CN114034327A - 基于稀疏采样和人工神经网络的布里渊散射信号测量方法 - Google Patents
基于稀疏采样和人工神经网络的布里渊散射信号测量方法 Download PDFInfo
- Publication number
- CN114034327A CN114034327A CN202111324366.0A CN202111324366A CN114034327A CN 114034327 A CN114034327 A CN 114034327A CN 202111324366 A CN202111324366 A CN 202111324366A CN 114034327 A CN114034327 A CN 114034327A
- Authority
- CN
- China
- Prior art keywords
- brillouin
- sampling
- frequency
- neural network
- artificial neural
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000005070 sampling Methods 0.000 title claims abstract description 65
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 26
- 238000000691 measurement method Methods 0.000 title claims description 8
- 238000001228 spectrum Methods 0.000 claims abstract description 57
- 239000013307 optical fiber Substances 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000013507 mapping Methods 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 16
- 230000003287 optical effect Effects 0.000 abstract description 9
- 238000011084 recovery Methods 0.000 abstract description 6
- 239000000835 fiber Substances 0.000 description 5
- 238000009529 body temperature measurement Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000001069 Raman spectroscopy Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000011259 mixed solution Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D5/00—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable
- G01D5/26—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light
- G01D5/32—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light
- G01D5/34—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light the beams of light being detected by photocells
- G01D5/353—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light the beams of light being detected by photocells influencing the transmission properties of an optical fibre
- G01D5/35338—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light the beams of light being detected by photocells influencing the transmission properties of an optical fibre using other arrangements than interferometer arrangements
- G01D5/35354—Sensor working in reflection
- G01D5/35358—Sensor working in reflection using backscattering to detect the measured quantity
- G01D5/35364—Sensor working in reflection using backscattering to detect the measured quantity using inelastic backscattering to detect the measured quantity, e.g. using Brillouin or Raman backscattering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Measuring Temperature Or Quantity Of Heat (AREA)
- Optical Transform (AREA)
Abstract
本发明涉及一种布里渊散射信号测量方法，包括步骤：通过稀疏频率采样和普通频率采样获取布里渊频谱数据以构建样本数据集；搭建人工神经网络模型并利用样本数据集完成训练；通过稀疏频率采样获取待测光纤的布里渊频谱数据，并将其输入到训练完成的人工神经网络模型中进行恢复；使用洛伦兹函数拟合待测光纤恢复后的布里渊频率谱，获得沿整条待测光纤的布里渊频移信息；根据布里渊频移信息和关注物理量的映射关系获取关注物理量。本发明在布里渊光时域传感中采用稀疏频率采样，在不额外引入硬件设备的条件下实现了快速测量，并通过基于人工神经网络的信号恢复方法增加了实际测量布里渊散射信号中的有效信息，提高了温度或应变测量的准确性。
Description
技术领域
本发明属于光纤传感技术领域，具体涉及基于稀疏采样和人工神经网络的布里渊散射信号测量方法。
背景技术
光纤凭借低损耗、抗腐蚀和抗电磁干扰等特性，使其在通讯及传感等领域有极大实用价值。其中分布式光纤传感技术可利用光学效应，测量各种物理量沿光纤上的分布，诸如温度、应变和振动等等。目前，分布式光纤传感***主要利用光纤中的三种散射效应来实现分布式物理量测量。其中，基于瑞利散射的分布式光纤传感***被应用于短距离温度测量和光纤衰减监测，基于拉曼散射的分布式光纤传感***凭借对温度测量的高敏感度也已广泛使用。最后，基于布里渊散射的分布式光纤传感***因其表现出对多种物理量的高敏感性，引起了研究人员广泛的关注。
入射光在光纤中传播时激发的声子与光子相互作用，产生与入射光频率具有一定频率差的散射光，其中包括了频率下移的斯托克斯(Stokes)光和频率上移的反斯托克斯(Anti-Stokes)光，其功率谱近似为洛伦兹线形，中心频率与入射光中心频率的偏移量被称为布里渊频移(Brillouin frequency shift,BFS)。当光纤外物理量发生变化时，每一处的布里渊频移也会随之变化，通过建立两者的映射关系，即可实现物理量的分布式测量。主流方法为基于时域信号的两种方法，一种为布里渊光时域分析技术(Brillouin OpticalTime-Domain Analysis,BOTDA)，另一种为布里渊光时域反射技术(Brillouin OpticalTime-Domain Reflectometry,BOTDR)。以布里渊光时域反射技术为例，通过扫描不同频率差处散射光的功率，即可得到一组布里渊散射谱，在对每一光纤位置处的布里渊散射谱进行布里渊频移提取并与物理量对应后，就完成了单次物理量测量。
测量精度和时间是分布式光纤传感***的主要关注指标。对基于布里渊散射的分布式光纤传感***来说，其测量得到的布里渊频率谱由不同频率处的时域迹线组成。为了保持温度或应变的高测量精度，当频率采样范围维持不变时，该***通常需要以较小的频率采集间隔在不同的频率位置处进行时域信号采集，但因此导致的高时域迹线采集数量会使单次温度或应变测量时间增加，从而降低传感实时性。从数据采集角度考虑，若频率采集范围维持不变，随机进行时域迹线采集来减少时域迹线采集数目，随后通过压缩感知技术来恢复布里渊频率谱，即可以在保持测量精度的前提下减少单次温度或应变测量时间，但该方法要求较大的频率扫描范围，且其测量速度提升有限。
发明内容
本发明针对现有技术中的不足，提供基于稀疏采样和人工神经网络的布里渊散射信号测量方法，该方法维持频率采样范围不变，通过增加频率采样间隔即稀疏采样来提高采集速度，并使用人工神经网络(Artificial Neural Network,ANN)将稀疏频率采样的低分辨率布里渊频率谱恢复为正常频率采样的高分辨率布里渊频率谱，从而保持测量精度。本发明的具体技术方案如下：
基于稀疏采样和人工神经网络的布里渊散射信号测量方法，包括以下步骤：
步骤1：通过稀疏频率采样获取不同参数条件下某光纤采样点的布里渊频谱数据并作为样本，通过普通频率采样获取相应参数条件下相应光纤采样点的布里渊频谱数据并作为样本标签，构建样本数据集；稀疏频率采样的采样间隔大于普通频率采样的采样间隔；
步骤2：搭建人工神经网络模型并利用样本数据集完成人工神经网络模型的训练；
步骤3：通过稀疏频率采样分别获取待测光纤每个位置的布里渊频谱数据，并将其输入到训练完成的人工神经网络模型中获取恢复后的布里渊频谱数据；
步骤4：根据恢复后的布里渊频谱数据，使用洛伦兹函数拟合待测光纤各位置上恢复后的布里渊频率谱，获得沿整条待测光纤的布里渊频移信息；
步骤5：根据布里渊频移信息和关注物理量的映射关系获取关注物理量的信息。
进一步地，步骤1中，所述参数条件包括布里渊频移位置、布里渊频谱的线宽、探测脉冲脉宽和探测器带宽；所述样本为与布里渊频谱对应的M点数据，所述标签为与布里渊频谱对应的N点数据，M<N。
进一步地，步骤2中，所述人工神经网络模型包括输入层、隐藏层、和输出层，输入层具有M个节点，输出层具有N个节点；训练时，将样本数据集分为训练集和测试集，通过训练集进行网络训练并利用测试集测试网络性能。
进一步地，步骤5中所述关注物理量为温度、应变、振动或压强。
本发明首先利用稀疏频率采样得到低分辨率布里渊频率谱，以降低待采集的时域迹线的数量，从而在不增加硬件设备的前提下大幅降低单次传感测量的采集时间；然后利用训练完成的人工神经网络模型将实测的低分辨率布里渊频率谱恢复为高分辨率布里渊频率谱，以此避免采样频率间隔增加带来的传感精度恶化。
附图说明
图1为本发明方法的流程示意图；
图2为普通频率采样得到的二维布里渊频谱图；
图3为稀疏频率采样得到的二维布里渊频谱图；
图4为稀疏频率采样恢复后的二维布里渊频谱图；
图5为普通频率采样、稀疏频率采样和恢复后的一维布里渊频谱图；
图6为普通频率采样、稀疏频率采样和本发明方法获得的温度沿光纤的整体分布图；
图7为普通频率采样、稀疏频率采样和本发明方法获得的温度沿光纤的局部细节分布图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
如图1所示，本发明通过以下步骤进行快速精确的布里渊散射信号测量：
1)建立人工神经网络模型，包括1层输入层、4层隐藏层和1层输出层，各层的节点数量分别为7，40，150，500，300和181。布里渊频率谱的采样范围设定为0～180MHz，对于样本空间中的稀疏频率采样的低分辨率布里渊频率谱，其频率采集间隔设为30MHz，一共7个频率点，对于标签空间中的普通频率采样的高分辨率布里渊频率谱，其频率采集间隔设为1MHz，一共181个频率点。对于同一采样点，稀疏频率采样与普通频率采样的其余参数保持一致，包括以1MHz为间隔、设置从1MHz至91MHz共91组布里渊频移位置，以10MHz为间隔、设置从20MHz至80MHz共7组布里渊频率谱的线宽，以20ns为间隔、设置从20ns至100ns共9组探测脉冲脉宽，以及以10MHz为间隔、设置从10MHz至100MHz共10组探测器带宽，样本总数合计91×7×9×10＝57330组。将其以3：1的比例分为训练集与测试集，通过反向传播算法，完成神经网络模型的训练。
2)利用传统布里渊光时域反射仪，在一根长为3000米的弯曲不敏感(G657)光纤上获取平均次数为4096次的布里渊频率谱。其中入射脉宽设定为30ns，对应理论空间分辨率为3m。以30MHz为频率采样间隔，从布里渊散射频率10.609GHz至10.789GHz采集时域迹线作为实测稀疏频率采样的低分辨率布里渊频率谱，其中光电探测器以200MHz的采样率，在每个待测频率处采集6001个采样点。实测的二维布里渊频率谱大小为7×6001，与常规的1MHz频率采样间隔而获取的大小为181×6001的布里渊频率谱相比，利用稀疏频率采样可将常规的传感信号采集速度提高25.9倍。其中，通过普通频率采样和稀疏频率采样得到的二维布里渊频率谱分别如图2和图3所示。
3)通过经由步骤1)训练完成的人工神经网络，在光纤每一位置上，将频率采样间隔为30MHz的低分辨率布里渊频率谱恢复为频率采样为1MHz的高分辨率布里渊频率谱。其中对稀疏频率采样的布里渊频率谱进行恢复后得到的结果如图4所示。在不同位置处，普通频率采样和稀疏频率采样得到的一维布里渊频率谱以及对稀疏频率采样布里渊频率谱恢复后的结果如图5所示。
4)使用洛伦兹函数拟合各位置上恢复后的布里渊频率谱，获得沿整条传感光纤的布里渊频移信息，整个传感光纤的布里渊频移信息对应待检测区域的温度或应变信息。使用本发明方法获得的温度信息沿光纤的分布如图6和图7所示，使用本发明的测量方法得到的温度结果与利用普通频率采样得到的温度相似度极好，其不确定度为0.15℃，说明本发明的测量精度极高。
本发明在布里渊光时域传感中采用稀疏频率采样，在不额外引入硬件设备的条件下实现了快速测量，并通过基于人工神经网络的信号恢复方法增加了实际测量布里渊散射信号中的有效信息，提高了温度或应变测量的准确性。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。
Claims (4)
1.基于稀疏采样和人工神经网络的布里渊散射信号测量方法，其特征在于，包括以下步骤：
步骤1：通过稀疏频率采样获取不同参数条件下某光纤采样点的布里渊频谱数据并作为样本，通过普通频率采样获取相应参数条件下相应光纤采样点的布里渊频谱数据并作为样本标签，构建样本数据集；稀疏频率采样的采样间隔大于普通频率采样的采样间隔；
步骤2：搭建人工神经网络模型并利用样本数据集完成人工神经网络模型的训练；
步骤3：通过稀疏频率采样分别获取待测光纤每个位置的布里渊频谱数据，并将其输入到训练完成的人工神经网络模型中获取恢复后的布里渊频谱数据；
步骤4：根据恢复后的布里渊频谱数据，使用洛伦兹函数拟合待测光纤各位置上恢复后的布里渊频率谱，获得沿整条待测光纤的布里渊频移信息；
步骤5：根据布里渊频移信息和关注物理量的映射关系获取关注物理量的信息。
2.如权利要求1所述的基于稀疏采样和人工神经网络的布里渊散射信号测量方法，其特征在于，步骤1中，所述参数条件包括布里渊频移位置、布里渊频谱的线宽、探测脉冲脉宽和探测器带宽；所述样本为与布里渊频谱对应的M点数据，所述标签为与布里渊频谱对应的N点数据，M<N。
3.如权利要求2所述的基于稀疏采样和人工神经网络的布里渊散射信号测量方法，其特征在于，步骤2中，所述人工神经网络模型包括输入层、隐藏层、和输出层，输入层具有M个节点，输出层具有N个节点；训练时，将样本数据集分为训练集和测试集，通过训练集进行网络训练并利用测试集测试网络性能。
4.如权利要求1所述的基于稀疏采样和人工神经网络的布里渊散射信号测量方法，其特征在于，步骤5中所述关注物理量为温度、应变、振动或压强。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111324366.0A CN114034327B (zh) | 2021-11-10 | 2021-11-10 | 基于稀疏采样和人工神经网络的布里渊散射信号测量方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111324366.0A CN114034327B (zh) | 2021-11-10 | 2021-11-10 | 基于稀疏采样和人工神经网络的布里渊散射信号测量方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114034327A true CN114034327A (zh) | 2022-02-11 |
| CN114034327B CN114034327B (zh) | 2023-02-28 |
Family
ID=80137058
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111324366.0A Active CN114034327B (zh) | 2021-11-10 | 2021-11-10 | 基于稀疏采样和人工神经网络的布里渊散射信号测量方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114034327B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117490985A (zh) * | 2023-12-29 | 2024-02-02 | 中国工程物理研究院激光聚变研究中心 | 一种受激布里渊散射在线监测方法、***、设备及介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101144729A (zh) * | 2007-09-30 | 2008-03-19 | 南京大学 | 基于快速傅立叶变换的布里渊光时域反射测量方法 |
| CN102384799A (zh) * | 2011-09-29 | 2012-03-21 | 国电南京自动化股份有限公司 | 基于布里渊分布式光纤传感***相干检测方案的扫频及数据处理方法 |
| CN102645236A (zh) * | 2012-04-06 | 2012-08-22 | 南昌航空大学 | 基于梳状频谱连续探测光的botda*** |
| US20200026967A1 (en) * | 2018-07-23 | 2020-01-23 | International Business Machines Corporation | Sparse mri data collection and classification using machine learning |
| CN112697178A (zh) * | 2020-11-11 | 2021-04-23 | 浙江工业大学 | 一种基于压缩感知的布里渊光信号采集方法 |
| CN112819082A (zh) * | 2021-02-09 | 2021-05-18 | 南京邮电大学 | 一种基于深度学习的卫星频谱感知数据重构方法 |
| CN113447071A (zh) * | 2021-05-31 | 2021-09-28 | 浙江万里学院 | 一种基于人工神经网络的光纤布里渊频移提取方法 |
| CN113566862A (zh) * | 2021-07-26 | 2021-10-29 | 大连理工大学 | 一种基于压缩感知原理的光纤白光干涉解调方法及*** |
-
2021
- 2021-11-10 CN CN202111324366.0A patent/CN114034327B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101144729A (zh) * | 2007-09-30 | 2008-03-19 | 南京大学 | 基于快速傅立叶变换的布里渊光时域反射测量方法 |
| CN102384799A (zh) * | 2011-09-29 | 2012-03-21 | 国电南京自动化股份有限公司 | 基于布里渊分布式光纤传感***相干检测方案的扫频及数据处理方法 |
| CN102645236A (zh) * | 2012-04-06 | 2012-08-22 | 南昌航空大学 | 基于梳状频谱连续探测光的botda*** |
| US20200026967A1 (en) * | 2018-07-23 | 2020-01-23 | International Business Machines Corporation | Sparse mri data collection and classification using machine learning |
| CN112697178A (zh) * | 2020-11-11 | 2021-04-23 | 浙江工业大学 | 一种基于压缩感知的布里渊光信号采集方法 |
| CN112819082A (zh) * | 2021-02-09 | 2021-05-18 | 南京邮电大学 | 一种基于深度学习的卫星频谱感知数据重构方法 |
| CN113447071A (zh) * | 2021-05-31 | 2021-09-28 | 浙江万里学院 | 一种基于人工神经网络的光纤布里渊频移提取方法 |
| CN113566862A (zh) * | 2021-07-26 | 2021-10-29 | 大连理工大学 | 一种基于压缩感知原理的光纤白光干涉解调方法及*** |
Non-Patent Citations (2)
| Title |
|---|
| YUYANG ZHANG 等: "Segmented Noise Reduction Based on Brillouin-Spectrum-Partition in Brillouin Optical Time Domain Sensors", 《IEEE SENSORS JOURNAL》 * |
| 周峻 等: "基于稀疏重构和CNN的转发干扰检测方法", 《国外电子测量技术》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117490985A (zh) * | 2023-12-29 | 2024-02-02 | 中国工程物理研究院激光聚变研究中心 | 一种受激布里渊散射在线监测方法、***、设备及介质 |
| CN117490985B (zh) * | 2023-12-29 | 2024-04-26 | 中国工程物理研究院激光聚变研究中心 | 一种受激布里渊散射在线监测方法、***、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114034327B (zh) | 2023-02-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11808639B2 (en) | High-precision temperature demodulation method oriented toward distributed fiber Raman sensor | |
| CN103017934B (zh) | 消除分布式拉曼测温***波长色散的自修正方法 | |
| CN107843357B (zh) | 基于拉曼散射的分布式光纤温度及应变检测方法 | |
| CN102384799B (zh) | 基于布里渊分布式光纤传感***相干检测方案的扫频及数据处理方法 | |
| CN111006788B (zh) | 基于反斯托克斯光自解调的高精度光纤拉曼温度检测方法 | |
| CN103954308A (zh) | 光纤扰动探测方法及装置 | |
| CN103292928B (zh) | 高分辨率分布式光纤温度传感器和测温装置及使用方法 | |
| CN106643832A (zh) | 一种基于线性调频脉冲的相位敏感光时域反射计及测量方法 | |
| CN101144729A (zh) | 基于快速傅立叶变换的布里渊光时域反射测量方法 | |
| CN111006786B (zh) | 基于分布式光纤拉曼传感***的双路高精度温度解调方法 | |
| CN112985639B (zh) | 基于去啁啾和时域子啁啾脉冲提取的分布式光纤传感方法 | |
| CN109579726B (zh) | 一种长标距分布式光纤布里渊传感-解调***及应变测量方法 | |
| CN111609875B (zh) | 基于啁啾连续光的数字域可调分布式光纤传感***及方法 | |
| CN114034327B (zh) | 基于稀疏采样和人工神经网络的布里渊散射信号测量方法 | |
| CN109029770B (zh) | 基于环路解调的分布式光纤拉曼温度及应变解调方法 | |
| CN103968864B (zh) | 用于准确测量布里渊谱的频移的最大相似匹配分析方法 | |
| CN103412137B (zh) | 旋转因子中和测速方法和装置 | |
| CN101520509B (zh) | 混沌光时域波形帧间比较测距方法 | |
| CN114861737A (zh) | 分布式光纤传感***的远端扰动特征提取方法及*** | |
| CN115824378A (zh) | 高频响分布式光纤声波传感器的振动检测方法 | |
| CN103823175B (zh) | 一种基于otdr的光电探测电路频响特性测试方法 | |
| CN113340571B (zh) | 基于光矢量分析的光时延测量方法及装置 | |
| CN111006787B (zh) | 基于差分温度补偿的分布式光纤拉曼双端温度解调方法 | |
| CN102445285B (zh) | Botdr***的寻峰方法 | |
| CN104330173B (zh) | 基于波形积分的光子数分辨方法及其采用的光子分辨*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |