1 北京信息科技大学 光电测试技术与仪器教育部重点实验室，北京 100192
2 北京信息科技大学 光纤传感与系统北京实验室，北京 100016
3 合肥工业大学 仪器科学与光电工程学院，安徽 合肥 230009
研究了一种基于深度学习的光纤光栅混叠FBG光谱解调方法。利用卷积神经网络(Convolutional Neural Networks, CNN)模型处理混叠光谱非线性序列模型问题，通过一维卷积神经网络预测识别混叠光谱中心波长，并搭建了并联结构的混叠光谱数据自动采集实验系统，验证了混叠光谱的中心波长高精度解调。实验分析了训练样本、迭代次数对训练时间、测试时间、解调精度的影响，并对训练完成后的模型进行了解调时间测试。分别与其他解调算法进行了解调精度和测试时间对比，同时对同一组光谱数据使用解调模型算法及最高点寻峰算法进行中心波长值的对比并进行误差分析。实验结果表明：解调模型均方根误差结果为0.082 58 pm，使用Intel(R) Core(TM) i7-8550U CPU （Central Processing Unit）的解调计算时间为0.338 s。研究结果表明：采用卷积神经网络模型对于混叠光谱中心波长解调结果的准确性具有合理性，与其他算法相比，文中的解调算法在解调精度和时间上具有优势，模型大小在400 kB以下，所需算力较小，可部署在小型嵌入式设备中，在大规模机载传感网络，结构健康监测中有良好的应用前景。
光纤光栅 混叠光谱 光谱数据采集系统 卷积神经网络 fiber grating overlapped spectrum spectrum data acquisition system convolutional neural networks 红外与激光工程
2022, 51(5): 20210419
在能量色散X荧光光谱分析中， 常用的闪烁探测器如NaⅠ（Tl）探测器的能量分辨率都不高， 均在8%左右。 能量分辨率低下往往对谱数据分析带来较大的难题， 特别是在高本底低计数的情况下剥离仪器谱重叠峰会受到很大限制， 越是重叠严重的峰越是无法剥离， 进而无法分辨峰值和峰面积， 更无法进一步对元素进行定性定量分析。 为此， 结合遗传算法和免疫算法的优势建立新的种群算法应用在重叠谱分析上， 该算法以欧式距离为进化的判断依据， 以最大相对相似误差值为迭代准则进行迭代。 利用高斯函数模拟不同重叠程度的仪器谱图， 将种群算法应用在重叠峰分离和全谱模拟中， 峰道址偏差在±3道以内， 峰面积偏差不超过5%， 证明该方法在能量色散X荧光重叠谱分析中有较好的效果。
能量色散X荧光 重叠峰 种群算法 Energy dispersive X-ray fluorescence spectrum anal Overlapped spectrum Racial algorithm
