CN114444293B - 一种基于迁移学习的类干涉信号解相方法 - Google Patents
一种基于迁移学习的类干涉信号解相方法 Download PDFInfo
- Publication number
- CN114444293B CN114444293B CN202210070398.0A CN202210070398A CN114444293B CN 114444293 B CN114444293 B CN 114444293B CN 202210070398 A CN202210070398 A CN 202210070398A CN 114444293 B CN114444293 B CN 114444293B
- Authority
- CN
- China
- Prior art keywords
- signal
- interference
- phi
- model
- training
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种基于迁移学习的类干涉信号解相方法,该方法利用迁移学习的思想,利用仿真数据作为模型的训练集,同时提出一种解相神经网络模型结构,最后训练出神经网络,而该神经网络可以直接用于实际测量中的类干涉信号的解相,进而用于实际测量中的位移重构。本发明利用仿真数据形成数据集,避免了构建模型过程中耗时耗力的数据集准备过程,极大节省了模型的开发周期。本发明标记函数生成过程即适用于模型训练,也适用于解相过程中标记信号的生成。本发明生成出的模型可以匹配类干涉信号,只要信号可以表示为cos(φt)的形式的都可以利用此模型进行解相。
Description
技术领域
本发明涉及一种基于迁移学习的类干涉信号解相方法,属于光学测量技术领域。
背景技术
自激光器问世以来,随着研究的深入,人们总结了在反馈条件下激光器的输出规律,由于反馈光对光源功率的调制效果与干涉信号类似,这一现象就被称作激光自混合干涉(SMI)。1980年,Lang和Kobayashi总结了激光二极管在光反馈下的动力学模型,该模型至今仍是研究激光自混合干涉现象的基础。
激光自混合干涉被应用至精密测量以来,为提高测量精度,许多学者从光学原理和信号处理方法进行了研究。一般使用相位调制和正交解调技术以精确地还原自混合干涉信号中携带的目标运动信息,然而这同时也使光学结构和信号处理变得复杂。有研究使用希尔伯特变换直接获取一对正交干涉信号,然后进行利用反正切算法进行正交解调,获取相位信息。然而,对于一个非平稳的数据序列,希尔伯特变换得到的结果很大程度上失去了原有的物理意义。因此信号多发生畸变,从而带来额外的误差。
在本发明中,我们构造了一种简单的转移学习方法和一个简单的神经网络,以实现类余弦信号的直接相位提取。在神经网络模型的训练过程中,以模拟的类余弦信号和标记信号作为输入,以模拟的相位作为标号。训练集易于仿真,结构简单,训练速度快。因此,该方法可以在不降低精度的情况下不额外添加光学元件并且简化信号处理过程。
发明内容
鉴于现有技术中存在上述技术难点,本发明目的在于提出一种基于迁移学习的类干涉信号解相方法,该方法利用迁移学习的思想,利用仿真数据作为模型的训练集,同时提出一种解相神经网络模型结构,最后训练出神经网络,而该神经网络可以直接用于实际测量中的类干涉信号的解相,进而用于实际测量中的位移重构。
本发明解决其技术问题所采取的技术方案是:一种基于迁移学习的类干涉信号解相方法,该方法基于迁移学习思想,利用仿真数据进行模型训练,同时提出标记函数的概念,用于构建解相神经网络。该方法包括如下步骤:
步骤1:产生一个仿真的cos(φt)信号,其中φt表示相位,取值从0到2π线性变化。
步骤2:引入一个flag函数,这个函数可以表示为:
flag函数能够让flag(φt)与cos(φt)组合取特定值时,φt的取值也可以唯一确定。flag函数可以让后续的神经网络可以被很好的训练出来。
步骤3:构建一个简单的双输入单输出的神经网络实现从自混合干涉信号直接提取相位。这里我们称之为解相神经网络。该解相神经网络具有一个输入层(包含两个输入神经元),一个隐藏层(包含n个神经元),和一个输出神经元(包含一个神经元)。设置隐藏层的层数、每层神经元的个数以及停止训练的条件。
步骤4:将仿真的cos(φt)信号和flag(φt)信号作为输入层的两个输入,而输出层的数据标签为φt,进行模型训练,训练好的模型,称之为解相神经网络。
步骤5:利用双光束干涉光路或者自混合干涉光路,获取实际的干涉信号。对干涉信号进行滤波处理,滤除明显的高频和低频噪声,得到尽量平整的干涉信号,然后对该干涉信号进行归一化,记为It。
步骤6:利用干涉信号It,提取外部物体运动的方向信号,记为Dt。
步骤7:对干涉信号It进行微分处理,得到微分信号,记为dIt。
步骤8:利用Dt和dIt组合生成标记信号,记为flagt。
步骤10:对解包裹的相位信号ψt进行线性计算直接重构位移。
本发明上述步骤3构建的神经网络模型包括如下步骤:
步骤3-1:设置神经网络模型参数,输入层为两个神经元,输出层为一个神经元,隐藏层层数以及每一层的神经元数量则以实际情况具体设置。
步骤3-2:设置迭代次数Epoch,和性能参数Performance,利用Δφti是否到达阈值控制模型训练的终止条件。然后将以仿真的cos(φt)i信号和flag(φt)i信号作为模型训练的输入,φti作为模型训练的标签值对模型进行有监督训练。其中i表示信号序列中第i个信号值。
进一步地,本发明模型训练利用了迁移学习的思想,所使用的训练数据是仿真的数据,而生成的模型可以直接用于实际的位移测量。本发明中的模型具有很强的用户调节功能,可以很容易生成训练集进行模型训练,同时训练集的信号长度可以不同于实际测量时的信号的长度,可以部署于实时测量系统。
进一步地,本发明可以通过调节迭代次数Epoch,和性能参数Performance来决定解相神经网络模型预测相位的分辨率,从而影响解相精度。本发明用户可以根据实际需求自定义隐藏层层数以及每一层的神经元数量,选取最短训练时间及最佳精度合适的层数及个数。
进一步地,对于可以表示为cos(φt)的形式信号,都可以采用本发明进行解相。
有益效果:
1、本发明利用仿真数据形成数据集,避免了构建模型过程中耗时耗力的数据集准备过程,极大节省了模型的开发周期。
2、本发明提出的标记函数生成过程即适用于模型训练,也适用于解相过程中标记信号的生成。
3、本发明生成出的模型可以匹配类干涉信号,只要信号可以表示为cos(φt)的形式,都可以利用此模型进行解相。
4、本发明不需要加入额外复杂的光学元件或者电路处理,而且模型训练以及模型预测过程都极为简单,计算开销很小,同时可以保证相位预测的高分辨率,因此很容易在测量仪器上部署。
附图说明
图1为本发明的方法流程图。
具体实施方式
为了更清楚地说明本发明的技术方案,下面将结合具体实施例和附图进行说明,显而易见地,下面描述中的实施例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,还可以根据这些实施例获得其他的实例。
如图1所示,本发明提出的一种基于迁移学习的类干涉信号解相方法,该方法包括以下步骤:
步骤1:产生一个仿真的cos(φt)信号,其中φt表示相位,取值从0到2π线性变化。
步骤2:引入一个flag函数,这个函数可以表示为:
可以看到flag函数的意义在于,可以让flag(φt)与cos(φt)组合取特定值时,φt的取值也可以唯一确定。flag函数可以让后续的神经网络可以被很好的训练出来。
步骤3:构建一个简单的双输入单输出的神经网络实现从自混合干涉信号直接提取相位。这里我们称之为解相神经网络。该解相神经网络具有一个输入层(包含两个输入神经元),一个隐藏层(包含n个神经元),和一个输出神经元(包含一个神经元)。设置隐藏层的层数、每层神经元的个数以及停止训练的条件。
步骤4:将仿真的cos(φt)信号和flag(φt)信号作为输入层的两个输入,而输出层的数据标签为φt,进行模型训练,训练好的模型,称之为解相神经网络。
步骤5:利用双光束干涉光路或者自混合干涉光路,获取实际的干涉信号。对干涉信号进行滤波处理,滤除明显的高频和低频噪声,得到尽量平整的干涉信号,然后对该干涉信号进行归一化,记为It。
步骤6:利用干涉信号It,提取外部物体运动的方向信号,记为Dt。
步骤7:对干涉信号It进行微分处理,得到微分信号,记为dIt。
步骤8:利用Dt和dIt组合生成标记信号,记为flagt。
步骤10:对解包裹的相位信号ψt进行线性计算直接重构位移。
本发明上述步骤3构建的神经网络模型包括如下步骤:
步骤3-1:设置神经网络模型参数,输入层为两个神经元,输出层为一个神经元,隐藏层层数以及每一层的神经元数量则以实际情况具体设置。
步骤3-2:设置迭代次数Epoch,和性能参数Performance,利用Δφti是否到达阈值控制模型训练的终止条件。然后将以仿真的cos(φt)i信号和flag(φt)i信号作为模型训练的输入,φti作为模型训练的标签值对模型进行有监督训练。其中i表示信号序列中第i个信号值。
本发明模型训练利用了迁移学习的思想,所使用的训练数据是仿真的数据,而生成的模型可以直接用于实际的位移测量。本发明中的模型具有很强的用户调节功能,可以很容易生成训练集进行模型训练,同时训练集的信号长度可以不同于实际测量时的信号的长度,可以部署于实时测量系统。
本发明通过调节迭代次数Epoch,和性能参数Performance来决定解相神经网络模型预测相位的分辨率,从而影响解相精度。本发明用户可以根据实际需求自定义隐藏层层数以及每一层的神经元数量,选取最短训练时间及最佳精度合适的层数及个数。
对于可以表示为cos(φt)的形式信号,都可以利用本发明进行解相。
Claims (3)
1.一种基于迁移学习的类干涉信号解相方法,其特征在于,所述方法包括如下步骤:
步骤1:产生一个仿真的cos(φt)信号,其中φt表示相位,取值从0到2π线性变化;
步骤2:引入一个flag函数,这个函数表示为:
flag函数能够让flag(φt)与cos(φt)组合取特定值时,φt的取值唯一确定;
步骤3:构建一个简单的双输入单输出的神经网络实现从自混合干涉信号直接提取相位,该神经网络具有一个输入层,包含两个输入神经元,一个隐藏层,包含n个神经元,和一个输出神经元,包含一个神经元,设置隐藏层的层数、每层神经元的个数以及停止训练的条件,包括:
步骤3-1:设置神经网络模型参数,输入层为两个神经元,输出层为一个神经元,隐藏层层数以及每一层的神经元数量则以实际情况具体设置;
步骤3-2:设置迭代次数Epoch,和性能参数Performance,利用Δφti是否到达阈值控制模型训练的终止条件,然后将以仿真的cos(φt)i信号和flag(φt)i信号作为模型训练的输入,φti作为模型训练的标签值对模型进行有监督训练,其中i表示信号序列中第i个信号值;
步骤4:将仿真的cos(φt)信号和flag(φt)信号作为输入层的两个输入,而输出层的数据标签为φt,进行模型训练,训练好的模型,称之为解相神经网络;
步骤5:利用双光束干涉光路或者自混合干涉光路,获取实际的干涉信号,对干涉信号进行滤波处理,滤除明显的高频和低频噪声,得到尽量平整的干涉信号,然后对该干涉信号进行归一化,记为It;
步骤6:利用干涉信号It,提取外部物体运动的方向信号,记为Dt;
步骤7:对干涉信号It进行微分处理,得到微分信号,记为dIt;
步骤8:利用Dt和dIt组合生成标记信号,记为flagt;
步骤10:对解包裹的相位信号ψt进行线性计算直接重构位移。
2.根据权利要求1所述的一种基于迁移学习的类干涉信号解相方法,其特征在于,生成训练集进行模型训练,同时训练集的信号长度不同于实际测量时的信号的长度,能够部署于实时测量系统。
3.根据权利要求1所述的一种基于迁移学习的类干涉信号解相方法,其特征在于,用户能够根据实际需求自定义隐藏层层数以及每一层的神经元数量,选取最短训练时间及最佳精度合适的层数及个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210070398.0A CN114444293B (zh) | 2022-01-21 | 2022-01-21 | 一种基于迁移学习的类干涉信号解相方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210070398.0A CN114444293B (zh) | 2022-01-21 | 2022-01-21 | 一种基于迁移学习的类干涉信号解相方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114444293A CN114444293A (zh) | 2022-05-06 |
CN114444293B true CN114444293B (zh) | 2023-06-23 |
Family
ID=81368737
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210070398.0A Active CN114444293B (zh) | 2022-01-21 | 2022-01-21 | 一种基于迁移学习的类干涉信号解相方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114444293B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113483671B (zh) * | 2021-05-11 | 2023-03-28 | 岭南师范学院 | 一种实时正交的激光自混合干涉位移测量仪及位移重构方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111460901A (zh) * | 2020-03-04 | 2020-07-28 | 西北大学 | 一种基于Wi-Fi信号和迁移学习的活动分类模型构建方法及系统 |
CN113627518A (zh) * | 2021-08-07 | 2021-11-09 | 福州大学 | 利用迁移学习实现多通道卷积-递归神经网络脑电情感识别模型的方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108446617B (zh) * | 2018-03-09 | 2022-04-22 | 华南理工大学 | 抗侧脸干扰的人脸快速检测方法 |
EP3896482A1 (en) * | 2020-04-15 | 2021-10-20 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Method for the computer-implemented generation of a synthetic data set for training a convolutional neural network for an interferometric sar |
CN113218520B (zh) * | 2021-04-30 | 2021-11-09 | 南京森林警察学院 | 一种激光脉宽的优化神经网络提取方法 |
CN113946990A (zh) * | 2021-08-11 | 2022-01-18 | 重庆大学 | Sto-btcn热误差预测模型建模方法及其迁移学习方法 |
-
2022
- 2022-01-21 CN CN202210070398.0A patent/CN114444293B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111460901A (zh) * | 2020-03-04 | 2020-07-28 | 西北大学 | 一种基于Wi-Fi信号和迁移学习的活动分类模型构建方法及系统 |
CN113627518A (zh) * | 2021-08-07 | 2021-11-09 | 福州大学 | 利用迁移学习实现多通道卷积-递归神经网络脑电情感识别模型的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114444293A (zh) | 2022-05-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Haidong et al. | A novel tracking deep wavelet auto-encoder method for intelligent fault diagnosis of electric locomotive bearings | |
Zhang et al. | Fault diagnosis of planetary gearbox using a novel semi-supervised method of multiple association layers networks | |
Li et al. | Study on planetary gear fault diagnosis based on variational mode decomposition and deep neural networks | |
Yin et al. | A real-time ship roll motion prediction using wavelet transform and variable RBF network | |
CN110543860B (zh) | 基于tjm迁移学习的机械故障诊断方法及系统 | |
Feng et al. | Anomaly detection of spectrum in wireless communication via deep auto-encoders | |
CN114444293B (zh) | 一种基于迁移学习的类干涉信号解相方法 | |
Orović et al. | Sparse time–frequency representation for signals with fast varying instantaneous frequency | |
CN110490947B (zh) | 核磁共振图像重建方法、装置、存储介质及终端设备 | |
CN114692509A (zh) | 基于多阶段退化神经网络的强噪声单光子三维重建方法 | |
CN103400158B (zh) | 基于动态形状码本学习的水平集跟踪方法 | |
CN111428788B (zh) | 基于深度学习的汽轮机发电机组转子多故障诊断方法及系统 | |
CN106202756A (zh) | 基于单层感知机的欠定盲源分离源信号恢复方法 | |
Lou et al. | Deep learning method for 3-DOF motion prediction of unmanned surface vehicles based on real sea maneuverability test | |
Wang et al. | A deep neural network based on kernel function and auto-encoder for bearing fault diagnosis | |
Zhu et al. | Ground target recognition using carrier-free UWB radar sensor with a semi-supervised stacked convolutional denoising autoencoder | |
CN103310463A (zh) | 基于概率主成分分析和压缩感知的在线目标跟踪方法 | |
Huang et al. | Structure damage detection based on ensemble learning | |
Rahman et al. | Self-supervised contrastive learning for radar-based human activity recognition | |
CN109991578B (zh) | 基于盲压缩核字典学习的多分量雷达信号调制识别方法 | |
CN104459695A (zh) | 基于压缩相位恢复的稀疏微波成像方法 | |
Bandt | Autocorrelation type functions for big and dirty data series | |
CN116109772A (zh) | 点云重建方法、装置、设备及可读存储介质 | |
Chen et al. | Rotating target classification base on micro-Doppler features using a modified adaptive boosting algorithm | |
Yang et al. | A neural network method for nonconvex optimization and its application on parameter retrieval |
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 |