基于自适应变异果蝇优化算法和广义回归神经网络的布里渊散射谱特征提取.pdf

本文主要探讨了一种新的特征提取方法，用于提升布里渊光时域反射（BOTDR）分布式光纤传感系统的性能。该方法结合了自适应变异果蝇优化算法（FOAAM）和广义回归神经网络（GRNN），以更精确地提取布里渊散射谱的特征，从而提高频移测量的准确性和谱的拟合度。 布里渊散射谱是光纤传感系统中用于温度和应变监测的重要信号，其频移与温度和应力变化有直接关系。因此，准确拟合谱特征对于获取精确的测量结果至关重要。传统的拟合方法，如有限元分析的Levenberg-Marquardt算法、粒子群优化和拉凡格式混合拟合法、最小二乘法，虽然在某些情况下表现良好，但可能无法满足复杂或高噪声环境下的高精度要求。 文章中提出的FOAAM-GRNN算法，利用了GRNN的强大学习能力和快速学习速度，以及FOAAM的高效搜索能力。自适应变异果蝇优化算法是一种优化技术，它能够根据问题的复杂性动态调整参数，增强搜索效率，进而优化神经网络的学习过程。通过将这两种方法结合，新算法能在各种线宽和噪声水平的布里渊散射谱中实现更准确的频移提取，降低拟合误差。 在仿真比较中，新算法与传统方法进行了对比。结果显示，FOAAM-GRNN算法的最大拟合频移误差仅为0.4 MHz，平均拟合度达到0.9912，均方根误差为0.0241，这些指标均优于其他方法。这表明，新算法在处理布里渊散射谱的拟合和频移提取上具有显著优势，尤其适用于长距离、高分辨率的分布式光纤传感系统。 总结来说，基于自适应变异果蝇优化算法和广义回归神经网络的布里渊散射谱特征提取方法，为光纤传感领域的特征提取提供了新的思路。这种结合了智能优化算法和神经网络的方法，能够在复杂环境下提高拟合质量和测量精度，对于推动分布式光纤传感技术的发展具有重要意义。