基于神经网络的光纤表面等离激元传感器透射光谱预测方法及系统与流程

1.本技术涉及透射光谱探测方法领域，具体设置一种基于神经网络的光纤表面等离激元透射光谱预测方法及系统。


背景技术：

2.随着技术的发展，机器学习成为了炙手可热的科研方向，机器学习是一门通过编程从数据中进行学习的科学，神经网络属于机器学习的一个分支，它可以处理分类问题和回归问题。分类问题如：识别一张图片是猫或是狗；回归问题如：房价预测、光的透射率预测。我们可以把神经网络看成人的大脑，人的大脑通过对某一学科的反复学习和记忆，使得每当提及该学科某一知识点时，大脑自然的反应出相关的公式图解。神经网络也是如此，通过大量的数据对其进行有监督学习，可以得到一个模型，该模型可以通过输入的数据映射出相应的输出数据。
3.现有技术中，检测探究光纤表面等离激元传感器的各个参数以及待测环境与光纤的透射光谱的关系，一般是使用透射光谱仪和各种光学器件直接对光纤的透射光谱进行检测。
4.但是现有技术中每次检测光纤表面等离激元传感器的透射光谱，均需要搭建光学场景，使得对光纤表面等离激元传感器的透射光谱检测的过程较为复杂，且在检测的时候由于人为的原因，易于引入误差。


技术实现要素：

5.本发明的目的在于，针对上述现有技术中的不足，提供一种基于全连接层神经网络模型的光纤表面等离激元透射光谱预测方法及系统，以解决现有技术中每次检测光纤表面等离激元传感器透射光谱，均需要搭建光学场景，使得对光纤表面等离激元传感器透射光谱的检测过程较为复杂，且在检测的时候由于人为的原因，易于引入误差的问题。
6.为实现上述目的，本发明实施例采用的技术方案如下：
7.第一方面，本技术提供一种基于神经网络的光纤表面等离激元透射光谱预测方法，方法包括以下步骤：
8.s101，获取大量的目标光纤表面等离激元传感器的金膜厚度、金膜宽度和待测环境的折射率以及相对应的透射光谱，并将金膜厚度、金膜宽度和待测环境的折射率进行归一化处理，相对应的透射光谱作为标签；
9.s102，搭建神经网络模型；
10.s103，将归一化后的金膜厚度、金膜宽度和待测环境的折射率以及对应的标签输入神经网络模型中对神经网络模型进行训练；
11.s104，测试训练好的神经网络模型；
12.s105，将待测目标光纤表面等离激元传感器的金膜厚度、金膜宽度和待测环境的
折射率归一化后，输入测试好的神经网络模型，得到预测的透射光谱。
13.可选地，该神经网络模型包括密集层(dense)、dropout层以及relu激活函数，归一化的金膜厚度、金膜宽度和待测环境的折射率的范围均为0-1，周期(epochs)为100-800，训练好的神经网络模型至少包括：金膜厚度、金膜宽度和待测环境的折射率与透射光谱的对应关系。
14.可选地，dense层的层数为5-10层，dropout层的层数小于等于dense 层的层数。
15.可选地，步骤s104包括以下步骤：
16.s201，将未参与训练的金膜厚度、金膜宽度和待测环境的折射率代入训练好的神经网络模型中；通过训练好的神经网络模型预测得到未参与神经网络模型训练的金膜厚度、金膜宽度和待测环境折射率对应的透射光谱，并计算神经网络模型的均方差损失函数值；
17.s202，将预测的透射光谱与已知的金膜厚度、金膜宽度和待测环境折射率对应的透射光谱进行比较，将训练好的神经网络模型的均方差损失函数与设置的阈值进行比较，检验该训练好的神经网络模型的可信度；
18.s203，根据训练好的神经网络模型的可信度判断是否满足实际测量需求，若不满足则重新训练神经网络模型。
19.可选地，均方差损失函数为：
[0020][0021]
其中，ym表示训练好的神经网络模型预测的第m个透射率的值，表示相应的第m个透射率的真实值，m表示预测数据的个数。所述阈值为 0.001-0.0001。
[0022]
可选地，步骤s105包括以下步骤：
[0023]
s301，将待测目标光纤表面等离激元传感器的金膜厚度、金膜宽度和待测环境的折射率，并进行归一化处理；
[0024]
s302，将归一化后的金膜厚度、金膜宽度和待测环境的折射率输入测试好的神经网络模型中；
[0025]
s303，通过测试好的神经网络模型预测出对应的透射光谱。
[0026]
可选地，测试好的神经网络模型预测的透射光谱的波长范围为 300-1400nm。
[0027]
第二方面，本技术提供一种基于神经网络的光纤表面等离激元传感器透射光谱预测系统，系统包括：获取模块、代入模块和计算模块；获取模块用于获取目标光纤表面等离激元传感器的金膜厚度、金膜宽度和待测环境的折射率，并将金膜厚度、金膜宽度和待测环境的折射率进行归一化处理；代入模块用于将归一化后的金膜厚度、金膜宽度和待测环境的折射率代入搭建的神经网络模型中；计算模块用于预测目标光纤表面等离激元传感器的透射光谱。
[0028]
可选地，该归一化的所述金膜厚度、所述金膜宽度和待测环境的折射率的范围均为0-1。
[0029]
可选地，该系统还包括训练模块，训练模块用于将已知的金膜厚度、金膜宽度和待
测环境的折射率的数据和对应的透射光谱数据输入到神经网络模型中，通过训练得到该训练好的神经网络模型。
[0030]
第三方面，本技术提供一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现上述基于神经网络的光纤表面等离激元传感器透射光谱预测方法。
[0031]
第四方面，本技术提供一种计算机可读存储介质，计算机可读存储介质包括计算机程序，计算机程序运行时控制计算机可读存储介质所在电子设备执行上述基于神经网络的光纤表面等离激元传感器透射光谱预测方法。
[0032]
本发明的有益效果是：
[0033]
(1)本发明对金膜宽度采用了my_pow归一化的方法，my_pow是根据金膜宽度和光纤表面等离激元传感器透射光谱的相互作用关系所设定的，考虑到了不同物理量对透射光谱的影响的不同，更符合背后的光学原理，使得本发明提供的预测方法的预测精确度较高，因此本发明方法能够精准预测光纤表面等离激元传感器的透射光谱。
[0034]
(2)本技术通过搭建的神经网络模型精准预测光纤表面等离激元传感器的透射光谱，这避免了在每次检测光纤表面等离激元传感器的透射光谱，均需要搭建光学场景的问题，因此本技术的方法简化了探测光纤表面等离激元传感器透射光谱的流程，且避免人为误差的存在，进而使得本技术的方法检测得到的光纤表面等离激元传感器的透射光谱准确性和可信度更高；并且由于本技术的方法是通过测试好的神经网络模型得到的透射光谱，因此也缩短了获取透射光谱的时间，效率更高。
附图说明
[0035]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0036]
图1为本技术提供的一种应用场景示意图；
[0037]
图2为一种光纤表面等离激元传感器的光纤端面示意图；
[0038]
图3为本技术实施例1提供的一种基于神经网络的光纤表面等离激元传感器的透射光谱预测方法的神经网络训练流程图；
[0039]
图4为本技术实施例1提供的一种基于神经网络的光纤表面等离激元传感器的透射光谱预测方法的神经网络模型示意图；
[0040]
图5为对本技术实施例1提供的一种基于神经网络的光纤表面等离激元传感器的透射光谱预测方法中的神经网络模型进行测试的流程图；
[0041]
图6为使用本技术实施例1实施例提供的一种基于神经网络的光纤表面等离激元传感器的透射光谱预测方法预测透射光谱的流程图；
[0042]
图7为本技术实施例1提供的一种基于神经网络的光纤表面等离激元透传感器的射光谱预测方法得到的透射光谱对比图；
[0043]
图8为本技术实施例1提供的一种基于神经网络的光纤表面等离激元透传感器的射光谱预测方法得到的另一透射光谱对比图；
[0044]
图9为本技术实施例1提供的一种基于神经网络的光纤表面等离激元传感器的透射光谱预测方法得到的再一透射光谱对比图；
[0045]
图10为使用本技术实施例1提供的一种基于神经网络的光纤表面等离激元传感器的透射光谱预测方法预测的光纤表面等离激元传感器的仿真结果的截面图；
[0046]
图11为使用本技术实施例1提供的一种基于神经网络的光纤表面等离激元传感器的透射光谱预测方法预测的光纤表面等离激元传感器地纤芯截面的电场分布图；
[0047]
图12为本技术实施例1提供的一种基于神经网络的光纤表面等离激元传感器透射光谱预测系统的模块示意图；
[0048]
图13为本技术实施例1提供的另一种基于神经网络的光纤表面等离激元传感器透射光谱预测系统的模块示意图；
[0049]
图14为本技术实施例2提供的一种基于神经网络的光纤表面等离激元传感器的透射光谱预测方法中对金膜宽度进行归一化的my_pow归一化函数图；
[0050]
图15为本技术实施例1提供的一种基于神经网络的光纤表面等离激元传感器的透射光谱预测方法得到的再一透射光谱对比图；
[0051]
图16为本技术实施例2提供的一种基于神经网络的光纤表面等离激元传感器的透射光谱预测方法得到的另一透射光谱对比图。
具体实施方式
[0052]
下面将结合本技术中附图，对本技术中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0053]
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
[0054]
实施例1：
[0055]
图1为本技术提供的一种应用场景示意图，如图1所示，本技术中的方法可以应用于图1所示的电子设备。如图1所示，电子设备可以包括：存储器11、处理器12、网络模块13。
[0056]
存储器11、处理器12、网络模块13相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器11中存储有至少一个可以软件或固件(firmware)的形式存储于所述存储器11中的功能模块，所述处理器12通过运行存储在存储器11内的软件或硬件形式的功能模块，从而执行各种功能应用以及数据处理，即实现本技术中由执行的方法。
[0057]
可以理解，图1所示的结构仅为示意，还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
[0058]
在上述基础上，本技术还提供一种计算机可读存储介质，所述计算机可读存储介质包括计算机程序，所述计算机程序运行时控制所述计算机可读存储介质所在执行下述的方法。
[0059]
为了使本发明的实施过程更加清楚，下面将会结合附图进行详细说明。
[0060]
本发明实施例以如图2所示结构的的光纤表面等离激元传感器为例进行说明。光纤表面等离激元传感器的光纤直径为125μm，纤芯直径为9μm，沿着纤芯切面且平行于该光纤轴心的方向切割该光纤，切割长度为5mm，并且在该切割的面上镀有金膜，金膜的长度与切割长度相同，金膜宽度的中心与光纤轴心所在的平面与上述切割面相互垂直，具体地，该金膜的宽度和高度根据实际需要进行设置，在此不做具体限定。这样，光纤表面等离激元传感器的透射光谱与折射率n、金膜厚度h、金膜宽度w密切相关。
[0061]
图3为本技术实施例提供的一种基于神经网络的光纤表面等离激元传感器的透射光谱预测方法的神经网络训练流程图：
[0062]
s101，获取大量的目标光纤表面等离激元传感器的金膜厚度、金膜宽度和待测环境的折射率以及相对应的透射光谱，并将金膜厚度、金膜宽度和待测环境的折射率进行归一化处理，相对应的透射光谱作为标签。
[0063]
在实际应用中，可以通过comsol仿真获取大量的目标光纤表面等离激元传感器的金膜厚度、金膜宽度和待测环境的折射率以及对应的透射光谱，且获取目标光纤表面等离激元传感器参数的数量根据实际需要进行设置，在获取该金膜厚度、金膜宽度和待测环境的折射率的参数后，为了提高神经网络模型训练时的收敛速度以及该模型的预测精度，将该金膜厚度h、金膜宽度w和待测环境的折射率n的参数进行归一化。本实施例的归一化的方法是使用min-max归一化法，该min-max归一化法具体的为： x'＝(x-x_min)/(x_max-x_min)，其中，x表示所获取数据中的某一数据，x_min表示数据中的最小值，x_max表示数据中的最大值，则金膜高度h范围变为0-1，金膜宽度w范围变为0-1，待测折射率变为0-1。该待测环境的折射率n范围为1.33-1.37，金膜厚度h为10nm-100nm，金膜宽度w为1000nm-12000nm。
[0064]
s102，搭建神经网络神经网络模型，神经网络模型为全连接层神经网络模型。
[0065]
图4为本技术实施例提供的一种基于神经网络的光纤表面等离激元传感器的透射光谱预测方法的神经网络模型示意图；如图4所示，具体的，该神经网络模型输入端输入为折射率n、金膜厚度h、金膜宽度w，该模型的中间由六层dense组成，第一层到第五层dense层之后都是用relu激活函数，第六层dense层之后使用恒等激活函数，其中为了抑制过拟合在模型的地二层和第三层之后分别设置了一层dropout层，其中第一层dense 层输出节点数设置为64、第二层dense层输出节点数设置为512、第三层 dense层输出节点数设置为1024、第四层dense层输出节点数设置为512、第五层dense层输出节点数设置为256、第六层dense层输出节点数设置为41，41对应透射光谱的41个波长处的透射率。
[0066]
其中，恒等函数定义为：会将输入按原样输出，对于输入的信息，不加以任何改动地直接输出。
[0067]
relu函数定义为：在输入大于0时，直接输出该值；在输入小于等于 0时，输出0，表达式如下：
[0068][0069]
s103，将归一化后的金膜厚度、金膜宽度和待测环境的折射率以及对应的标签输入所搭建神经网络模型中对该模型进行训练。
[0070]
在实际应用中，为了方便说明，在此以该多组光纤的参数的数量为 1000个，透射光谱的范围为350nm-750nm进行说明，若每隔10nm取一个点，透射光谱由41个透射数据组成，则本步骤中获取多组已知的数据为：包括金膜厚度、金膜宽度和待测环境的折射率的1000*3二维矩阵(输入变量矩阵)，和1000*41的二维透射光谱矩阵(输入变量的标签矩阵)组成，在实际应用中，使用750组已知的数据训练该神经网络模型，即总数据量的四分之一训练该神经网络模型。
[0071]
其中epochs表示训练周期，epochs根据具体应用场景而设置，一般地， epochs为100-800，其中，读取完所有的训练数据为一个训练周期，训练好的神经网络模型具有金膜厚度、金膜宽度和待测环境的折射率与透射光谱的对应关系。s104，测试训练好的神经网络模型；
[0072]
图5为对本技术实施例提供的一种基于神经网络的光纤表面等离激元传感器的透射光谱预测方法中的神经网络模型进行测试的流程图；如图5 所示，步骤s104包括以下步骤：
[0073]
s201，将多组未参与训练的金膜厚度、金膜宽度和待测环境的折射率代入训练好的神经网络模型中，预测目标光纤表面等离激元传感器的透射光谱并计算该神经网络模型的均方差损失函数值。
[0074]
若获取1000组光纤的参数，则可以使用250组预测目标光纤表面等离激元传感器的透射光谱，均方差损失函数定义为：
[0075][0076]
其中，ym表示训练好的神经网络模型的预测的第m个透射率的值，表示相应的第m个透射率的真实值，m表示预测数据的个数。
[0077]
s202，将神经网络模型预测的透射光谱与真实的透射光谱进行比较，以及将该神经网络模型的均方差损失函数与设置的阈值进行比较，检验该训练好的神经网络模型的可信度。
[0078]
为了验证训练好的神经网络模型的可信度，将该预测透射光谱与实际透射光谱图进行比较，观察预测透射光谱图是否与实际透射光谱图有高的重合率，之后在综合所得到的均方差损失函数的值是否小于设置的阈值，小于阈值则训练好的神经网络模型可信度较高，反之，训练好的神经网络模型可信度较低，所述阈值为0.001-0.0001。其中，透射光谱图与实际透射光谱图有高的重合率可根据实际需要进行设置，在此不做具体限定，本技术中通过直接观察预测透射光谱与实际透射光谱图可以得到训练好的神经网络模型的可信度。
[0079]
s203，根据神经网络模型的可信度判断是否满足实际测量需求，若不满足则重新训练神经网络模型。
[0080]
根据上述训练好的神经网络模型输入预测的透射光谱与实际对应的透射光谱进行比较，若预测的透射光谱与实际透射光谱重合率较小，或者该训练好的神经网络模型的均方差损失函数大于所设置的阈值，则需要重复步骤s103的训练神经网络模型的过程。
[0081]
s105，将待测目标光纤表面等离激元传感器的金膜厚度、金膜宽度和待测环境的
折射率归一化后，输入测试好的神经网络模型，得到预测的透射光谱。
[0082]
图6为使用本技术实施例提供的一种基于神经网络的光纤表面等离激元传感器的透射光谱预测方法预测透射光谱的流程图；如图6所示，步骤 s105包括以下步骤：
[0083]
s301，选择需要测量的目标光纤表面等离激元传感器的金膜厚度、金膜宽度和待测环境的折射率，并将金膜厚度、金膜宽度和待测环境的折射率进行归一化处理。
[0084]
在实际应用中，为保证预测的准确度，所选择的光纤表面等离激元传感器的金膜厚度、金膜宽度和待测环境的折射率的数值需在所选定的用于训练的金膜厚度、金膜宽度和待测环境的折射率的最大值和最小值区间之内，归一化同样使用min-max归一化法，其中min-max归一化法中的最大值和最小值分别为用于训练的金膜厚度、金膜宽度和待测环境的折射率的最大值和最小值。
[0085]
s302，将归一化后的金膜厚度、金膜宽度和待测环境的折射率输入测试好的神经网络模型中。
[0086]
s303，通过测试好的神经网络模型预测出对应的透射光谱。
[0087]
图7为本技术提供的一种基于神经网络的光纤表面等离激元传感器的透射光谱预测方法得到的透射光谱对比图；图8为本技术提供的另一种基于神经网络的光纤表面等离激元传感器的透射光谱预测方法得到的另一透射光谱对比图；图9为本技术提供的另一种基于神经网络的光纤表面等离激元传感器的透射光谱预测方法得到的再一透射光谱对比图；如图7、图8 和图9所示，其中，图7、图8和图9中的横坐标均为波长，pre表示预测的光谱，true表示真实的光谱，图7表示金膜厚度为60nm，金膜宽度100μm，待测环境的折射率为1.33时输出的透射光谱与实际的透射光谱对比图，图 8表示金膜厚度为20nm，金膜宽度20膜宽，待测环境的折射率为1.34时输出的透射光谱与实际的透射光谱对比图，图9中表示金膜厚度为60nm，金膜宽度20膜宽，待测环境的折射率为1.33时输出的透射光谱与实际的透射光谱对比图。由图7、图8和图9的结果所示，本发明预测的透射光谱与真实的光谱几乎重合，表明本发明方法预测的透射光谱准确度较高，检测过程，不需要人的参与，不带来人为误差。
[0088]
本技术的方法的目的是摆脱传统的有限元分析法和实验验证，通过一定的数据来训练出一个可信度高的神经网络，利用这个神经网络来减少光纤表面等离激元传感器的研究周期，同时避免实验耗材的浪费，从而推进光纤表面等离激元传感器的发展。光纤表面等离激元传感器的作用就是探测待测环境的折射率，而本专利所做的并不是探测某一物理量，而是通过该模型可以快速的设计出适用于某一环境的光纤表面等离激元传感器。如果通过仿真软件来对光纤表面等离激元传感器进行仿真研究一种结构的传感器仿真需要一个小时左右，而神经网络模型只需要微秒级别的时间。
[0089]
该预设神经网络模型中至少包括：金膜厚度、金膜宽度和待测环境的折射率与透射光谱的对应关系，即通过该预设神经网络模型，输入该金膜厚度、金膜宽度和待测环境的折射率中任意参数，就可以得到对应的透射光谱，在实际使用的时候，将待测光纤表面等离激元传感器的参数输入到该预设神经网络模型中，通过该预设神经网络模型进行预测，得到该透射光谱。
[0090]
图10为使用本技术方法预测的光纤表面等离激元传感器的仿真结果的截面图；
[0091]
图11为使用本技术方法预测的光纤表面等离激元传感器地纤芯截面的电场分布图；
[0092]
图12为本技术实施例提供的一种基于神经网络的光纤表面等离激元传感器透射光谱预测系统的模块示意图。如图12所示，本技术提供基于神经网络的光纤表面等离激元传感器透射光谱预测系统，系统包括：获取模块60、代入模块70和计算模块80；获取模块60用于获取目标光纤表面离激元传感器的金膜厚度、金膜宽度和待测环境的折射率，并将金膜厚度和金膜宽度进行归一化处理；代入模块70用于将待测环境的折射率和归一化后的金膜厚度与金膜宽度代入训练好的神经网络模型中；计算模块80用于计算得到目标光纤表面离激元传感器的透射光谱。
[0093]
可选地，该归一化的所述金膜厚度、所述金膜宽度和待测环境的折射率的范围均为0-1。
[0094]
图13为本技术实施例提供的另一种基于神经网络的光纤表面等离激元传感器透射光谱预测系统的模块示意图；如图13所示，可选地，该训练模块，训练模块用于将已知的多组金膜厚度、金膜宽度和待测环境的折射率的数据，和对应的透射光谱数据输入到神经网络模型中，训练得到训练好的神经网络模型；其中，训练好的神经网络模型至少包括：金膜厚度、金膜宽度和待测环境的折射率与透射光谱的对应关系。
[0095]
本技术提供一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述基于光纤表面离激元传感器的参数的透射光谱预测方法。
[0096]
本技术提供一种计算机可读存储介质，所述计算机可读存储介质包括计算机程序，所述计算机程序运行时控制所述计算机可读存储介质所在电子设备执行上述基于光纤表面离激元传感器的参数的透射光谱预测方法。
[0097]
实施例2：
[0098]
与实施例1不同的是，步骤s101和步骤s301和步骤s105中对金膜宽度w的归一化采用my_pow非线性归一化的方法，而对金膜厚度h和折射率n仍使用min_max归一化。my_pow归一化方法具体的表达式为： x'＝(x_max)(-x/x_max)，其中，x表示所获取的金膜宽度数据，x_max表示金膜宽度数据中的最大值，my_pow是根据金膜宽度和光纤表面等离激元传感器透射光谱的相互作用关系所设定的，当金膜宽度小于纤芯直径时，金膜宽度对光纤表面等离激元传感器透射光谱的影响较大，而当金膜宽度大于纤芯直径时，金膜宽度对光纤表面等离激元传感器的透射光谱影响较小。根据my_pow归一化金膜宽度w范围变为0-1，且使得大于纤芯直径的金膜宽度的映射值接近0，小于纤芯直径的金膜宽度值映射值范围为 0.4-1，通过金膜宽度和透射光谱之间的已知的作用关系设置归一化函数使得预测精确度进一步的提高。
[0099]
图14为本技术提供的一种基于神经网络的光纤表面等离激元传感器的透射光谱预测方法中的my_pow归一化函数图，其中横坐标是金膜宽度，纵坐标为金膜宽度值对应的my_pow归一化函数映射值。
[0100]
图15为金膜厚度为80nm，金膜宽度7μm，待测环境的折射率为1.34 时，依据实施例1提供的一种基于神经网络的光纤表面等离激元传感器的透射光谱预测方法得到的透射光谱与实际的透射光谱对比图，其中，横坐标为波长，pre表示预测的光谱，true表示真实的光谱。可以看出预测的光谱和实际光谱整体重合度不高，尤其在波长为650nm左右重合度较低。
[0101]
图16为金膜厚度为80nm，金膜宽度7μm，待测环境的折射率为1.34 时，依据本实施例提供的一种基于神经网络的光纤表面等离激元传感器的透射光谱预测方法得到的透射光谱与实际的透射光谱对比图，其中，横坐标为波长，pre表示预测的光谱，true表示真实的光谱。可以看出预测的光谱和实际光谱在整体上和局部上重合度均较好。
[0102]
由图15和图16对比可得根据金膜宽度和光纤表面等离激元传感器透射光谱的相互作用关系所设定的非线性my_pow归一化预测的透射光谱比线性min-max归一化方法更加准确，这是因为当金膜宽度小于纤芯直径时，金膜宽度对光纤表面等离激元传感器透射光谱的影响较大，而当金膜宽度大于纤芯直径时，金膜宽度对光纤表面等离激元传感器的透射光谱影响较小，根据my_pow归一化金膜宽度，使得大于纤芯直径的金膜宽度值映射为接近0的值，小于纤芯直径的金膜宽度值映射到0.4-1，从数据归一化处理时就携带了金膜宽度和透射光谱之间的已知的作用关系，使得预测准确度得到提高。
[0103]
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。