基于物理增强空间分辨率神经网络的无监督超空间分辨率布里渊频移提取
光学
2025-07-18 v2
摘要
空间分辨率（Spatial Resolution, SR）是布里渊光时域分析（Brillouin Optical Time-Domain Analysis, BOTDA）传感器的核心参数，决定了物理扰动能够被精确检测的最小光纤长度。然而，光纤中的声子寿命对空间分辨率施加了固有极限，使得在高空间分辨率监测场景下实现亚米级空间分辨率具有挑战性。传统的空间分辨率增强方法受限于硬件限制，通常涉及复杂系统或增加的测量时间。虽然传统的反卷积方法可以缓解硬件约束，但它们会因BOTDA响应的非线性本质而产生失真。监督式深度学习方法近期作为一种替代方案出现，通过数据驱动模型提供更快、更准确的后处理。然而，对大量标注数据的需求和物理先验的缺乏导致了高计算成本和有限的泛化能力。为了克服这些挑战，我们提出了一种无监督深度学习反卷积框架——物理增强空间分辨率深度神经网络（Physics-enhanced Spatial Resolution Neural Network, PSRN），其引导依据为布里渊增益谱（Brillouin Gain Spectrum, BGS）的近似卷积模型。
引用
@article{arxiv.2503.00506,
title = {Unsupervised super-spatial-resolution Brillouin frequency shift extraction based on physical enhanced spatial resolution neural network},
author = {Zhao Ge and Hao Wu and zhiyong Zhao and Li Shen and Ming Tang},
journal= {arXiv preprint arXiv:2503.00506},
year = {2025}
}
备注
13 pages,13 figures