一种基于制造技术

本发明专利技术涉及位移传感解调技术领域，提出一种基于

【技术实现步骤摘要】
一种基于1D
‑
CNN的SNAP结构微腔位移传感解调方法及系统


[0001]本专利技术涉及位移传感解调的
，更具体地，涉及一种基于
1D
‑
CNN
的
SNAP
结构微腔位移传感解调方法及系统
。

技术介绍

[0002]随着精细加工技术的发展，传统的测量物体位移的方法在许多涉及精密仪器的领域里已不再适用，高精度地测量物体的位移成为一项重要的需求
。
光学位移传感器的诞生满足了这一需求，光学位移传感器是一种利用光学原理测量物体位移的传感器
。
它可以用来测量物体的线性位移
、
角度变化或者振动等信息
。
[0003]传统的光学位移传感器虽然可以高精度地测量物体的位移，但有着许多局限性；比如激光干涉仪，激光干涉仪对环境的变化较为敏感，抗干扰能力差，只有在恒温防震的条件下，才能使测量结果稳定且准确
。
[0004]为了突破传统光学位移传感器的缺陷，现有技术提出一种基于r/>SNAP...

【技术保护点】

【技术特征摘要】
1.
一种基于
1D
‑
CNN
的
SNAP
结构微腔位移传感解调方法，其特征在于，包括以下步骤：在
SNAP
结构微腔处于任一位移节点时，将检测激光输入
SNAP
结构微腔位移传感系统，采集形成的透射光谱和透射光谱对应的位移，形成数据集；并将数据集划分为训练集和测试集；构建运用
1D
‑
CNN
的神经网络模型；利用训练集对运用
1D
‑
CNN
的神经网络模型进行训练，在训练过程中，优化神经网络模型中的参数，并利用测试集测试神经网络模型的性能，得到完成训练的神经网络模型；在未知
SNAP
结构微腔位移时，将检测激光输入
SNAP
结构微腔位移传感系统中，获得待检测的透射光谱，将待检测的透射光谱输入完成训练的神经网络模型，得到
SNAP
结构微腔所处位移的预测结果
。2.
根据权利要求1所述的基于
1D
‑
CNN
的
SNAP
结构微腔位移传感解调方法，其特征在于，所述
SNAP
结构微腔位移传感系统包括耦合波导
、SNAP
结构微腔和光电探测器；所述耦合波导和所述
SNAP
结构微腔相互垂直；所述
SNAP
结构微腔能沿自身的轴向移动；所述检测激光输入至耦合波导的输入端，检测激光中发生谐振的光被束缚在
SNAP
结构微腔表面，未发生谐振的光从耦合波导的输出端输出，得到透射光；所述透射光输入至光电探测器，得到包含若干个数据点的透射光谱
。3.
根据权利要求2所述的基于
1D
‑
CNN
的
SNAP
结构微腔位移传感解调方法，其特征在于，所述耦合波导为锥形光纤，所述
SNAP
结构微腔的截面形状是抛物线形
。4.
根据权利要求3所述的基于
1D
‑
CNN
的
SNAP
结构微腔位移传感解调方法，其特征在于，利用仿真软件仿真得到在
SNAP
结构微腔处于任一位移节点时，
SNAP
结构微腔位移传感系统输出包含若干个数据点的透射光谱，透射光谱与位移节点对应，由透射光谱和透射光谱对应的位移节点组成数据集；其中，透射光谱的透射幅值
S(
λ
)
的计算表达式为：的计算表达式为：式中，
λ
和
z
分别表示透射光谱中发生谐振的光波波长和
SNAP
结构微腔的轴向坐标，
S(0)
表示激光未发生谐振部分的透射率，
E(
λ
)
为有效能量值，
E
n
表示激光的第
n
阶轴向模式的能量特征值，
C、D
表示由锥形光纤决定的耦合参数，
ψ
n
(z)
为第
n
阶轴向模式的场分布函数
。5.
根据权利要求1所述的基于
1D
‑
CNN
的
SNAP
结构微腔位移传感解调方法，其特征在于，构建的运用
1D
‑
CNN
的神经网络模型由5层组成，包含输入层
、
卷积层
、
两个全连接层和输出层，输入层
、
卷积层
、
两个全连接层和输出层均存在权重值，各层之间通过权重值连接
。6.
根据权利要求1～5任一项所述的基于
1D
‑
CNN
的
SNAP
结构微腔位移传感解调方法，其特征在于，对运用
1D
‑
CNN
的神经网络模型进行训练前，提取训练集和测试集中的任一透射光谱所有数据点中的所有局部最低点
、
位于局部最低点之前的
a
个数据点及位于局部最低点之前的
a
个数据点，
a
为预设的正整数值；训练集中的任一透射光谱所有数据点中的所有局部最低点
、
位于局部最低点之前的
a
个数据点及位于局部最低点之前的
a
个数据点组成训
练用高灵敏度区域集合，测试集中的任一透射光谱所有数据点中的所有局部最低点
、
位于局部最低点之前的
a
个数据点及位于局部最低点之前的
a
个数据点组成测试用高灵敏度区域集合；其中，一个透射光谱对应得到一个高灵敏度区域
。7.
根据权利要求6所述的基于
1D
‑
CNN
的
SNAP
结构微腔位移传感解调方法，其特征在于，对运用
1D
‑
CNN
的神经网络模型进行训练的具体步骤包括：
a.
将训练集对应的训练用高灵敏度区域集合输入
1D
‑
CNN
，获得
SNAP
结构微腔位移预测结果集合；其中，将训练用高灵敏度区域集合中的任一个高灵敏度区域，输入
1D
‑
CNN
中的一维卷积层，获得一维卷积层的输出向量矩阵；输出向量矩阵中的第
ij
个输出向量
y
[i][j]
的计算表达式为：式中，
y
[i][j]
由第
j
...

【专利技术属性】
技术研发人员：董永超，张帅，黄世豪，李勇康，王杰波，王晗，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：