[发明专利]基于分布式估计算法的光纤布拉格光栅传感器非对称光谱解调方法

权利要求书

1.一种基于分布式估计算法的光纤布拉格光栅传感器非对称光谱解调方法，其特征在于：提供一光纤布拉格光栅传感器非对称光谱解调系统，所述系统包括

光纤布拉格光栅、宽带光源、3dB光耦合器、光谱分析仪和计算机；所述光谱分析仪分别与所述3dB光耦合器和所述计算机连接；所述宽带光源产生的入射光经过所述3dB光耦合器进入所述光纤布拉格光栅阵列中，而各所述光纤布拉格光栅的反射光谱经过所述3dB光耦合器进入所述光谱分析仪进行采样处理，经所述光谱分析仪处理后的数据即采样数据，最后送入计算机进行解调处理；具体按照以下步骤实现：

步骤S1：对采集到的大量典型非对称光谱，利用聚类分析方法提取出典型非对称光谱特征，将标准的正常光谱对应的高斯模型转变成非对称高斯模型，得到非对称光谱模型；

步骤S2：利用最小化构造光谱和实际采样光谱之间的差异度的原理来进行光纤布拉格光栅解调，构建如下的解调模型：

其中λ_B,α_L,α_R为待求的决策变量，R₀(λ)为实际需要解调的光纤布拉格光栅传感网络采样光谱数据；在求解该解调模型的同时，还需要辨识出α_L,α_R这两个形态参数；利用分布式估计算法实现该解调模型对非对称光谱的解调；

步骤S3：所述光纤布拉格光栅的反射光谱通过所述3dB光耦合器进入光谱分析仪进行采样；所述光谱分析仪将得到采样数据发送到所述计算机进行数据处理，得到采样光谱R₀(λ)，并将所述采样光谱数据送到分布式估计算法模型中进行解调；

其中，步骤S1中所述非对称光谱模型公式如下：引入了左右侧光谱形态参数，用以描述不同特征的光谱变化趋势；

式中α_L、α_R分别对应于光谱模型中左形态参数和右形态参数；λ_B为FBG反射光谱的布拉格中心波长；阶数m是控制峰值跨度；I是反射功率；Noise(λ)是光谱的噪声波动量。

2.根据权利要求1所述的一种基于分布式估计算法的光纤布拉格光栅传感器非对称光谱解调方法，其特征在于：步骤S3中所述在分布式估计算法模型中进行解调具体包括以下步骤：

步骤S31：根据光谱分析仪采样反射光谱R₀(λ)时所获取到的波长λ的范围，在此范围内随机生成中心波长λ_B，在光谱左形态参数α_L和右形态参数α_R的范围内随机生成α_L和α_R，α_L和α_R是大于1的常数，其范围均为[1,+∞]，从而随机产生初始种群S₀，其中含有NP个个体，利用所述非对称光谱模型得出每个个体的R(λ,λ_B,α_L,α_R)，其中设置m＝2，I＝1，对概率赋初值P₀(X)＝0.5，初始化迭代次数t＝1，设置最大迭代次数T_max；

步骤S32：计算每个个体的适应度函数值即求出每个个体构造的拟合光谱R(λ,λ_B,α_L,α_R)与采样光谱R₀(λ)之间的差值，按照适应度值进行从小到大排序，并从中选取M，M≤NP个优势个体；

步骤S33：以步骤S32中M个优势个体为样本，利用群体增量学习算法模型更新概率模型；更新后的概率模型公式为：P_t+1(X)＝(1-a)P_t(X)+B_t(X)，其中X为种群样本，a为学习率，取0.01～0.1，P_t(X)为当前迭代次数下的概率向量，B_t(X)为当前迭代次数下的种群最优解；

步骤S34：利用步骤S33得到的概率模型采样产生N，N＜NP-M个新个体，则新一代种群由采样产生的新个体、选择的优势个体和随机产生的初始种群组成，记为S_t，采用最佳精英主义思想，保留了父代部分优势个体的同时，将劣势个体替换为概率模型产生的新个体；

步骤S35：判断是否达到终止条件，即迭代次数t是否小于T_max，若是，则执行步骤S32，t＝t+1，若否，则迭代结束；

步骤S36：分布式估计算法输出最优解，得到采样光谱的中心波长值λ_B、左形态参数α_L和右形态参数α_R。