径向基函数神经网络在布里渊散射温度提取中的应用

"本文提出了一种基于径向基函数神经网络(Radial Basis Function Neural Network, RBFNN)的布里渊散射(Brillouin Scattering)谱温度提取新方法，旨在简化提取过程并提高测量精度。研究比较了RBFNN、平滑拟合(Smoothing Fitting)和反向传播神经网络(Backpropagation Neural Network, BPNN)三种方法在温度测量中的性能。通过使用不同扫频频率间隔的77组数据，以及考虑不同线宽的影响，结果显示RBFNN方法具有最小的均方根误差，并且随着步进频率的增加，误差增长较慢。具体而言，当步进频率为20 MHz时，单线宽和多线宽的误差分别为0.8002℃和1.0814℃，远低于平滑拟合和BPNN方法的误差。此外，RBFNN方法还减少了计算步骤，提高了算法的收敛性。" 在光纤通信和光子传感领域，布里渊散射是一种重要的现象，它发生在光子与介质相互作用时，能提供介质的温度和压力等信息。传统的布里渊散射温度测量方法通常涉及复杂的信号处理步骤，如平滑拟合，这种方法可能会引入额外的误差。反向传播神经网络虽然在某些情况下表现良好，但其收敛速度可能较慢，且对初始参数敏感。 径向基函数神经网络是一种特殊的前馈神经网络，其隐藏层节点的激活函数采用径向基函数，这种函数具有局部性和快速收敛的特性，使其特别适合于非线性问题的建模。在本文提出的方案中，RBFNN被用来建立温度与布里渊散射谱之间的映射模型。通过训练集（即不同温度下的布里渊散射谱）来学习和优化网络权重，从而可以直接输入新的散射谱数据，快速准确地得到对应的温度值。 实验结果表明，RBFNN在处理布里渊散射谱数据时，能够有效地减少计算复杂性，提高温度测量的精度。特别是在高频扫频情况下，其性能优势更加明显。这为光纤传感器的设计和优化提供了新的思路，有望在温度监测、环境监控以及能源管理等领域得到应用。