用机器学习方法对相位敏感的光学时域反光度响应分析的新方法
Vasily A Yatseev1, Oleg V Butov1,2, Alexey B Pnev2
1Kotelnikov Institute of Radioengineering and Electronics of Russian Academy of Science, 125009 Moscow, Russia.
Sensors (Basel, Switzerland)
|March 13, 2024
概括
这项研究引入了一种新方法,用于评估光纤系统中的非均反应. 机器学习显著提高了测量相位差异的精度,提高了反射计系统的性能.
科学领域:
- 计量学 计量学 计量学
- 光纤传感传感器是指光纤传感器.
- 机器学习应用 机器学习应用
背景情况:
- 阶段敏感的反射计系统面临的挑战是光纤沿线的反应不均.
- 雷利反射器的随机性质使光纤传感中的准确测量变得复杂.
研究的目的:
- 为了研究相位敏感反射计系统的计量特性.
- 开发和评估一种用于评估光纤响应不均性的方法.
- 为了比较交叉相关性和机器学习算法的有效性,用于此评估.
主要方法:
- 利用曲反射计作为分析的一个例子系统.
- 通过改变光源波长来模拟变形冲击.
- 采用交叉相关算法和基于神经网络的机器学习方法.
- 实验估计的反应不均性.
主要成果:
- 与交叉相关性相比,神经网络算法在相差测量准确度上显示了超过34%的改进.
- 拟议的方法有效地评估了不同纤维段的响应不均性.
- 奇尔普反射计被用来量化这些不均性.
结论:
- 开发的方法提供了一种有效的手段来评估光纤的响应不均性.
- 机器学习在提高相位敏感反射计测量的准确性方面提供了显著的优势.
- 这项研究有助于增强光纤传感系统的计量特性.


