一种基于蛛网形FBG传感网络的高精度解调方法技术

本申请涉及数字通信领域，尤其涉及一种基于蛛网形FBG传感网络的高精度解调方法。包括：构建蛛网形FBG传感网络；确定原始重叠光谱数据序列，以及确定训练数据集；基于改进小波自适应阈值去噪方法，针对训练数据集中的原始重叠光谱数据序列进行去噪处理，得到处理重叠光谱数据序列以及训练处理集；通过训练处理集对膨胀CNN进行训练，得到信号分离膨胀CNN模型；获取实际重叠光谱数据序列，以及进行去噪处理并且输入至信号分离膨胀CNN模型，得到相应于实际重叠光谱数据序列的若干个中心波长。与其他解调方法进行对比，本申请具有更低的均方根误差和更快的解调速度，即使在传感信号高度重叠的情况下也能实现极低的解调误差和时间。叠的情况下也能实现极低的解调误差和时间。叠的情况下也能实现极低的解调误差和时间。

【技术实现步骤摘要】
一种基于蛛网形FBG传感网络的高精度解调方法


[0001]本申请涉及数字通信领域，尤其涉及一种基于蛛网形FBG传感网络的高精度解调方法。

技术介绍

[0002]光纤布拉格光栅(Fiber Bragg Grating，FBG)传感器因其成本低、重量轻、抗电磁干扰和复用能力等优点，在结构健康监测、航天工业、生物化学和医疗设备等领域得到了广泛应用。传统的单通道FBG传感网络随着光纤上复用的传感器数量的增加，传感系统的损耗也在增加。所以为了提高系统的灵活性，可以使用多个FBG传感器通道，进而形成FBG传感器网络。
[0003]在波分复用技术中，为了能最大限度地利用宽带光源的有限带宽，通常将多个FBG分配在相同的波长范围，但是复用的传感器数量远远达不到大容量复用的要求。因此学者们陆续提出了环形、星环形、双环形、星环总线型、三维网格、三维环形网格、三角星形结构的光纤光栅的组网方式，系统的复用容量和可靠性也在逐步提高。2018年汪泽帆等人提出了采用六边形作为基础网络单元的蜂窝形光纤传感网络。经过实验验证，该传感网络提高了光纤传感系统的自愈能力和可靠性。为了进一步提高系统的复用容量和可靠性，2022年江虹课题组提出了蛛网形FBG传感网络，这种拓扑结构创新性的将星、线、环三种拓扑结构有机地结合在一起，不仅可以降低传感器之间的信号串扰，提高网络的测量精度，还能够增加网络的复用容量和提高传感网络的可靠性。
[0004]将多个FBG分配到相同的波长范围会出现反射信号重叠的问题，这给传统的峰值检测技术带来挑战。传统的检测技术虽然能够对部分重叠或不重叠的信号进行高精度解调，但是对高度重叠信号的解调精度非常低。随着对重叠光谱波长检测算法的研究，提出了粒子群优化(PSO)算法和差分进化(DE)算法等解调技术。虽然解调精度都可以接受，但这些方法的检测时间较长。近几年，提出了一种基于长短时记忆(LSTM)网络的波长检测方法，它是递归神经网络(RNN)架构的一种变体。对于两个重叠峰波长检测，能达到最低0.672pm的均方根误差，但是当信号高度重叠时，解调的精度并不是很好。

技术实现思路

[0005]本申请提供了一种基于蛛网形FBG传感网络的高精度解调方法，能够解决现有技术中针对蛛网形FBG传感网络的解调方法存在的检测时间较长和解调精度低的问题。
[0006]本申请的技术方案是一种基于蛛网形FBG传感网络的高精度解调方法，包括：
[0007]S1：构建包括中央控制单元、设置数量均为若干个的FBG传感器和光耦合器的蛛网形FBG传感网络；
[0008]S2：基于蛛网形FBG传感网络，确定位于不同径向线上并且距离圆心处呈等距设置的实验FBG和若干个对照FBG，以及获取基于实验FBG和若干个对照FBG的原始重叠光谱数据序列，以及根据原始重叠光谱数据序列确定训练数据集；
[0009]S3：基于改进小波自适应阈值去噪方法，针对训练数据集中的原始重叠光谱数据序列进行去噪处理，得到相应于原始重叠光谱数据序列的处理重叠光谱数据序列以及相应的训练处理集；
[0010]S4：通过训练处理集对膨胀CNN进行训练，得到以处理重叠光谱数据序列作为输入值并且以相应于原始重叠光谱数据序列的若干个中心波长作为输出值的信号分离膨胀CNN模型；
[0011]S5：基于蛛网形FBG传感网络，获取来源于不同径向线上并且距离圆心处呈等距设置的若干个FBG的实际重叠光谱数据序列，以及基于改进小波自适应阈值去噪方法对实际重叠光谱数据序列进行去噪处理，得到相应于实际重叠光谱数据序列的处理重叠光谱数据序列并且输入至信号分离膨胀CNN模型，得到相应于实际重叠光谱数据序列的若干个中心波长。
[0012]可选地，所述改进小波自适应阈值去噪方法所依据的公式如下所示：
[0013][0014]式中，w
j,k
表示小波系数；表示被量化后的小波系数；
[0015]J表示分解层数；x表示自适应阈值。
[0016]可选地，所述自适应阈值的计算公式如下所示：
[0017][0018]式中，σ表示噪声标准差，N表示原始重叠光谱的长度。
[0019]可选地，所述步骤S4包括：
[0020]S41：通过训练处理集对膨胀CNN进行训练，得到以处理重叠光谱数据序列作为输入值并且以相应于原始重叠光谱数据序列的若干个中心波长作为输出值的信号分离初步CNN模型；
[0021]S42：基于RMSE评价公式，确定信号分离初步CNN模型的膨胀层数，得到信号分离膨胀CNN模型。
[0022]可选地，所述膨胀CNN通过标准CNN优化得到，优化的步骤包括：
[0023]基于标准CNN，通过在连续的滤波器值之间加入r
‑
1个零，将k
×
k滤波器扩大到[k+(k
‑
1)(r
‑
1)]×
[k+(k
‑
1)(r
‑
1)]，以及在卷积层和激活函数之间设置归一化层，所述归一化层用于通过对数据依次进行减去批均值和除以批标准差的方式进行归一化处理并且在归一化处理过程中加入仿射变换，以及将所述激活函数设置为泄露修正线性单元LeakyReLU，得到膨胀CNN。
[0024]可选地，所述步骤S2包括：
[0025]S21：基于蛛网形FBG传感网络，确定位于不同径向线上并且距离圆心处呈等距设置的实验FBG和若干个对照FBG；
[0026]S22：通过调节实验FBG所处的温度环境，获取在FBG处接收到的来源于实验FBG和若干个对照FBG的重叠光谱数据序列；
[0027]S23：划分原始重叠光谱数据序列为训练数据集和测试数据集；
[0028]以及，所述步骤S3包括：
[0029]S31：基于改进小波自适应阈值去噪方法，分别针对训练数据集和测试数据集中的原始重叠光谱数据序列进行去噪处理，得到处理重叠光谱数据序列以及相应的训练处理集和测试数据集；
[0030]所述改进小波自适应阈值去噪方法所依据的公式如下所示：
[0031][0032]式中，w
j,k
表示小波系数；表示被量化后的小波系数；
[0033]J表示分解层数；x表示自适应阈值；
[0034]以及，所述步骤S4还包括：
[0035]S43：通过测试处理集对信号分离膨胀CNN模型进行测试，以及基于预设的检验标准对测试结果进行检验，如果不符合检验标准，重复所述步骤S2～S4。
[0036]可选地，所述蛛网形结构包括圆心、从圆心处延伸出的若干条径向线和针对若干条径向线中距离圆心处的等距点处进行连接的若干条闭合线；
[0037]以及，在所述蛛网形FBG传感网络中，所述中央控制单元设置在圆心处，所述FBG传感器和光耦合器间隔设置在每条径向线上，以及所述光耦合器设置在所述等距点处。
[0038]8、根据权利要求7所述的基于蛛网形FBG传感网络的高精度解调本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于蛛网形FBG传感网络的高精度解调方法，其特征在于，包括：S1：构建包括中央控制单元、设置数量均为若干个的FBG传感器和光耦合器的蛛网形FBG传感网络；S2：基于蛛网形FBG传感网络，确定位于不同径向线上并且距离圆心处呈等距设置的实验FBG和若干个对照FBG，以及获取基于实验FBG和若干个对照FBG的原始重叠光谱数据序列，以及根据原始重叠光谱数据序列确定训练数据集；S3：基于改进小波自适应阈值去噪方法，针对训练数据集中的原始重叠光谱数据序列进行去噪处理，得到相应于原始重叠光谱数据序列的处理重叠光谱数据序列以及相应的训练处理集；S4：通过训练处理集对膨胀CNN进行训练，得到以处理重叠光谱数据序列作为输入值并且以相应于原始重叠光谱数据序列的若干个中心波长作为输出值的信号分离膨胀CNN模型；S5：基于蛛网形FBG传感网络，获取来源于不同径向线上并且距离圆心处呈等距设置的若干个FBG的实际重叠光谱数据序列，以及基于改进小波自适应阈值去噪方法对实际重叠光谱数据序列进行去噪处理，得到相应于实际重叠光谱数据序列的处理重叠光谱数据序列并且输入至信号分离膨胀CNN模型，得到相应于实际重叠光谱数据序列的若干个中心波长。2.根据权利要求1所述的基于蛛网形FBG传感网络的高精度解调方法，其特征在于，所述改进小波自适应阈值去噪方法所依据的公式如下所示：式中，w
j,k
表示小波系数；表示被量化后的小波系数；J表示分解层数；x表示自适应阈值。3.根据权利要求2所述的基于蛛网形FBG传感网络的高精度解调方法，其特征在于，所述自适应阈值的计算公式如下所示：式中，σ表示噪声标准差，N表示原始重叠光谱的长度。4.根据权利要求1所述的基于蛛网形FBG传感网络的高精度解调方法，其特征在于，所述步骤S4包括：S41：通过训练处理集对膨胀CNN进行训练，得到以处理重叠光谱数据序列作为输入值并且以相应于原始重叠光谱数据序列的若干个中心波长作为输出值的信号分离初步CNN模型；S42：基于RMSE评价公式，确定信号分离初步CNN模型的膨胀层数，得到信号分离膨胀CNN模型。5.根据权利要求4所述的基于蛛网形FBG传感网络的高精度解调方法，其特征在于，所述膨胀CNN通过标准CNN优化得到，优化的步骤包括：基于标准CNN，通过在连续的滤波器值之间加入r
‑
1个零，将k
×
k滤波器扩大到[k+(k
‑
1)(r
‑
1)]
×
[k+(k

【专利技术属性】
技术研发人员：徐伟进，张冰，杨君，张炜华，王国友，江虹，邵向鑫，王泽一，宋俊达，黄逸宁，李东有，胡国龙，
申请(专利权)人：长春工业大学，
类型：发明
国别省市：