CN114665956A - 一种基于少模光纤瑞利后向散射的光纤熔接偏移量检测方法 - Google Patents

一种基于少模光纤瑞利后向散射的光纤熔接偏移量检测方法 Download PDF

Info

Publication number
CN114665956A
CN114665956A CN202210264595.6A CN202210264595A CN114665956A CN 114665956 A CN114665956 A CN 114665956A CN 202210264595 A CN202210264595 A CN 202210264595A CN 114665956 A CN114665956 A CN 114665956A
Authority
CN
China
Prior art keywords
optical fiber
layer
offset
size
signature sequences
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
CN202210264595.6A
Other languages
English (en)
Other versions
CN114665956B (zh
Inventor
刘洁
唐钢
郭钰滢
黄聪
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.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen University
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 Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN202210264595.6A priority Critical patent/CN114665956B/zh
Publication of CN114665956A publication Critical patent/CN114665956A/zh
Application granted granted Critical
Publication of CN114665956B publication Critical patent/CN114665956B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
    • H04B10/07—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems
    • H04B10/071—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using a reflected signal, e.g. using optical time domain reflectometers [OTDR]
    • 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
    • G06N3/04—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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
    • H04B10/07—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems
    • H04B10/075—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
    • H04B10/07—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems
    • H04B10/075—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal
    • H04B10/079—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal using measurements of the data signal
    • H04B10/0795—Performance monitoring; Measurement of transmission parameters
    • H04B10/07951—Monitoring or measuring chromatic dispersion or PMD
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Optical Transform (AREA)
  • Testing Of Optical Devices Or Fibers (AREA)

Abstract

本发明属于光纤传感技术领域，更具体地，涉及一种基于少模光纤瑞利后向散射的光纤熔接偏移量检测方法。通过光时域反射仪对少模光纤中多个传输模式进行瑞利后向散射曲线的测定，将得到的瑞利后向散射曲线用于训练一维卷积神经网络算法，从而通过一维卷积神经网络对少模光纤熔接偏移以及偏移量进行测定，充分利用了少模光纤中传输的各个模式，解决现有基于瑞利后向散射曲线的光纤熔接偏移检测技术无法确定少模光纤熔接偏移量的问题，并避免了对单个模式的瑞利后向散射强度曲线测定时发生信号衰减造成熔接检测偏差。

Description

一种基于少模光纤瑞利后向散射的光纤熔接偏移量检测方法
技术领域
本发明属于光纤传感技术领域，更具体地，涉及一种基于少模光纤瑞利后向散射的光纤熔接偏移量检测方法。
背景技术
随着信息时代的发展，人类面临着海量的通信需求。而在现代通信领域中，光纤通信发挥着无比重要的作用。目前，基于单模光纤的光纤通信技术面临着严重的容量危机，人们尝试通过模式复用技术打破单模光纤的香农极限。经过多年的发展，基于少模光纤的光通信系统成为了一种非常具有吸引力的扩容方案，通过使用光纤中不同的正交模式传输信号，能够成倍的增加光纤通信系统的通信容量。未来，随着人类通信需求的增加，部署大量基于少模光纤的光网络是必然趋势。而在部署光网络时，光纤熔接出现偏移将会造成严重的信号失真和能量损失，特别是在应用少模光纤时，熔接偏移将造成不同正交模式的耦合，导致信道之间的相互串扰，将严重影响到通信的安全和质量。所以，如何对光纤通信系统中光纤熔接的偏移进行检测，一直是光纤通信领域和光纤传感领域想要解决的重要问题。
目前，针对光纤熔接偏移的检测方法大多是基于光时域反射技术，其中最为常见的光纤熔接质量检测方法是通过光时域反射仪(Optical Time Domain Reflectometer,OTDR)绘制光纤基模的后向瑞利散射曲线，通过观察曲线中的损耗来对熔接偏移及偏移量进行检测，这种方法对于单模光纤来说非常有效，因为单模光纤中仅传输基模，通过比较基模在熔接点前后的后向瑞利散射的强度便可以很容易的算出光纤熔接的偏移量。但对于具有多个传输模式的少模光纤来说，光纤的熔接不仅会造成模式能量的损耗，也会造成不同传输模式的相互耦合，能量在不同模式之间转化，使得熔接前后能量非常复杂。此时，如果只根据基模熔接前后瑞利后向散射的强度的变化，无法计算出熔接偏移量的大小。同时，根据实验证明，少模光纤中基模对于光纤熔接偏移的灵敏度低，虽然少模光纤中高阶模式对熔接偏移量更加敏感，但根据高阶模式瑞利后向散射强度曲线的测定仍然难以确定光纤熔接的偏移量。
综上，基于单模光纤基模的瑞利后向散射检测熔接偏移量的技术难以应用于少模光纤，且基模检测敏感度低，难以检测到较为微小的熔接偏移。而基于少模光纤单个高阶模式后向瑞利散射技术仅能对熔接质量的好坏进行检测，而不能得出熔接偏移量的具体数值，而且对于单个模式瑞利后向散射强度曲线的测定时还容易受到单个模式自身相互干涉引起的信号衰减。
发明内容
本发明为克服上述现有技术中的缺陷，提供一种基于少模光纤瑞利后向散射的光纤熔接偏移量检测方法，能够更加准确的检测少模光纤的偏移量，也提高了检测的灵敏度。
为解决上述技术问题，本发明采用的技术方案是：一种基于少模光纤瑞利后向散射的光纤熔接偏移量检测方法，包括以下步骤：
S1.系统的搭建：搭建针对少模光纤错位熔接的表征系统，包括光时域反射仪、环形器、掺铒光纤放大器、准直镜、偏振片、空间光调制器、四分之一玻片、分束器、两根待熔接的光纤、以及特种光纤熔接机；
S2.数据采集：光时域反射仪发射出来的脉冲光通过环形器并被掺铒光纤放大器放大后，经由准直透镜准直；经过偏振片变成偏振光后，光被反射到空间光调制器上进行模式调制，调制后的光先通过四分之一玻片变成圆偏振光，然后被耦合进提前按设定偏移值熔接好的少模光纤中；光纤中的瑞利后向散射反向传播，经过分束器后，在空间调制器上完成模式解调；解调后的光耦合进入单模光纤，通过环形器回到光时域反射仪，实现瑞利后向散射信号的探测和收集；
S3.数据处理：通过光时域反射仪对少模光纤的多个轨道角动量模式的瑞利后向散射曲线进行采集，将得到瑞利后向散射强度距离的数据曲线；截取瑞利后向散射强度距离曲线中对检测结果产生影响的部分曲线，将得到的曲线转换为一维序列，并对序列进行标准化处理后输入到卷积神经网络进行训练和预测；
S4.神经网络的训练与预测：利用卷积神经网络对标准化后的一维序列进行训练和预测，在训练阶段，利用一维卷积神经网络对标准化后的一维序列进行训练，输出层预测的偏移量将与输入一维序列实际对应偏移量构造均方误差损失函数，通过梯度的反向传播与随机梯度下降的方法更新卷积神经网络的参数；在预测阶段，将采集到的少模光纤多个模式的瑞利后向散射强度曲线送入训练好的卷积神经网络中，卷积神经网络对每个模式给出一个光纤熔接的偏移值，将这些偏移值求平均得到光纤熔接的偏移预测值。
本发明通过光时域反射仪对少模光纤中多个传输模式进行瑞利后向散射曲线的测定，将得到的瑞利后向散射曲线用于训练一维卷积神经网络算法，从而通过一维卷积神经网络对少模光纤熔接偏移以及偏移量进行测定，充分利用了少模光纤中传输的各个模式，解决现有基于瑞利后向散射曲线的光纤熔接偏移检测技术无法确定少模光纤熔接偏移量的问题，并避免了对单个模式的瑞利后向散射强度曲线测定时发生信号衰减造成熔接检测偏差。
在其中一个实施例中，所述的步骤S3具体包括：采集的原始序列时1×7834维的向量，从第4701个数据点开始截去，仅保留前4700个非0数据点，经过裁剪后的一维距离序列表示为x1，x2，...，xi，...x4700；然后对每个序列做标准化处理，表达为：
Figure BDA0003552146480000031
其中
Figure BDA0003552146480000032
其中，yi是xi经过标准化的结果，
Figure BDA0003552146480000033
是一维距离序列的4700个数据点的平均值，s是一维距离序列的4700个数据点的方差。
在其中一个实施例中，所述的卷积神经网络包括一个输入层、七个卷积层、七个最大池化层、三个全连接层和一个输出层。
在其中一个实施例中，所述的步骤S4具体包括：
S401.输入一维序列X1进入第一个卷积层C1；
S402.一维序列X1被8个大小为1*2，步长为1的卷积核的卷积后，生成8个特征序列X2_i{i＝1，...，8}；8个特征序列X2_i{i＝1，...，8}进入第一个池化层S1后，经过核大小为1*2，步长为2的最大池化后成为X3 i{i＝1，...，8}，再经过ReLU函数激活成为X3_i’{i＝1，...，8}，进入第二个卷积层C2；
S403.8个特征序列X3_i’{i＝1，...，8}被8个大小为1*1，步长为1的卷积核的卷积后，生成8个特征序列X4_i{i＝1，...，8}；8个特征序列X4_i{i＝1，...，8}进入第二个池化层S2后，经过核大小为1*1，步长为2的最大池化后成为X5i{i＝1，...，8}，再经过ReLU函数激活成为X5_i’{i＝1，...，8}，进入第三个卷积层C3；
S404.8个特征序列X5_i’{i＝1,...,8}被8个大小为1*1，步长为1的卷积核的卷积后，生成8个特征序列X6_i{i＝1,...,8}；8个特征序列X6_i{i＝1,...,8}进入第三个池化层S3后，经过核大小为1*1，步长为2的最大池化后成为X7i{i＝1,...,8}，再经过ReLU函数激活成为X7_i’{i＝1,...,8}，进入第四个卷积层C4；
S405.8个特征序列X7_i’{i＝1,...,8}被4个大小为1*1，步长为1的卷积核的卷积后，生成4个特征序列X8_i{i＝1,...,4}；4个特征序列X8_i{i＝1,...,4}进入第四个池化层S4后，经过核大小为1*1，步长为2的最大池化后成为X9i{i＝1,...,4}，再经过ReLU函数激活成为X9_i’{i＝1,...,4}，进入第五个卷积层C5；
S406.4个特征序列X9_i’{i＝1,...,4}被4个大小为1*1，步长为1的卷积核的卷积后，生成4个特征序列X10_i{i＝1,...,4}；4个特征序列X10_i{i＝1,...,4}进入第五个池化层S5后，经过核大小为1*1，步长为2的最大池化后成为X11i{i＝1,...,4}，再经过ReLU函数激活成为X11_i’{i＝1,...,4}，进入第六个卷积层C6；
S407.4个特征序列X11_i’{i＝1,...,4}被4个大小为1*1，步长为1的卷积核的卷积后，生成4个特征序列X12_i{i＝1,...,4}；4个特征序列X12_i{i＝1,...,4}进入第六个池化层S6后，经过核大小为1*1，步长为2的最大池化后成为X13i{i＝1,...,4}，再经过ReLU函数激活成为X13_i’{i＝1,...,4}，进入第七个卷积层C7；
S408.4个特征序列X13_i’{i＝1,...,4}被4个大小为1*1，步长为1的卷积核的卷积后，生成4个特征序列X14_i{i＝1,...,4}；4个特征序列X14_i{i＝1,...,4}进入第七个池化层S7后，经过核大小为1*1，步长为2的最大池化后成为X15i{i＝1,...,4}，再经过ReLU函数激活成为X15_i’{i＝1,...,4}；4个特征序列随后被展开拼接成一维向量，输入到全连接层FC1，全连接层FC1共有100个神经元；
S409.全连接层FC1的输出经过0.35概率的dropout后，输入到全连接层FC2，全连接层FC2共有25个神经元；
S410.全连接层FC2的输出经过0.25概率的dropout后，输入到全连接层FC3，全连接层FC3有1个神经元；
S411.FC3的1个神经元的输出进入输出层，输出层计算输入一维序列对应的光纤熔接偏移量；
S41.在训练阶段，输出层预测的偏移量将与输入一维序列实际对应偏移量构造均方误差损失函数，通过梯度的反向传播与随机梯度下降的方法更新卷积神经网络的参数；在预测阶段，将采集到的少模光纤多个模式的瑞利后向散射强度曲线送入该卷积神经网络，神经网络对每个模式给出一个光纤熔接的偏移值，将这些偏移值求平均得到光纤熔接的偏移预测值。
本发明还提供一种基于少模光纤瑞利后向散射的光纤熔接偏移量检测系统，包括：
数据采集模块：包括光时域反射仪、环形器、掺铒光纤放大器、准直镜、偏振片、空间光调制器、四分之一玻片、分束器、两根待熔接的光纤、以及特种光纤熔接机，光时域反射仪发射出来的脉冲光通过环形器并被掺铒光纤放大器放大后，经由准直透镜准直；经过偏振片变成偏振光后，光被反射到空间光调制器上进行模式调制，调制后的光先通过四分之一玻片变成圆偏振光，然后被耦合进提前按设定偏移值熔接好的少模光纤中；光纤中的瑞利后向散射反向传播，经过分束器后，在空间调制器上完成模式解调；解调后的光耦合进入单模光纤，通过环形器回到光时域反射仪，实现瑞利后向散射信号的探测和收集；
数据处理模块：用于通过光时域反射仪对少模光纤的多个轨道角动量模式的瑞利后向散射曲线进行采集，将得到瑞利后向散射强度距离的数据曲线；截取瑞利后向散射强度距离曲线中对检测结果产生影响的部分曲线，将得到的曲线转换为一维序列，并对序列进行标准化处理后输入到卷积神经网络进行训练和预测；
神经网络模块：用于利用卷积神经网络对标准化后的一维序列进行训练和预测，在训练阶段，利用一维卷积神经网络对标准化后的一维序列进行训练，输出层预测的偏移量将与输入一维序列实际对应偏移量构造均方误差损失函数，通过梯度的反向传播与随机梯度下降的方法更新卷积神经网络的参数；在预测阶段，将采集到的少模光纤多个模式的瑞利后向散射强度曲线送入训练好的卷积神经网络中，卷积神经网络对每个模式给出一个光纤熔接的偏移值，将这些偏移值求平均得到光纤熔接的偏移预测值。
在其中一个实施例中，所述的数据处理模块在对数据进行处理时，采集的原始序列时1×7834维的向量，从第4701个数据点开始截去，仅保留前4700个非0数据点，经过裁剪后的一维距离序列表示为x1，x2，...，xi，...x4700；然后对每个序列做标准化处理，表达为：
Figure BDA0003552146480000061
其中
Figure BDA0003552146480000062
其中，yi是xi经过标准化的结果，
Figure BDA0003552146480000063
是一维距离序列的4700个数据点的平均值，s是一维距离序列的4700个数据点的方差。
在其中一个实施例中，所述的神经网络模块包括一个输入层、七个卷积层、七个最大池化层、三个全连接层和一个输出层。
在其中一个实施例中，在所述的神经网络模块中，一维序列X1输入第一个卷积层C1；一维序列X1被8个大小为1*2，步长为1的卷积核的卷积后，生成8个特征序列X2_i{i＝1，...，8}；8个特征序列X2_i{i＝1，...，8}进入第一个池化层S1后，经过核大小为1*2，步长为2的最大池化后成为X3 i{i＝1，...，8}，再经过ReLU函数激活成为X3_i’{i＝1，...，8}，进入第二个卷积层C2；
8个特征序列X3_i’{i＝1，...，8}被8个大小为1*1，步长为1的卷积核的卷积后，生成8个特征序列X4_i{i＝1，...，8}；8个特征序列X4_i{i＝1，...，8}进入第二个池化层S2后，经过核大小为1*1，步长为2的最大池化后成为X5 i{i＝1，...，8}，再经过ReLU函数激活成为X5_i’{i＝1，...，8}，进入第三个卷积层C3；
8个特征序列X5_i’{i＝1，...，8}被8个大小为1*1，步长为1的卷积核的卷积后，生成8个特征序列X6_i{i＝1，...，8}；8个特征序列X6_i{i＝1，...，8}进入第三个池化层S3后，经过核大小为1*1，步长为2的最大池化后成为X7 i{i＝1，...，8}，再经过ReLU函数激活成为X7_i’{i＝1，...，8}，进入第四个卷积层C4；
8个特征序列X7_i’{i＝1，...，8}被4个大小为1*1，步长为1的卷积核的卷积后，生成4个特征序列X8_i{i＝1，...，4}；4个特征序列X8_i{i＝1，...，4}进入第四个池化层S4后，经过核大小为1*1，步长为2的最大池化后成为X9 i{i＝1，...，4}，再经过ReLU函数激活成为X9_i’{i＝1，...，4}，进入第五个卷积层C5；
4个特征序列X9_i’{i＝1，...，4}被4个大小为1*1，步长为1的卷积核的卷积后，生成4个特征序列X10_i{i＝1，...，4}；4个特征序列X10_i{i＝1，...，4}进入第五个池化层S5后，经过核大小为1*1，步长为2的最大池化后成为X11i{i＝1，...，4}，再经过ReLU函数激活成为X11_i’{i＝1，...，4}，进入第六个卷积层C6；
4个特征序列X11_i’{i＝1，...，4}被4个大小为1*1，步长为1的卷积核的卷积后，生成4个特征序列X12_i{i＝1，...，4}；4个特征序列X12_i{i＝1，...，4}进入第六个池化层S6后，经过核大小为1*1，步长为2的最大池化后成为X13i{i＝1,...,4}，再经过ReLU函数激活成为X13_i’{i＝1,...,4}，进入第七个卷积层C7；
4个特征序列X13_i’{i＝1,...,4}被4个大小为1*1，步长为1的卷积核的卷积后，生成4个特征序列X14_i{i＝1,...,4}；4个特征序列X14_i{i＝1,...,4}进入第七个池化层S7后，经过核大小为1*1，步长为2的最大池化后成为X15i{i＝1,...,4}，再经过ReLU函数激活成为X15_i’{i＝1,...,4}；4个特征序列随后被展开拼接成一维向量，输入到全连接层FC1，全连接层FC1共有100个神经元；
全连接层FC1的输出经过0.35概率的dropout后，输入到全连接层FC2，全连接层FC2共有25个神经元；
全连接层FC2的输出经过0.25概率的dropout后，输入到全连接层FC3，全连接层FC3有1个神经元；
FC3的1个神经元的输出进入输出层，输出层计算输入一维序列对应的光纤熔接偏移量；在训练阶段，输出层预测的偏移量将与输入一维序列实际对应偏移量构造均方误差损失函数，通过梯度的反向传播与随机梯度下降的方法更新卷积神经网络的参数；在预测阶段，将采集到的少模光纤多个模式的瑞利后向散射强度曲线送入该卷积神经网络，神经网络对每个模式给出一个光纤熔接的偏移值，将这些偏移值求平均得到光纤熔接的偏移预测值。
本发明还提供一种电子设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行计算机程序，所述的处理器执行所述计算机程序，实现以上所述的基于少模光纤瑞利后向散射的光纤熔接偏移量检测方法。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述的计算机程序被处理器执行时，实现以上所述的基于少模光纤瑞利后向散射的光纤熔接偏移量检测方法。
与现有技术相比，有益效果是：本发明提供的一种基于少模光纤瑞利后向散射的光纤熔接偏移量检测方法，通过对少模光纤多个传输模式进行瑞利后向散射曲线的测定，相对于现领域内普遍使用的对基模进行瑞利后向散射曲线测定方法不仅具有更高的灵敏度，能够检测到更微小的熔接偏移，还能充分利用不同模式的传输信道，避免检测单个模式时发生信号衰减；本发明结合一维卷积神经网络与光纤多个模式的瑞利后向散射曲线来对少模光纤熔接偏移进行检测，并测量其对应的偏移量，相对于目前只能通过瑞利后向散射曲线来检测偏移但无法确定偏移量的方法，有了质的突破。
附图说明
图1是本发明数据采集模块结构示意图。
图2是本发明强度距离数据曲线图。
图3是本发明卷积神经网络结构示意图。
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的一部分实施例，而不是全部的实施例。下面结合具体实施方式对本发明作在其中一个实施例中说明。其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本专利的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。另外，若本发明实施例中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，全文中出现的“和/或”的含义为，包括三个并列的方案，以“A和/或B”为例，包括A方案，或B方案，或A和B同时满足的方案。
实施例1：
一种基于少模光纤瑞利后向散射的光纤熔接偏移量检测方法，包括以下步骤：
S1.系统的搭建，如图1所示：搭建针对少模光纤错位熔接的表征系统，包括光时域反射仪、环形器、掺铒光纤放大器、准直镜、偏振片、空间光调制器、四分之一玻片、分束器、两根待熔接的光纤、以及特种光纤熔接机；
S2.数据采集，如图1所示：光时域反射仪发射出来的脉冲光通过环形器并被掺铒光纤放大器放大后，经由准直透镜1准直；经过偏振片变成偏振光后，光被反射到空间光调制器1上进行模式调制，调制后的光先通过四分之一玻片变成圆偏振光，然后被耦合进提前按设定偏移值熔接好的少模光纤中。光纤中的瑞利后向散射反向传播，经过分束器后，在空间调制器2上完成模式解调；解调后的光耦合进入单模光纤，通过环形器回到光时域反射计，实现瑞利后向散射信号的探测和收集；
S3.数据处理：通过光时域反射仪对少模光纤的多个轨道角动量模式的瑞利后向散射曲线进行采集，将得到瑞利后向散射强度距离的数据曲线；截取瑞利后向散射强度距离曲线中对检测结果产生影响的部分曲线，将得到的曲线转换为一维序列，并对序列进行标准化处理后输入到卷积神经网络进行训练和预测；
S4.神经网络的训练与预测：利用卷积神经网络对标准化后的一维序列进行训练和预测，在训练阶段，利用一维卷积神经网络对标准化后的一维序列进行训练，输出层预测的偏移量将与输入一维序列实际对应偏移量构造均方误差损失函数，通过梯度的反向传播与随机梯度下降的方法更新卷积神经网络的参数；在预测阶段，将采集到的少模光纤多个模式的瑞利后向散射强度曲线送入训练好的卷积神经网络中，卷积神经网络对每个模式给出一个光纤熔接的偏移值，将这些偏移值求平均得到光纤熔接的偏移预测值。
本发明通过光时域反射仪对少模光纤中多个传输模式进行瑞利后向散射曲线的测定，将得到的瑞利后向散射曲线用于训练一维卷积神经网络算法，从而通过一维卷积神经网络对少模光纤熔接偏移以及偏移量进行测定，充分利用了少模光纤中传输的各个模式，解决现有基于瑞利后向散射曲线的光纤熔接偏移检测技术无法确定少模光纤熔接偏移量的问题，并避免了对单个模式的瑞利后向散射强度曲线测定时发生信号衰减造成熔接检测偏差。
在其中一个实施例中，如图2所以，所述的步骤S3具体包括：采集的原始序列时1×7834维的向量，从第4701个数据点开始截去，仅保留前4700个非0数据点，经过裁剪后的一维距离序列表示为x1，x2，...，xi，...x4700；然后对每个序列做标准化处理，表达为：
Figure BDA0003552146480000101
其中
Figure BDA0003552146480000102
其中，yi是xi经过标准化的结果，
Figure BDA0003552146480000103
是一维距离序列的4700个数据点的平均值，s是一维距离序列的4700个数据点的方差。
在其中一个实施例中，如图3所示，所述的卷积神经网络包括一个输入层、七个卷积层、七个最大池化层、三个全连接层和一个输出层。
在其中一个实施例中，所述的步骤S4具体包括：
S401.输入一维序列X1进入第一个卷积层C1；
S402.一维序列X1被8个大小为1*2，步长为1的卷积核的卷积后，生成8个特征序列X2_i{i＝1，...，8}；8个特征序列X2_i{i＝1，...，8}进入第一个池化层S1后，经过核大小为1*2，步长为2的最大池化后成为X3 i{i＝1，...，8}，再经过ReLU函数激活成为X3_i’{i＝1，...，8}，进入第二个卷积层C2；
S403.8个特征序列X3_i’{i＝1，...，8}被8个大小为1*1，步长为1的卷积核的卷积后，生成8个特征序列X4_i{i＝1，...，8}；8个特征序列X4_i{i＝1，...，8}进入第二个池化层S2后，经过核大小为1*1，步长为2的最大池化后成为X5i{i＝1，...，8}，再经过ReLU函数激活成为X5_i’{i＝1，...，8}，进入第三个卷积层C3；
S404.8个特征序列X5_i’{i＝1，...，8}被8个大小为1*1，步长为1的卷积核的卷积后，生成8个特征序列X6_i{i＝1，...，8}；8个特征序列X6_i{i＝1，...，8}进入第三个池化层S3后，经过核大小为1*1，步长为2的最大池化后成为X7i{i＝1，...，8}，再经过ReLU函数激活成为X7_i’{i＝1，...，8}，进入第四个卷积层C4；
S405.8个特征序列X7_i’{i＝1，...，8}被4个大小为1*1，步长为1的卷积核的卷积后，生成4个特征序列X8_i{i＝1，...，4}；4个特征序列X8_i{i＝1，...，4}进入第四个池化层S4后，经过核大小为1*1，步长为2的最大池化后成为X9i{i＝1，...，4}，再经过ReLU函数激活成为X9_i’{i＝1，...，4}，进入第五个卷积层C5；
S406.4个特征序列X9_i’{i＝1，...，4}被4个大小为1*1，步长为1的卷积核的卷积后，生成4个特征序列X10_i{i＝1，...，4}；4个特征序列X10_i{i＝1，...，4}进入第五个池化层S5后，经过核大小为1*1，步长为2的最大池化后成为X11i{i＝1，...，4}，再经过ReLU函数激活成为X11_i’{i＝1，...，4}，进入第六个卷积层C6；
S407.4个特征序列X11_i’{i＝1，...，4}被4个大小为1*1，步长为1的卷积核的卷积后，生成4个特征序列X12_i{i＝1,...,4}；4个特征序列X12_i{i＝1,...,4}进入第六个池化层S6后，经过核大小为1*1，步长为2的最大池化后成为X13i{i＝1,...,4}，再经过ReLU函数激活成为X13_i’{i＝1,...,4}，进入第七个卷积层C7；
S408.4个特征序列X13_i’{i＝1,...,4}被4个大小为1*1，步长为1的卷积核的卷积后，生成4个特征序列X14_i{i＝1,...,4}；4个特征序列X14_i{i＝1,...,4}进入第七个池化层S7后，经过核大小为1*1，步长为2的最大池化后成为X15i{i＝1,...,4}，再经过ReLU函数激活成为X15_i’{i＝1,...,4}；4个特征序列随后被展开拼接成一维向量，输入到全连接层FC1，全连接层FC1共有100个神经元；
S409.全连接层FC1的输出经过0.35概率的dropout后，输入到全连接层FC2，全连接层FC2共有25个神经元；
S410.全连接层FC2的输出经过0.25概率的dropout后，输入到全连接层FC3，全连接层FC3有1个神经元；
S411.FC3的1个神经元的输出进入输出层，输出层计算输入一维序列对应的光纤熔接偏移量；
S41.在训练阶段，输出层预测的偏移量将与输入一维序列实际对应偏移量构造均方误差损失函数，通过梯度的反向传播与随机梯度下降的方法更新卷积神经网络的参数；在预测阶段，将采集到的少模光纤多个模式的瑞利后向散射强度曲线送入该卷积神经网络，神经网络对每个模式给出一个光纤熔接的偏移值，将这些偏移值求平均得到光纤熔接的偏移预测值。
实施例2
本实施例提供一种基于少模光纤瑞利后向散射的光纤熔接偏移量检测系统，包括：
数据采集模块，如图1所示，：包括光时域反射仪、环形器、掺铒光纤放大器、准直镜、偏振片、空间光调制器、四分之一玻片、分束器、两根待熔接的光纤、以及特种光纤熔接机，光时域反射仪发射出来的脉冲光通过环形器并被掺铒光纤放大器放大后，经由准直透镜准直；经过偏振片变成偏振光后，光被反射到空间光调制器上进行模式调制，调制后的光先通过四分之一玻片变成圆偏振光，然后被耦合进提前按设定偏移值熔接好的少模光纤中；光纤中的瑞利后向散射反向传播，经过分束器后，在空间调制器上完成模式解调；解调后的光耦合进入单模光纤，通过环形器回到光时域反射仪，实现瑞利后向散射信号的探测和收集；
数据处理模块：用于通过光时域反射仪对少模光纤的多个轨道角动量模式的瑞利后向散射曲线进行采集，将得到瑞利后向散射强度距离的数据曲线；截取瑞利后向散射强度距离曲线中对检测结果产生影响的部分曲线，将得到的曲线转换为一维序列，并对序列进行标准化处理后输入到卷积神经网络进行训练和预测；
神经网络模块：用于利用卷积神经网络对标准化后的一维序列进行训练和预测，在训练阶段，利用一维卷积神经网络对标准化后的一维序列进行训练，输出层预测的偏移量将与输入一维序列实际对应偏移量构造均方误差损失函数，通过梯度的反向传播与随机梯度下降的方法更新卷积神经网络的参数；在预测阶段，将采集到的少模光纤多个模式的瑞利后向散射强度曲线送入训练好的卷积神经网络中，卷积神经网络对每个模式给出一个光纤熔接的偏移值，将这些偏移值求平均得到光纤熔接的偏移预测值。
在其中一个实施例中，所述的数据处理模块在对数据进行处理时，采集的原始序列时1×7834维的向量，从第4701个数据点开始截去，仅保留前4700个非0数据点，经过裁剪后的一维距离序列表示为x1，x2，...，xi，...x4700；然后对每个序列做标准化处理，表达为：
Figure BDA0003552146480000121
其中
Figure BDA0003552146480000122
其中，yi是xi经过标准化的结果，
Figure BDA0003552146480000123
是一维距离序列的4700个数据点的平均值，s是一维距离序列的4700个数据点的方差。
在其中一个实施例中，如图3所示，所述的神经网络模块包括一个输入层、七个卷积层、七个最大池化层、三个全连接层和一个输出层。
在其中一个实施例中，在所述的神经网络模块中，一维序列X1输入第一个卷积层C1；一维序列X1被8个大小为1*2，步长为1的卷积核的卷积后，生成8个特征序列X2_i{i＝1，...，8}；8个特征序列X2_i{i＝1，...，8}进入第一个池化层S1后，经过核大小为1*2，步长为2的最大池化后成为X3 i{i＝1，...，8}，再经过ReLU函数激活成为X3_i’{i＝1，...，8}，进入第二个卷积层C2；
8个特征序列X3_i’{i＝1,...,8}被8个大小为1*1，步长为1的卷积核的卷积后，生成8个特征序列X4_i{i＝1,...,8}；8个特征序列X4_i{i＝1,...,8}进入第二个池化层S2后，经过核大小为1*1，步长为2的最大池化后成为X5 i{i＝1,...,8}，再经过ReLU函数激活成为X5_i’{i＝1,...,8}，进入第三个卷积层C3；
8个特征序列X5_i’{i＝1,...,8}被8个大小为1*1，步长为1的卷积核的卷积后，生成8个特征序列X6_i{i＝1,...,8}；8个特征序列X6_i{i＝1,...,8}进入第三个池化层S3后，经过核大小为1*1，步长为2的最大池化后成为X7 i{i＝1,...,8}，再经过ReLU函数激活成为X7_i’{i＝1,...,8}，进入第四个卷积层C4；
8个特征序列X7_i’{i＝1,...,8}被4个大小为1*1，步长为1的卷积核的卷积后，生成4个特征序列X8_i{i＝1,...,4}；4个特征序列X8_i{i＝1,...,4}进入第四个池化层S4后，经过核大小为1*1，步长为2的最大池化后成为X9 i{i＝1,...,4}，再经过ReLU函数激活成为X9_i’{i＝1,...,4}，进入第五个卷积层C5；
4个特征序列X9_i’{i＝1,...,4}被4个大小为1*1，步长为1的卷积核的卷积后，生成4个特征序列X10_i{i＝1,...,4}；4个特征序列X10_i{i＝1,...,4}进入第五个池化层S5后，经过核大小为1*1，步长为2的最大池化后成为X11i{i＝1,...,4}，再经过ReLU函数激活成为X11_i’{i＝1,...,4}，进入第六个卷积层C6；
4个特征序列X11_i’{i＝1,...,4}被4个大小为1*1，步长为1的卷积核的卷积后，生成4个特征序列X12_i{i＝1,...,4}；4个特征序列X12_i{i＝1,...,4}进入第六个池化层S6后，经过核大小为1*1，步长为2的最大池化后成为X13i{i＝1,...,4}，再经过ReLU函数激活成为X13_i’{i＝1,...,4}，进入第七个卷积层C7；
4个特征序列X13_i’{i＝1,...,4}被4个大小为1*1，步长为1的卷积核的卷积后，生成4个特征序列X14_i{i＝1,...,4}；4个特征序列X14_i{i＝1,...,4}进入第七个池化层S7后，经过核大小为1*1，步长为2的最大池化后成为X15i{i＝1,...,4}，再经过ReLU函数激活成为X15_i’{i＝1,...,4}；4个特征序列随后被展开拼接成一维向量，输入到全连接层FC1，全连接层FC1共有100个神经元；
全连接层FC1的输出经过0.35概率的dropout后，输入到全连接层FC2，全连接层FC2共有25个神经元；
全连接层FC2的输出经过0.25概率的dropout后，输入到全连接层FC3，全连接层FC3有1个神经元；
FC3的1个神经元的输出进入输出层，输出层计算输入一维序列对应的光纤熔接偏移量；在训练阶段，输出层预测的偏移量将与输入一维序列实际对应偏移量构造均方误差损失函数，通过梯度的反向传播与随机梯度下降的方法更新卷积神经网络的参数；在预测阶段，将采集到的少模光纤多个模式的瑞利后向散射强度曲线送入该卷积神经网络，神经网络对每个模式给出一个光纤熔接的偏移值，将这些偏移值求平均得到光纤熔接的偏移预测值。
实施例3
本实施例提供一种电子设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行计算机程序，所述的处理器执行所述计算机程序，实现实施例1所述的基于少模光纤瑞利后向散射的光纤熔接偏移量检测方法。
实施例4
本实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述的计算机程序被处理器执行时，实现实施例1所述的基于少模光纤瑞利后向散射的光纤熔接偏移量检测方法。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种基于少模光纤瑞利后向散射的光纤熔接偏移量检测方法，其特征在于，包括以下步骤：
S1.系统的搭建：搭建针对少模光纤错位熔接的表征系统，包括光时域反射仪、环形器、掺铒光纤放大器、准直镜、偏振片、空间光调制器、四分之一玻片、分束器、两根待熔接的光纤、以及特种光纤熔接机；
S2.数据采集：光时域反射仪发射出来的脉冲光通过环形器并被掺铒光纤放大器放大后，经由准直透镜准直；经过偏振片变成偏振光后，光被反射到空间光调制器上进行模式调制，调制后的光先通过四分之一玻片变成圆偏振光，然后被耦合进提前按设定偏移值熔接好的少模光纤中；光纤中的瑞利后向散射反向传播，经过分束器后，在空间调制器上完成模式解调；解调后的光耦合进入单模光纤，通过环形器回到光时域反射仪，实现瑞利后向散射信号的探测和收集；
S3.数据处理：通过光时域反射仪对少模光纤的多个轨道角动量模式的瑞利后向散射曲线进行采集，将得到瑞利后向散射强度距离的数据曲线；截取瑞利后向散射强度距离曲线中对检测结果产生影响的部分曲线，将得到的曲线转换为一维序列，并对序列进行标准化处理后输入到卷积神经网络进行训练和预测；
S4.神经网络的训练与预测：利用卷积神经网络对标准化后的一维序列进行训练和预测，在训练阶段，利用一维卷积神经网络对标准化后的一维序列进行训练，输出层预测的偏移量将与输入一维序列实际对应偏移量构造均方误差损失函数，通过梯度的反向传播与随机梯度下降的方法更新卷积神经网络的参数；在预测阶段，将采集到的少模光纤多个模式的瑞利后向散射强度曲线送入训练好的卷积神经网络中，卷积神经网络对每个模式给出一个光纤熔接的偏移值，将这些偏移值求平均得到光纤熔接的偏移预测值。
2.根据权利要求1所述的基于少模光纤瑞利后向散射的光纤熔接偏移量检测方法，其特征在于，所述的步骤S3具体包括：采集的原始序列时1×7834维的向量，从第4701个数据点开始截去，仅保留前4700个非0数据点，经过裁剪后的一维距离序列表示为x1,x2,…,xi,…x4700；然后对每个序列做标准化处理，表达为：
Figure FDA0003552146470000021
其中
Figure FDA0003552146470000022
其中，yi是xi经过标准化的结果，
Figure FDA0003552146470000023
是一维距离序列的4700个数据点的平均值，s是一维距离序列的4700个数据点的方差。
3.根据权利要求2所述的基于少模光纤瑞利后向散射的光纤熔接偏移量检测方法，其特征在于，所述的卷积神经网络包括一个输入层、七个卷积层、七个最大池化层、三个全连接层和一个输出层。
4.根据权利要求3所述的基于少模光纤瑞利后向散射的光纤熔接偏移量检测方法，其特征在于，所述的步骤S4具体包括：
S401.输入一维序列X1进入第一个卷积层C1；
S402.一维序列X1被8个大小为1*2，步长为1的卷积核的卷积后，生成8个特征序列X2_i{i＝1,...,8}；8个特征序列X2_i{i＝1,...,8}进入第一个池化层S1后，经过核大小为1*2，步长为2的最大池化后成为X3i{i＝1,...,8}，再经过ReLU函数激活成为X3_i’{i＝1,...,8}，进入第二个卷积层C2；
S403.8个特征序列X3_i’{i＝1,...,8}被8个大小为1*1，步长为1的卷积核的卷积后，生成8个特征序列X4_i{i＝1,...,8}；8个特征序列X4_i{i＝1,...,8}进入第二个池化层S2后，经过核大小为1*1，步长为2的最大池化后成为X5i{i＝1,...,8}，再经过ReLU函数激活成为X5_i’{i＝1,...,8}，进入第三个卷积层C3；
S404.8个特征序列X5_i’{i＝1,...,8}被8个大小为1*1，步长为1的卷积核的卷积后，生成8个特征序列X6_i{i＝1,...,8}；8个特征序列X6_i{i＝1,...,8}进入第三个池化层S3后，经过核大小为1*1，步长为2的最大池化后成为X7i{i＝1,...,8}，再经过ReLU函数激活成为X7_i’{i＝1,...,8}，进入第四个卷积层C4；
S405.8个特征序列X7_i’{i＝1,...,8}被4个大小为1*1，步长为1的卷积核的卷积后，生成4个特征序列X8_i{i＝1,...,4}；4个特征序列X8_i{i＝1,...,4}进入第四个池化层S4后，经过核大小为1*1，步长为2的最大池化后成为X9i{i＝1,...,4}，再经过ReLU函数激活成为X9_i’{i＝1,...,4}，进入第五个卷积层C5；
S406.4个特征序列X9_i’{i＝1,...,4}被4个大小为1*1，步长为1的卷积核的卷积后，生成4个特征序列X10_i{i＝1,...,4}；4个特征序列X10_i{i＝1,...,4}进入第五个池化层S5后，经过核大小为1*1，步长为2的最大池化后成为X11i{i＝1,...,4}，再经过ReLU函数激活成为X11_i’{i＝1,...,4}，进入第六个卷积层C6；
S407.4个特征序列X11_i’{i＝1,...,4}被4个大小为1*1，步长为1的卷积核的卷积后，生成4个特征序列X12_i{i＝1,...,4}；4个特征序列X12_i{i＝1,...,4}进入第六个池化层S6后，经过核大小为1*1，步长为2的最大池化后成为X13i{i＝1,...,4}，再经过ReLU函数激活成为X13_i’{i＝1,...,4}，进入第七个卷积层C7；
S408.4个特征序列X13_i’{i＝1,...,4}被4个大小为1*1，步长为1的卷积核的卷积后，生成4个特征序列X14_i{i＝1,...,4}；4个特征序列X14_i{i＝1,...,4}进入第七个池化层S7后，经过核大小为1*1，步长为2的最大池化后成为X15i{i＝1,...,4}，再经过ReLU函数激活成为X15_i’{i＝1,...,4}；4个特征序列随后被展开拼接成一维向量，输入到全连接层FC1，全连接层FC1共有100个神经元；
S409.全连接层FC1的输出经过0.35概率的dropout后，输入到全连接层FC2，全连接层FC2共有25个神经元；
S410.全连接层FC2的输出经过0.25概率的dropout后，输入到全连接层FC3，全连接层FC3有1个神经元；
S411.FC3的1个神经元的输出进入输出层，输出层计算输入一维序列对应的光纤熔接偏移量；
S41.在训练阶段，输出层预测的偏移量将与输入一维序列实际对应偏移量构造均方误差损失函数，通过梯度的反向传播与随机梯度下降的方法更新卷积神经网络的参数；在预测阶段，将采集到的少模光纤多个模式的瑞利后向散射强度曲线送入该卷积神经网络，神经网络对每个模式给出一个光纤熔接的偏移值，将这些偏移值求平均得到光纤熔接的偏移预测值。
5.一种基于少模光纤瑞利后向散射的光纤熔接偏移量检测系统，其特征在于，包括：
数据采集模块：包括光时域反射仪、环形器、掺铒光纤放大器、准直镜、偏振片、空间光调制器、四分之一玻片、分束器、两根待熔接的光纤、以及特种光纤熔接机，光时域反射仪发射出来的脉冲光通过环形器并被掺铒光纤放大器放大后，经由准直透镜准直；经过偏振片变成偏振光后，光被反射到空间光调制器上进行模式调制，调制后的光先通过四分之一玻片变成圆偏振光，然后被耦合进提前按设定偏移值熔接好的少模光纤中；光纤中的瑞利后向散射反向传播，经过分束器后，在空间调制器上完成模式解调；解调后的光耦合进入单模光纤，通过环形器回到光时域反射仪，实现瑞利后向散射信号的探测和收集；
数据处理模块：用于通过光时域反射仪对少模光纤的多个轨道角动量模式的瑞利后向散射曲线进行采集，将得到瑞利后向散射强度距离的数据曲线；截取瑞利后向散射强度距离曲线中对检测结果产生影响的部分曲线，将得到的曲线转换为一维序列，并对序列进行标准化处理后输入到卷积神经网络进行训练和预测；
神经网络模块：用于利用卷积神经网络对标准化后的一维序列进行训练和预测，在训练阶段，利用一维卷积神经网络对标准化后的一维序列进行训练，输出层预测的偏移量将与输入一维序列实际对应偏移量构造均方误差损失函数，通过梯度的反向传播与随机梯度下降的方法更新卷积神经网络的参数；在预测阶段，将采集到的少模光纤多个模式的瑞利后向散射强度曲线送入训练好的卷积神经网络中，卷积神经网络对每个模式给出一个光纤熔接的偏移值，将这些偏移值求平均得到光纤熔接的偏移预测值。
6.根据权利要求5所述的基于少模光纤瑞利后向散射的光纤熔接偏移量检测系统，其特征在于，所述的数据处理模块在对数据进行处理时，采集的原始序列时1×7834维的向量，从第4701个数据点开始截去，仅保留前4700个非0数据点，经过裁剪后的一维距离序列表示为x1,x2,…,xi,…x4700；然后对每个序列做标准化处理，表达为：
Figure FDA0003552146470000041
其中
Figure FDA0003552146470000042
其中，yi是xi经过标准化的结果，
Figure FDA0003552146470000043
是一维距离序列的4700个数据点的平均值，s是一维距离序列的4700个数据点的方差。
7.根据权利要求5所述的基于少模光纤瑞利后向散射的光纤熔接偏移量检测系统，其特征在于，所述的神经网络模块包括一个输入层、七个卷积层、七个最大池化层、三个全连接层和一个输出层。
8.根据权利要求7所述的基于少模光纤瑞利后向散射的光纤熔接偏移量检测系统，其特征在于，在所述的神经网络模块中，一维序列X1输入第一个卷积层C1；一维序列X1被8个大小为1*2，步长为1的卷积核的卷积后，生成8个特征序列X2_i{i＝1,...,8}；8个特征序列X2_i{i＝1,...,8}进入第一个池化层S1后，经过核大小为1*2，步长为2的最大池化后成为X3i{i＝1,...,8}，再经过ReLU函数激活成为X3_i’{i＝1,...,8}，进入第二个卷积层C2；
8个特征序列X3_i’{i＝1,...,8}被8个大小为1*1，步长为1的卷积核的卷积后，生成8个特征序列X4_i{i＝1,...,8}；8个特征序列X4_i{i＝1,...,8}进入第二个池化层S2后，经过核大小为1*1，步长为2的最大池化后成为X5i{i＝1,...,8}，再经过ReLU函数激活成为X5_i’{i＝1,...,8}，进入第三个卷积层C3；
8个特征序列X5_i’{i＝1,...,8}被8个大小为1*1，步长为1的卷积核的卷积后，生成8个特征序列X6_i{i＝1,...,8}；8个特征序列X6_i{i＝1,...,8}进入第三个池化层S3后，经过核大小为1*1，步长为2的最大池化后成为X7i{i＝1,...,8}，再经过ReLU函数激活成为X7_i’{i＝1,...,8}，进入第四个卷积层C4；
8个特征序列X7_i’{i＝1,...,8}被4个大小为1*1，步长为1的卷积核的卷积后，生成4个特征序列X8_i{i＝1,...,4}；4个特征序列X8_i{i＝1,...,4}进入第四个池化层S4后，经过核大小为1*1，步长为2的最大池化后成为X9i{i＝1,...,4}，再经过ReLU函数激活成为X9_i’{i＝1,...,4}，进入第五个卷积层C5；
4个特征序列X9_i’{i＝1,...,4}被4个大小为1*1，步长为1的卷积核的卷积后，生成4个特征序列X10_i{i＝1,...,4}；4个特征序列X10_i{i＝1,...,4}进入第五个池化层S5后，经过核大小为1*1，步长为2的最大池化后成为X11i{i＝1,...,4}，再经过ReLU函数激活成为X11_i’{i＝1,...,4}，进入第六个卷积层C6；
4个特征序列X11_i’{i＝1,...,4}被4个大小为1*1，步长为1的卷积核的卷积后，生成4个特征序列X12_i{i＝1,...,4}；4个特征序列X12_i{i＝1,...,4}进入第六个池化层S6后，经过核大小为1*1，步长为2的最大池化后成为X13i{i＝1,...,4}，再经过ReLU函数激活成为X13_i’{i＝1,...,4}，进入第七个卷积层C7；
4个特征序列X13_i’{i＝1,...,4}被4个大小为1*1，步长为1的卷积核的卷积后，生成4个特征序列X14_i{i＝1,...,4}；4个特征序列X14_i{i＝1,...,4}进入第七个池化层S7后，经过核大小为1*1，步长为2的最大池化后成为X15i{i＝1,...,4}，再经过ReLU函数激活成为X15_i’{i＝1,...,4}；4个特征序列随后被展开拼接成一维向量，输入到全连接层FC1，全连接层FC1共有100个神经元；
全连接层FC1的输出经过0.35概率的dropout后，输入到全连接层FC2，全连接层FC2共有25个神经元；
全连接层FC2的输出经过0.25概率的dropout后，输入到全连接层FC3，全连接层FC3有1个神经元；
FC3的1个神经元的输出进入输出层，输出层计算输入一维序列对应的光纤熔接偏移量；在训练阶段，输出层预测的偏移量将与输入一维序列实际对应偏移量构造均方误差损失函数，通过梯度的反向传播与随机梯度下降的方法更新卷积神经网络的参数；在预测阶段，将采集到的少模光纤多个模式的瑞利后向散射强度曲线送入该卷积神经网络，神经网络对每个模式给出一个光纤熔接的偏移值，将这些偏移值求平均得到光纤熔接的偏移预测值。
9.一种电子设备，包括：存储器、处理器以及存储在存储器上并可在处理器上运行计算机程序，其特征在于，所述的处理器执行所述计算机程序，实现权利要求1至4任一项所述的基于少模光纤瑞利后向散射的光纤熔接偏移量检测方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述的计算机程序被处理器执行时，实现权利要求1至4任一项所述的基于少模光纤瑞利后向散射的光纤熔接偏移量检测方法。
CN202210264595.6A 2022-03-17 2022-03-17 一种基于少模光纤瑞利后向散射的光纤熔接偏移量检测方法 Active CN114665956B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210264595.6A CN114665956B (zh) 2022-03-17 2022-03-17 一种基于少模光纤瑞利后向散射的光纤熔接偏移量检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210264595.6A CN114665956B (zh) 2022-03-17 2022-03-17 一种基于少模光纤瑞利后向散射的光纤熔接偏移量检测方法

Publications (2)

Publication Number Publication Date
CN114665956A true CN114665956A (zh) 2022-06-24
CN114665956B CN114665956B (zh) 2023-05-30

Family

ID=82029142

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210264595.6A Active CN114665956B (zh) 2022-03-17 2022-03-17 一种基于少模光纤瑞利后向散射的光纤熔接偏移量检测方法

Country Status (1)

Country Link
CN (1) CN114665956B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110071762A (zh) * 2019-04-30 2019-07-30 吉林大学 一种基于高阶模式背向瑞利散射的少模光纤故障检测方法
CN112929084A (zh) * 2021-03-27 2021-06-08 温州大学 一种少模光纤链路故障检测灵敏度的分析方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110071762A (zh) * 2019-04-30 2019-07-30 吉林大学 一种基于高阶模式背向瑞利散射的少模光纤故障检测方法
CN112929084A (zh) * 2021-03-27 2021-06-08 温州大学 一种少模光纤链路故障检测灵敏度的分析方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈威成;胡贵军;刘峰;陈翠光;王勃然;: "少模光纤熔接点处模式耦合测量", 光学学报 *

Also Published As

Publication number Publication date
CN114665956B (zh) 2023-05-30

Similar Documents

Publication Publication Date Title
CN103616165B (zh) 光纤损耗测量系统
CN104422582B (zh) 使用otdr仪器的光纤测试
CN102879081B (zh) 一种分布式光纤振动系统中的数据处理方法
CN114565595A (zh) 一种基于环芯光纤光斑的熔接偏移量的检测方法
CN111912400B (zh) 一种保偏光纤环分布式偏振串扰双向同时测量装置及方法
CN110926758B (zh) 一种测量混合光纤模式的装置
JP7412605B2 (ja) 導波音響波型ブリルアン散乱からの光ファイバにおけるモードフィールド分布の推定
CN111982000B (zh) 一种基于Beta标架的光纤形状重构方法及装置
CN110987038B (zh) 一种分布式光纤扰动检测装置
CN110595599B (zh) 减少光纤振动系统偏振衰落的方法及应用其的探测系统
CN106568580B (zh) 保偏光纤的轴向应变-双折射系数的测量系统及测量和计算方法
CN104374549B (zh) 一种长保偏光纤偏振特性的分段式筛选系统与方法
CN114665956A (zh) 一种基于少模光纤瑞利后向散射的光纤熔接偏移量检测方法
CN111664880A (zh) 一种基于法布里珀罗的光纤传感器及其应用
CN215810908U (zh) 一种基于级联保偏光纤的复合传感器
Cen et al. Multi-wavelength transmission-reflection analysis for fiber monitoring
CN108534990A (zh) 基于otdr的光子晶体光纤环熔点反射强度确定方法
JP3336587B2 (ja) 光線路特性の自動解析方法
Hossain et al. Performance analysis of crosstalk due to inter-core coupling in a heterogeneous multi-core optical fiber communication system
US20220228859A1 (en) Estimating core-cladding concentricity error in optical fibers using guided acoustic-wave brillouin scattering
CN105717069B (zh) 基于带有微槽结构的dbr激光器的折射率传感器
CN218271048U (zh) 一种分布式光纤的振动传感与声发射监测系统
CN114257300B (zh) 光网络单元onu设备运行状态的测试方法及装置
CN215114590U (zh) 一种基于ofdr技术的光纤传感系统
JP3609623B2 (ja) 異径コアファイバ接続部の接続損失推定方法および異径コアファイバの接続方法

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