基于监督学习的自干涉微环谐振腔传感分类识别方法技术

一种基于监督学习的自干涉型微环谐振腔传感分类识别方法，包括以下步骤：(1)训练数据采集；(2)BP神经网络传感数据检测模型训练；(3)测试数据采集；(4)BP神经网络传感数据检测模型测试：将在步骤3中取得的测试数据，即一定波长范围内传输消光值，输入到训练完成的神经网络中，输出待测目标的两个标签值。本发明专利技术通过神经网络输出可实现N类基本物质形成的2

【技术实现步骤摘要】
基于监督学习的自干涉微环谐振腔传感分类识别方法
本专利技术涉及一种基于监督学习的自干涉微环谐振腔传感分类识别方法，属于光学微腔传感领域。
技术介绍
回音壁模式光学微腔具有超高的Q因子和极小的模式体积，在有源光器件、光信号处理、光互联、低能量非线性光学、光和物质相互作用以及传感等领域都有广泛的应用。回音壁光学微腔传感能够极大增强光场与物质相互作用，有效提高探测灵敏度，在单纳米颗粒、生物分子等传感领域具有广阔的应用前景。在回音壁光学微腔中，光场局限在共振微腔内，但仍有部分能量通过倏逝场泄漏到环境中，待测物质与倏逝场相互作用，将会导致光学模式的变化，包括共振模式移动、模式线宽加宽以及简并模式劈裂等。这些源自模场对探测物质变化的响应相互作用，统称为色散传感机理。当纳米颗粒可吸收时，其边缘散射使共振的能量损耗，将导致回音壁微腔模式线宽加宽。这种耗散的相互作用形成的传感机理称为耗散传感机理。传统结构的回音壁微腔用作传感器时，频谱移动在各个共振波长模式处几乎一致，因此对传统的回音壁微腔传感，无论是色散传感机理还是耗散传感机理，仅仅选择在某个模式实现传感测量，而不需要其他多个波长模式处的相关传感信息。然而这种单模式的传感测量显然不能分类和识别不同的目标物质。如对生物组成成分的识别和分类，在更复杂的生物组成成分测量中，不仅需要具体的测量值，更需要精确的识别和分类。基于回音壁微腔共振频率移动和这些生物组分自由谱区内回音壁模式数，结合神经网络，实现了对生物组分的分类，分类精度平均达到97.3％(文献1：E.A.Tcherniavskaia,V.A.Saetchnikov,Applicationofneuralnetworksforclassificationofbiologicalcompoundsfromthecharacteristicsofwhispering-gallery-modeopticalresonance,JournalofAppliedSpectroscopy,2011,78,pp.457–460，即E.A.Tcherniavskaia,V.A.Saetchnikov,基于神经网络的回音壁微腔光学谐振生物组分分类，应用光谱学杂志,78,457–460(2011))。但这个分类精度很显然不具有一般性，在实际中很难广泛采用。总之，在基于回音壁微腔的传感分类识别中，采用的仍然是单模探测方式，导致探测精度不高且不具有一般性。因此，为实现具有一般性的高分类精度方法，必须探索新的多模式传感分类识别方法。
技术实现思路
为了克服现有技术的不足，本专利技术的目的是实现一种基于监督学习的自干涉型微环谐振腔传感分类识别方法，分类精度较高。为了解决上述技术问题本专利技术提供如下的技术方案：一种基于监督学习的自干涉型微环谐振腔传感分类识别方法，包括以下步骤：(1)训练数据采集，过程如下：1-1首先，采取多组训练数据用于人工神经网络传感数据检测模型训练，每组训练数据由一定波长范围内传输消光值以及与其对应的两个预先已知的训练标签值构成，将其分别作为BP神经网络的输入和目标输出值，对BP神经网络进行训练，以便神经网络建立两者之间的映射关系，当用可调激光激发探测系统时，用光电探测器和示波器采集出射频谱，从中提取一定波长范围的传输消光值，并将其与对应的两个训练标签值作为一组训练数据；通过改变待测目标物质，采集相应一定波长范围内的传输消光值，可获取多组训练数据；1-2采集足够多组训练数据后，将采集到的一定波长范围内传输消光值以及与其对应预先已知的两个训练标签值进行归一化处理，将处理以后的数据集作为最终训练数据集；(2)BP神经网络传感数据检测模型训练，过程如下：2-1将经过步骤1处理以后的一定波长范围内传输消光值作为输入数据，将经过步骤1处理以后的两个训练标签值作为输出数据；2-2训练BP神经网络传感数据检测模型，建立并保存一定波长范围内传输消光值与其对应的两个训练标签值之间的映射关系。(3)测试数据采集，过程如下：3-1将整个探测系统放置在测量环境中，检测三种不同情况下的两个待测目标物质标签值，用可调激光光源激发探测系统时，用光电探测器和示波器采集一定波长范围内的传输消光值；3-2将采集到的传输消光值进行归一化处理，将其作为测试数据集；(4)BP神经网络传感数据检测模型测试：将在步骤3中取得的测试数据，即一定波长范围内传输消光值，输入到训练完成的神经网络中，输出待测目标的两个标签值。进一步，自干涉型微环谐振腔包括一根输入波导、一个微环谐振腔、一根输出波导和一根光探测臂波导，输入波导和输出波导分别与微环谐振腔耦合，置于微环谐振腔的两侧，输入波导的一端为整个光传感器的光源接入端，在输入波导与微环谐振腔的耦合处，输入波导的另一端与光探测臂波导的输入端相连，在输出波导与微环谐振腔的耦合处，光探测臂波导的输出端与输出波导的一端相连，输出波导的另一端为传感信号出射端。再进一步，将两种探测目标物质敏感的材料分别涂敷在两段微环波导或者两段光探测臂波导的上表面，可调激光器输出光从输入波导的一端入射，与微环谐振腔发生耦合，则一部分耦合进入微环谐振腔另一部分从输入波导的另一端出射并经过光探测臂进入输出波导，这一部分光由于输出波导与微谐振腔之间的耦合作用，再次耦合进入微谐振腔，而这部分中一部分光与微环谐振腔中耦合出的一部分光相干涉后从输出波导另一端出射，由于两种待测目标物质的改变，将改变相应两种待测目标物质敏感材料的折射率，从而引起两段微环波导或者两段探测臂波导折射率的改变，进而引起其出射频谱的变化；在自干涉微环谐振腔典型传输频谱中，由于每种待测目标物质敏感材料与该待测目标物质的相互作用不同，微环波导或者探测臂波导折射率在各个波长处发生不同变化，进而不同共振波长处的传输消光发生不同的变化；因此，对该自干涉型微环谐振腔光传感器，通过在一定波长范围内提取有效传感信息(多个共振波长处传输消光)的变化，建立人工神经网络传感数据检测模型实现识别分类。更进一步，人工神经网络是监督学习的，在分类识别前需要对其进行训练，如果需要识别和分类的是两种物质以及他们的组合，则其训练过程涉及的训练数据分为三种情况：(1)当两种物质都存在即为他们的组合时，训练标签分别记为1和1；(2)仅第一种物质存在时，训练标签分别记为1和0；(3)仅第二种物质存在时，训练标签分别记为0和1。以上每种情况下都用已知训练标签的有效传感信息(不同共振波长处的传输消光值)输入进行训练，三种情况都训练之后保存训练好的神经网络；然后再对测试数据的有效传感信息(不同共振波长处的传输消光值)进行测试，最终通过神经网络输出(标签值)得到待测目标物质的识别分类结果。本专利技术的有益效果是：本专利技术涉及的基于监督学习的自干涉型微环谐振腔传感分类识别方法，是将相应的两种探测目标物质敏感材料分别涂敷在N段环形波导或者两段光探测臂波导的上表面，通过探测其出射频谱，提取在一定波长范围内有效传感信息(多个共振波长处传输消光)，建立人工神本文档来自技高网...

【技术保护点】
1.一种基于监督学习的自干涉型微环谐振腔传感分类识别方法，其特征在于，所述方法包括以下步骤：/n(1)训练数据采集，过程如下：/n1-1首先，采取多组训练数据用于人工神经网络传感数据检测模型训练，每组训练数据由一定波长范围内传输消光值以及与其对应的两个预先已知的训练标签值构成，将其分别作为BP神经网络的输入和目标输出值，对BP神经网络进行训练，以便神经网络建立两者之间的映射关系，当用可调激光激发探测系统时，用光电探测器和示波器采集出射频谱，从中提取一定波长范围的传输消光值，并将其与对应的两个训练标签值作为一组训练数据；通过改变待测目标物质，采集相应一定波长范围内的传输消光值，可获取多组训练数据；/n1-2采集足够多组训练数据后，将采集到的一定波长范围内传输消光值以及与其对应预先已知的两个训练标签值进行归一化处理，将处理以后的数据集作为最终训练数据集；/n(2)BP神经网络传感数据检测模型训练，过程如下：/n2-1将经过步骤1处理以后的一定波长范围内传输消光值作为输入数据，将经过步骤1处理以后的两个训练标签值作为输出数据；/n2-2训练BP神经网络传感数据检测模型，建立并保存一定波长范围内传输消光值与其对应的两个训练标签值之间的映射关系；/n(3)测试数据采集，过程如下：/n3-1将整个探测系统放置在测量环境中，检测三种不同情况下的两个待测目标物质标签值，用可调激光光源激发探测系统时，用光电探测器和示波器采集一定波长范围内的传输消光值；/n3-2将采集到的传输消光值进行归一化处理，将其作为测试数据集；/n(4)BP神经网络传感数据检测模型测试：将在步骤3中取得的测试数据，即一定波长范围内传输消光值，输入到训练完成的神经网络中，输出待测目标的两个标签值。/n...

【技术特征摘要】
1.一种基于监督学习的自干涉型微环谐振腔传感分类识别方法，其特征在于，所述方法包括以下步骤：
(1)训练数据采集，过程如下：
1-1首先，采取多组训练数据用于人工神经网络传感数据检测模型训练，每组训练数据由一定波长范围内传输消光值以及与其对应的两个预先已知的训练标签值构成，将其分别作为BP神经网络的输入和目标输出值，对BP神经网络进行训练，以便神经网络建立两者之间的映射关系，当用可调激光激发探测系统时，用光电探测器和示波器采集出射频谱，从中提取一定波长范围的传输消光值，并将其与对应的两个训练标签值作为一组训练数据；通过改变待测目标物质，采集相应一定波长范围内的传输消光值，可获取多组训练数据；
1-2采集足够多组训练数据后，将采集到的一定波长范围内传输消光值以及与其对应预先已知的两个训练标签值进行归一化处理，将处理以后的数据集作为最终训练数据集；
(2)BP神经网络传感数据检测模型训练，过程如下：
2-1将经过步骤1处理以后的一定波长范围内传输消光值作为输入数据，将经过步骤1处理以后的两个训练标签值作为输出数据；
2-2训练BP神经网络传感数据检测模型，建立并保存一定波长范围内传输消光值与其对应的两个训练标签值之间的映射关系；
(3)测试数据采集，过程如下：
3-1将整个探测系统放置在测量环境中，检测三种不同情况下的两个待测目标物质标签值，用可调激光光源激发探测系统时，用光电探测器和示波器采集一定波长范围内的传输消光值；
3-2将采集到的传输消光值进行归一化处理，将其作为测试数据集；
(4)BP神经网络传感数据检测模型测试：将在步骤3中取得的测试数据，即一定波长范围内传输消光值，输入到训练完成的神经网络中，输出待测目标的两个标签值。


2.如权利要求1所述的基于监督学习的自干涉型微环谐振腔传感分类识别方法，其特征在于，自干涉型微环谐振腔包括一根输入波导、一个微环谐振腔、一根输出波导和一根光探测臂波导，输入波导和输出波导分别与微环谐振腔耦合，置于微环谐振腔的两侧，输入波导...

【专利技术属性】
技术研发人员：卢瑾，胡东任，任宏亮，邹长铃，乐孜纯，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33