基于改进LSTM的FBG传感网络光谱基线校正方法

作者：韩颖; 张旭^*; 于明鑫; 庄炜

来源：光通信研究, 2023, 1-11.

• 光纤布拉格光栅
• 光谱基线校正
• 改进长短期记忆模型
• 深度学习

【目的】针对复杂外界环境所致的光纤布拉格光栅（Fiber Bragg Grating， FBG）光谱信号基线漂移问题，本文提出了一种基于改进的长短期记忆（Long Short-Term Memory， LSTM）模型的光谱基线校正方法。【方法】与LSTM模型相比，改进的LSTM模型利用卷积神经网络（Convolutional Neural Network， CNN）提取FBG光谱信号的特征信息。改进的LSTM模型由CNN、全连接层和LSTM网络组成。本文使用仿真数据集和实测数据集对改进的LSTM模型进行训练。仿真数据集由特征噪声、基线和FBG光谱组成。分别使用小波软阈值法、惩罚最小二乘法、循环神经网络（Recurrent Neural Network， RNN）法、LSTM法和改进LSTM法进行基线校正。使用FBG传感信号存活率和均方根误差对五种方法的校正结果进行评价。【结果】使用仿真数据集对LSTM模型进行训练与测试，改进的LSTM模型将FBG传感信号存活率提高60.8%。采用仿真数据集对模型进行预训练后，再使用实测数据集对预训练模型进行训练的改进LSTM模型，与直接使用实测数据集训练的模型相比，具有更好的校正效果。FBG光谱的均方根误差降低了10.95%，均方根误差的标准差降低了4%。使用改进的LSTM模型对FBG光谱实测数据集进行校正，FBG传感信号存活率提高50.5%。与小波软阈值法、惩罚最小二乘法、RNN法和LSTM法相比，改进后的LSTM模型具有更好的校正效果，均方根误差的均值和标准差分别为0.0122和0.0024。解调中心波长的均方根误差为0.0360 pm，并且基线校正过程只需要9.68 ms。【结论】改进的LSTM模型是一种有效的基线校正方法，在复杂外部环境下具有广阔的应用前景。

• 单位
  北京信息科技大学; 天津大学