ПРИМЕНЕНИЕ НЕЙРОСЕТЕВЫХ АЛГОРИТМОВ ДЛЯ АНАЛИЗА ДАННЫХ С РАСПРЕДЕЛЕННЫХ ВОЛОКОННО-ОПТИЧЕСКИХ ДАТЧИКОВ РАССЕЯНИЯ МАНДЕЛЬШТАМА-БРИЛЛЮЭНА Текст научной статьи по специальности «Компьютерные и информационные науки»

DOI 10.24412/2308-6920-2021-6-351-352

ПРИМЕНЕНИЕ НЕЙРОСЕТЕВЫХ АЛГОРИТМОВ ДЛЯ АНАЛИЗА ДАННЫХ С РАСПРЕДЕЛЕННЫХ ВОЛОКОННО-ОПТИЧЕСКИХ ДАТЧИКОВ РАССЕЯНИЯ МАНДЕЛЬШТАМА-БРИЛЛЮЭНА

12* 2 3 4

Кривошеев А.И. ' , Константинов Ю.А. , Барков Ф.Л. , Первадчук В.П.

'Пермская научно-производственная приборостроительная компания, г. Пермь 2Пермский федеральный исследовательский центр Уральского отделения Российской академии наук, г. Пермь 3Программный комитет международной конференции «Оптическая рефлектометрия, метрология

и сенсорика», г. Пермь 4Пермский Национальный Исследовательский Политехнический Университет, г. Пермь

E-mail: antokri@ya.ru

На сегодняшний день известно множество исследований по внедрению машинного обучения в бриллюэновские распределенные датчики в качестве альтернативы традиционным методам получения информации о температуре и деформации. Машинное обучение было успешно применено в таких сферах как: обработка изображений, распознавание образов, классификации и даже оптика. Машинное обучение зарекомендовало себя благодаря способности точно предсказывать решение, имея лишь несколько входных данных, которые было бы слишком сложно организовать в простую логическую цепочку. Модель строится и обучается, используя известный набор данных, как входных, так и выходных. В бриллюэновских рефлектометрах/анализаторах используются такие направления машинного обучения как: искусственные нейронные сети [1], глубинные нейронные сети [2], а также метод опорных векторов [3].

Однако, несмотря на достоинства таких подходов, классические методы обработки информации, полученной с помощью бриллюэновских датчиков, более распространены в типовых аттестованных системах, использующихся в производственных и лабораторных целях.

Данная работа посвящена использованию нейронной сети для объединения информации, полученной с бриллюэновского анализатора классическими способами, с целью увеличения точности определения максимума спектра бриллюэновского сдвига.

В качестве входных параметров сети были выбраны результаты трех методов поиска максимума спектра, а также значение отношения сигнал/шум спектра. Другой тип цифрового дефекта, помимо шума, хоть и нечасто встречающийся в современных датчиках - локальное пропадание полезного сигнала спектра. Этот тип дефекта может иметь различную протяженность, поэтому ширина такого дефекта, в случае его наличия в спектре, также включена в набор входных параметров нейронной сети.

Нейронная сеть с прямой связью, используемая в работе состоит из одного входного слоя, состоящего из пяти нейронов, двух скрытых слоев и выходного слоя, состоящего из одного нейрона (рис. 1).

Рис. 1. Структура нейронной сети. Б№С - результат метода обратной корреляции, ССМ - классического метода кросс-корреляции, LCF - аппроксимация лоренцевой функцией, SNR - отношение сигнал/шум, АаГ: - ширина области дефекта

№6 2021 СПЕЦВЫПУСК «ФОТОН-ЭКСПРЕСС-НАУКА 2021» www.fotonexpres.rufotonexpress@mail.ru

351

Обучение сети производилось на сгенерированных спектрах по принципу обратного распространения ошибки. При этом способе обучения выходное значение сети сравнивается с правильным значением, а ошибка, представляющая собой разницу этих значений, возвращается через сеть. При этом корректируются значения весов связей между нейронами, для последующего уменьшения ошибки.

В результате работы сети было получено улучшение определения максимума бриллюэновского спектра на величину порядка 10%. Сравнительные характеристики методов расчета максимума для смоделированных спектров приведены в таблице 1.

Таблица 2. Сравнение результатов расчета

Метод Стандартное отклонение ошибки

BWC 0,0072

CCM 0,0071

LCF 0,0086

Комбинированный (нейросеть) 0,0064

В результате применения такого подхода удалось добиться снижения ошибки определения максимума бриллюэновского спектра на величину порядка 10%.

Данная работа демонстрирует потенциальную возможность использования типового аттестованного оборудования для получения более точных сведений о состоянии волоконной линии. При этом не требуется какого-либо усложнения аппаратной части сенсора.

Работа выполнена как часть Государственного задания №AAAA-A19119042590085-2.

Литература

1. A.K.Azad et al, Optics Express, 24, 6769 (2016)

2. L. Wang et al, 2017 16th International Conference on Optical Communications and Networks (ICOCN), IEEE, pp. 1-3 (2017)

3. H. Wu et al, Journal of Lightwave Technology, 35, 4159-4167 (2017)

352............№6 2021 СПЕЦВЫПУСК «ФОТОН-ЭКСПРЕСС-НАУКА 2021» www.fotonexpress.rufotonexpress@mail.ru