(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110444539.6 (22)申请日 2021.04.23 (65)同一申请的已公布的文献号 申请公布号 CN 113011107 A (43)申请公布日 2021.06.22 (73)专利权人 南京理工大 学 地址 210094 江苏省南京市玄武区孝陵卫 200号 (72)发明人 崔珂　孔磊　朱日宏　 (74)专利代理 机构 南京理工大 学专利中心 32203 专利代理师 薛云燕 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/00(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G01D 5/353(2006.01) 审查员 舒瀚 (54)发明名称 基于深度卷积神经网络的一维光纤传感信 号相位恢复方法 (57)摘要 本发明公开了一种基于深度卷积神经网络 的一维光纤传感信号相位恢复方法， 该方法为： 对结合相位调制型迈克尔逊干涉仪的传感系统 中光信号的一维连续相位进行仿真， 并计算出包 裹相位， 添加噪声； 将一维仿真数据展开成二维 结构， 生成数据集； 设定深度卷积神经网络模型 的结构、 参数、 激活函数、 损失函数、 优化器， 将数 据集送入模 型进行训练； 通过评价指标判断误差 是否满足要求， 若满足调至下一步； 否则对模型 的结构、 参数、 激活函数、 损失函数进行调整， 并 调转至上一步用调整的模型重新进行训练； 由实 际光纤传感系统探测的干涉光强数据计算得包 裹相位， 送入训练后的模型进行预测， 由预测结 果得到恢复的相位。 本发明实现了高精度、 高速 度的相位恢复。 权利要求书2页 说明书5页 附图2页 CN 113011107 B 2022.08.09 CN 113011107 B 1.一种基于深度卷积神经网络的一维光纤传感信号相位恢复方法， 其特征在于， 该方 法包括： 步骤1， 对结合相位调制型迈克尔逊干涉仪的传感系统中光信号的一维连续相位进行 仿真， 并计算出包裹相位， 添加噪声； 步骤2， 将一维仿真数据展开成二维结构， 生成数据集； 步骤3， 设定深度卷积神经网络模型的结构、 参数、 激活函数、 损失函数、 优化器， 将数据 集送入模型进行训练； 步骤4， 通过评价指标判断误差是否满足要求， 若满足调至步骤5； 否则对模型的结构、 参数、 激活函数、 损失函数进行调整， 并调转至步骤3用调整的模型重新进行训练； 步骤5， 由实际光纤传感系统探测的干涉光强数据计算得包裹相位， 送入训练后的模型 进行预测， 由预测结果得到恢复的相位； 步骤1中包裹相位的计算公式如下： ∅=angle{𝑒^(𝑗𝜑)} 其中∅为传感系 统中光信号的包裹相位， 𝜑为光信号的真实相位， angle表示取参数的 角度值； 步骤2所述将一维仿真数据展开成二维结构， 生成数据集， 具体如下： 对于包裹相位： ∅={∅1,∅2,∅3,∅4,···∅n} 构建二维格式： MATRIX = [( ∅1+∅1)/2, ( ∅1+∅2)/2, ( ∅1+∅3)/2,···( ∅1+∅n)/2 ( ∅2+∅1)/2, ( ∅2+∅2)/2, ( ∅2+∅3)/2,···( ∅2+∅n)/2 · ·· ( ∅n+∅1)/2, ( ∅n+∅2)/2, ( ∅n+∅3)/2,···( ∅n+∅n)/2] 同理， 对于真实相位： 𝜑={𝜑1, 𝜑2, 𝜑3, 𝜑4,···𝜑n} 构建二维格式： MATRIX = [ ( 𝜑1+ 𝜑1)/2, ( 𝜑1+ 𝜑2)/2, ( 𝜑1+ 𝜑3)/2,···( 𝜑1+ 𝜑n)/2 ( 𝜑2+ 𝜑1)/2, ( 𝜑2+ 𝜑2)/2, ( 𝜑2+ 𝜑3)/2,···( 𝜑2+ 𝜑n)/2 ··· ( 𝜑n+ 𝜑1)/2, ( 𝜑n+ 𝜑2)/2, ( 𝜑n+ 𝜑3)/2,···( 𝜑n+ 𝜑n)/2]。 2.根据权利要求1所述的基于深度卷积神经网络的一维光纤传感信号相位恢复方法， 其特征在于， 步骤1所述对结合相位调制型迈克尔逊干涉仪的传感系统中光信号的一维连 续相位进行仿真， 并计算出包裹相位， 添加噪声， 具体如下： 随机生成若干个点， 满足高斯分布或者均匀分布， 通过三次样条插值将点数扩大， 形成 连续、 光滑的一维仿真相位， 通过反正切计算包裹相位， 并添加噪声。 3.根据权利要求1所述的基于深度卷积神经网络的一维光纤传感信号相位恢复方法， 其特征在于， 步骤3中深度卷积神经网络模型的结构如下： 将输入经过一个编码器提取特征， 再经过一个译码器还原成输入数据的尺寸， 编码器 包含由多层卷积构成的特 征提取通道， 译码器包 含由多层卷积构成的特 征缩放通道。 4.根据权利要求3所述的基于深度卷积神经网络的一维光纤传感信号相位恢复方法， 其特征在于， 步骤3中深度卷积神经网络模型的结构如下：权　利　要　求　书 1/2 页 2 CN 113011107 B 2卷积核的尺寸为3 ×3， 步长为1， 填充方式为same， 每一层卷积后跟随一个BN层和一个 Relu层； 最后一层卷积只跟随一个Linear层， 池化层 采用最大池化方式， 反卷积的卷积核尺 寸为3×3， 步长为2， 填充 方式为same， 激活函数采用Relu； 编码器和译码器的相应层进 行跳 跃连接。权　利　要　求　书 2/2 页 3 CN 113011107 B 3