通过信号到图像转换估计可变光学反合因子,用于自我混合的干涉测量
Applied optics
|September 22, 2025
概括
一种新的深度学习方法估计了自混合干扰测量 (SMI) 传感器中的光学反合因子 (C). 这种基于二维图像的方法在各种反条件下提高了准确性和稳定性.
科学领域:
- 光学和光子学 在光学和光子学.
- 机器学习 机器学习
- 传感器技术 传感器技术
背景情况:
- 对光学反合因子 (C) 的准确估计对于自混合干扰测量 (SMI) 传感器可靠性至关重要.
- 变量反条件对传统的SMI参数估计方法构成挑战.
研究的目的:
- 开发一种基于深度学习的新方法,用于估计SMI传感器中的变时光学反合因子 (C).
- 在各种反制度下 (强,中等,弱) 提高C因子估计的稳定性和准确性.
主要方法:
- 将一维 (1D) SMI信号转换为二维 (2D) 图像表示.
- 使用卷积神经网络 (CNN) 来从二维信号图像中提取特征.
- 制定估计作为传感器参数推断的信号到图像翻译任务.
主要成果:
- 拟议的二维深度学习方法与最先进的循环神经网络模型 (LSTM,变压器) 相比,显示出更高的性能.
- 该方法在采样频率,位移幅度和反机制的变化方面表现出增强的稳定性.
- 实验验证证了基于2D的信号到图像转换对于C因子估计的有效性.
结论:
- 新的2D深度学习方法为估计SMI传感器中的光学反合因子提供了强大而准确的解决方案.
- 这种方法可通用,适用于各种传感器信号分析任务.
- 公共可用的实施方便可复制性和实践采用该方法.
