[发明专利]弱测量中进行参量估值偏差补偿的方法及系统

说明书

本发明提供了一种弱测量中进行参量估值偏差补偿的方法及系统，包括：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；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；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。本发明通过机器学习算法对弱测量过程中噪声所引起的估值偏差进行修正，在有效利用弱值放大效应提升分辨率的同时，有效克服长期关联噪声带来的影响，显著提高信噪比，增加弱测量参量估值过程的精度和抗干扰能力。

技术领域

本发明涉及精密测量技术领域，具体地，涉及在弱测量过程中利用机器学习进行参量估值偏差补偿的方法及系统。

背景技术

传统的弱测量技术可以对一个微小的量进行放大，弱测量技术通过合适的后选择，将本来很微小的偏移量适当的放大到一个可观测的位置，从而实现对微小参量的高精度测量。弱测量技术本身无法直接对抗噪声干扰，在传统方案中，采用多次测量取平均值的方法来消除噪声引起的误差。假如所涉及噪声具有短期相关性，如白噪声，取均值有利于消除统计误差，提高参量估值精度；但假如所涉及噪声具有长期相关性，例如1/f和1/f²噪声，则取均值不但无法提高精度，甚至还可能增大估值误差，成为目前弱测量技术方案无法解决的问题。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种弱测量中进行参量估值偏差补偿的方法及系统。

根据本发明提供的一种弱测量中进行参量估值偏差补偿的方法，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。

较佳的，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；经偏振分束器按偏振方向分解为两路，通过双折射效应引入待测参量：路径间时延差τ，然后重新合并，并用偏振态进行检偏，其中∈＜＜1，是一个可调相位；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。

较佳的，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。

较佳的，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；