优化低分辨率光谱解调用于使用残余卷积神经网络的长期光纤网格

科学领域:

• 频谱学是一种光谱学.
• 光学工程是指光学工程.
• 机器学习 机器学习

背景情况:

• 获得高分辨率光谱是昂贵的,需要专门的设备.
• 低分辨率光谱在为压力测量等应用提取准确信息方面存在挑战.
• 现有的方法在苛刻的条件下在光谱分析中难以获得精确度.

研究的目的:

• 利用低分辨率数据开发一种具有成本效益的方法来提高光谱分辨率.
• 为了提高在长期纤维网格 (LPFG) 中在高应力下共振波长检测的准确性.
• 在没有昂贵的高分辨率设备的情况下实现高精度光谱分析.

主要方法:

• 一个新的残余卷积神经网络 (ResNet) 旨在增强光谱数据点.
• 通过使用低分辨率问询器 (0.15 nm) 捕获传输光谱.
• 一个阵列波导格子 (AWG) 和多层感知子 (MLP) 用于特征提取和非线性建模.

主要成果:

• 该ResNet模型从低分辨率输入中快速生成高分辨率光谱,而无需预处理.
• 结合的AWG-MLP模型准确地预测了微小的共振波长变化.
• 实验验证显示确定系数 (R2) 为99.87%和MSE为0.065.

结论:

• 拟议的基于ResNet的方法显著提高了LPFG应力测量的光谱分辨率.
• 这种方法为高分辨率探问器提供了具有成本效益的替代方案,用于精确的波长调制.
• 该研究表明,在使用先进的机器学习技术实现高精度共振波长解调方面取得了突破.