本发明涉及长周期光纤光栅应变传感领域，特别是涉及基于随机森林的长周期光纤光栅轴向应力估计方法。
背景技术：
长周期光纤光栅是利用紫外光照射周期振幅掩模板对载氢掺锗光纤曝光导致光纤纤芯折射率周期性调制而形成。长周期光纤光栅能将纤芯模耦合到同向传输的包层模中，引起特定波长传输损耗，拥有极低的后向反射、全兼容于光纤和低插入损耗等优点，在光纤通信领域得到广泛的应用，例如：温度、应力、气体浓度、折射率、带阻滤波、增益平坦和系统调节等。应力是工程应用中重要的基本检测参数之一，例如：钢轨应力、带钢应力、建筑结构动态受载情况等，对应力的测量都有着广泛地应用。
长周期光纤光栅应变传感器的工作原理是基于长周期光纤光栅在应力等物理参数作用下发生的谐振波长位移，但是环境参量的改变导致长周期光纤光栅的波长漂移很小，在实际测量中会增大测量误差。在一定的轴向应力范围内，长周期光纤光栅透射光谱的谐振波长与轴向应力呈周期性变化的关系，当轴向应力施加至一定程度后，谐振波长将产生过拟合现象，谐振波长随轴向应力变化的曲线不一致，因此解决长周期光纤光栅谐振波长与轴向应力关系、提高测量轴向应力精度的问题是及其重要的。
随机森林算法是leobreiman提出的回归、分类算法，是一种集成机器学习方法，其实质是将bagging算法和randomsubspace算法结合起来构建了一个由多颗互不相关的决策树组成的随机森林，它改善了决策树容易发生过拟合现象的缺点，对于数据挖掘、侦测离群点和将资料视觉化非常有用。因此可以将随机森林结合长周期光纤光栅传感器测量轴向应力。
技术实现要素：
为了解决上述存在问题。本发明提供基于随机森林的长周期光纤光栅轴向应力估计方法，解决长周期光纤光栅传感器测量轴向应力的问题。为达此目的：
本发明提供基于随机森林的长周期光纤光栅轴向应力估计方法，具体步骤如下：
步骤1：搭建长周期光纤光栅轴向应力测量实验平台，通过实验平台检测样件在不同轴向应力作用下的长周期光纤光栅的透射光谱，并对采集的数据进行预处理；
步骤2：提取样件透射光谱的谐振波长特征，并建立训练样本集；
步骤3：通过训练样本集训练随机森林模型，将训练样本集中的谐振波长作为模型输入，样件的轴向应力作为输出，训练随机森林模型；
步骤4：使用实验平台测量被测样件的透射光谱，提取被测样件的谐振波长特征，并将特征输入到随机森林模型中，随机森林模型最终输出被测样件的轴向应力。
作为本发明进一步改进，所述步骤1中长周期光纤光栅轴向应力测量实验平台如下：
实验平台由长周期光纤光栅传感器、拉伸机、agilent83437a宽带光源和横河aq6317c光谱仪等组成；平台可通过拉伸机对被测样件施加不同的轴向应力，通过长周期光纤光栅传感器检测被测样件的透射光谱。
作为本发明进一步改进，所述步骤2中提取透射光谱的谐振波长特征如下：
长周期光纤光栅是将前向传输的纤芯基模耦合至同向传输的n阶包层模中，可将谐振波长λm作为透射光谱特征
其中λ为光栅周期，
作为本发明进一步改进，所述步骤3中使用训练样本训练随机森林模型具体如下：
对训练样本进行k折交叉验证，k取10，即每次随机取训练样本的十分之九训练随机森林模型，剩下的十分之一样本用来测试模型；将每棵决策树的最大深度设置为8，随机森林回归树的个数设置为50，每棵回归树的算法如下：
首先生成多个回归树，设给定训练数据集d＝{(xi,yi)|i∈(1,n)}，其中xi是输入特征向量，yi是轴向应力输出，将输入的特征向量空间划分为m个单元rm,m∈(1,m)，且每个单元rm上有一个固定的输出值cm，当确定输入空间的划分后，使用平方误差e表示回归树的估计误差：
再利用平方误差最小准则求解每个单元上的最优输出值，其中yi为真实值，f(xi)为随机森林的估计值，可知，单元rm上的cm的最优值
再采用启发式方法，选择第j个输入特征向量和其取值yj作为切分变量和切分点，并定义两个区域r1和r2：
r1(j,s)＝{xi|yi≤s},i∈(1,n)(4)
r2(j,s)＝{xi|yi≤s},i∈(1,n)(5)
其中，r1为yi的取值小于等于s对应的xi的集合，r2为yi的取值大于等于s对应的xi的集合；
然后寻找最优切分变量j和最优切分点s，具体公式如下：
其中，
最后依次将输入空间划分为两个区域，接着对每个区域重复上述划分过程，生成回归树，形成随机森林模型。
作为本发明进一步改进，所述步骤4中随机森林模型估计轴向应力如下：
将被测样件的谐振波长特征输入到随机森林模型中，随机森林模型通过多棵回归树的估计值取平均得到轴向应力的估计值。
本发明一种基于随机森林的长周期光纤光栅轴向应力估计方法，有益效果在于：
1.本发明通过长周期光纤光栅传感器提取了被测样件透射光谱的谐振波长特征，这谐振波长特征包含了被测样件轴向应力的信息；
2.将随机森林应用于光纤光栅传感器轴向应力的估计，提高了光纤光栅传感器估计轴向应力的准确性和效率；
3.本发明为光纤光栅传感器轴向应力的估计提供了重要技术手段。
附图说明
图1是整体算法原理流程图；
图2是长周期光纤光栅轴向应力测量实验平台；
图3是随机森林算法图；
图4是长周期光纤光栅轴向应力测量的流程图；
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述：
本发明提供基于随机森林的长周期光纤光栅轴向应力估计方法，用于长周期光纤光栅传感器测量轴向应变。其目的结合随机森林优秀的抗过拟合能力，提高长周期光纤光栅传感器测量应力的能力。本发明的整体算法原理流程如图1所示，包括以下步骤：
步骤1：搭建长周期光纤光栅轴向应力测量实验平台，通过实验平台检测样件在不同轴向应力作用下的长周期光纤光栅的透射光谱，并对采集的数据进行预处理；
步骤1中长周期光纤光栅轴向应力测量实验平台如下：
如图2所示，实验平台由长周期光纤光栅传感器、拉伸机、agilent83437a宽带光源和横河aq6317c光谱仪等组成；平台可通过拉伸机对被测样件施加不同的轴向应力，通过长周期光纤光栅传感器检测被测样件的透射光谱。
步骤2：提取样件透射光谱的谐振波长特征，并建立训练样本集；
步骤2中提取透射光谱的谐振波长特征如下：
长周期光纤光栅是将前向传输的纤芯基模耦合至同向传输的n阶包层模中，可将谐振波长λm作为透射光谱特征
其中λ为光栅周期，
步骤3：通过训练样本集训练随机森林模型，将训练样本集中的谐振波长作为模型输入，样件的轴向应力作为输出，训练随机森林模型；
步骤3中使用训练样本训练随机森林模型具体如下：
对训练样本进行k折交叉验证，k取10，即每次随机取训练样本的十分之九训练随机森林模型，剩下的十分之一样本用来测试模型；将每棵决策树的最大深度设置为8，随机森林回归树的个数设置为50，每棵回归树的算法如下：
首先生成多个回归树，设给定训练数据集d＝{(xi,yi)|i∈(1,n)}，其中xi是输入特征向量，yi是轴向应力输出，将输入的特征向量空间划分为m个单元rm,m∈(1,m)，且每个单元rm上有一个固定的输出值cm，当确定输入空间的划分后，使用平方误差e表示回归树的估计误差：
再利用平方误差最小准则求解每个单元上的最优输出值，其中yi为真实值，f(xi)为随机森林的估计值，可知，单元rm上的cm的最优值
再采用启发式方法，选择第j个输入特征向量和其取值yj作为切分变量和切分点，并定义两个区域r1和r2：
r1(j,s)＝{xi|yi≤s},i∈(1,n)(4)
r2(j,s)＝{xi|yi≤s},i∈(1,n)(5)
其中，r1为yi的取值小于等于s对应的xi的集合，r2为yi的取值大于等于s对应的xi的集合；
然后寻找最优切分变量j和最优切分点s，具体公式如下：
其中，
最后依次将输入空间划分为两个区域，接着对每个区域重复上述划分过程，生成回归树，形成随机森林模型如图3所示。
步骤4：使用实验平台测量被测样件的透射光谱，提取被测样件的谐振波长特征，并将特征输入到随机森林模型中，随机森林模型最终输出被测样件的轴向应力；
步骤4中随机森林模型估计轴向应力如下：
将被测样件的谐振波长特征输入到随机森林模型中，随机森林模型通过多棵回归树的估计值取平均得到轴向应力的估计值,长周期光纤光栅轴向应力测量的流程图如图4所示。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。
1.基于随机森林的长周期光纤光栅轴向应力估计方法，具体步骤如下，其特征在于,
步骤1：搭建长周期光纤光栅轴向应力测量实验平台，通过实验平台检测样件在不同轴向应力作用下的长周期光纤光栅的透射光谱，并对采集的数据进行预处理；
步骤2：提取样件透射光谱的谐振波长特征，并建立训练样本集；
步骤3：通过训练样本集训练随机森林模型，将训练样本集中的谐振波长作为模型输入，样件的轴向应力作为输出，训练随机森林模型；
步骤4：使用实验平台测量被测样件的透射光谱，提取被测样件的谐振波长特征，并将特征输入到随机森林模型中，随机森林模型最终输出被测样件的轴向应力。
2.根据权利要求1基于随机森林的长周期光纤光栅轴向应力估计方法，其特征在于；步骤1中长周期光纤光栅轴向应力测量实验平台描述如下：
实验平台由长周期光纤光栅传感器、拉伸机、agilent83437a宽带光源和横河aq6317c光谱仪等组成；平台可通过拉伸机对被测样件施加不同的轴向应力，通过长周期光纤光栅传感器检测被测样件的透射光谱。
3.根据权利要求1基于随机森林的长周期光纤光栅轴向应力估计方法，其特征在于；步骤2中提取透射光谱的谐振波长特征如下：
长周期光纤光栅是将前向传输的纤芯基模耦合至同向传输的n阶包层模中，可将谐振波长λm作为透射光谱特征
其中λ为光栅周期，
4.根据权利要求1基于随机森林的长周期光纤光栅轴向应力估计方法，其特征在于；步骤3中使用训练样本训练随机森林模型具体如下：
对训练样本进行k折交叉验证，k取10，即每次随机取训练样本的十分之九训练随机森林模型，剩下的十分之一样本用来测试模型；将每棵决策树的最大深度设置为8，随机森林回归树的个数设置为50，每棵回归树的算法如下：
首先生成多个回归树，设给定训练数据集d＝{(xi,yi)|i∈(1,n)}，其中xi是输入特征向量，yi是轴向应力输出，将输入的特征向量空间划分为m个单元rm,m∈(1,m)，且每个单元rm上有一个固定的输出值cm，当确定输入空间的划分后，使用平方误差e表示回归树的估计误差：
再利用平方误差最小准则求解每个单元上的最优输出值，其中yi为真实值，f(xi)为随机森林的估计值，可知，单元rm上的cm的最优值
再采用启发式方法，选择第j个输入特征向量和其取值yj作为切分变量和切分点，并定义两个区域r1和r2：
r1(j,s)＝{xi|yi≤s},i∈(1,n)(4)
r2(j,s)＝{xi|yi≤s},i∈(1,n)(5)
其中，r1为yi的取值小于等于s对应的xi的集合，r2为yi的取值大于等于s对应的xi的集合；
然后寻找最优切分变量j和最优切分点s，具体公式如下：
其中，
最后依次将输入空间划分为两个区域，接着对每个区域重复上述划分过程，生成回归树，形成随机森林模型。
5.根据权利要求1基于随机森林的长周期光纤光栅轴向应力估计方法，其特征在于；步骤4中随机森林模型估计轴向应力如下：
将被测样件的谐振波长特征输入到随机森林模型中，随机森林模型通过多棵回归树的估计值取平均得到轴向应力的估计值。
技术总结