阅读说明：本技术 基于监督学习的自干涉微环谐振腔传感分类识别方法 (Self-interference micro-ring resonant cavity sensing classification identification method based on supervised learning ) 是由 卢瑾 胡东任 任宏亮 邹长铃 乐孜纯 于 2020-03-09 设计创作，主要内容包括：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。本发明通过神经网络输出可实现N类基本物质形成的2<Sup>N</Sup>-1种不同组合组分的识别分类,得到待测目标物质的识别分类结果。(A supervised learning-based self-interference micro-ring resonant cavity sensing classification identification method comprises the following steps: (1) collecting training data; (2) training a BP neural network sensing data detection model; (3) collecting test data; (4) BP neural network sensing data detection model test: and (3) inputting the test data obtained in the step (3), namely the transmission extinction value within a certain wavelength range, into the trained neural network, and outputting two label values of the target to be tested. The invention can realize the formation of N-type basic substances by the output of the neural network N And (4) identifying and classifying 1 different combined components to obtain an identification and classification result of the target substance to be detected.)

基于监督学习的自干涉微环谐振腔传感分类识别方法

技术领域

本发明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。

背景技术

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,Application of neural networks for classification of biological compoundsfrom the characteristics of whispering-gallery-mode optical resonance,Journalof Applied Spectroscopy,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。

发明内容

为了克服现有技术的不足，本发明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发明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。

本发明的有益效果是：本发明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)，建立人工神经网络传感数据检测模型实现识别分类；所用的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，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)可实现N类基本物质形成的2^N-1种不同组合组分的识别分类，得到待测目标物质的识别分类结果。

附图说明

图1自干涉型微环谐振腔传感器结构示意图；

图2自干涉型微环谐振腔传感器波长范围1400-1600nm的典型出射频谱；

图3自干涉型微环谐振腔传感器波长范围1520-1540nm的典型出射频谱；

图4基于BP神经网络的传感分类识别模型；

图5包含三种组分的多个测试数据经神经网络的测试结果。

具体实施方式

下面结合实施例及附图对本发明作进一步详细地描述，但本发明的实施方式不限于此。

参照图1～图5，一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；类似的，通过改变待测目标物质(如气体的浓度等)，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神经网络传感分类识别模型，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；

所述步骤(1)中，在本发明实施例中从理论仿真的角度来证明基于监督学习的传感分类识别方法可行性。待测目标为三种不同组分时，从理论仿真获得相应传输谱上的有用传感信息(传输消光值)作为训练数据，训练好神经网络后，然后测试训练数据集以外的待测有用传感信息(传输消光值)，输出得到两种待测气体浓度的标签值，与其初始预定结果进行比较。

假设的波导有效折射率随波长变化的模型，分别为洛伦兹型和高斯型。用两种气体浓度C₁和C₂先理论仿真得到相应的频谱，提取有用传感信息，即一定频谱内的传输消光值。如图2所示，显示了两种气体成分的三种组合时，波长范围从1400-1600nm的出射频谱。图3进一步显示了图2中波长范围从 1520nm-1540nm处的出射频谱。从中可知，针对三种不同的气体组分，不同波长模式处传输消光变化完全不同。

图4显示了基于BP神经网络传感分类识别模型。它分为输入层，隐含层以及输出层。第二层为隐含层，隐含层结点数取值过低，会出现学习过程不收敛的情况。相反如果隐含层结点数取值过高，可以降低网络误差，提高精度，但也使网络复杂化，从而增加了网络的训练时间和出现“过拟合”的倾向。本发明实施例构建基于BP神经网络的传感数据测量模型，其隐含层节点数为采用经验公式得出的隐含层节点数。第三层为输出层。其输出层结点数为2，两个输出结果即为两种目标气体标签值(L₁,L₂)。将经过处理的训练数据对神经网络进行训练，具体是将训练数据中归一化的传输消光值作为输入，对应的已知两种目标气体标签值作为两个输出，使得神经网络学习并保存两者之间的映射规律。

所述步骤(1)中，按三种组份进行训练：(1)为两种气体浓度C₁和C₂的取值为[0.000500869:0.00001999:0.000980629]，其初值为0.000500869，最大取值为0.000980629，取值间隔为0.00001999，标签值(L₁,L₂)＝(1,1)，训练组数为625组为了获得完备的训练集，其中气体浓度C₁从0.000500869变化到0.000980629时，气体浓度C₂暂时不变直至第一种气体浓度完成一次变化循环；(2)为气体浓度C₁取值为[0.000501376:0.00000099:0.000995386]，其初值为0.000501376，最大取值为0.000995386，取值间隔为0.00000099，此时气体浓度C₂为0，标签值 (L₁,L₂)＝(1,0)，训练组数为500组；(3)为气体浓度为C₁＝0，气体浓度C₂的取值为 [0.000501376:0.00000099:0.000995386]，其初值为0.000501376，最大取值为 0.000995386，取值间隔为0.00000099，(L₁,L₂)＝(0,1)，训练组数为500组。这些训练数据通过如下方式获得，即将两种气体浓度C₁和C₂的预设值代入到上述传输系数的理论表达式中可以得到相应的传输频谱，从而获得相应的传输消光值 (在所有仿真频谱中，选择传输消光阈值0.90，即仅低于该阈值的传输消光值作为有效传感数据使用)。将传输消光值进行归一化处理作为神经网络的输入，将对应的两种气体标签值作为输出预测值对神经网络进行训练。

所述步骤(3)和(4)中，取三种待测目标物质组合对应的传输消光值用来测试，如图5所示。(1)气体浓度C₁和C₂取值为[0.0005:0.00002:0.0009]，其初值为0.0005, 最大取值为0.0009，取值间隔为0.00002，此时经神经网络测试的两个输出标签值(L₁,L₂)＝(1,1),表明这种情况下两种气体都存在；(2)气体浓度C₁取值为 [0.0005:0.0001:0.001]，其初值为0.0005，最大取值为0.001，取值间隔为0.0001，气体浓度C₂取值为0，此时经神经网络测试的两个输出标签值(L₁,L₂)＝(1,0),表明这种情况下第1种气体存在；(3)气体浓度C₂取值为0，气体浓度C₂取值为[0.0005:0.0001:0.001]，其初值为0.0005，最大取值为0.001，取值间隔为0.0001，此时经神经网络测试的两个输出标签值(L₁,L₂)＝(0,1),表明这种情况下第2种气体存在。以上测试数据具体通过如下方式获得，即将两种气体浓度C₁和C₂代入到上述理论模型可以获得相应的传输频谱，从中获得相应的传输消光值。将传输消光值进行归一化处理，分别得到对应的测试数据。该仿真结果证实，本发明实施例中的测试结果能有效识别分类这三种不同组分，具有优良的预测性能。

当待测目标物质基本组分为3种或3种以上时，仅需增加相应标签值即可。如当待测目标物质基本组分为3种时，总的组分种类为7种，因此相应输出标签值取001-111的7个值。

本实施例中，表1为基于绝缘材料上的硅(SOI)材料自干涉型微环谐振腔参数；

表1

在本发明实施例中，该自干涉型微环谐振腔结构如图1所示，与普通的两平行波导耦合微环谐振腔结构不同，该结构将两平行波导耦合微环结构中的上下两个耦合区域用额外的探测波导臂连接起来。其输出本质上是内部微环谐振腔和反馈回路微环谐振腔干涉的结果。探测物质引起微环波导或者探测臂波导的微小相位变化，将急剧改变微环与整根“U型”探测臂波导外部耦合系数，从而改变其出射频谱。

所设计自干涉型微环谐振腔传感器芯片由基于绝缘材料上的硅基(SOI)波导构成，衬底材料为SiO₂，其参数设置如表1所示，波导有效折射率n_eff＝2.45, 微环半径R＝30μm，“U”形探测臂波导初始长度L_W＝250μm，定向耦合能量耦合系数k＝0.5，波导损耗系数α＝0.1dB/cm。

被设计的自相干微环谐振腔传感芯片结构如图1所示。对该自干涉微环谐振腔结构，两种敏感材料分别涂敷在两段微环波导表面，它们分别对两种传感探测目标具有相对较高的探测灵敏度。该传感器仅将微环暴露给探测目标，而探测臂波导与探测目标没有任何接触。因此根据自相干微环谐振腔的耗散传感原理，出射频谱仍可得到其典型传输频谱。将两种气体敏感材料分别放置在左右两段微环波导表面。由于气体分子和相应敏感材料的相互作用，将会引起微环波导包层折射率变化Δn_c(λ,C)，该值与波长λ和气体浓度C有关。待测某气体浓度为C时，某个波长λ模式的有效折射率变化Δn_eff(λ,C)表示为，

Δn_eff(λ,C)＝S_waveguideΔn_c(λ,C)

其中S_waveguide为介质波导灵敏度，Δn_c(λ,C)是某气体浓度为C时某个波长λ模式气敏材料包层折射率变化。介质波导灵敏度与波导结构和材料有关，也与包层折射率变化有关，

若气体可被气敏材料吸收，Δn_c(λ,C)可表示为，

Δn_c(λ,C)＝F(λ,λ₀)ε(λ₀)ν_tS_bpC

其中λ₀是吸收带的中心波长，F(λ,λ₀)是吸收和折射率变化之间的比例系数，ν_t是每单位体积聚合物中气敏材料分子的总数，S_b是试剂和分析物结合常数，p是聚合物磁导率常数。

如图1所示，两段微环波导涂敷不同气体敏感材料，两种气体与其相应敏感材料的相互作用完全不同，因此两种待测目标(两种气体浓度)对每个模式所在波长的波导有效折射率影响完全不同。假定这两种波导有效折射率影响具有两种不同的解析模型，一种为高斯型，一种为洛伦兹型，

这里C₁和C₂代表两种待测目标气体的浓度，上述两式中的参数值被精心设置以使其折射率变化量级与实际气体探测中的波导折射率变化大小相符。

将上述波导折射率变化代入自干涉微环谐振腔传输系数表达式中可得，

为简单起见，假定波导和微环有相同的传播常数β_W＝β_R＝(2π/λ)n_eff-iα，其中初始探测臂波导折射率n_L＝n_R＝n_eff，α是波导损耗系数。这里β_R1＝(2π/λ)(n_eff+Δn_eff1)-iα，β_R2＝(2π/λ)(n_eff+Δn_eff2)-iα分别表示涂敷有两种气体敏感材料的两段波导与两种气体分子相互作用后的波导传播常数。所需的仿真数据可将参数代入上式获得。用两种气体浓度C₁和C₂先理论仿真得到相应的频谱，提取有用传感信息，即一定频谱内的传输消光值。如图2所示，显示了两种气体成分的三种组合时，波长范围从1400-1600nm的出射频谱。图3进一步显示了图2中波长范围从1520nm-1540nm处的出射频谱。从中可知，针对三种不同的气体组分，不同波长模式处传输消光变化完全不同。在此基础上，建构神经网络传感分类识别模型，进行传感数据处理，识别分类传感检测目标，如图4 所示。将提取的传输消光值作为神经网络的输入，将两种目标气体预测标签值作为预期输出，训练该神经网络。在训练集之外随机找对应相同标签值情况下的测试集，即对应两个标签值的有用传感信息，用训练好的神经网络进行测试。测试结果如图5所示，理论原始数据与经神经网络得到的检测结果符合的很好，说明了该探测识别分类方法的可行性。

本发明实施例中，神经网络的参数如表2所示：

表2

以上对本发明论述的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进行了详细地介绍，以上的实例说明只适用于帮助理解本发明的方法及其核心思想而非对其进行限制，其他的任何未背离本发明的精神实质与原理下所作改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。