一种从畸变的信号中恢复理想信号的方法和系统与流程

本发明涉及一种通信数据实时处理技术，具体涉及一种利用神经网络的方法从难以准确量化畸变的信号中恢复理想信号的计算方法和系统。尤其涉及该方法和系统在otdr类产品的应用实例。本发明属于嵌入式实时数字信号处理领域。

背景技术：

目前，在嵌入式数字信号处理的应用实践中，常伴有如下困惑，信号通常会因为受非观测物理对象噪声源或者附带物理效应或者探测电路的非理想频响特性的影响而产生偏离理想信号畸变，这样会造成不能获得所需的被测物理量的真实理想的测量，导致被测物理量失真，后果可能是不能在人机界面显示正确的测量结果(如使用雷达测量被测对象的准确物理位置)，或者不能对被测对象的一个或者若干个物理对象做出准确的判决(如根据心电图判断心脏病的诊断)，或者嵌入式控制系统不能根据被测对象的物理测量得到正确的控制(如温度光纤传感中不能准确测量温度导致灭火装置的误触发等)。涉及到雷达，声音，通信，地震，生物医学的信号处理领域，无论前端待测量是光学、声学、电磁信号、影像信号，都会遇到这样的情况。为此，在应用开发时可以采用多种方法来还原理想的原始信号，常见的方法有增强信号并降低噪声提高信噪比以抵消干扰源引入的噪声，还有根据物理过程中所引入的畸变的物理函数来构造基于测试结果的反函数以恢复出理想信号，还有在根据电路频响特性的实际测试结果得到电路畸变函数的基础上构造反函数于测试结果中恢复出理想信号。这些解决方案在很多场景下都取得了不错的效果，而且良好的设计可能会兼具以上的方法，但值得注意的是，在有些场景下信号的信噪比太低，无论如何都无法得到足够真实的原始信号，例如图像传感器在照度不佳和有干扰源时获取的图像，在有些场景下畸变的物理过程是各种物理效应的综合，而不容易获取相应的物理方程，例如光纤传感应用中色散和啁啾效应可能是同时存在并对被测信号都有影响，在有些应用中测量电路的频响畸变并不容易准确，特别是对应电信号动态范围大，频率范围宽的场景，除此之外，在系统设计时候依据信号链的接入随信号链的受干扰情况如图10所示，图中，换能装置的非线性特性引入畸变源a1，传感装置探测的物理信号受到物理干扰源的影响而引入畸变源a2，探测电路(即前置放大器和采样电路)的非线性特性引入畸变源a3。为解决畸变源问题，现有技术中通常逐步对所有环节做畸变源的降噪、还原，往往涉及一系列串行的计算步骤，如图1所示，矫正计算单元b1、b2、b3分别对应畸变源a1、a2、a3的矫正过程，三个部分共同构成例行计算单元前的数据预处理部分，虽然这个计算步骤在原理上可行，但是本领域技术人员会发现这些计算往往是耗费计算资源和影响系统实时性的。例如图1中，假设计算单元b1、b2、b3的时耗分别为t1、t2、t3，故整个数据预处理部分的时耗为三者的和函数即t1+t2+t3，并且有鉴于畸变反函数的难于准确获取，任意一个矫正计算单元的准确性并不能得到保证。现有技术中，为了根据被测量信号数据或者波形来推演理想或准确的物理参数，设计者一般会根据标准信号源使用拟合反函数或者编制定标查找表在应用中查表定标的方法对测量得到的信号参量进行后矫正，如图2所示，提供了物理量某一量化值或者数据序列的例子，标准案例1中由此得到测试数据或者波形组1；标准案例2中由此得到测试数据或者波形组2；标准案例3中由此得到测试数据或者波形组3；使用若干个这种数据对可以构建查找表，如图2中矫正过程所示，在实际测控过程中执行矫正操作，依据实时数据在表格中查找矫正后结果，如果查找表中没有对应数值，则用插值实现逼近是常规的做法。但对于很多复杂的场合，由于反函数本质上是非线性的或者待测物理过程是非平稳的，使用以上反函数和查找表的方法并不能得到准确的测量结果，并且在物理函数的断点附近会产生更大的误差甚至错误，如图3所示，在图中竖线左侧，理论矫正函数和错误的矫正反函数重合，但是在数据右侧，错误的矫正反函数无法获取到不连续的理论矫正反函数，在实时数据为2.7左右时会产生明显错误。

光时域反射仪(opticaltimedomainreflectometer简称otdr)，可以非破坏性的从光缆的一端进行测量，不仅可以测量光纤的平均损耗，还能提供沿光缆的长度损耗特性，又可以检测光缆的物理缺陷和断裂点位置，测定接头的损耗和位置，测量光缆的长度。所以无论在实验研究、光缆制造、工程现场和维护测试中都得到了广泛的应用。除此之外，光时域反射仪还是光缆在线监测系统的基础。从原理上说，它是将大功率的激光脉冲，注入到光纤中，然后在同一端检测沿光纤背向返回光信号，被测光信号中包含瑞利后向散射信号。所以测量返回的后向瑞利散射光功率就可以获得光沿光纤传输的损耗信息，从而可以测得光纤的衰减。此外，折射率突变的位置将产生菲涅耳反射，由此可以确定光纤的端点、故障点等。

otdr的典型工作过程如图4所示，简单描述如下：每次测试时，微处理器向脉冲发生器发出命令，脉冲发生器发出电脉冲，激光器受电脉冲的控制产生宽度很窄的光脉冲，光脉冲经过光纤耦合器注入待测光纤，光脉冲在待测光纤中传播，沿光纤各点的后向瑞利散射光返回到光纤的注入端，再通过光纤耦合器反射到光接收器。光接收器把光信号转化成模拟电信号，该信号经过信号放大后传送给a/d，经a/d采样转化成数字信号后由微处理器读入，微处理器把读入的信号经过数字滤波、平均和其它方法处理后输出给液晶显示器，就可以观察和记录所测的结果。而且故障点的位置、光纤接头或损耗点位置、光纤长度等物理量由对读入波形的计算获得。

otdr的典型测试对象为如图5所示的接头衰减，图中同时显示了畸变后数据和理想数据，可以看出由于整个物理过程和信号链路的复杂性，难以获得这种畸变的解析描述或者线性关系方程。

技术实现要素：

本发明的目的就是克服现有技术存在的问题和不足，提供一种能够更准确还原出理想被测信号的信号处理系统，并且该计算系统能够满足实时性要求，具备较小的计算代价，同时本文给出生产设计实践中获得该系统配置参数的方法。

本发明提供了一种从畸变的信号中恢复理想信号的计算系统，包括传感器、前置放大器和信号采集单元；还包括：数据预处理计算单元、数据特征提取计算单元、人工神经网络计算单元、计算参数存储单元；其中：

所述传感器将被测物理对象输出的被测物理信号转换成模拟电信号；

所述前置放大器和信号采集单元将所述模拟电信号转换为采样数字信号序列；

所述数据预处理计算单元对所述采样数字信号序列进行数据预处理；

所述数据特征提取计算单元从预处理后的数据中提取数据特征，得到一组特征数据；

所述人工神经网络计算单元通过输入的特征数据提供矫正后的理想物理信号；

所述计算参数存储单元，为人工神经网络计算单元存储所需的计算参数，并输出到神经网络计算单元。

在上述技术方案中，还包括激励信号发生器、换能装置；其中

所述激励信号发生器用于产生激励电信号；

所述换能装置用于将所述激励电信号转换成物理探测信号；被测物理对象受到所述物理探测信号激励后输出所述被测物理信号。

在上述技术方案中，还包括人机界面单元、智能控制器、通讯模块；其中

所述人机界面显示单元将矫正后的所述理想物理信号输出到显示界面；

所述智能控制器使用矫正后的所述理想物理信号进行控制操作；

所述通讯模块单元将矫正后的所述理想物理信号进行远程输出。

在上述技术方案中，所述数据预处理计算单元采用fir滤除理想信号频带外的噪声，完成信噪比增强的运算；采用对数变换线性化指数类型的原始信号，完成非线性类型转换为线性化类型的运算。

在上述技术方案中，所述数据特征提取计算单元所提取的数据特征为波形的某种时域描述，包括过零点的个数、极点的个数、最大值的数值、最大值最小值的差值、数据片的动态范围、峰均比中的一项或多项；和/或数据频率域的描述，包括3db带宽、有效能量频点个数、特定带宽内能量中的一项或多项；和/或统计参数，包括均值、方差、各阶矩中的一项或多项。

在上述技术方案中，所述参数存储单元为人工神经网络计算单元存储所需的计算参数，包括人工神经网络的结构以及各层神经元的权重数据和偏置。

在上述技术方案中，所述计算系统用于otdr探测；

所述被测物理对象为光传输线路；

所述传感器为光接收器；

所述数据预处理计算单元、数据特征提取计算单元、计算参数存储单元、人工神经网络计算单元在微处理器中实现，所述微处理器由dsp或pld或各类cpu或mcu或asic独立或者组合构成。

本发明还提供一种从畸变的信号中恢复理想信号的方法，所述人工神经网络计算单元的输入包括特征数据slew(be)，slew(fa)，slew(ac)，py(a)，py(b)，diff(px(a)-px(b))，px(a)，dis(ab)；输出包括接头位置pos和接头损耗att；其中，a、c、d、b表示法兰盘连接事件在otdr波形中的特征点，fa段为法兰盘前段光纤在otdr波形中的特征点，be段表示法兰盘后段光纤在otdr波形中的特征点，slew表示求取两点间斜率的函数，px表示某点横坐标位置，py表示某点纵坐标位置，dis表示两点间距离，diff表示求取两个数的差值。

在上述技术方案中，otdr波形中特征点定标的步骤包括：

使用直线拟合线性度评价准则确定特征事件在otdr波形中所处的位置，确定近远两端点，即f、e点；

将otdr波形图案分成小段，从近端f点开始计算极小值点，确定小段的最后一个点，即为a点；

继续向远端搜索极大值点，确定为c点；

继续向远端分小段计算斜率，在斜率明显变化的开始段，搜索距离线段ae距离最近点，确定为d点；

继续向远端分小段计算斜率，在斜率明显变化的开始段，搜索距离线段de距离最近点，确定为b点。

在上述技术方案中，对人工神经网络进行训练的步骤包括：

1)从m组光纤中，选取一种长度光纤；

2)从n个衰减值的法兰盘中，选取一个连接到前述光纤，后面续接任意长度光纤；

3)完成otdr测试，并记录此是特征数据组值作为训练输入向量，记录法兰盘衰减和所选光纤长度作为训练目标，并增加训练记录到训练库lib；

4)如果n个法兰没有被全使用，跳到2)，否则继续执行；

5)如果m组光纤没有被全使用，跳到1)，否则继续；

6)根据训练库lib训练人工神经网络，获得人工神经网络的参数集合。

本发明取得了以下技术效果：

对于信号通常会因为非受观测物理对象噪声源或者附带物理效应或者探测电路的非理想频响特性的影响而产生偏离理想信号畸变的信号处理系统，本发明提出了一种基于以人工神经网络计算单元为核心的计算系统，有鉴于神经网络对于处理一些环境信息十分复杂、知识背景不清楚和推理规则不明确的问题有着非常好的解决能力，该计算系统能很好的对非线性、非平稳的过程和含有不连续函数特性的对象和过程做很好的恢复或矫正，还原原始受观测物理量的理想值。规避了现有逐步矫正过程在实时性和准确性上不能予以保证的缺点。

而且，上述计算系统中的人工神经网络计算单元，能够在信号流的多个环节受到畸变的影响下一步实现恢复信号的操作，增强的系统的实时性能。

而且，上述计算系统中的人工神经网络计算单元可以在pld器件中实现全部和部分的并行计算,增强系统的实时性能。

而且，对于应用配置多变的场合，上述计算系统能保证人工神经网络计算单元的数字电路实现或者嵌入式软件实现完全相同，这样能保证如内存、时序逻辑电路和组合逻辑电路的计算资源消耗少并复用，节省计算资源，并且通过装载不同人工神经网络计算参数组的方法实现对神经网络不同配置，满足各个应用配置下的计算质量要求。

而且，本发明设计了计算系统中人工神经网络计算参数存储单元自动定标的流程，保证所设计产品在生产过程中能保证质量的高效产出。

附图说明

图1为传统方法中利用反函数多级级联从畸变信号恢复原始信号示例图；

图2为传统查表法恢复原始信号的过程的示例；

图3为传统方法中矫正反函数不正确时的示例图；

图4为otdr工作原理图；

图5为otdr监测光纤接头波形实例图；

图6为本发明计算系统的实现框架图；

图7为计算系统神经网络计算单元参数动态可配置示例图；

图8为神经网络计算参数数据定标，即整个计算系统神经网络单元训练的流程图；

图9为otdr数据特征提取计算单元实例图；

图10为嵌入式测控系统多畸变源的示例。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及具体实施方式对本发明作进一步的详细描述。

本发明提供的基于人工神经网络的从难以准确量化畸变的信号中恢复理想信号的计算系统如图6所示，包括激励信号发生器、换能装置、传感器、前置放大器和信号采集单元、数据预处理计算单元、数据特征提取计算单元、人工神经网络计算单元、人机界面单元、智能控制器、通讯模块几个部分，其中:

所述换能装置指将激励电信号转换成物理探测信号(如光信号、微波信号等其他类型物理信号)的装置。所有类雷达装置均需要此单元，因为在某些应用场合，被测物理对象中的信号源是在受到此类物理探测信号激励后才能发出原始物理信号。故此单元为依据应用的可选装置。依据应用的不同，这个单元可以是泵浦激光器、雷达天线等。这一环节中容易引入的畸变源特点该装置做能量转换时的瞬时非线性等。

所述激励信号发生器主要指用于产生激励电信号的单元，对于在某些应用场合，被测物理对象中的信号源是在受到上述类物理探测信号激励后才能发出原始物理信号的情况，往往对物理探测信号的时频空特性有既定要求，如对光脉冲信号的宽度要求等，对应的，系统中的激励信号发生器产生符合要求的电信号，通常这个单元由特定数字信号发生器、数字模拟转换电路单元、模拟信号调理电路组成。这一环节中容易引入的畸变源特点是信号调理电路的非线性失真。此单元为依据应用的可选装置。

所述传感器为将被测物理信号转换成模拟电信号的装置，例如otdr中的雪崩光电二极管(apd)、温度测量中的热敏电阻等。这一环节中容易引入的畸变源特点是待测物理信号中混入了其他引发其他畸变信号源的干扰。

所述前置放大器和信号采集单元通常由低噪放或衰减器类模拟电路、模拟数字信号转换器组成，该单元的主要目的是将模拟信号转换成数字信号。通常这个单元有带宽、动态范围的要求。这一环节中容易引入的畸变源特点是宽频带大动态范围的模拟电路引入的频响特性畸变。具体的说可能是对不同频率信号的响应不线性等。

所述数据预处理计算单元指将采样数字信号序列进行数据预处理的单元，通常这个单元会完成信噪比增强、动态范围压缩、信号波形的调整等依据应用需求不同的各种不同类型的运算。例如在采用fir滤除理想信号频带外的噪声，又如采用对数变换线性化指数类型的原始信号，或者使用类似sigmoid的函数压缩信号到指定的数值区间内方便后续处理等等。

所述数据特征提取计算单元作用为将预处理后数据提取数据特征，得到一组特征数据即图示中特征数据组。提取器的具体实现依据应用有不同，但其目的是利用各种数据处理算法获取预处理后数据片段的若干个可以量化的特征，关键在于这个特征数组是可以为后续的人工神经网络计算单元提供输入，并且其信息量足够能为后续人工神经网络单元计算得到矫正后理想物理信号，举例来说，这组特征可以是波形的某种时域描述如过零点的个数、极点的个数、最大值的数值、最大值最小值的差值即数据片的动态范围、峰均比等，也可以是数据频率域的描述，例如3db带宽、有效能量频点个数、特定带宽内能量等，还可以是某些统计参数例如均值、方差、各阶矩，还可以是类物理特征如等效质心位置等。完成本单元的装置通常为各类型的中央处理器、微处理器、数字信号处理器芯片中的计算程序，或者是由pld器件构建的数字逻辑电路单元。这部分属于本发明的核心内容。

所述人工神经网络计算单元任务为以输入特征数组提供输入计算得到矫正后理想物理信号。神经网络可以处理一些环境信息十分复杂、知识背景不清楚和推理规则不明确的问题。通过神经网络学习，从典型事例中学会处理具体事例，给出比较满意的答案。如前述和如图10所示之嵌入式测控系统可以在各个环节引入畸变源，图1所示的数据预处理方法虽然原理上可以获得理想信号的逼近，但是实时性受到挑战，而且浪费计算单元多，更关键的是如背景技术部分描述的，矫正计算单元的准确性由于各种原因并没有办法保证。所以利用经过准确数据集合训练的人工神经网络，本发明能完成对各个不同畸变环节的统一矫正，而且由于神经网络算法的优势，这种算法较其他方法更具备处理非线性、非平稳数据和不连续函数的能力。如前所述本单元的输入特征数值可以是波形的某种时域、频域、统计特征。这个单元的输出即为矫正后的理想物理信号，完成本单元的装置通常为各类型的中央处理器、微处理器、数字信号处理器芯片中的计算程序，或者是由pld器件构建的数字逻辑电路单元。特别地，由于人工神经网络在结构上是并行的，网络的各个单元可以同时进行计算，而pld器件可并行计算的特征与此相匹配，使用pld计算单元完成人工神经网络单元的并行计算或者部分并行计算是合乎器件特征和计算特征的设计实现。这部分属于本发明的核心内容。

所述计算参数存储单元，为人工神经网络计算单元存储所需的计算参数，并输出到神经网络计算单元，通常有权重数据和偏置等，本单元通常由flash等掉电保存存储器构成。应用中往往由于测量范围和方式的多样化会使用不同的激励信号组，不同的激励信号获得的响应往往受物理原理和电路特性的影响，一致性不佳，为此，本发明设计一种结构相同参数相异的计算系统，在一定的激励信号下选取特定组的计算参数与之对应，即能满足不同激励信号下都能准确还原原始物理参数的要求，这部分属于本发明的核心内容。

所述人机界面显示单元指将矫正后的理想物理信号输出到显示界面的单元，如投影仪、显示器等装置。此单元为依据应用的可选装置。

所述智能控制器指使用矫正后的理想物理信号为输入的控制单元，例如利用控制恒温的pid数字计算单元等将理想温度作为实时输入，用于控制。完成本单元的装置通常为各类型的中央处理器、微处理器、数字信号处理器芯片中的计算程序，或者是由pld器件构建的数字逻辑电路单元。此单元为依据应用的可选装置。

所述通讯模块单元指将矫正后的理想物理信号输出依据应用输出到别的装置的单元，例如使用网口或串口将信号数值输出。此单元为依据应用的可选装置。

在上述技术方案中，人工神经网络为核心计算单元，而且其参数组是动态可配置的，以图7为例子予以详细说明，如图所示，所示应用配置指标记应用中往往由于测量范围和方式的多样化而设置的变量，例如雷达中依据估测目标位置的不同而发射不同的电磁波等，信号激励发生器内数据选择器用于依据配置发射对应的激励信号，例如在应用配置为1时，数据选择器可以使激励电信号的输出为激励信号1，此处激励电信号即为图6中同名信号，与此同时，计算参数存储单元以应用配置信号为地址线输入，输出对应存储器内容中的计算参数组到人工神经网络计算单元，此处计算参数存储单元、计算参数组、人工神经网络计算单元都是图6中的同名信号或者单元，示例中的人工神经网络输入层、输出层和一个隐藏层组成，各层的神经元个数分别为2、3、4，iw和b1为隐藏层神经元的权系数和偏置系数矩阵，lw和b2为输出层的权系数和偏置系数矩阵，从图7中可以看出正是因为系数组lw\iw\b1\b2的可配置，系统能够使用同一套计算结构，而仅仅改变神经网络的计算参数的方法完成在不同应用配置时对恢复物理参数，即消除畸变的计算过程都进行优化。本例中应用配置为1时计算参数存储单元输出为存储器中第一组参数，与激励信号发生器内数据选择器输出的结果相对应。

在上述技术方案中，人工神经网络为核心计算单元，计算单元能准确恢复原始物理信号的条件是其权值偏置等参数正确，由此，如何训练获得正确的计算参数是本发明另一项关键内容，图8给出了整个训练过程的流程图，依照此流程，选择合适的执行器件，并使用计算机顺序执行整个流程，即可完成计算系统参数的训练过程即参数自动定标过程，如图所示，整个训练过程的目标是获取计算参数存储单元所有参数的正确值，训练过程开始后首先将计算参数存储单元的地址索引j赋值为0，即将激励电信号调节到对应第一个应用配置波形，在此条件下，遍历被测物理量的可能取值范围，得到对应的特征数据组，每一对物理量的定标值和特征数据组值即为该应用配置波形下人工神经网络的一对训练值的输入/目标值对，在收集完所有的输入/目标值对之后，对得到的训练数据集aj训练，直到收敛，此组数据就是该应用配置波形下神经网络的训练数据，遍历所有应用配置波形并重复以上内容，即可填充完毕计算参数存储单元。完成本系统中神经网络的不同应用配置的所有训练过程，请注意图中以训练数据集aj训练神经网络这一步骤即指经典利用数据集训练神经网络的方法，细节不在此赘述。

对比图4和图6所示的内容，易知图6与图4之间存在如下对应关系，otdr中脉冲发生器即为激励信号发生器，otdr中的激光器即为换能装置，负责将电脉冲转换为光脉冲，从实际可用泵浦激光器的特性易知此环节易于因带宽限制的原因引入畸变，otdr中的待测光纤即为物理对象，类似光纤衰减系数、故障点的位置、光纤接头或损耗点位置、光纤长度等物理量即为被测物理量的集合，otdr中光接收器即为传感器，otdr中信号放大和ad部分组成了前置放大器和信号采集单元，由于反射光散射强度低，此部分容易引入畸变，而且由于前置放大器的要求较高，不容易在所有带宽内获得同样的线性响应，测量系统的探测脉冲并不是理想的矩形脉冲，而是钟形的或是近似三角形和锯齿形的。光电探测器和放大电路的频带也是有一定限制的，a/d既有带宽的限制也有转换速度的限制，故而此部分引入的畸变难以解决。otdr中使用微处理器单元完成计算，即本发明中数据预处理计算单元、数据特征提取计算单元、计算参数存储单元、人工神经网络计算单元在此部分实现，值得注意的是这个微处理器单元硬件上可以是由dsp或pld或各类cpu独立或者组合构成。

由于在otdr应用中的畸变难以解决，用户常常获取不到准确的物理参数，所以本发明使用人工神经网络方法从畸变数据获取到接头位置pos和接头损耗att的准确数据。图5中的两条曲线，上面一条是嵌入式系统的实测值，下面为依据理论和计算机仿真得到的理论值，需要注意的是，为了方便比较，没有将两图的纵坐标即能量标记做对齐，而是有意区分(即将理想图案下平移)以分别清晰在图中可视，即可以认为两者平均能量位置相同，可以看到由于噪声的干扰和时延频响等特性的影响，在位置a开始发生的能量增加在延时后才开始，而d点的能量消耗波形因为延时和电路的频响特性影响没有理想波形下落迅速。

对图6的说明中已经阐明数据特征提取计算单元为本发明的核心部分，并且对其一般计算方法进行罗列，在此，otdr中此部分计算方法的具体实现予以详细描述如下，为了给后续神经网络计算单元提供足够信息量的输入数据集合，本发明设计了一系列变量，首先对符号体系规定如下，px表示某点横坐标位置，py表示某点纵坐标位置，slew表示求取两点间斜率的函数，dis表示两点间距离，diff表示求取两个数差值。对光纤法兰盘转接或者焊接现场而言，如图9所标记，fa段为前段光纤，acdb表示法兰盘连接事件，be段表示后段光纤。本发明将slew(be)，slew(fa)，slew(ac)，py(a)，py(b)，diff(px(a)-px(b))，px(a)，dis(ab)看成神经网络的输入参数，由此可以计算出该点准确接头损耗和距离。基本解析几何原理可知只要知道上述点的解析坐标，以上参量是容易计算的。获得图中所有点坐标的过程定义如下：

1)使用直线拟合线性度评价准则，容易找到大段的光纤在图示中的表示，故而f、e这样在大段光纤中间的点是容易找到的。

2)将图案分成小段，从图示最左端，即otdr光纤近端开始计算，从左向右计算极小值点，若其非小段的最后一个点，即为a点

3)而后继续向光纤远端，搜索极大值点，即为c点

4)而后继续向光纤远端，分小段计算斜率，在斜率明显变化的开始段，搜索距离线段ae距离最近点即为d点

5)而后继续向光纤远端，分小段计算斜率，在斜率明显变化的开始段，搜索距离线段de距离最近点即为b点

otdr人工神经网络计算单元的输入为由8个特征数据slew(be),slew(fa),slew(ac),py(a),py(b),diff(px(a)-px(b)),px(a),dis(ab)组成，输出为接头位置pos和接头损耗att。

本发明对人工神经网络单元的训练需要知道在测试波形下标准的输出即目标集合，我们知道对设计生产制造的环节，法兰盘的损耗值和一定长度的光纤是可以获取的。所以我们有条件做如下方法训练：

1)从m组光纤中，选取一种长度光纤

2)从n个衰减值的法兰盘中，选取一个连接到前述光纤，后面续接任意长度光纤

3)完成otdr测试，并记录此是特征数据组值作为训练输入向量，记录法兰盘衰减和光纤长度作为训练目标，并增加记录到训练库lib

4)如果n个法兰没有被全使用，跳到2)，否则继续执行

5)如果m组光纤没有被全使用，跳到1)，否则继续

6)根据训练库lib训练人工神经网络，获得神经网络参数集合权值和偏置的合适值

综合上述，发明完成了发明方法在otdr中的示例。实践证明，本发明能达到预期效果，即对接头位置pos和接头损耗att的准确性有显著提高。

虽然本发明已经详细地示出并描述了一个相关的特定的实施例参考，但本领域的技术人员应该能够理解，在不背离本发明的精神和范围内可以在形式上和细节上作出各种改变。这些改变都将落入本发明的权利要求所要求的保护范围。