基于深度卷积神经网络的一维光纤传感信号相位恢复方法技术

本发明专利技术公开了一种基于深度卷积神经网络的一维光纤传感信号相位恢复方法，该方法为：对结合相位调制型迈克尔逊干涉仪的传感系统中光信号的一维连续相位进行仿真，并计算出包裹相位，添加噪声；将一维仿真数据展开成二维结构，生成数据集；设定深度卷积神经网络模型的结构、参数、激活函数、损失函数、优化器，将数据集送入模型进行训练；通过评价指标判断误差是否满足要求，若满足调至下一步；否则对模型的结构、参数、激活函数、损失函数进行调整，并调转至上一步用调整的模型重新进行训练；由实际光纤传感系统探测的干涉光强数据计算得包裹相位，送入训练后的模型进行预测，由预测结果得到恢复的相位。本发明专利技术实现了高精度、高速度的相位恢复。

【技术实现步骤摘要】
基于深度卷积神经网络的一维光纤传感信号相位恢复方法
本专利技术属于光纤传感的测量
，具体涉及一种基于深度卷积神经网络的一维光纤传感信号相位恢复方法。
技术介绍
相位解包技术作为干涉测量中不可或缺的关键技术得到迅猛发展，在光干涉测量、合成孔径雷达、数字全息术和条纹投影以及医学核磁共振图像处理等各个领域都有着广泛的应用。在上述应用中，无论是通过时间移相干涉测量技术还是空间移相干涉测量技术获得的相位信息，都是被包裹在[-π,π)的区间内，当相位变化大于一个波长时，便会丢失相应的整数倍周期相位，从而出现大量间断点。为了获得相位的真实情况，就需要采取相位解包技术将相位恢复成平滑曲线得到解包后的相位,相位解包效果的好坏直接影响结果精度的高低，在各大领域中都起着重要作用。常用的相位解包技术主要分为两大类：路径追踪算法和路径无关最小范数算法。但是一直以来在实际应用过程中，这两种算法依旧存在许多不足。如高噪声条件下以及相位间断点处相位展开的准确度较差；从硬件与算法角度，解包速度有较大的提升空间。在一维相位解包领域，解包相位与真实相位可能存在2kπ的差值，取决于解包的基点的选择；在信噪比较低时部分区域可能会出现解包失败的结果。
技术实现思路
本专利技术的目的在于提供一种准确度高、计算速度快、受噪声影响小的基于深度卷积神经网络的一维光纤传感信号相位恢复方法。实现本专利技术目的的技术解决方案为：一种基于深度卷积神经网络的一维光纤传感信号相位恢复方法，该方法包括：步骤1，对结合相位调制型迈克尔逊干涉仪的传感系统中光信号的一维连续相位进行仿真，并计算出包裹相位，添加噪声；步骤2，将一维仿真数据展开成二维结构，生成数据集；步骤3，设定深度卷积神经网络模型的结构、参数、激活函数、损失函数、优化器，将数据集送入模型进行训练；步骤4，通过评价指标判断误差是否满足要求，若满足调至步骤5；否则对模型的结构、参数、激活函数、损失函数进行调整，并调转至步骤3用调整的模型重新进行训练；步骤5，由实际光纤传感系统探测的干涉光强数据计算得包裹相位，送入训练后的模型进行预测，由预测结果得到恢复的相位。进一步地，步骤1所述对结合相位调制型迈克尔逊干涉仪的传感系统中光信号的一维连续相位进行仿真，并计算出包裹相位，添加噪声，具体如下：随机生成若干个点，满足高斯分布或者均匀分布，通过三次样条插值将点数扩大，形成连续、光滑的一维仿真相位，通过反正切计算包裹相位，并添加噪声。进一步地，步骤1中包裹相位的计算公式如下：其中为传感系统中光信号的包裹相位，为光信号的真实相位，angle表示取参数的角度值。进一步地，步骤2所述将一维仿真数据展开成二维结构，生成数据集，具体如下：对于包裹相位：构建二维格式：同理，对于真实相位：构建二维格式：进一步地，步骤3中深度卷积神经网络模型的结构如下：将输入经过一个编码器提取特征，再经过一个译码器还原成输入数据的尺寸，编码器包含由多层卷积构成的特征提取通道，译码器包含由多层卷积构成的特征缩放通道。进一步地，步骤3中深度卷积神经网络模型的结构如下：卷积核的尺寸为3×3，步长为1，填充方式为same，每一层卷积后跟随一个BN层和一个Relu层；最后一层卷积只跟随一个Linear层，池化层采用最大池化方式，反卷积的卷积核尺寸为3×3，步长为2，填充方式为same，激活函数采用Relu；编码器和译码器的相应层进行跳跃连接。本专利技术与现有技术相比，其显著优点在于：(1)对光纤传感系统中光信号的一维仿真相位预处理并计算出包裹相位，通过展开算法，将一维数据编码成二维矩阵，输入深度卷积网络模型进行训练，用于进行训练的仿真数据结构合理，且适用于有噪声的情况；(2)使用光电探测器接收实际光纤传感系统中的干涉光强并计算包裹相位，使用训练好的模型进行预测，完成从传感器中光信号的包裹相位到真实相位的恢复，相位恢复速度是传统算法的五倍以上；(3)基于深度卷积神经网络模型，将输入经过一个编码器提取特征，再经过一个译码器还原成输入数据的尺寸，编码器包含由多层卷积构成的特征提取通道，译码器包含由多层卷积构成的特征缩放通道，神经网络模型泛化能力优秀。附图说明图1是本专利技术基于深度卷积神经网络的一维光纤传感信号相位恢复方法的流程图。图2是深度卷积神经网络模型的结构图。具体实施方式本专利技术基于深度卷积神经网络模型的一维光纤传感信号相位恢复方法，包含仿真数据的生成算法及深度卷积神经网络模型。对光纤传感系统中光信号的一维仿真相位预处理并计算出包裹相位，通过展开算法，将一维数据编码成二维矩阵，输入深度卷积网络模型进行训练；使用光电探测器接收实际光纤传感系统中的干涉光强并计算包裹相位，使用训练好的模型进行预测，完成从传感器中光信号的包裹相位到真实相位的恢复，实现了高精度、高速度的相位恢复。本专利技术一种基于深度卷积神经网络的一维光纤传感信号相位恢复方法，该方法包括：步骤1，对结合相位调制型迈克尔逊干涉仪的传感系统中光信号的一维连续相位进行仿真，并计算出包裹相位，添加噪声；步骤2，将一维仿真数据展开成二维结构，生成数据集；步骤3，设定深度卷积神经网络模型的结构、参数、激活函数、损失函数、优化器，将数据集送入模型进行训练；步骤4，通过评价指标判断误差是否满足要求，若满足调至步骤5；否则对模型的结构、参数、激活函数、损失函数进行调整，并调转至步骤3用调整的模型重新进行训练；步骤5，由实际光纤传感系统探测的干涉光强数据计算得包裹相位，送入训练后的模型进行预测，由预测结果得到恢复的相位。进一步地，步骤1所述对结合相位调制型迈克尔逊干涉仪的传感系统中光信号的一维连续相位进行仿真，并计算出包裹相位，添加噪声，具体如下：随机生成若干个点，满足高斯分布或者均匀分布，通过三次样条插值将点数扩大，形成连续、光滑的一维仿真相位，通过反正切计算包裹相位，并添加噪声。进一步地，步骤1中包裹相位的计算公式如下：其中为传感系统中光信号的包裹相位，为光信号的真实相位，angle表示取参数的角度值。进一步地，步骤2所述将一维仿真数据展开成二维结构，生成数据集，具体如下：对于包裹相位：构建二维格式：同理，对于真实相位：构建二维格式：进一步地，步骤3中深度卷积神经网络模型的结构如下：将输入经过一个编码器提取特征，再经过一个译码器还原成输入数据的尺寸，编码器包含由多层卷积构成的特征提取通道，译码器包含由多层卷积构成的特征缩放通道。进一步地，步骤3中深度卷积神经网络模型的结构如下：卷积核的尺寸为3×3，步长为1，填充方式为same，每一层卷积后跟随一个BN层和一个Relu层；最后一层卷积只跟随一个Linear层，池化层采用最大池化方式，反卷积的卷积核尺寸本文档来自技高网...

【技术保护点】
1.一种基于深度卷积神经网络的一维光纤传感信号相位恢复方法，其特征在于，该方法包括：/n步骤1，对结合相位调制型迈克尔逊干涉仪的传感系统中光信号的一维连续相位进行仿真，并计算出包裹相位，添加噪声；/n步骤2，将一维仿真数据展开成二维结构，生成数据集；/n步骤3，设定深度卷积神经网络模型的结构、参数、激活函数、损失函数、优化器，将数据集送入模型进行训练；/n步骤4，通过评价指标判断误差是否满足要求，若满足调至步骤5；否则对模型的结构、参数、激活函数、损失函数进行调整，并调转至步骤3用调整的模型重新进行训练；/n步骤5，由实际光纤传感系统探测的干涉光强数据计算得包裹相位，送入训练后的模型进行预测，由预测结果得到恢复的相位。/n

【技术特征摘要】
1.一种基于深度卷积神经网络的一维光纤传感信号相位恢复方法，其特征在于，该方法包括：
步骤1，对结合相位调制型迈克尔逊干涉仪的传感系统中光信号的一维连续相位进行仿真，并计算出包裹相位，添加噪声；
步骤2，将一维仿真数据展开成二维结构，生成数据集；
步骤3，设定深度卷积神经网络模型的结构、参数、激活函数、损失函数、优化器，将数据集送入模型进行训练；
步骤4，通过评价指标判断误差是否满足要求，若满足调至步骤5；否则对模型的结构、参数、激活函数、损失函数进行调整，并调转至步骤3用调整的模型重新进行训练；
步骤5，由实际光纤传感系统探测的干涉光强数据计算得包裹相位，送入训练后的模型进行预测，由预测结果得到恢复的相位。


2.根据权利要求1所述的基于深度卷积神经网络的一维光纤传感信号相位恢复方法，其特征在于，步骤1所述对结合相位调制型迈克尔逊干涉仪的传感系统中光信号的一维连续相位进行仿真，并计算出包裹相位，添加噪声，具体如下：
随机生成若干个点，满足高斯分布或者均匀分布，通过三次样条插值将点数扩大，形成连续、光滑的一维仿真相位，通过反正切计算包裹相位，并添加噪声。


3.根据权利要求1所述的基于深度卷积神经网络的一维光纤传感信号相位恢复方法，其特征在于，步骤1中包裹相位的计算公式如下：<...

【专利技术属性】
技术研发人员：崔珂，孔磊，朱日宏，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：江苏;32