CN114199785A - 基于gan数据增强的回音壁微腔传感方法 - Google Patents
基于gan数据增强的回音壁微腔传感方法 Download PDFInfo
- Publication number
- CN114199785A CN114199785A CN202111366789.9A CN202111366789A CN114199785A CN 114199785 A CN114199785 A CN 114199785A CN 202111366789 A CN202111366789 A CN 202111366789A CN 114199785 A CN114199785 A CN 114199785A
- Authority
- CN
- China
- Prior art keywords
- data
- micro
- training data
- gan
- self
- 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
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
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于GAN数据增强的回音壁微腔传感方法,包括如下步骤:采用自干涉微环谐振腔传感器测量系统进行实验,直流电压源在自干涉微环谐振腔传感器的金属电极两端施加不同电压来加热探测臂波导,通过宽谱光源发射光源,在不同电压下,探测臂波导温度不同,导致光传输频谱的变化,在不同电压值时,通过光谱仪收集光传输频谱,最后获得多组训练数据,每组训练数据包括施加的电压值数据以及对应的微腔传感器的光传输频谱数据;基于实验收集的真实训练数据,采用生成式对抗网络生成设定数量的逼近真实训练数据的GAN生成数据。本发明可以有效提高多模传感的灵敏度,且降低实验训练集采集成本。
Description
技术领域
本发明属于光学传感器技术领域,具体涉及光学微谐振腔。
背景技术
回音壁模式(whispering gallery modes,WGM)光学微腔具有超高的品质因子(Q)和极小的模式体积(V),因而能极大地增强光与物质的相互作用强度,在低阈值激光器,光信号处理,光互联,非线性光学,腔光力以及超高灵敏传感等领域都有广泛的应用。其中WGM光学微腔作为光学传感器,因其超高灵敏度且抗电磁干扰能力强,可多功能集成及高度灵活性等优点,在单纳米颗粒,单个生物分子、病毒,化学气体,以及温度,磁场,角速度和压力/应力等物理量检测领域获得了广泛研究,具有潜在的巨大商业应用前景。
在WGM光学微腔中,光场局限在谐振腔内,但仍有部分能量通过倏逝场泄漏到环境中,当待测物质靠近微腔并进入到倏逝场后,与倏逝场相互作用,将会导致光学模式的变化,这些变化包括模式移动,模式分裂以及模式展宽。对吸收系数较大的待测物,比如金属纳米颗粒、碳纳米管等,通过利用待测物的吸收损耗导致的模式线宽变化进行检测。另外,当纳米颗粒导致腔内的背散足够强而引起模式劈裂,也能实现有效的传感。这类传感机制都将导致微腔表面吸附有待测颗粒,易受到污染,限制了传感器的重复测量次数。
基于回音壁模式光学微腔的常规传感方法仍依赖于跟踪单个模式的变化,激光源线宽限制了监测的动态范围。在测量过程中,必须及时对激光源波长范围进行微调,以继续追踪所选的模式变化。测量中回音壁模式谐振腔的透射光谱在不同的温度下具有不同的光谱特征(谐振波长、模式间隔、耦合深度、线宽等),含有丰富的传感信息,比较单模测量不仅能提高传感灵敏度,具备较强抗噪声能力,而且能扩大测量范围,具备多参量传感测量的能力。
其中,一种自干涉微环谐振腔结构传感器,即用一个探测臂波导连接微环谐振腔的两个耦合区域。它的典型出射频谱中各个模式的线形具有不同的线宽和传输消光值。与传统微环谐振腔结构的典型出射频谱完全不同,后者各个谐振模式洛伦兹线形在波长上呈现周期性。该自干涉微环谐振腔耗散耦合传感机理在于该探测臂波导受外界探测目标的影响产生微小的相位变化,将导致波导和微环外耦合系数的显著变化,最终导致传输谱上共振波长和传输消光变化。基于该自干涉微环谐振腔结构传感器,已提出了一种基于机器学习算法的多模传感方法,即将实验中的测量到的宽带多模光谱数据作为输入,相应传感目标量作为标签训练该神经网络传感模型,然后将待求传感目标多模光谱数据输入进训练好的神经网络进行测试。但在实际应用中,需要大量充足的训练数据才能在多模传感测量方法中得到较高的传感灵敏度。然而采集足够的训练数据采集不仅耗时,而且限于受仪器的精度和物理范围,在实际中常常是非常困难的。因此如何获得充足的训练数据来提高传感灵敏度成为多模传感机制中一个关键的问题。
发明内容
本发明所要解决的技术问题就是提供一种基于GAN数据增强的回音壁微腔传感方法,获得充足的训练数据来提高传感灵敏度。
为解决上述技术问题,本发明采用如下技术方案:
基于GAN数据增强的回音壁微腔传感方法,包括如下步骤:
采用自干涉微环谐振腔传感器测量系统进行实验,自干涉微环谐振腔传感器设有探测臂,探测臂上设有金属电极,自干涉微环谐振腔传感器测量系统包括直流电压源、宽谱光源、光谱仪,直流电压源在自干涉微环谐振腔传感器的金属电极两端施加不同电压来加热探测臂波导,通过宽谱光源发射光源,在不同电压下,探测臂波导温度不同,导致光传输频谱的变化,在不同电压值时,通过光谱仪收集光传输频谱,最后获得多组训练数据,每组训练数据包括施加的电压值数据以及对应的微腔传感器的光传输频谱数据;
基于实验收集的真实训练数据,采用生成式对抗网络生成设定数量的逼近真实训练数据的GAN生成数据。
优选的,实验过程中,直流电压源施加的直流电压从0V到4V,且间隔步长为0.1V;对应的传输光谱从1500nm到1620nm,共获取41组数据构成训练数据集。
优选的,实验用宽谱光源为超辐射发光二极管,波长为1550nm,半极大值全宽度为50nm。
本发明基于既有实验训练集,利用人工智能生成对抗网络(GAN)扩充原实验训练集,利用GAN生成的训练集数据,有效提高多模传感的灵敏度,且降低实验训练集采集成本,为最终实现可集成、便携式、低成本的高精度光学微腔传感奠定重要基础。
本发明的具体技术方案及其有益效果将会在下面的具体实施方式中结合附图进行详细的说明。
附图说明
下面结合附图和具体实施方式对本发明作进一步描述:
图1为自干涉微环谐振腔及其干涉臂测量系统示意图;
图2为GAN数据增强的多模传感图;
图3a为判别器损失函数随epoch变化曲线图;
图3b为生成器损失函数随epoch变化曲线图;
图4a为未利用以上GAN技术的统计直方图;
图4b为利用以上GAN技术的统计直方图;
图5a为无数据增强时预测电压和实际电压对比值图;
图5b为GAN生成数据为1000时预测电压和实际电压对比值图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
可以采用现有的自干涉微环谐振腔传感器测量系统,如图1所示,自干涉微环谐振腔传感器测量系统,包括自干涉微环谐振腔传感器1、直流电压源2、宽谱光源3、光谱仪4,自干涉微环谐振腔传感器设有探测臂,探测臂上设有金属电极,直流电压源在自干涉微环谐振腔传感器的金属电极两端施加不同电压来加热探测臂波导,在不同电压下,探测臂波导温度不同,通过宽谱光源发射光源,由于探测臂波导温度的不同,导致光传输频谱的变化。
为了获得实验训练集,本发明基于GAN数据增强的回音壁微腔传感方法,首先采用自干涉微环谐振腔传感器测量系统进行实验,并获得多组训练数据,每组训练数据包括施加的电压值数据以及对应的微腔传感器的传输光频谱数据。
由于需要大量充足的训练数据才能在多模传感测量方法中得到较高的传感灵敏度。然而通过上述方式获得的实验训练集不够充足。因此,为了获得充足的训练数据来提高传感灵敏度。如图2所示,基于实验收集的真实训练数据,采用生成式对抗网络生成设定数量的逼近真实训练数据的GAN生成数据。
具体实施时,用低压化学气相沉积法将氮化硅波导嵌入到二氧化硅衬底上制备了自相干微环谐振腔传感芯片。该传感器芯片微环半径为100μm,探测波导长度为250μm,微环与波导之间间隙设置为200nm,波导损耗系数约为0.67dB/cm。在探测臂上面设置“折叠型”金属电极,通过在该电极两端加不同电压来加热探测臂波导。在不同电压下,探测臂波导温度不同,导致频谱上多个传输模式的变化。该实验用宽谱光源(超辐射发光二极管SLD),波长为1550nm,半极大值全宽度为50nm。
在不同电压值时,用光谱仪进行传输谱收集。由于该自干涉微环谐振腔结构具有较强的波长依赖性响应,其宽带光谱包含丰富的多模频域信息。可用监督学习算法人工神经网络处理。为此,改变了在微加热器上施加的直流电压从0V到4V(间隔步长为0.1V),并收集了自干涉微环谐振腔传感器的相应传输光谱(从1500nm到1620nm),存在49个模式。该41个频谱数据和电压值构成数据集。从中选出一部分用于人工神经网络通过训练学习建立传感探测模型进行电压测量,其中神经网络的输入为频谱数据,输出标签为相应电压数据。因此一般需要足够的标记数据来进行训练。在该传感研究中,基于人工神经网络的多模传感灵敏度在一定程度上依赖于训练数据。如果训练数据集大小足够合适,理论和实验表明该多模传感灵敏度相比较单模传感可提高100倍以上。但本例中由于电压变化精度所限(仅0.1V),测试范围内数据集数目有限仅为41组。因此在实际应用中,采集足够的训练数据不仅耗时,而且限于仪器的精度和参量的物理范围,常常是非常困难的。因此本实施方式采用生成式对抗网络生成设定数量的逼近真实训练数据的GAN生成数据,来提高传感灵敏度。
生成式对抗网络(Generative Adversarial Networks,GAN),是一种深度学习模型。模型通过框架中主要有两个模块:生成模型(Generative Model)和判别模型(Discriminative Model)的互相博弈学习中产生逼真输入的输出。GAN大多应用在图像生成,输入一定数量原始图片,给定一个初始噪声后,通过训练判别模型和生成模型,可生成一定数量的与原始图片特性接近的虚假图片。但随着GAN的不断发展和成熟,GAN在数据增强方面有着突出的作用,当面对训练数据不足的问题时,可以利用GAN生成较高质量的训练数据。因此本发明采用GAN网络助力自干涉微环谐振腔生成训练数据。
GAN的网络结构包括生成器和判别器。G(Generator),生成器,用服从某一分布(均匀分布,高斯分布等)的噪声z生成一个类似真实训练数据的样本,生成的数据会当做负样本给判别器。D(Discriminator),判别器,估计一个样本来自于真实训练数据(而非生成假数据)的概率,如果样本来自于真实的训练数据,D输出大概率,否则,D输出小概率。判别器对生成器生成的不可信的结果进行惩罚。具体训练过程是进行单独交替迭代训练,在训练判别器的时候,保持生成器固定。此时,判别器训练过程中试图去分辨出数据的真假,对于判别器来说,识别出一个经过彻底训练的生成器,和识别出一个未经训练的,输出是随机产生的生成器,两者不是同一个难度。生成网络的目的是生成尽可能逼真的样本,所以对于生成网络的训练其实是对生成-判别网络串接的训练。现在就将假样本的标签都设置为1,也就是认为这些假样本在生成网络训练的时候是真样本。这样能起到迷惑判别器的目的,才能使得生成的假样本逐渐逼近为正样本。将样本传入生成器中,得到的误差传到生成网络后更新生成网络的参数。这样就完成了生成网络的训练了。
本发明将从光学微腔多个模式丰富的传感信息和维度出发,受多传感器信息融合技术的启发,收集实验训练数据,采用人工神经网络进行多模传感信息融合实现高灵敏度测量。如图2所示,基于实验收集的训练数据,针对训练数据不足的问题,采用生成对抗网络生成足量逼近真实训练数据的数据,与真实实验收集训练数据构成较完备充足的训练集,重点研究GAN增强数据的大小以及范围对传感灵敏度的影响,从而达到提高传感灵敏度的目的,使得该方法在实际中更易应用。
表1GAN网络的参数
基于前述训练数据,建立图2所示的基于WGAN数据增强的传感预测模型,参数如表1所示。判别器和生成器损失函数随epoch变化曲线如图3a、3b所示,这里epoch为2500时,两个损失函数基本达到稳定。
图4b显示了利用以上GAN技术的统计直方图,与图4a比较后可以看到在GAN生成数据为1000时,MSE在0.002-0.004范围内分布比例更多,所以有较好的增强效果。
图5a、5b显示了电压的预测值和实际值的对比,可以看到在GAN生成数据为1000时,有很好的准确度,所以有较好的增强效果。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,熟悉该本领域的技术人员应该明白本发明包括但不限于上面具体实施方式中描述的内容。任何不偏离本发明的功能和结构原理的修改都将包括在权利要求书的范围中。
Claims (3)
1.基于GAN数据增强的回音壁微腔传感方法,其特征在于,包括如下步骤:
采用自干涉微环谐振腔传感器测量系统进行实验,自干涉微环谐振腔传感器设有探测臂,探测臂上设有金属电极,自干涉微环谐振腔传感器测量系统包括直流电压源、宽谱光源、光谱仪,直流电压源在自干涉微环谐振腔传感器的金属电极两端施加不同电压来加热探测臂波导,通过宽谱光源发射光源,在不同电压下,探测臂波导温度不同,导致光传输频谱的变化,在不同电压值时,通过光谱仪收集光传输频谱,最后获得多组训练数据,每组训练数据包括施加的电压值数据以及对应的微腔传感器的光传输频谱数据;
基于实验收集的真实训练数据,采用生成式对抗网络生成设定数量的逼近真实训练数据的GAN生成数据。
2.根据权利要求1所述的基于GAN数据增强的回音壁微腔传感方法,其特征在于,实验过程中,直流电压源施加的直流电压从0V到4V,且间隔步长为0.1V;对应的传输光谱从1500nm到1620nm,共获取41组数据构成训练数据集。
3.根据权利要求1所述的基于GAN数据增强的回音壁微腔传感方法,其特征在于,实验用宽谱光源为超辐射发光二极管,波长为1550nm,半极大值全宽度为50nm。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111366789.9A CN114199785B (zh) | 2021-11-18 | 2021-11-18 | 基于gan数据增强的回音壁微腔传感方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111366789.9A CN114199785B (zh) | 2021-11-18 | 2021-11-18 | 基于gan数据增强的回音壁微腔传感方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114199785A true CN114199785A (zh) | 2022-03-18 |
CN114199785B CN114199785B (zh) | 2023-09-26 |
Family
ID=80648020
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111366789.9A Active CN114199785B (zh) | 2021-11-18 | 2021-11-18 | 基于gan数据增强的回音壁微腔传感方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114199785B (zh) |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6763340B1 (en) * | 2000-09-22 | 2004-07-13 | The United States Of America As Represented By The Secretary Of The Air Force | Microelectromechanical system artificial neural network device |
US20050200373A1 (en) * | 2004-03-10 | 2005-09-15 | Yakymyshyn Christopher P. | Signal acquisition probing system using a micro-cavity laser capable of sensing DC voltages |
US20100297363A1 (en) * | 2009-05-19 | 2010-11-25 | Stephen Arnold | Functionalizing a sensing ribbon on a whispering gallery mode microresonator using light force to fabricate a whispering gallery mode sensor |
US20110306854A1 (en) * | 2010-04-20 | 2011-12-15 | Stephen Arnold | Syringe-based whispering gallery mode microresonator microfluidic biochem sensor |
US20120069331A1 (en) * | 2010-08-09 | 2012-03-22 | Siyka Shopova | Plasmonic enhancement of whispering gallery mode biosensors |
CN108896857A (zh) * | 2018-07-06 | 2018-11-27 | 北京四方继保自动化股份有限公司 | 一种基于深度学习的变压器复杂工况识别方法 |
WO2019127231A1 (en) * | 2017-12-28 | 2019-07-04 | Intel Corporation | Training data generators and methods for machine learning |
CN110488414A (zh) * | 2019-08-06 | 2019-11-22 | 上海交通大学 | 基于微环辅助马赫-增德尔光开关的自动校准装置及方法 |
CN110554006A (zh) * | 2019-09-04 | 2019-12-10 | 中国科学技术大学 | 基于自干涉微环谐振腔传感器的多模态测量方法 |
CN110720915A (zh) * | 2019-09-09 | 2020-01-24 | 浙江工业大学 | 一种基于gan的脑部电阻抗断层成像方法 |
US20200150601A1 (en) * | 2018-11-09 | 2020-05-14 | Curious Ai Oy | Solution for controlling a target system |
US20200193290A1 (en) * | 2018-12-12 | 2020-06-18 | Korea Advanced Institute Of Science And Technology | Thickness prediction network learning method, semiconductor device manufacturing method, and semiconductor material deposition equipment |
CN111721336A (zh) * | 2020-03-09 | 2020-09-29 | 浙江工业大学 | 基于监督学习的自干涉微环谐振腔传感分类识别方法 |
CN111812042A (zh) * | 2020-07-06 | 2020-10-23 | 电子科技大学 | 一种基于石墨烯薄膜的回音壁微球分子气体传感器 |
CN112036435A (zh) * | 2020-07-22 | 2020-12-04 | 温州大学 | 一种基于卷积神经网络的无刷直流电机传感器故障检测方法 |
CN112329913A (zh) * | 2020-10-22 | 2021-02-05 | 中国科学院西安光学精密机械研究所 | 一种基于微腔光频梳的并行光学神经网络系统及识别方法 |
CN112525858A (zh) * | 2020-11-27 | 2021-03-19 | 中红外激光研究院(江苏)有限公司 | 一种基于微腔热致振铃效应的气体传感器及气体浓度测量方法 |
CN112946363A (zh) * | 2019-12-11 | 2021-06-11 | 国网湖北省电力有限公司电力科学研究院 | 一种基于神经网络的电网阻抗在线辨识方法 |
US20220026777A1 (en) * | 2018-09-17 | 2022-01-27 | Uniwersytet Warszawski | Tunable optical microcavity for modulation and generation of specific radiation |
-
2021
- 2021-11-18 CN CN202111366789.9A patent/CN114199785B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6763340B1 (en) * | 2000-09-22 | 2004-07-13 | The United States Of America As Represented By The Secretary Of The Air Force | Microelectromechanical system artificial neural network device |
US20050200373A1 (en) * | 2004-03-10 | 2005-09-15 | Yakymyshyn Christopher P. | Signal acquisition probing system using a micro-cavity laser capable of sensing DC voltages |
US20100297363A1 (en) * | 2009-05-19 | 2010-11-25 | Stephen Arnold | Functionalizing a sensing ribbon on a whispering gallery mode microresonator using light force to fabricate a whispering gallery mode sensor |
US20110306854A1 (en) * | 2010-04-20 | 2011-12-15 | Stephen Arnold | Syringe-based whispering gallery mode microresonator microfluidic biochem sensor |
US20120069331A1 (en) * | 2010-08-09 | 2012-03-22 | Siyka Shopova | Plasmonic enhancement of whispering gallery mode biosensors |
WO2019127231A1 (en) * | 2017-12-28 | 2019-07-04 | Intel Corporation | Training data generators and methods for machine learning |
CN108896857A (zh) * | 2018-07-06 | 2018-11-27 | 北京四方继保自动化股份有限公司 | 一种基于深度学习的变压器复杂工况识别方法 |
US20220026777A1 (en) * | 2018-09-17 | 2022-01-27 | Uniwersytet Warszawski | Tunable optical microcavity for modulation and generation of specific radiation |
US20200150601A1 (en) * | 2018-11-09 | 2020-05-14 | Curious Ai Oy | Solution for controlling a target system |
US20200193290A1 (en) * | 2018-12-12 | 2020-06-18 | Korea Advanced Institute Of Science And Technology | Thickness prediction network learning method, semiconductor device manufacturing method, and semiconductor material deposition equipment |
CN110488414A (zh) * | 2019-08-06 | 2019-11-22 | 上海交通大学 | 基于微环辅助马赫-增德尔光开关的自动校准装置及方法 |
CN110554006A (zh) * | 2019-09-04 | 2019-12-10 | 中国科学技术大学 | 基于自干涉微环谐振腔传感器的多模态测量方法 |
CN110720915A (zh) * | 2019-09-09 | 2020-01-24 | 浙江工业大学 | 一种基于gan的脑部电阻抗断层成像方法 |
CN112946363A (zh) * | 2019-12-11 | 2021-06-11 | 国网湖北省电力有限公司电力科学研究院 | 一种基于神经网络的电网阻抗在线辨识方法 |
CN111721336A (zh) * | 2020-03-09 | 2020-09-29 | 浙江工业大学 | 基于监督学习的自干涉微环谐振腔传感分类识别方法 |
CN111812042A (zh) * | 2020-07-06 | 2020-10-23 | 电子科技大学 | 一种基于石墨烯薄膜的回音壁微球分子气体传感器 |
CN112036435A (zh) * | 2020-07-22 | 2020-12-04 | 温州大学 | 一种基于卷积神经网络的无刷直流电机传感器故障检测方法 |
CN112329913A (zh) * | 2020-10-22 | 2021-02-05 | 中国科学院西安光学精密机械研究所 | 一种基于微腔光频梳的并行光学神经网络系统及识别方法 |
CN112525858A (zh) * | 2020-11-27 | 2021-03-19 | 中红外激光研究院(江苏)有限公司 | 一种基于微腔热致振铃效应的气体传感器及气体浓度测量方法 |
Non-Patent Citations (5)
Title |
---|
HAOLIANG ZHANG ET AL.: "Implementation of generative adversarial network-CLS combined with bidirectional long short-term memory for lithium-ion battery state prediction", 《JOURNAL OF ENERGY STORAGE》 * |
TIAN ZHANG ET AL.: "Machine learning and evolutionary algorithm studies of graphene metamaterials for optimized plasmon-induced transparency", 《OPTICS EXPRESS》, pages 18899 - 18916 * |
XIAOJUN WU ET AL.: "Deep Learning-Based Generic Automatic Surface Defect Inspection (ASDI) With Pixelwise Segmentation", 《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》 * |
刘正;严英占;刘俊;闫树斌;: "基于光学微腔的MOEMS微位移传感器", 自动化与仪表, no. 02 * |
方舟 等: "基于对抗生成网络与BP神经网络的低压台区线损率预测", 《浙江电力》, pages 46 - 51 * |
Also Published As
Publication number | Publication date |
---|---|
CN114199785B (zh) | 2023-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101371129B (zh) | 表面等离子体共振传感器以及利用其检测样品的方法 | |
US8456640B2 (en) | Apparatus and method for measuring reflectance of optical laser components | |
CN108534811A (zh) | 一种短腔光纤法珀传感器的腔长解调算法 | |
Fallauto et al. | Compensated surface plasmon resonance sensor for long-term monitoring applications | |
CN109253986B (zh) | 一种级联傅里叶变换光谱仪的双环光学传感器 | |
Tian et al. | Deep learning assisted microwave photonic dual-parameter sensing | |
Tian et al. | Deep learning enhanced time-domain microwave photonic sensor | |
CN109580037A (zh) | 基于光子晶体光纤fp结构的温度传感器及其制作方法 | |
CN108254336A (zh) | 一种太赫兹光谱仪 | |
CN114199785B (zh) | 基于gan数据增强的回音壁微腔传感方法 | |
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 | |
Luo et al. | TDLAS/WMS embedded system for oxygen concentration detection of glass vials with variational mode decomposition | |
Zabit et al. | Automatic detection of multi-modality in self-mixing interferometer | |
Harun et al. | Theoretical and experimental study on the fiber optic displacement sensor with two receiving fibers | |
CN111523376A (zh) | 基于无监督学习的自干涉微环谐振腔传感分类识别方法 | |
CN208076389U (zh) | 一种太赫兹光谱仪 | |
Ruiz-Lombera et al. | Automatic strain detection in a Brillouin optical time domain sensor using principal component analysis and artificial neural networks | |
CN114184296A (zh) | 基于迁移学习的多模微环谐振腔温度传感处理方法及装置 | |
CN102608043A (zh) | 激光环路光子晶体气室式痕量气体分子浓度测量方法 | |
Zhang et al. | A firefly algorithm-based spectral fitting technique for wavelength modulation spectroscopy systems | |
Dai et al. | Demodulation of the multi-peak fiber Bragg grating sensor based on partial wavelength scan | |
Zhuang et al. | A microwave photonics fiber loop ring-down system | |
Ooi et al. | Signal demodulation for surface plasmon resonance tilted fiber Bragg grating based on root sum squared method | |
Mao et al. | On‐Chip Multimode WGM Microresonator with Cross‐Correlation Algorithm for Enhanced Sensing | |
US20220283076A1 (en) | Mechano-optical analysis system, method for producing same, use for identifying and classifying cell populations and mechano-optical analysis 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 |