基于残余缩放的排位感知方法,用于一次性货币货币基金的specklegram预测

科学领域:

• 光电学是指光电子产品.
• 光纤光学传感 传感器
• 机器学习用于测量.

背景情况:

• 多模光纤 (MMF) 斑点图为移位传感提供了一个有希望的基础.
• 现有的基于货币货币基金的方法在实现高分辨率和广泛的测量范围同时面临挑战.

研究的目的:

• 提出和验证一种使用多模光纤的高分辨率,大范围位移传感方法.
• 通过修改的残余网络 (ResNet) 和一次性学习来提高排位预测的准确性.

主要方法:

• 构建了MMF光谱图像的一次性数据集,用于1801个位移 (0.01毫米分辨率).
• 修改了ResNet的完全连接层,并应用了剩余缩放以改进位移预测.
• 在更细分的分辨率 (0.005毫米) 数据集上评估模型概括和评估温度免疫力.

主要成果:

• 在0.01毫米分辨率和18毫米测量范围下,实现了0.0083毫米的平均位移预测误差.
• 在0.005毫米分辨率的数据集上显示了0.0138毫米的预测误差,展示了概括.
• 在不同的温度下,在测量范围内表现出低分散 (5.08%),非线性 (7.71%) 和歇斯底里 (6.13%).

结论:

• 拟议的货币货币基金位移传感方法与现有的光谱图技术相比,提供了更高的准确性和范围.
• 修改后的ResNet模型展示了强大的性能和一般化能力,用于位移传感.
• 这种技术对于高性能,实际的移位传感应用具有显著的潜力.