文摘为提升法布里-珀罗(Fabry-Pérot,F-P)传感器游标光谱信号解调的准确性,提出基于深度学习的光谱数据直接解调方法。首先对光谱数据进行预处理,将复杂的游标光谱信息转化为卷积神经网络(Convolutional Neural Network,CNN)可以处理的数据格式,然后采用深度学习模型对预处理后的完整光谱数据进行训练和测试,并利用卷积神经网络对光谱数据进行特征提取和分类,最终实现待测信号的准确解调。使用灵敏度为112.5 nm/MPa的双腔法布里-珀罗传感器采集光谱数据,并开展信号解调实验,结果表明:CNN模型对未知光谱进行10折(fold)交叉验证的平均准确率为92.49%,均方根误差RRMSE(Root Mean Square Error,RMSE)为0.0392 MPa,相对误差的平均值为3.31%;卷积神经网络-长短期记忆(Convolutional Neural Network-Long Short Term Memory,CNN-LSTM)模型对未知光谱进行10折交叉验证的平均准确率为96.98%,RRMSE为0.0390 MPa,相对误差的平均值为3.28%。基于CNN-LSTM模型的方法仅通过解调256个采样点的数据就实现了较高准确度,具有便捷、高效的优点,为推动光谱信号解调领域发展提供了有效的技术途径,为开发智能光学传感系统提供了重要参考。
