基于GRNN的光谱共焦位移测量方法分析与研究

摘要

提出一种基于广义回归神经网络(GRNN)拟合光谱共焦系统的光谱响应以准确定位峰值波长。利用采集到的光谱信号作为样本数据,将光谱数据中的信号波长λ作为GRNN模型的输入变量,光谱波长的归一化强度作为输出变量,基于样本的输入变量和输出变量的联合概率密度函数作为验证条件,对光谱信号的预测输出进行Parzen非参数核回归,得到波长对应的归一化强度的最大概率输出值,实现光谱的重新表征。由于GRNN网络将输出变量附近样本点的权重考虑在内,因此一定程度上能够消除光谱信号随机噪声的影响,提高光谱信噪比,减小光谱信号的表征误差,提高峰值波长提取的准确性。实验表明GRNN模型对色散焦移的拟合系数为0.9999,系统分辨率约为2μm,测量误差的均方根误差约为0.01μm,优于传统的最值法、质心法、高斯拟合等算法,能够有效地抑制色散模型波长提取引起的模型波动,提高系统测量的分辨率与稳定性。