概括
一个新的贝叶斯优化的支持矢量机 (SVM) 模型通过将整个光谱映射到温度来克服光纤传感器的局限性. 这种方法实现了高精度和高效率,使得低温温度监测具有超高灵敏度和超宽的测量范围.
科学领域:
- 光电学是指光电子产品.
- 传感器技术 传感器技术
- 人工智能的人工智能
背景情况:
- 传统的光纤干扰信号处理,就像峰值跟踪方法一样,受到自由光谱范围 (FSR) 的限制.
- 在光纤传感器中实现超宽的测量范围和超高的灵敏度都是一项重大挑战.
- 准确的温度监测对于系统的稳定性和安全性至关重要,特别是在冷环境中.
研究的目的:
- 提出一种新的光纤传感器信号处理方法,克服传统方法的局限性.
- 开发一个贝叶斯优化的支持向量机 (SVM) 模型,用于从光纤干扰光谱中准确地调节温度.
- 为了证明在低温温度光纤传感器中实现超高灵敏度和超宽测量范围的潜力.
主要方法:
- 开发一个贝叶斯优化的支持向量机 (SVM) 模型.
- 绘制整个光纤干扰光谱和温度之间的关系.
- 分析萨格纳克干扰传感器的灵敏度和影响它的因素.
- 与信号处理的传统峰值跟踪方法进行比较.
主要成果:
- 拟议的SVM模型实现了低至0.034145 K的平均绝对误差 (MAE) 和未见光谱数据的R2为0.99999.
- 该方法避免了繁的数据处理,提高了信号调制的准确性和效率.
- 在低温温度传感中,已经证明了超高灵敏度和超宽测量范围的潜力.
结论:
- 贝叶斯优化的SVM模型在光纤传感器信号处理方面取得了重大进展.
- 这种方法提高了准确性,效率,并克服了灵敏度和测量范围之间的权衡.
- 该方法对各种光纤传感器具有广泛的适用性,特别是用于精确的冷温度监测.
