节点之间的轴向距离更短，对应的位移分辨率就越高。更高阶的模态的透过率与位移的特性关系与之类似。
图5示意性地示出了本发明实施例提供的一种神经网络模型的示意图。
在本申请实施例中，建立了基于反向传播(BP)神经网络模型，包含输入层、隐含层和输出层。在使用训练数据训练神经网络模型时，以被归一化处理的多阶轴向模态透射强度作为输入，对应的归一化位移作为唯一的输出来训练神经网络，从而建立两者之间的映射规律。
神经网络模型的初始设置参数如表1所示。
表1神经网络结构参数
Figure BDA0003295742620000091
BP神经网络模型的主要参数包含输入层神经元数量、隐含层数量、隐含层神经元数量、输出层神经元数量、学习率和训练目标误差。在用该BP神经网络模型进行位移测量前，应先优化上述参数，以提高位移传感系统的测量精度。
理论上，轴向模态特征参数的维数越大，测量的分辨率越高，但可测量的轴向模态数量是有限的。因此，为了精确实现位移的测量，本申请实施例中将输入层节点数确定为8个，当实际轴向模态特征参数的输入个数小于该值时，其他输入值设置为零。在训练之前对轴向模态特征参数进行归一化处理，将测量得到的数据归一化到[-1,1]区间内，可得到较高的测量精度。神经网络模型的输出为位移，因此输出层节点数为1。隐含层节点数以及隐含层层数取决于训练得到最小的方差的结果。
在本申请实施例中，通过理论仿真获取位移变化量的数据集，位移d的范围为0-200μm，取值间隔为0.2μm，数量为1001组。将位移带入透射谱计算公式可以获得相应的透射谱，从而后的相应的轴向模态特征参数。将这两组数据作归一化后得到训练数据。
在本申请实施例中，将神经网络模型的初始参数设置为：隐含层数量设置为1，隐含层节点数为10，学习率0.001，训练目标误差1×10-10。训练数据初定为501组数据(d的取值为[0μm:0.2μm:200μm])。由于BP神经网络的传感数据检测模型输出值的每次结果均有随机涨落，因此，为了确定BP神经网络中的最优参数，进行了大量仿真，仿真次数设置为100次，以找出每种具体条件下的MSE平均值。
如图6～10所示，分别表示了神经网络模型在隐含层节点数、学习率、训练目标误差、训练数据数目变化时，神经网络模型测量的位移与理论仿真的位移的均方误差的变化。
如图6所示，将神经网络模型的学习率设置为0.001,训练目标误差固定在1×10-10，训练集组数设置为501时，得到隐含层神经元节点数变化时均方误差变化的情况。如图6所示，当隐含层神经元数量为14时，均方误差值MSE取得最小值。因此，将所设计的神经网络模型的隐含层节点数设置为14。在此基础上继续优化其他神经网络参数。
如图7所示，将神经网络模型的隐含层结点数设为14，训练目标误差固定设为1×10-10，训练集组数固定设为501，得到学习率变化时导致的均方误差变化的情况。如图所示，当学习率设置为7×10-3时，神经网络模型进行数据拟合的均方误差最小，因此将所设计的神经网络模型的学习率设置为7×10-3。在此基础上，继续优化其他神经网络参数。
如图8所示，将神经网络模型的隐含层结点数设为14，学习率设为7×10-3，训练集组数设为501，得到当改变训练目标误差的值时均方误差变化的情况。如图所示，当训练目标误差达到1×10-10时，神经网络模型进行数据拟合的均方误差最低，因此将目标误差设置为5×10-9。在此基础上，继续优化其他神经网络参数。
如图9所示，将神经网络模型的隐含层结点数设为14，学习率设为7×10-3，训练目标误差设为5×10-9，得到改变训练数据组数时均方误差变化的情况。如图所示，当训练集组数为871时，神经网络模型的均方误差减小稳定到最小值。因此，在本发明实施例中，神经网络的训练取871组训练数据完成。在确定各参数的取值后，神经网络模型的性能达到最优，使用该神经网络模型预测的位移精度最高。
图10示意性示出了根据本申请实施例提供的一种神经网络模型测量的位移与理论仿真数据的对比图。从图中可以看出，预测位移与真实位移的数据点基本重合。该实施例表明本发明具有良好的测量性能，测量出的位移与实际完全吻合。
以上所述之实施例子只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (9)

1.一种基于神经网络的SNAP结构微腔位移传感信号的解调方法，其特征在于，包括以下步骤：
STEP1、将检测激光输入SNAP结构微腔位移传感系统中，对SNAP结构微腔位移传感系统量程内的一系列位移节点进行检测，以获取各所述位移节点处的轴向模态特征参数，并记录对应的位移；
STEP2、将所述轴向模态特征参数与对应的所述位移作为训练数据，训练预置的神经网络模型；
STEP3、根据所述位移优化所述神经网络模型中的各个参数，得到优化后的神经网络模型；
STEP4、利用所述优化后的神经网络模型测量SNAP结构微腔位移传感系统的位移。
2.根据权利要求1所述的方法，其特征在于，所述将所述轴向模态特征参数与对应的所述位移作为训练数据，对预置的神经网络模型进行训练，包括：
将所述的轴向模态特征参数归一化，作为所述神经网络模型的输入，将所述的位移归一化后作为输出，对所述预置神经网络模型进行训练，建立所述轴向模态特征参数与所述位移之间的映射关系。
3.根据权利要求1所述的方法，其特征在于，根据所述位移优化所述神经网络模型中的各个参数，得到优化后的神经网络模型，包括：
沿所述SNAP结构微腔轴向采集一系列位移节点处的轴向模态特征参数与对应的真实位移；
将所述轴向模态特征参数和所述位移分别作归一化处理；
将所述轴向模态特征参数作归一化处理后的数据输入所述神经网络模型，得到预测位移；
通过评价函数，计算所述预测位移和所述真实位移之间的均方误差；
根据所述均方误差调整所述神经网络模型的参数以优化神经网络。
4.根据权利要求3所述的方法，其特征在于，所述评价函数为：
Figure FDA0003295742610000021
其中，Xt表示所述训练数据中被归一化处理的所述位移，Yt表示向所述神经网络模型输入被归一化处理的所述轴向模态特征参数后所述神经网络模型预测的位移，t表示训练数据组号，N表示训练数据总组数，MSE表示评价函数。
5.根据权利要求1所述的方法，其特征在于，所述利用所述优化后的神经网络模型测量所述位移，包括：
将所述轴向模态特征参数归一化并输入所述优化后的神经网络模型；
将所述神经网络模型的输出值作反归一化处理，得到与所述轴向模态特征参数相对应的所述位移。
6.根据权利要求1所述的方法，其特征在于，所述将检测激光输入SNAP结构微腔位移传感系统中，对SNAP结构微腔位移传感系统量程内的一系列位移节点进行检测，以获取各所述位移节点处的轴向模态特征参数，包括：
沿SNAP结构微腔的轴向移动SNAP结构微腔靠近并接触耦合波导；
检测激光通过耦合波导耦合进入SNAP结构微腔中并发生谐振，形成多阶轴向模态谐振光波，使得发生谐振的光波被束缚在微腔中，未发生谐振的光波从耦合波导中输出；
通过光电探测器采集未发生谐振的光波并转换成电信号，传输给计算机处理，以获得轴向模态特征参数。
7.根据权利要求6所述的方法，其特征在于，所述检测激光为可调谐激光。
8.根据权利要求6所述的方法，其特征在于，所述耦合波导为锥形光纤。
9.根据权利要求6所述的方法，其特征在于，所述SNAP结构微腔的截面为抛物线形。
CN202111177230.1A 2021-10-09 2021-10-09 一种基于神经网络的snap结构微腔位移传感信号的解调方法 Active CN113945154B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111177230.1A CN113945154B (zh) 2021-10-09 2021-10-09 一种基于神经网络的snap结构微腔位移传感信号的解调方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111177230.1A CN113945154B (zh) 2021-10-09 2021-10-09 一种基于神经网络的snap结构微腔位移传感信号的解调方法

Publications (2)

Publication Number Publication Date
CN113945154A true CN113945154A (zh) 2022-01-18
CN113945154B CN113945154B (zh) 2023-06-23

Family

ID=79329439

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111177230.1A Active CN113945154B (zh) 2021-10-09 2021-10-09 一种基于神经网络的snap结构微腔位移传感信号的解调方法

Country Status (1)

Country Link
CN (1) CN113945154B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108871200A (zh) * 2018-06-01 2018-11-23 广东工业大学 一种基于表面纳米轴向光子结构回音壁微腔的探针式微位移传感系统
CN109918829A (zh) * 2019-03-19 2019-06-21 上海交通大学 一种针对结构的轴向模态识别方法
CN113446947A (zh) * 2021-06-25 2021-09-28 广东工业大学 一种基于双snap结构微腔阵列的角位移传感系统及方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108871200A (zh) * 2018-06-01 2018-11-23 广东工业大学 一种基于表面纳米轴向光子结构回音壁微腔的探针式微位移传感系统
CN109918829A (zh) * 2019-03-19 2019-06-21 上海交通大学 一种针对结构的轴向模态识别方法
CN113446947A (zh) * 2021-06-25 2021-09-28 广东工业大学 一种基于双snap结构微腔阵列的角位移传感系统及方法

Also Published As

Publication number Publication date
CN113945154B (zh) 2023-06-23

Similar Documents

Publication Publication Date Title
CN107270949B (zh) 温度与应变双参量传感系统及其测量方法
US11112316B2 (en) Optical fiber temperature sensor
CN105758434B (zh) 基于线阵InGaAs扫描FBG反射谱的传感解调方法
Rahmatiyar et al. Employment of cascaded coupled resonators for resolution enhancement in plasmonic refractive index sensors
CN107121726B (zh) 光纤双参量传感器及其制备方法
CN109781300A (zh) 一种基于光纤的同时测量温度和曲率的装置和方法
CN109253986B (zh) 一种级联傅里叶变换光谱仪的双环光学传感器
CN112432724B (zh) 基于光纤谐振腔游标效应的应力传感器及应力测量方法
CN204556023U (zh) 基于保偏光纤的双参量光纤传感器
CN111721336A (zh) 基于监督学习的自干涉微环谐振腔传感分类识别方法
CN113945154B (zh) 一种基于神经网络的snap结构微腔位移传感信号的解调方法
CN1924627A (zh) 分布式锥形光纤光栅传感器及其带宽解调装置、检测方法
Wei et al. Accurate Strain Sensing with Fiber-Optic Fabry-Perot Sensors based on CNN-LSTM Model
Swain et al. Realization of a temperature sensor using both two-and three-dimensional photonic structures through a machine learning technique
CN113446947B (zh) 一种基于双snap结构微腔阵列的角位移传感系统及方法
CN114018402B (zh) 一种光学谐振腔传感信号增强方法
CN111829437A (zh) 一种双波导耦合snap结构微腔阵列的位移传感系统
CN111895914B (zh) 一种基于双链式snap结构微腔阵列的位移传感系统
Zhuang et al. On-Chip Sub-Picometer Continuous Wavelength Fiber-Bragg-Grating Interrogator
CN108254085A (zh) 一种基于铌酸锂材料的大光程差新型波长解调装置及方法
CN104569489A (zh) 光栅组微机械加速度传感器及其测量加速度的方法
CN214174156U (zh) 一种基于Fano共振的纯食用植物油的检测装置
Dong et al. Large-range and high-sensitivity displacement sensing based on a SNAP microresonator by multimode encoding technique
CN204479609U (zh) 脉冲微机械加速度传感器
Zhu et al. High-sensitivity intensity-interrogated temperature sensor based on phase-modulated grating in chalcogenide fiber

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