被测光纤长度为lm、110m、750m时光谱仪采集到的频域干涉 谱信号；
[0041] 图6、图7、图8分别为光纤长度为lm、110m、750m时干涉项提取结果。
[0042] 图9、图10、图11分别为光纤长度lm、110m、750m时本发明方法提取出来的结果与 通过傅里叶变换方法得到的结果的对比，其中，A表示两种方法提取的干涉项对比，B表示 干涉项中的相位对比。
[0043] 表1为不同被测光纤长度下时集合经验模态分解得到的本证模态函数与原信号 的相关系数。
【具体实施方式】
[0044] 实施例1 :
[0045] 图1是基于集合经验模态分解和经验模态分解算法的低相干频域干涉干涉项的 自适应提取方法流程图；图2是本发明中采用的频域干涉项提取实验装置；
[0046] 本发明的原理和工作流程如下：
[0047] 图2中，从SLD宽带光源1发出中心波长为1310nm的高斯谱型低相干光，经过光纤 起偏器2变成线偏振光（激发模式），再通过法兰盘3的连接入射到待测保偏光纤4中，该 连接点处会发生偏振耦合，原来的激发模将一部分能量耦合到与之垂直的偏振方向上，该 模式称为耦合模，耦合强度用系数h表征。由于双折射，两个偏振方向上的传播速度不同， 在光纤出射端，二者之间会产生与保偏光纤4的长度有关的相位差。通过准直透镜5将光 纤光转换为空间光，为了使两束线偏光能够发生干涉，通过半波片6与检偏器7,使得两个 偏振光等比例投影到一个偏振方向上，发生干涉。为了补偿两束光的光程差，利用迈克耳逊 干涉装置中的移动反射臂进行扫描，获得干涉条纹。会聚透镜11的作用是将空间光耦合进 光纤中，再通过单模光纤12进入到光谱仪13中，获得频域干涉光谱图。最后在计算机中进 行数据处理。
[0048] 为了证明该方法提取的自适应性和有效性，分别对不同长度的待测光纤进行检 测。
[0049] 第1步：获得低相干频域干涉图。
[0050] 选择lm、110m、750m保偏光纤，分别通过光谱仪采集干涉谱数据，如图3、图4、图5 所示。
[0051] 第2步：进行集合经验模态分解，寻找合适的特征参数并确定k值。
[0052] a.添加白噪声序列，进行集合经验模态分解。程序中添加的白噪声序列数是100 且标准差大小为原信号的1/4。
[0053] b.计算各个本征模态函数与原信号的相关系数。计算结果如表1。
[0054] 表1不同光纤长度各个IMF与原信号的相关系数
[0056] c.寻找合适的特征参数并确定k值。分析表1，特征参数取为0. 1，k = 2。即前 两个本征模态函数为噪声信号。
[0057] 第3步：获得新的光谱信号。即去除IMFl和IMF2后获得的新的信号。
[0058] 第4步：经验模态分解。对新的信号进行经验模态分解，由于噪声的去除，避免了 丰旲态混置。
[0059] 第5步：获取！Μω)。经验模态分解得到的頂FlSP !Μω)为干涉交流项。实 验结果如图6、图7、图8所示。
[0060] 第6步：判断！D1(CO)是否符合余弦分布。很明显，提取出的干涉项均符合。
[0061] 然后将提取出来的结果与通过傅里叶变换方法得到的结果进行对比，分别如图9、 图10、图11所示，从图中可以看出该方法能够准确提取出干涉项，并且在中心波长附近二 者获得的相位信息几乎相同，同时可以看出这种方法具有很好的自适应性，不会因被测光 纤长度的改变而失去效果。
[0062] 采用本发明的频域干涉项提取方法，干涉项可以自适应地通过集合经验模态分解 和经验模态分解算法提取出来，相比传统的基于傅里叶变换的提取方法更为高效，无需人 为设定滤波器参数，大大节省了数据处理时间，并且避免了因为被测光纤长度不同滤波器 的位置和大小需要重新选择的问题，本发明的提取方法原理上合理，实验数据处理结果可 靠、准确，并且整个处理过程自适应能力强。多次实验的实验结果证明了该方法的稳定性和 准确性。
【主权项】
1. 一种低相干频域干涉图的自适应干涉项提取方法，其特征在于该方法的具体步骤如 下： 第1步：获得低相干频域干涉图； 用光谱仪采集到的低相干频域干涉图，表示为：其中，ω是光场角频率，1。（(〇)表示光源功率谱，h是耦合强度系数，是两偏振光 束的相位差，η(ω)是实际系统中的噪声； 第2步：进行集合经验模态分解，寻找合适的特征参数并确定k值； 分解过程包含三个部分： a. 添加白噪声序列，进行集合经验模态分解得到：其中&(?)是集合经验模态分解得到的本征模态函数aMF)，N是自然数，表示分解得 到的頂F的个数，k是噪声本征模态函数的个数，：是前k个頂F的和，表示 噪声信号η(ω)，丨表示I1(W)中干涉项部分分解得到的IMFs，b. 计算各个本征模态函数与原信号的相关系数，其中，....................................:表示本征模态函数与原信号的互相关运算，I1Yco ' -ω)表示信号IJco')平移ω后的共辄，分别表示f(?)与I1(Co)的标准差，CC 的绝对值大小介于〇和1之间，表征本征模态函数与原信号的相似程度； c. 寻找合适的特征参数并确定k值； 由于噪声的本征模态函数与原信号的相似程度较低且分布在前k个頂F中，第k+Ι个 MF的相关系数远大于第k个頂F的相关系数，则此区间是第一个CC值变化最大的区间，通 过迭代的优化方法能够自动寻找到该区间，并在此区间内选择合适的值作为特征参数，使 得相关系数小于特征参数的本征模态函数被识别为噪声信号，将该噪声信号去除； 第3步：获得新的光谱信号； 去噪后的干涉谱：第4步：经验模态分解； 对新的干涉谱光谱信号进行经验模态分解：其中，Μω)是分解得到的本征模态函数，M是自然数，表示分解得到的本征模态函数 的个数，ΓΜ(ω)为残余部分； 第5步：获取ιΜ?); 由于系统中的噪声经过集合经验模态分解得到了很好的抑制，故频域干涉谱图能够 在经验模态分解中避免模态集叠现象，使得每一个分解得到的本征模态函数都具有物理意 义；由于经验模态分解获得的本征模态函数是按照频率大小依次排列的，故最先被分解出 来的本征模态函数为ilh(w)即I 1(Co)中的干涉项； 第6步：判断It1(W)是否符合余弦分布，若符合则干涉项准确提取出来，程序结束；若 不符合，则程序重新跳转到第2步中，寻找合适的k值，直到干涉项被提取出来。
【专利摘要】一种低相干频域干涉图的自适应干涉项提取方法。该方法包括：获得低相干频域干涉图；进行集合经验模态分解，寻找合适的特征参数并确定k值；获得新的光谱信号；经验模态分解；获取ψ1(ω)；最后判断ψ1(ω)是否符合余弦分布，若符合则干涉项准确提取出来，程序结束；若不符合，则程序重新跳转到第2步中，寻找合适的k值，直到干涉项被提取出来。本发明将集合经验模态分解算法与经验模态分解算法结合起来，能够自适应地提取出频域低相干干涉项，数据处理过程无需人为设置参数，可以对不同长度的保偏光纤进行干涉项的提取。本发明采用频谱干涉测量法，测量时间短，信号信噪比高，可以获得全光谱信息。
【IPC分类】G01M11/02
【公开号】CN105181300
【申请号】CN201510557104
【发明人】张红霞, 王凤, 贾大功, 刘铁根, 张以谟
【申请人】天津大学
【公开日】2015年12月23日
【申请日】2015年9月6日