CN116861167B - 一种基于深度学习的fbg光谱循环去噪方法 - Google Patents

Abstract

本发明提供了一种基于深度学习的FBG光谱循环去噪方法，该方法包括构建FBG反射光谱数据库，构建基于深度学习的FBG光谱循环去噪模型，通过FBG反射光谱数据库对FBG光谱循环去噪模型进行训练及性能改进，将待去噪的FBG光谱输入FBG光谱循环去噪模型，得到纯净FBG光谱数据。本发明提供的基于深度学习的FBG光谱循环去噪方法，能够实现对FBG含噪声光谱进行噪声分离，能够对光谱信号进行重建。

Description

一种基于深度学习的FBG光谱循环去噪方法

技术领域

本发明涉及光纤传感技术领域，特别是涉及一种基于深度学习的FBG光谱循环去噪方法。

背景技术

光纤布拉格光栅(FBG)传感器具有抗电磁干扰、适应恶劣环境等优点，已经广泛应用于电网健康监测、土木工程、环境监测、煤矿井下等领域。然而，FBG传感系统容易受到恶劣环境的影响，使得FBG反射光谱中含有大量的噪声。在光纤光栅传感器的实际应用中，环境往往比较复杂，光纤光栅传感器长时间处于恶劣环境中。一方面，不相关的振动会使FBG光谱不平滑，甚至在光谱上出现许多信号突变。另一方面，由于光学光谱分析仪(OSA)的光电转换系统在长期使用过程中性能下降，会产生系统噪声。此外，FBG传感阵列在信号传输时也会收到背景噪声的影响，在整个光谱范围内发生基线漂移。峰值检测精度是决定光纤光栅测量精度的关键因素。然而，噪声会影响光纤光栅的解调精度和性能。

近年来，为降低噪声对FGB光谱影响，国内外学者利用多种去噪算法对FBG光谱进行去噪，如小波阈值去噪(Wavelet)、完全自适应噪声集合经验模态分解(CEEMDAN)、Savitzky-Golay平滑滤波法，但上述方法没有充分考虑FBG光谱噪声形成的原因，只是对其光谱进行了不同程度的平滑，当光谱中发生基线漂移时，上述去噪方法无法实现对原有光谱信号的有效重建。而基于深度学习的二维图片去噪方法在近几年迅速发展，卷积神经网络可以通过提取图片特征，不断学习含噪声图片与去噪图片之间的非线性关系，实现噪声分离。FBG光谱在一定波长范围内可以认为是一维数据，相较于二维图片，其更容易进行噪声分离训练，实现光谱信号重构。因此，设计一种基于深度学习的FBG光谱循环去噪方法是十分有必要的。

发明内容

本发明的目的是提供一种基于深度学习的FBG光谱循环去噪方法，能够实现对FBG含噪声光谱进行噪声分离，能够对光谱信号进行重建。

为实现上述目的，本发明提供了如下方案：

一种基于深度学习的FBG光谱循环去噪方法，包括如下步骤：

步骤1：构建FBG反射光谱数据库；

步骤2：构建基于深度学习的FBG光谱循环去噪模型；

步骤3：通过FBG反射光谱数据库对FBG光谱循环去噪模型进行训练及性能改进；

步骤4：将待去噪的FBG光谱输入FBG光谱循环去噪模型，得到纯净FBG光谱数据。

可选的，步骤1中，构建FBG反射光谱数据库，具体为：

生成模拟FBG光谱数据，其中，每条模拟FBG光谱数据的组成为：

I_D(λ)＝I_s(λ)+I_f(λ)+I_b(λ)+I_r(λ) (1)

式中，I_s(λ)为FBG反射信号在光通道中发生微弱衰减后采集得到的光谱，I_f(λ)为发生周期性干扰的噪声，I_b(λ)为具有基线漂移的背景噪声，I_r(λ)为随机噪声，展开说明，FBG反射信号在光通道中发生微弱衰减后采集得到的光谱I_s(λ)表示为：

I_s(λ)＝I₀(λ)(1-α₁)²R(λ) (2)

式中，I₀(λ)为光源输出强度，α₁为光纤中第一个反射点的强度反射率，小于4％，R(λ)为纯净FBG光谱，形状为类高斯型，通过下式生成：

式中，λ为采集得到的光谱信号的波长，R₀为在布拉格波长λ_B处的最大反射率，W为光谱的3dB带宽；

发生周期性干扰的噪声I_f(λ)表示为：

式中，为一个反射点与FBG传感器之间的距离，/>为随机相位因子；

具有基线漂移的背景噪声I_b(λ)表示为：

I_b(λ)＝I₀(λ)[α₁+β(λ)] (5)

式中，β(λ)在大范围波长内基线漂移；

随机噪声I_r(λ)表示为：

I_r(λ)＝I₀(λ)(1-α₁)²R(λ)n_r(λ) (6)

式中，n_r(λ)为模拟FBG光谱中的随机噪声；

模拟大量具有不同信噪比的模拟FBG光谱数据，其中，生成的模拟光谱信噪比为：

对生成的所有的模拟FBG光谱数据进行划分，将其划分为训练集、验证集及测试集，其中，所有的训练集、验证集及测试集组成FBG反射光谱数据库。

可选的，步骤2中，构建基于深度学习的FBG光谱循环去噪模型，具体为：

FBG光谱循环去噪模型包括纯净信号分离模型及噪声信号分离模型，其中，纯净信号分离模型用于将纯净的FBG光谱进行分离，纯净信号分离模型采用一个输入通道和三十二个输出通道，构建十层卷积操作层对FBG光谱数据进行纯净光谱分离，采用3×1的卷积处理，填充为1，无池化处理，每次卷积处理均包含批处理以及ReLU激活函数；

噪声信号分离模型用于将噪声分为与原始信号相关噪声和与原始信号不相关噪声，噪声信号由与原始信号相关噪声和与原始信号不相关噪声构成，其关系为：

式中，I_n代表FBG含噪信号，代表循环去噪模型分离的干净信号，/>代表FBG光谱信号与相关噪声之间的相关系数，/>代表循环去噪模型分离的与原始信号相关噪声信号，代表循环去噪模型分离的与原始信号不相关噪声信号，噪声信号分离模型包括初始网络参数模型、原始信号相关噪声分离模型及原始信号不相关噪声不分离模型，初始网络参数模型采用三十二个输入通道和三十二个输出通道，构建十层卷积操作层对FBG光谱数据进行噪声分离，采用3×1的卷积处理，填充为1，无池化处理，原始信号相关噪声分离模型及原始信号不相关噪声不分离模型参数一致，采用三十二个输入通道和一个输出通道，五层卷积操作层对FBG光谱进行与原始信号相关噪声和与原始信号不相关噪声分离，采用3×1的卷积处理，填充为1，无池化处理，每次卷积处理均包含批处理以及RReLU激活函数。

可选的，步骤3中，通过FBG反射光谱数据库对FBG光谱循环去噪模型进行训练及性能改进，具体包括如下步骤：

步骤301：通过训练集训练FBG光谱循环去噪模型；

步骤302：通过测试集改进训练后的FBG光谱循环去噪模型的性能。

可选的，步骤301中，通过训练集训练FBG光谱循环去噪模型，具体为：

使用MSE作为FBG光谱循环去噪模型的基本损失函数，为：

式中，n为FBG光谱采样点大小，其中，FBG光谱采样点为400×1，i为采样点，y_i为在采样点i处FBG反射值大小，为在采样点i处模型预测的FBG反射值大小，对FBG光谱循环去噪模型构建损失函数，定义网络模型Model()，有：

后续循环去噪过程为：

将模型的输出结果再次输入模型中继续输出，通过多次循环将纯净信号与噪声进行多次分离，将纯净信号再次放入模型中则输出的与信号相关的噪声和与信号不相关的噪声应当为0，用表示，同理得到其他循环结果，其中当仅放入与信号不相关噪声时，不考虑与信号相关噪声，用*表示，模型的整体损失L_total为：

L_total＝L₁+L₂+L₃ (14)

式中，L₁表示模型第一次输入I_n与输出的损失，L₂表示之后多次循环中输入与输出的损失，L₃表示第一次输出纯净FBG光谱信号方差与理想FBG光谱方差的损失。

可选的，步骤302中，通过测试集改进训练后的FBG光谱循环去噪模型的性能，具体为：

使用验证集中的光谱进行去噪，通过判断FBG光谱循环去噪模型损失大小，选择是否继续训练FBG光谱循环去噪模型，对训练好的FBG光谱循环去噪模型使用测试集测试光谱去噪前后的信噪比与均方根误差。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的基于深度学习的FBG光谱循环去噪方法，该方法包括构建FBG反射光谱数据库，构建基于深度学习的FBG光谱循环去噪模型，通过FBG反射光谱数据库对FBG光谱循环去噪模型进行训练及性能改进，将待去噪的FBG光谱输入FBG光谱循环去噪模型，得到纯净FBG光谱数据，该方法充分能够实现对FBG含噪声光谱进行噪声分离，能够对光谱信号进行重建，提高了FBG光谱信号的信噪比，更好的恢复FBG光谱的原始信号。

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，下面将对实施例中所需要使用的附图作简单地介绍，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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例基于深度学习的FBG光谱循环去噪方法流程示意图；

图2a为模拟类高斯型FBG参考光谱示意图；

图2b为模拟类高斯型FBG原始光谱示意图；

图3为FBG光谱循环噪声分离模型示意图；

图4为光谱循环噪声分离方法与含噪光谱结果示意图；

图5为光谱循环噪声分离方法与其他去噪方法结果对比图；

图6为光谱循环噪声分离方法与其他去噪方法RMSE对比图；

图7为光谱循环噪声分离方法与其他去噪方法SNR对比图。

具体实施方式

本发明的目的是提供一种基于深度学习的FBG光谱循环去噪方法，能够实现对FBG含噪声光谱进行噪声分离，能够对光谱信号进行重建。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图1所示，本发明实施例提供的基于深度学习的FBG光谱循环去噪方法，包括如下步骤：

步骤1：构建FBG反射光谱数据库；

使用类高斯信号的FBG反射光谱特征峰进行拟合，如图2a所示，使用系统干涉噪声、背景噪声和随机噪声拟合噪声信号，如图2b所示，建立由训练集、验证集、测试集组成的FBG反射光谱数据库；

步骤2：构建基于深度学习的FBG光谱循环去噪模型；

步骤3：通过FBG反射光谱数据库对FBG光谱循环去噪模型进行训练及性能改进；

步骤4：将待去噪的FBG光谱输入FBG光谱循环去噪模型，得到纯净FBG光谱数据。

步骤1中，构建FBG反射光谱数据库，具体为：

生成模拟FBG光谱数据，其中，每条模拟FBG光谱数据的组成为：

I_D(λ)＝I_s(λ)+I_f(λ)+I_b(λ)+I_r(λ) (1)

式中，I_s(λ)为FBG反射信号在光通道中发生微弱衰减后采集得到的光谱，I_f(λ)为发生周期性干扰的噪声，I_b(λ)为具有基线漂移的背景噪声，I_r(λ)为随机噪声，展开说明，FBG反射信号在光通道中发生微弱衰减后采集得到的光谱I_s(λ)表示为：

I_s(λ)＝I₀(λ)(1-α₁)²R(λ) (2)

式中，I₀(λ)为光源输出强度，α₁为光纤中第一个反射点的强度反射率，小于4％，R(λ)为纯净FBG光谱，形状为类高斯型，通过下式生成：

式中，λ为采集得到的光谱信号的波长，R₀为在布拉格波长λ_B处的最大反射率，W为光谱的3dB带宽，其中，R₀取值范围为[0.8，0.9]，λ_B取值范围为[1548，1552]，，W取值范围为[0.2，0.3]；

发生周期性干扰的噪声I_f(λ)表示为：

式中，为一个反射点与FBG传感器之间的距离，/>取0.05m，/>为随机相位因子，/>模拟时取值为0；

具有基线漂移的背景噪声I_b(λ)表示为：

I_b(λ)＝I₀(λ)[α₁+β(λ)] (5)

式中，β(λ)可以在大范围波长内基线漂移，β(λ)＝0.2(λ-λ_min)/(λ-λ_max),其中λ_min为1548nm，λ_max为1552nm；

随机噪声I_r(λ)表示为：

I_r(λ)＝I₀(λ)(1-α₁)²R(λ)n_r(λ) (6)

式中，n_r(λ)为模拟FBG光谱中的随机噪声，采用高斯白噪声，添加高斯白噪声的信噪比范围为[5，30]；

模拟大量具有不同信噪比的模拟FBG光谱数据，其中，生成的模拟光谱信噪比为：

对生成的所有的模拟FBG光谱数据进行划分，将其划分为训练集、验证集及测试集，其中，所有的训练集、验证集及测试集组成FBG反射光谱数据库；

等比生成SNR范围为-4～10的FBG光谱数据100000条，其中60000条数据用于对FBG光谱循环去噪模型进行训练，即训练集，20000条数据用于在模型训练过程中进行验证，即验证集，20000条数据用于对模型进行测试，即测试集。

步骤2中，构建基于深度学习的FBG光谱循环去噪模型，具体为：

如图3所示，FBG光谱循环去噪模型包括纯净信号分离模型及噪声信号分离模型，模型输入的数据维度为400×1，批大小设置为32，在分离信号过程中，只改变通道数大小，对光谱数据维度不做变换，输出数据维度仍是400×1。输出为3组数据：纯净FBG光谱信号、与原始信号相关噪声和与原始信号不相关噪声，其中，纯净信号分离模型用于将纯净的FBG光谱进行分离，纯净信号分离模型采用一个输入通道和三十二个输出通道，构建十层卷积操作层对FBG光谱数据进行纯净光谱分离，采用3×1的卷积处理，填充为1，无池化处理，每次卷积处理均包含批处理以及ReLU激活函数；

噪声信号分离模型用于将噪声分为与原始信号相关噪声和与原始信号不相关噪声，噪声信号由与原始信号相关噪声和与原始信号不相关噪声构成，其关系为：

式中，I_n代表FBG含噪信号，代表循环去噪模型分离的干净信号，/>代表FBG光谱信号与相关噪声之间的相关系数，/>代表循环去噪模型分离的与原始信号相关噪声信号，代表循环去噪模型分离的与原始信号不相关噪声信号，噪声信号分离模型包括初始网络参数模型、原始信号相关噪声分离模型及原始信号不相关噪声不分离模型，初始网络参数模型采用三十二个输入通道和三十二个输出通道，构建十层卷积操作层对FBG光谱数据进行噪声分离，采用3×1的卷积处理，填充为1，FBG光谱噪声包含正噪声(n_r(λ)>0)与负噪声(n_r(λ)<0)，无池化处理，原始信号相关噪声分离模型及原始信号不相关噪声不分离模型参数一致，采用三十二个输入通道和一个输出通道，五层卷积操作层对FBG光谱进行与原始信号相关噪声和与原始信号不相关噪声分离，采用3×1的卷积处理，填充为1，无池化处理，每次卷积处理均包含批处理以及RReLU激活函数。

步骤3中，通过FBG反射光谱数据库对FBG光谱循环去噪模型进行训练及性能改进，具体包括如下步骤：

步骤301：通过训练集训练FBG光谱循环去噪模型；

步骤302：通过测试集改进训练后的FBG光谱循环去噪模型的性能。

步骤301中，通过训练集训练FBG光谱循环去噪模型，具体为：

使用MSE作为FBG光谱循环去噪模型的基本损失函数，为：

式中，n为FBG光谱采样点大小，其中，FBG光谱采样点为400×1，i为采样点，y_i为在采样点i处FBG反射值大小，为在采样点i处模型预测的FBG反射值大小，模型训练优化算法采用Adam方法，其学习率设置为0.00025，批处理大小为32，对FBG光谱循环去噪模型构建损失函数，定义网络模型Model()，有：

后续循环去噪过程为：

将模型的输出结果再次输入模型中继续输出，通过多次循环将纯净信号与噪声进行多次分离，将纯净信号再次放入模型中则输出的与信号相关的噪声和与信号不相关的噪声应当为0，用表示，同理得到其他循环结果，其中当仅放入与信号不相关噪声时，不考虑与信号相关噪声，用*表示，模型的整体损失L_total为：

L_total＝L₁+L₂+L₃ (14)

式中，L₁表示模型第一次输入I_n与输出的损失，L₂表示之后多次循环中输入与输出的损失，L₃表示第一次输出纯净FBG光谱信号方差与理想FBG光谱方差的损失，基本损失函数为MSE，所有计算损失方法均采用此损失函数。

步骤302中，通过测试集改进训练后的FBG光谱循环去噪模型的性能，具体为：

使用验证集中的光谱进行去噪，通过判断FBG光谱循环去噪模型损失大小，选择是否继续训练FBG光谱循环去噪模型，对训练好的FBG光谱循环去噪模型使用测试集测试光谱去噪前后的信噪比与均方根误差

步骤4中，将待去噪的FBG光谱输入FBG光谱循环去噪模型，得到纯净FBG光谱数据，结果如图4所示，另外，本发明给出所提方法与传统方法去噪结果的对比，如图5所示，本发明能够有效地对FBG光谱进行噪声去除，同时降低基线漂移对光谱的影响。

为了对模型去噪性能结果进行评估，本发明采用信噪比(SNR)和均方根误差(RMSE)。信噪比能客观评价FBG光谱噪声水平，是评价FBG光谱去噪性能的重要指标之一，信噪比越大表示去噪性能越好，越逼近纯净无噪音的FBG光谱。均方根误差常用于评价FBG光谱结构相似性，是一种全参考质量评价方法，均方根误差越小表示去噪性能越好。本发明提出的方法与传统方法去噪RMSE性能对比，如图6所示，在FBG光谱信噪比很低时(横坐标为向理想光谱中添加的高斯白噪声信噪比)，本发明所提出方法仍可以达到较低的均方根误差，相较于传统算法误差降低了75％，较好的还原FBG光谱信号。本发明提出的方法与传统方法去噪SRN性能对比，如图7所示，在FBG光谱信噪比很低时(横坐标为向理想光谱中添加的高斯白噪声信噪比)，本发明所提出方法相较于传统算法可以提升光谱信号的信噪比达到10dB。本发明所提出的方法，在信噪比和均方根误差上的优化均大于传统方法，故证明本方法可精准高效的对FBG光谱进行去噪。

本发明提供的基于深度学习的FBG光谱循环去噪方法，该方法包括构建FBG反射光谱数据库，构建基于深度学习的FBG光谱循环去噪模型，通过FBG反射光谱数据库对FBG光谱循环去噪模型进行训练及性能改进，将待去噪的FBG光谱输入FBG光谱循环去噪模型，得到纯净FBG光谱数据，该方法充分能够实现对FBG含噪声光谱进行噪声分离，能够对光谱信号进行重建，提高了FBG光谱信号的信噪比，更好的恢复FBG光谱的原始信号。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (4)

1.一种基于深度学习的FBG光谱循环去噪方法，其特征在于，包括如下步骤：

步骤1：构建FBG反射光谱数据库；

生成模拟FBG光谱数据，其中，每条模拟FBG光谱数据的组成为：

I_D(λ)＝I_s(λ)+I_f(λ)+I_b(λ)+I_r(λ) (1)

式中，I_s(λ)为FBG反射信号在光通道中发生微弱衰减后采集得到的光谱，I_f(λ)为发生周期性干扰的噪声，I_b(λ)为具有基线漂移的背景噪声，I_r(λ)为随机噪声，FBG反射信号在光通道中发生微弱衰减后采集得到的光谱I_s(λ)表示为：

I_s(λ)＝I₀(λ)(1-α₁)²R(λ) (2)

式中，I₀(λ)为光源输出强度，α₁为光纤中第一个反射点的强度反射率，小于4％，R(λ)为纯净FBG光谱，形状为类高斯型，通过下式生成：

式中，λ为采集得到的光谱信号的波长，R₀为在布拉格波长λ_B处的最大反射率，W为光谱的3dB带宽；

发生周期性干扰的噪声I_f(λ)表示为：

式中，为一个反射点与FBG传感器之间的距离，/>为随机相位因子；

具有基线漂移的背景噪声I_b(λ)表示为：

I_b(λ)＝I₀(λ)[α₁+β(λ)] (5)

式中，β(λ)在大范围波长内基线漂移；

随机噪声I_r(λ)表示为：

I_r(λ)＝I₀(λ)(1-α₁)²R(λ)n_r(λ) (6)

式中，n_r(λ)为模拟FBG光谱中的随机噪声；

模拟大量具有不同信噪比的模拟FBG光谱数据，其中，生成的模拟光谱信噪比为：

对生成的所有的模拟FBG光谱数据进行划分，将其划分为训练集、验证集及测试集，其中，所有的训练集、验证集及测试集组成FBG反射光谱数据库；

步骤2：构建基于深度学习的FBG光谱循环去噪模型；

FBG光谱循环去噪模型包括纯净信号分离模型及噪声信号分离模型，其中，纯净信号分离模型用于将纯净的FBG光谱进行分离，纯净信号分离模型采用一个输入通道和三十二个输出通道，构建十层卷积操作层对FBG光谱数据进行纯净光谱分离，采用3×1的卷积处理，填充为1，无池化处理，每次卷积处理均包含批处理以及ReLU激活函数；

噪声信号分离模型用于将噪声分为与原始信号相关噪声和与原始信号不相关噪声，噪声信号由与原始信号相关噪声和与原始信号不相关噪声构成，其关系为：

式中，I_n代表FBG含噪信号，代表循环去噪模型分离的干净信号，/>代表FBG光谱信号与相关噪声之间的相关系数，/>代表循环去噪模型分离的与原始信号相关噪声信号，/>代表循环去噪模型分离的与原始信号不相关噪声信号，噪声信号分离模型包括初始网络参数模型、原始信号相关噪声分离模型及原始信号不相关噪声不分离模型，初始网络参数模型采用三十二个输入通道和三十二个输出通道，构建十层卷积操作层对FBG光谱数据进行噪声分离，采用3×1的卷积处理，填充为1，无池化处理，原始信号相关噪声分离模型及原始信号不相关噪声不分离模型参数一致，采用三十二个输入通道和一个输出通道，五层卷积操作层对FBG光谱进行与原始信号相关噪声和与原始信号不相关噪声分离，采用3×1的卷积处理，填充为1，无池化处理，每次卷积处理均包含批处理以及ReLU激活函数；

步骤3：通过FBG反射光谱数据库对FBG光谱循环去噪模型进行训练及性能改进；

步骤4：将待去噪的FBG光谱输入FBG光谱循环去噪模型，得到纯净FBG光谱数据。

2.根据权利要求1所述的基于深度学习的FBG光谱循环去噪方法，其特征在于，步骤3中，通过FBG反射光谱数据库对FBG光谱循环去噪模型进行训练及性能改进，具体包括如下步骤：

步骤301：通过训练集训练FBG光谱循环去噪模型；

步骤302：通过测试集改进训练后的FBG光谱循环去噪模型的性能。

3.根据权利要求2所述的基于深度学习的FBG光谱循环去噪方法，其特征在于，步骤301中，通过训练集训练FBG光谱循环去噪模型，具体为：

使用MSE作为FBG光谱循环去噪模型的基本损失函数，为：

式中，n为FBG光谱采样点大小，其中，FBG光谱采样点为400×1，i为采样点，y_i为在采样点i处FBG反射值大小，为在采样点i处模型预测的FBG反射值大小，对FBG光谱循环去噪模型构建损失函数，定义网络模型Model()，有：

后续循环去噪过程为：

将模型的输出结果再次输入模型中继续输出，通过多次循环将纯净信号与噪声进行多次分离，将纯净信号再次放入模型中则输出的与信号相关的噪声和与信号不相关的噪声应当为0，用表示，同理得到其他循环结果，其中当仅放入与信号不相关噪声时，不考虑与信号相关噪声，用*表示，模型的整体损失L_total为：

L_total＝L₁+L₂+L₃ (14)

式中，L₁表示模型第一次输入I_n与输出的损失，L₂表示之后多次循环中输入与输出的损失，L₃表示第一次输出纯净FBG光谱信号方差与理想FBG光谱方差的损失

4.根据权利要求3所述的基于深度学习的FBG光谱循环去噪方法，其特征在于，步骤302中，通过测试集改进训练后的FBG光谱循环去噪模型的性能，具体为：

使用验证集中的光谱进行去噪，通过判断FBG光谱循环去噪模型损失大小，选择是否继续训练FBG光谱循环去噪模型，对训练好的FBG光谱循环去噪模型使用测试集测试光谱去噪前后的信噪比与均方根误差。