【技術實現步驟摘要】
本專利技術屬于散斑測量和光纖傳感，具體是一種提升光纖散斑傳感器預測能力的模型。
技術介紹
1、光纖散斑傳感器的定標工作需要各種算法模型來實現，表征光纖散斑傳感器預測能力性能的重要參數是一定誤差范圍內的預測準確度，即在一定誤差范圍內模型未學習樣本的數目占預測集總數的比例，因此高的預測能力表示能在越小的誤差范圍內預測準確度越大。
2、現有散斑預測方案有兩種，第一種為利用散斑圖之間的相似度對光纖傳感器進行定標位移，相似度計算選擇初始位移對應的散斑圖作為參考，其余位移對應散斑圖與之進行計算得到的數值，表示該位移對應的相似度，數值越接近1表示圖片越接近，通過相似度擬合的直線來定標位移，對于未定標的點偏差較大，不能很好地預測，導致預測能力較弱。
3、第二種為光纖散斑傳感器利用卷積神經網絡來完成定標，利用位移值表示標簽，散斑圖根據一定的比例分為訓練集和測試集，利用該網絡的分類功能完成定標，實現散斑圖和位移的一一對應，然后測試集也只能對應訓練集的標簽，因此無法對未學習的散斑圖實現預測，導致預測能力較差。
4、本專利技術提出一種提升光纖散斑傳感器預測能力的模型，以解決上述技術問題。
技術實現思路
1、本專利技術旨在至少解決現有技術中存在的技術問題之一；為此，本專利技術提出了一種提升光纖散斑傳感器預測能力的模型，用于解決現有技術對光纖散斑傳感器進行散斑定標的預測能力差的技術問題。
2、為實現上述目的，本專利技術的第一方面提供了一種提升光纖散斑傳感器預測能
3、s1：獲取光纖傳感器的若干散斑圖；
4、s2：基于特征提取算法對各散斑圖進行特征提取，得到紋理特征向量；
5、s3：基于數據降維算法對紋理特征向量進行降維，得到低維特征向量；
6、s4：將低維特征向量輸入至回歸神經網絡進行訓練，將特征提取、數據降維和回歸神經網絡標記為散斑定標模型；
7、s5：基于散斑定標模型對光纖傳感器進行定標預測。
8、優選的，所述基于特征提取算法對各散斑圖進行特征提取，包括：
9、a1：提取散斑圖并對散斑圖進行灰度化處理，得到散斑灰度圖像；
10、a2：設置lbp算子的計算窗口大小；
11、a3：獲取散斑灰度圖像中各像素點對應的灰度值；
12、a4：按照順時針的順序，依次判斷窗口邊緣像素點的灰度值是否大于窗口中心像素點的灰度值；是，則將二進制編碼s(x)設置為1；否，則將二進制編碼s(x)設置為0；
13、a5：根據lbp算子從散斑圖的左上角開始逐行遍歷計算得到各計算窗口對應的lbp值；其中，gi為半徑為r的圓形鄰域內像素點的灰度值，且r為正整數，gc為中心像素點的灰度值，x為gi減去gc得到的差值，p為中心像素點圓形鄰域內像素點的個數；i為中心像素點圓形鄰域內像素點的排列順序，i＝0，1，2，…，p-1；
14、a6：將lbp值按行排列得到各散斑圖的紋理特征向量。
15、本專利技術通過對傳統的lbp算法進行改進，直接使用計算出的lbp值作為紋理特征向量的值，并按照計算窗口的移動方向進行排列，不同彎曲曲率的散斑圖在不同局域位置的紋理信息的差異性較大，本專利技術計算出的lbp值能夠紋理增大特征向量之間的差異，突出了不同散斑圖的紋理區別，從而有利于提高對光纖散斑傳感器的預測能力。
16、優選的，所述基于數據降維算法對紋理特征向量進行降維，包括：
17、b1：提取散斑圖的紋理特征向量；
18、b2：將紋理特征向量按行依次排列組成第一矩陣；
19、b3：將第一矩陣的每一行均減去對應行的平均值，得到第二矩陣；
20、b4：通過公式計算得到協方差矩陣c；其中，x為第一矩陣，n為第一矩陣的行數，m為第一矩陣的列數，xt為第一矩陣的轉置矩陣；
21、b5：基于協方差矩陣求解得到對應的特征值和特征向量；
22、b6：基于協方差矩陣的特征值確定降維維度；
23、b7：將特征向量按照對應特征值的大小由大到小進行排列，得到特征向量序列；
24、b8：從特征向量序列中選取前k個特征向量組成第三矩陣；其中，k為降維維度；
25、b9：將第三矩陣的第一行乘以第一矩陣，得到低維特征向量。
26、本專利技術通過pca算法對散斑圖的紋理特征向量進行降維，降低了散斑預測模型的訓練難度，以及加快了散斑預測模型的收斂速度，從而有利于提高光纖散斑傳感器的預測能力。
27、優選的，所述基于協方差矩陣的特征值確定降維維度，包括：
28、c1：基于協方差矩陣的特征值計算各主成分的累計貢獻率；
29、c2：將累計貢獻率高于50％的主成分對應的向量個數選擇為降維維度；
30、c3：將此降維維度處理后的數據代入到回歸網絡中訓練得到誤差結果，判斷誤差結果是否達到預期結果；是，則成功選擇；否，則根據累計貢獻率繼續選擇。
31、需要說明的是，協方差矩陣的特征值能夠描述出對應特征向量方向所包含的信息量，累計貢獻率指各主成分的特征值與所有主成分的特征值之和的比值，所述累計貢獻率能夠反映出各主成分對整體數據變化的貢獻程度，從而能夠用于表示低維空間保留的信息占高維空間總信息的多少，累計貢獻率越接近于1表示低維空間的信息保留的越多；選取合適的降維維度，能夠提高散斑預測的準確率。
32、優選的，所述將低維特征向量輸入至回歸神經網絡進行訓練，包括：
33、提取低維特征向量并整合為原始數據，將原始數據劃分為訓練集和測試集；使用訓練集對回歸神經網絡進行訓練；使用測試集對訓練后的回歸神經網絡進行測試，根據測試結果對回歸神經網絡進行調整；將特征提取、數據降維和回歸神經網絡標記為散斑定標模型；其中，回歸神經網絡包括bp神經網絡模型或者rbf神經網絡模型和其他類型回歸神經網絡。
34、與現有技術相比，本專利技術的有益效果是：
35、本專利技術通過對傳統的lbp算法進行改進，直接使用計算出的lbp值作為紋理特征向量的值，并按照計算窗口的移動方向進行排列，不同彎曲曲率的散斑圖在不同局域位置的紋理信息的差異性較大，本專利技術計算出的lbp值能夠紋理增大特征向量之間的差異，突出了不同散斑圖的紋理區別，從而有利于提高對光纖散斑傳感器的預測能力；此外，通過pca算法對散斑圖的紋理特征向量進行降維，降低了散斑預測模型的訓練難度，以及加快了散斑預測模型的收斂速度，從而有利于提高光纖散斑傳感器的預測能力。
本文檔來自技高網...【技術保護點】
1.一種提升光纖散斑傳感器預測能力的模型，其特征在于，包括：
2.根據權利要求1所述的一種提升光纖散斑傳感器預測能力的模型，其特征在于，所述基于特征提取算法對各散斑圖進行特征提取，包括：
3.根據權利要求1所述的一種提升光纖散斑傳感器預測能力的模型，其特征在于，所述基于數據降維算法對紋理特征向量進行降維，包括：
4.根據權利要求3所述的一種提升光纖散斑傳感器預測能力的模型，其特征在于，所述基于協方差矩陣的特征值確定降維維度，包括：
5.根據權利要求1所述的一種提升光纖散斑傳感器預測能力的模型，其特征在于，所述將低維特征向量輸入至回歸神經網絡進行訓練，包括：
【技術特征摘要】
1.一種提升光纖散斑傳感器預測能力的模型，其特征在于，包括：
2.根據權利要求1所述的一種提升光纖散斑傳感器預測能力的模型，其特征在于，所述基于特征提取算法對各散斑圖進行特征提取，包括：
3.根據權利要求1所述的一種提升光纖散斑傳感器預測能力的模型，其特征在于，所述基于數據降維算法...
【專利技術屬性】
技術研發人員：何龍，陳向前，朱立全，顧春，
申請(專利權)人：合肥全色光顯科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。