基于改进LSTM的FBG传感网络光谱基线校正方法

【目的】针对复杂外界环境所致的光纤布拉格光栅(FBG)光谱信号基线漂移问题,文章提出了一种基于改进的长短期记忆(LSTM)模型的光谱基线校正方法。【方法】改进的LSTM模型由卷积神经网络(CNN)、全连接层和LSTM网络组成。CNN与LSTM模型相比,改进的LSTM模型利用CNN提取FBG光谱信号的特征信息。文章使用仿真数据集和实测数据集对改进的LSTM模型进行训练。仿真数据集由特征噪声、基线和FBG光谱组成。分别使用小波软阈值法、惩罚最小二乘法、循环神经网络(RNN)法、LSTM法和改进的LSTM法进行基线校正。使用FBG传感信号存活率和均方根误差(RMSE)对5种方法的校正结果进行评价。【结果】使用仿真数据集对LSTM模型进行训练与测试,改进的LSTM模型将FBG传感信号存活率提高了60.8%。采用仿真数据集对模型进行预训练后,再将使用实测数据集对经过预训练的模型进行训练得到的改进LSTM模型与直接使用实测数据集训练的模型相比,改进的LSTM模型具有更好的校正效果。FBG光谱的RMSE降低了10.95%,RMSE的标准差降低了4%。使用改进的LSTM模型对FBG光谱实测数据集进行校正,FBG传感信号存活率提高了50.5%。与小波软阈值法、惩罚最小二乘法、RNN法和LSTM法相比,改进后的LSTM模型具有更好的校正效果,RMSE的均值和标准差分别为0.0122和0.0024。解调中心波长的RMSE为0.036 pm,并且基线校正过程只需9.68 ms。【结论】改进的LSTM模型是一种有效的基线校正方法,在复杂外部环境下具有广阔的应用前景。