准分子激光器的放电过程是一个复杂的非线性过程,从而导致基于放电动力学建立的激光器放电能量模型的精度很难达到仿真研究和控制算法设计的需求。通过深度学习的方法,利用门控循环网络辨识准分子激光器放电能量模型。首先基于准分子激光器出光能量特性,选定所建立的门控循环网络的输入。然后根据门控循环神经网络的输入特性和输出特性建立适用于准分子激光器能量模型辨识的神经网络,并介绍了门控循环神经网络训练方法。最后利用实际采集的激光器的能量数据对门控循环神经网络进行训练。实验结果证明,本文所设计的门控循环神经网络收敛,辨识出来的能量模型的最大误差小于1.5%。该方法可以应用于准分子激光器能量模型的辨识。

针对光纤布拉格光栅(FBG)传感网络中重叠光谱的中心波长解调问题,提出一种基于门控循环单元(GRU)网络的波长检测方法。该方法将FBG重叠光谱的波长解调问题转换为模型回归问题,同时考虑到光谱数据的序列特征和频谱特性,采用GRU网络实现对光谱数据的特征学习,训练得到相应的波长检测模型,从而实现对重叠光谱的精确快速解调。经实验验证,所提方法能够解决FBG传感网络光谱部分重叠或完全重叠条件下的中心波长的精确解调问题,其方均根小于1 pm的测试结果占总数的88.2%。相比现有的解调方式,所提方法在检测精度和稳定性上均有一定的提升,为提高FBG传感网络的复用能力提供了新的途径。