一种基于神经网络的SNAP结构微腔位移传感信号的解调方法技术

本发明专利技术公开了一种基于神经网络的SNAP结构微腔位移传感信号的解调方法，包括：将检测激光输入SNAP结构微腔位移传感系统中，对SNAP结构微腔位移传感系统量程内的一系列位移节点进行检测，以获取各位移节点处的轴向模态特征参数，并记录对应的位移；将轴向模态特征参数和位移作为训练数据，训练预置的神经网络模型；根据位移优化神经网络模型中的各个参数，得到优化后的神经网络模型；利用优化后的神经网络模型测量位移。本发明专利技术提供的方法能有效计算出多阶轴向模态特征参数中的传感信息，提高传感系统的位移分辨率，并结合人工神经网络算法，解决了传统解析型数学模型无法拟合位移与特征参数之间映射关系的难题。特征参数之间映射关系的难题。特征参数之间映射关系的难题。

【技术实现步骤摘要】
一种基于神经网络的SNAP结构微腔位移传感信号的解调方法


[0001]本专利技术涉及光学传感的
，尤其涉及到一种基于神经网络的SNAP结构微腔位移传感信号的解调方法。

技术介绍

[0002]光学精密测量系统常用于机床、精密测量仪器等领域，以实现对直线位移或角位移的精密检测。系统的光信号经过传感部分调制后输出至光电转换部分，经光电探测器转换为电信号后，通过检测电信号达到检测光信号强度、幅值、相位、偏振等参数以实现光学检测仪器的位移测量功能。
[0003]传统的光学位移测量系统有光栅尺、光纤光栅传感器、激光干涉仪等等，但它们在满足工业现场测量要求的同时也有着各自的限制，无法实现对微、深沟槽等结构的测量。回音壁模式(WGM)微腔是近二十年被广泛研究的一种光学器件，其极高的Q值使得它在传感领域具备极高的灵敏度。基于微腔的位移传感器件可以实现亚微米的分辨率，具有体积小、易于集成化的优势，给微小结构测量提供了一种很好的选择。
[0004]在基于微腔的位移传感器中，实现高精度、高分辨率传感的关键是对传感信号的处理及精确测量，即建立位移检测的数学模型。由于信号处理系统输入的是经过预处理的多阶轴向模态特征参数(Q值或透过率)，这种输入信号具有极强的非线性以及多维度特征，无法使用经典的解析数学模型来进行求解。基于上述缺点，为了实现对SNAP结构微腔位移传感系统信号的处理与识别功能，亟需开发一种新型的位移传感信号处理方案。

技术实现思路

[0005]本专利技术的目的在于克服现有技术的不足，提供一种传感精度和灵敏度高、易于制作、成本低廉的基于神经网络的SNAP结构微腔位移传感信号的解调方法。
[0006]为实现上述目的，本专利技术所提供的技术方案为：
[0007]一种基于神经网络的SNAP结构微腔位移传感信号的解调方法，包括以下步骤：
[0008]STEP1、将检测激光输入SNAP结构微腔位移传感系统中，对SNAP结构微腔位移传感系统量程内的一系列位移节点进行检测，以获取各所述位移节点处的轴向模态特征参数，并记录对应的位移；
[0009]STEP2、将所述轴向模态特征参数与对应的所述位移作为训练数据，训练预置的神经网络模型；
[0010]STEP3、根据所述位移优化所述神经网络模型中的各个参数，得到优化后的神经网络模型；
[0011]STEP4、利用所述优化后的神经网络模型测量SNAP结构微腔位移传感系统的位移。
[0012]进一步地，所述将所述轴向模态特征参数与对应的所述位移作为训练数据，对预置的神经网络模型进行训练，包括：
[0013]将所述的轴向模态特征参数归一化，作为所述神经网络模型的输入，将所述的位
移归一化后作为输出，对所述预置神经网络模型进行训练，建立所述轴向模态特征参数与所述位移之间的映射关系。
[0014]进一步地，根据所述位移优化所述神经网络模型中的各个参数，得到优化后的神经网络模型，包括：
[0015]沿所述SNAP结构微腔轴向采集一系列位移节点处的轴向模态特征参数与对应的真实位移；
[0016]将所述轴向模态特征参数和所述位移分别作归一化处理；
[0017]将所述轴向模态特征参数作归一化处理后的数据输入所述神经网络模型，得到预测位移；
[0018]通过评价函数，计算所述预测位移和所述真实位移之间的均方误差；
[0019]根据所述均方误差调整所述神经网络模型的参数以优化神经网络。
[0020]进一步地，所述评价函数为：
[0021][0022]其中，X
t
表示所述训练数据中被归一化处理的所述位移，Y
t
表示向所述神经网络模型输入被归一化处理的所述轴向模态特征参数后所述神经网络模型预测的位移，t表示训练数据组号，N表示训练数据总组数，MSE表示评价函数。
[0023]进一步地，所述利用所述优化后的神经网络模型测量所述位移，包括：
[0024]将所述轴向模态特征参数归一化并输入所述优化后的神经网络模型；
[0025]将所述神经网络模型的输出值作反归一化处理，得到与所述轴向模态特征参数相对应的所述位移。
[0026]进一步地，所述将检测激光输入SNAP结构微腔位移传感系统中，对SNAP结构微腔位移传感系统量程内的一系列位移节点进行检测，以获取各所述位移节点处的轴向模态特征参数，包括：
[0027]沿SNAP结构微腔的轴向移动SNAP结构微腔靠近并接触耦合波导；
[0028]检测激光通过耦合波导耦合进入SNAP结构微腔中并发生谐振，形成多阶轴向模态谐振光波，使得发生谐振的光波被束缚在微腔中，未发生谐振的光波从耦合波导中输出；
[0029]通过光电探测器采集未发生谐振的光波并转换成电信号，传输给计算机处理，以获得轴向模态特征参数。
[0030]进一步地，所述检测激光为可调谐激光。
[0031]进一步地，所述耦合波导为锥形光纤。
[0032]进一步地，所述SNAP结构微腔的截面为抛物线形。
[0033]进一步地，所述耦合波导的透射光谱的轴向模态谷值呈中心对称。
[0034]与现有技术相比，本方案原理及优点如下：
[0035]本方案涉及的基于神经网络的SNAP结构微腔位移传感信号的解调方法能充分地利用谐振谱中的有效传感信息，提高传感系统的精度与灵敏度。SNAP结构微腔的制造不可避免地由于不可控因素而呈非对称形状或近似理想形状，通过人工神经网络模型可以很好的拟合位移与多阶轴向模态特征参数之间的非线性映射关系，实现位移传感系统的高精度测量目标。同时，基于光纤制作的SNAP结构微腔、耦合波导易于制作、成本低廉。
附图说明
[0036]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的服务作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，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，还可以根据这些附图获得其他的附图。
[0037]图1所示的是本申请提出的基于神经网络的SNAP结构微腔位移传感信号的解调方法；
[0038]图2所示的是本申请提供的一种SNAP结构微腔位移传感器的示意图；
[0039]图3示意性地示出了本申请实施例提供的一种透射谱的示意图；
[0040]图4示意性地示出了本申请实施例提供的一种轴向模态与位移的映射关系示意图；
[0041]图5示意性地示出了本申请实施例提供的一种神经网络模型的示意图；
[0042]图6示意性地示出了本申请实施例提供的一种神经网络模型在设置不同隐含层节点数时的测量性能的示意图；
[0043]图7示意性地示出了本申请实施例提供的一种神经网络模型在设置不同学习率时的测量性能的示意图；
[0044]图8示意性地示出了本申请实施例提供的一种神经网络模型在设置不同训练目标误差时的测量性能的示意图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的SNAP结构微腔位移传感信号的解调方法，其特征在于，包括以下步骤：STEP1、将检测激光输入SNAP结构微腔位移传感系统中，对SNAP结构微腔位移传感系统量程内的一系列位移节点进行检测，以获取各所述位移节点处的轴向模态特征参数，并记录对应的位移；STEP2、将所述轴向模态特征参数与对应的所述位移作为训练数据，训练预置的神经网络模型；STEP3、根据所述位移优化所述神经网络模型中的各个参数，得到优化后的神经网络模型；STEP4、利用所述优化后的神经网络模型测量SNAP结构微腔位移传感系统的位移。2.根据权利要求1所述的方法，其特征在于，所述将所述轴向模态特征参数与对应的所述位移作为训练数据，对预置的神经网络模型进行训练，包括：将所述的轴向模态特征参数归一化，作为所述神经网络模型的输入，将所述的位移归一化后作为输出，对所述预置神经网络模型进行训练，建立所述轴向模态特征参数与所述位移之间的映射关系。3.根据权利要求1所述的方法，其特征在于，根据所述位移优化所述神经网络模型中的各个参数，得到优化后的神经网络模型，包括：沿所述SNAP结构微腔轴向采集一系列位移节点处的轴向模态特征参数与对应的真实位移；将所述轴向模态特征参数和所述位移分别作归一化处理；将所述轴向模态特征参数作归一化处理后的数据输入所述神经网络模型，得到预测位移；通过评价函数，计算所述预测位移和所述真实位移之间的均方误差；根据所述均方误差调整所述神经网络模型的参数以优化神经网络。4.根据权利要求3所...

【专利技术属性】
技术研发人员：董永超，孙鹏辉，曾学良，王晗，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：