为了简化布里渊散射提取温度的步骤并提高提取精度,提出利用径向基函数神经网络直接通过布里渊散射谱获取温度特征的一种新方案;将各温度布里渊散射谱作为训练集计算出温度模型,将待测布里渊散射谱直接输入至模型即可获取温度;对比平滑拟合、反向传播神经网络、径向基函数神经网络3种方案对温度测量的效果,分别选取扫频频率间隔为0.175,1,5,10,20 MHz时的77组数据,并对不同线宽进行扩展。结果表明:基于径向基函数神经网络方法的均方根误差较小,且随步进频率增加而增长缓慢;步进频率为20 MHz时,单线宽误差达到0.8002 ℃,多线宽误差为1.0814 ℃,分别是平滑拟合测量温度方法误差的33.04%和42.88%,是反向传播神经网络均方根误差的40.25%和55.89%;基于径向基函数神经网络的方法在一定程度上减少了计算步骤,提高了收敛性。

基于布里渊光时域分析仪的全分布式光纤传感系统中，光纤沿途的探测信号含有噪声导致被测量的温度或应变信息难以识别，光谱拟合的精确度对传感信息的识别非常重要。在传感系统低信噪比的情况下，提出了一种提取高精度布里渊散射谱特征的拟合方法，利用小波去噪结合莱文伯-马奈特（LM）算法调节权值后向传输(BP)网络对布里渊散射谱进行特征提取。克服了传统BP神经网络易陷入局部极值的缺点，保证求解的精度。数值仿真表明，该方法适合不同权重比、不同线宽和低信噪比以及大测量范围的情况进行光谱拟合，并且在信噪比为10 dB的情况下得到拟合度均超过0.96。实验结果表明，该方法适用于多种泵浦功率情况下的布里渊散射谱的特征提取，优于传统BP神经网络算法且具有较高的拟合精度。