[发明专利]弱测量中进行参量估值偏差补偿的方法及系统

权利要求书

1.一种弱测量中进行参量估值偏差补偿的方法，其特征在于，包括：

偏差获取步骤：在弱测量过程中将引入待测参量的物理来源切断，使待测参量τ＝0，通过弱测量所获得由噪声引起的参量估值偏差值Δτ；

偏差预测步骤：基于获得的参量估值偏差值，通过训练和测试调整机器学习模型的参数，建立机器学习模型，用于拟合参量偏差的变化趋势；

偏差补偿步骤：在正常测量待测参量的情况下进行弱测量参量估值，利用机器学习模型估算当前时刻的参量估值偏差值并进行修正。

2.根据权利要求1所述的弱测量中进行参量估值偏差补偿的方法，其特征在于，所述偏差获取步骤通过标准弱测量程序获得由噪声引起的参量估值偏差值，所述标准弱测量程序是指将信号光的初始偏振态调制为其中H和V分别表示水平偏振和垂直偏振；

实验中，LED射出的光的频谱状态记作其中ω表示光频率，φ(ω)为光频率相关波函数，光束经过格兰泰勒棱镜后，被调制成初始偏振态：输入光的初始态演化为：

随后光束通过了Sagnac光路，H光和V光通过光路的耗时不同，引入了时延差，这个过程相当于光经历了幺正演化其中经历演化后，初始态演化为：并用偏振态进行检偏，其中∈＜＜1，是一个可调相位，i为虚数单位，i²＝-1，e为自然对数函数的底数；

最后检测光信号的频谱均值ω，将其减去初始光频谱均值ω₀后得到偏移量Δω，利用弱值放大效应公式求得待测参量。

3.根据权利要求1所述的弱测量中进行参量估值偏差补偿的方法，其特征在于，所述偏差预测步骤包括：

数据预处理子步骤：将获得的参量估值偏差值分成两部分，前一部分为训练集，用于训练机器学习模型；后一部分为测试集，用于评估机器学习模型；且在数据预处理过程中，数据之间的时间顺序不被打乱；

机器学习模型参数初始化子步骤：在训练机器学习模型之前，首先基于经验，进行参数设置；

机器学习模型训练子步骤，基于数据预处理子步骤得到的数据，通过训练和测试调整机器学习模型的参数，建立机器学习模型，用于拟合参量估计偏差的变化趋势。

4.根据权利要求1所述的弱测量中进行参量估值偏差补偿的方法，其特征在于，所述偏差补偿步骤包括：

参量偏差获取子步骤：在将待测参量设置为0的情况下，通过弱测量获取一定数目的参量偏差值；

参量测量子步骤：在打开信号输入的情况下进行弱测量参量估值，获取参量估值数据，参量估值数据包含真实值和偏差值；

参量偏差预测子步骤：基于参量偏差获取子步骤得到的参量偏差值，运用偏差预测步骤得到的机器学习模型，预测未来时刻的参量偏差预测值；

参量补偿子步骤：基于参量测量子步骤得到的参量估值数据减去参量偏差预测子步骤得到的对应时刻的参量偏差预测值，从而得到实际参量值的估计值，实现噪声补偿。

5.根据权利要求4所述的弱测量中进行参量估值偏差补偿的方法，其特征在于，所述参量偏差获取子步骤中，获取的参量偏差值的数目等于机器学习模型输入的特征数，获取的参量偏差值将作为机器学习模型预测下一个时刻偏差值的输入数据；

所述参量偏差预测子步骤中，应用滚动预测方法，把预测值作为对应时刻真实值的替代，并基于预测值来预测未来时刻参量。

6.一种弱测量中进行参量估值偏差补偿的系统，其特征在于，包括：

偏差获取模块：在弱测量过程中将引入待测参量的物理来源切断，使待测参量τ＝0，通过弱测量所获得由噪声引起的参量估值偏差值Δτ；

偏差预测模块：基于获得的参量估值偏差值，通过训练和测试调整机器学习模型的参数，建立机器学习模型，用于拟合参量偏差的变化趋势；

偏差补偿模块：在正常测量待测参量的情况下进行弱测量参量估值，利用机器学习模型估算当前时刻的参量估值偏差值并进行修正。