王桧
,
赵起超
,
王昊琦
,
邵志强
,
肖爽
,
刘彬
摘要:
为提升法布里-珀罗（Fabry-Pérot， F-P）传感器游标光谱信号解调的准确性，提出基于深度学习的光谱数据直接解调方法。首先对光谱数据进行预处理，将复杂的游标光谱信息转化为卷积神经网络（Convolutional Neural Network， CNN）可以处理的数据格式，然后采用深度学习模型对预处理后的完整光谱数据进行训练和测试，并利用卷积神经网络对光谱数据进行特征提取和分类，最终实现待测信号的准确解调。使用灵敏度为112.5 nm / MPa的双腔法布里-珀罗传感器采集光谱数据，并开展信号解调实验，结果表明：CNN模型对未知光谱进行10折（fold）交叉验证的平均准确率为92.49%，均方根误差RRMSE（Root Mean Square Error， RMSE）为0.039 2 MPa，相对误差的平均值为3.31%；卷积神经网络-长短期记忆（Convolutional Neural Network-Long Short Term Memory， CNN-LSTM）模型对未知光谱进行10折交叉验证的平均准确率为96.98%，RRMSE为0.039 0 MPa，相对误差的平均值为3.28%。基于CNN-LSTM模型的方法仅通过解调256个采样点的数据就实现了较高准确度，具有便捷、高效的优点，为推动光谱信号解调领域发展提供了有效的技术途径，为开发智能光学传感系统提供了重要参考。