基于YSPSO-RBFN的布里渊散射谱特征提取

为提高提取到的传感布里渊散射谱的布里渊频偏量的精度,利用压缩因子粒子群优化算法调节权值的RBFN(Radial Basis Function Net)径向基函数神经网络对布里渊散射谱进行特征提取。提出的算法克服了传统RBFN神经网络易于陷入局部极值的缺点,利用PSO(Particle Swarm Optimization)算法调节权值后向传输网络,对布里渊散射谱进行精度提取,保证了求解的速度和精度。数值分析过程中,利用新型结合算法在不同线宽和不同信噪比大测量范围情况下的散射谱进行参数估计。通过实验获得不同温度下的布里渊散射谱数据,利用YSPSO-RBFN(Particle Swarm Optimization with Shinkage Factor Shirnhage Factor-Radical Basis Function)算法处理实验数据,结果表明,该算法可提高布里渊散射谱特征提取的精度,25℃下拟合误差为1.99 MHz,温度升高拟合误差也在减小。在85℃时的频移拟合误差为0.047 MHz。因此,将该算法用于布里渊散射温度和应变传感系统,可有效提高检测精度。

布里渊散射谱拟合的混合优化算法

基于布里渊光时域分析仪的全分布式光纤传感系统中,光纤沿途的探测信号含有噪声导致被测量的温度或应变信息难以识别,光谱拟合的精确度对传感信息的识别非常重要。在传感系统低信噪比的情况下,提出了一种提取高精度布里渊散射谱特征的拟合方法,利用小波去噪结合莱文伯-马奈特(LM)算法调节权值后向传输(BP)网络对布里渊散射谱进行特征提取。克服了传统BP神经网络易陷入局部极值的缺点,保证求解的精度。数值仿真表明,该方法适合不同权重比、不同线宽和低信噪比以及大测量范围的情况进行光谱拟合,并且在信噪比为10dB的情况下得到拟合度均超过0.96。实验结果表明,该方法适用于多种泵浦功率情况下的布里渊散射谱的特征提取,优于传统BP神经网络算法且具有较高的拟合精度。

基于径向基函数神经网络直接提取布里渊散射谱温度的方法

为了简化布里渊散射提取温度的步骤并提高提取精度,提出利用径向基函数神经网络直接通过布里渊散射谱获取温度特征的一种新方案;将各温度布里渊散射谱作为训练集计算出温度模型,将待测布里渊散射谱直接输入至模型即可获取温度;对比平滑拟合、反向传播神经网络、径向基函数神经网络3种方案对温度测量的效果,分别选取扫频频率间隔为0.175,1,5,10,20MHz时的77组数据,并对不同线宽进行扩展。结果表明:基于径向基函数神经网络方法的均方根误差较小,且随步进频率增加而增长缓慢;步进频率为20 MHz时,单线宽误差达到0.8002℃,多线宽误差为1.0814℃,分别是平滑拟合测量温度方法误差的33.04%和42.88%,是反向传播神经网络均方根误差的40.25%和55.89%;基于径向基函数神经网络的方法在一定程度上减少了计算步骤,提高了收敛性。