低SNR多镜法布里-佩罗特压力传感器光谱信号分析和通过SVM-KNN回归器进行调节

科学领域:

• 光学传感传感器是什么?
• 机器学习 机器学习
• 信号处理 信号处理

背景情况:

• 低信号噪声比 (SNR) 挑战了Fabry-Perot传感器光谱的精确解调.
• 现有的方法难以处理噪音数据,限制了传感器网络的可扩展性.

研究的目的:

• 开发一种集体学习方法,用于强大的Fabry-Perot传感器频谱信号解调.
• 为了提高在低SNR条件下调节的精度和稳定性.

主要方法:

• 从多层离散波量变换中利用八层近似系数作为输入特征.
• 训练了一个组合模型,结合了支持向量机 (SVM) 和K-近邻 (KNN) 回归器.
• 整合了引导和启动技术,以提高模型性能和稳定性.

主要成果:

• 取得了0.46%的卓越的相对平均误差,全尺度 (F.S. ) 的情况.
• 证明了SVM-KNN组合模型的优越性能和稳定性.

结论:

• 合体学习方法有效地解决了法布里-佩罗传感器解调中的低SNR挑战.
• 这种技术为构建基于光纤的大规模Fabry-Perot传感器网络提供了一个有前途的方法.