Как компьютер находит самую точную вершину среди беспорядочных форм волны?
В системах демодуляции датчиков на основе волоконных брэгговских решеток (FBG) и спектрального анализа алгоритм поиска пиков (Peak-Finding Algorithm) является основной технологией цифровой обработки сигналов (DSP), используемой демодулятором для обработки дискретных спектральных данных и извлечения центральной длины волны отражения Брэгга (\lambda_B).
Из-за ограниченной аппаратной частоты дискретизации и разрешения пикселей спектрометра, собранные дискретные спектральные точки обычно содержат шум, смещение базовой линии и искажения формы. Компьютер не просто ищет “единичную точку с максимальным значением”, а выполняет высокоточную локализацию пика посредством трех шагов: фильтрация шума, грубое определение пика и поддискретизированная аппроксимация:
1. Предварительная обработка и шумоподавление сигнала (От грубого к точному)
Фактически собранный спектр часто содержит шум фотоприемника (тепловой шум, дробовой шум) и смещение базовой линии, вызванное флуктуациями мощности источника. Алгоритм сначала выполняет предварительную обработку исходных дискретных данных:
- Динамическая фильтрация по порогу (Threshold Filter): Устанавливается порог интенсивности отражения для отбрасывания фонового света и низкоамплитудного шума ниже этого порога, оставляя только эффективный диапазон, потенциально содержащий пик отражения решетки.
- Цифровое сглаживание фильтром (Smoothing Filter): Используется фильтр скользящего среднего (Moving Average) или сглаживающий фильтр Савицкого-Голея (Savitzky-Golay convolution smoothing filter). Фильтр Савицкого-Голея способен отфильтровывать высокочастотный шум, одновременно максимально сохраняя ширину, высоту и симметрию пика отражения, предотвращая искажения расширения на вершине пика.
2. Грубое позиционирование (Определение кандидатной области пика)
На сглаженной кривой спектра компьютер определяет грубый диапазон пика с помощью математических критериев:
- Критерий по производной: Рассчитывается первая и вторая разность (аппроксимация первой и второй производной) спектральной последовательности. Когда первая производная меняет знак с положительного на отрицательный и пересекает нулевую точку (rac{dI}{d\lambda} = 0), а вторая производная меньше нуля (rac{d^2I}{d\lambda^2} < 0), эта экстремальная точка считается кандидатным пиком отражения.
3. Точная поддискретизированная аппроксимация (Sub-pixel / Sub-grid Peak Detection)
Если бы максимальная дискретная точка выборки из грубого позиционирования использовалась непосредственно в качестве значения длины волны, разрешение системы было бы полностью ограничено аппаратным интервалом дискретизации (например, если шаг дискретизации составляет 10\ \text{pm}, погрешность будет на уровне 10\ \text{pm}). Чтобы достичь высокого разрешения в 1\ \text{pm} или 0.1\ \text{pm}, компьютер использует математическую модель для аппроксимации непрерывных точек данных вокруг вершины пика:
(1) Метод центроида / Метод энергетического центра тяжести (Centroid Algorithm)
Рассчитывает взвешенное среднее распределение спектральной энергии в пределах эффективного диапазона пика отражения:
\lambda_c = \frac{\sum_{i=1}^{N} \lambda_i \cdot I_i}{\sum_{i=1}^{N} I_i}
Где \lambda_i — длина волны выборки, I_i — интенсивность отраженного света при соответствующей длине волны. Метод центроида чрезвычайно быстр и стабилен к шуму, подходит для высокочастотной динамической демодуляции.
(2) Метод полиномиальной квадратичной аппроксимации (Polynomial / Parabolic Fitting)
Выбираются точка грубого позиционирования пика и симметричные критические точки по обе стороны от нее (например, 3 \sim 5 точек) для построения уравнения квадратичной параболы:
I(\lambda) = a\lambda^2 + b\lambda + c
Непосредственно аналитически определяется теоретическая экстремальная длина волны путем дифференцирования по условию экстремума:
\lambda_{peak} = -\frac{b}{2a}
Этот метод прост в расчетах и эффективно преодолевает ограничения дискретной сетки выборки.
(3) Метод нелинейной гауссовой аппроксимации (Gaussian Curve Fitting)
Спектр отражения стандартной однородной брэгговской волоконной решетки теоретически соответствует гауссову распределению:
I(\lambda) = I_0 \exp\left( -\frac{(\lambda - \lambda_B)^2}{2\sigma^2} \right)
Путем линеаризации после взятия логарифма от интенсивности света и применения метода наименьших квадратов, или с помощью нелинейного итерационного алгоритма Левенберга-Марквардта. Гауссова аппроксимация обладает чрезвычайно высокой точностью реконструкции длины волны и устойчивостью к несимметричным шумам, являясь одним из стандартных алгоритмов для достижения разрешения на уровне субпикометров (Sub-picometer).
Совместное применение оборудования и алгоритмов
В практических инженерных решениях вышеуказанные алгоритмы обычно встраиваются в DSP/FPGA системы демодуляции или в основное программное обеспечение. Например, при работе с OFSCN® Fiber Bragg Grating Interrogator демодулятор получает спектр отражения в диапазоне 1525 \sim 1565\ \text{nm} от высокоточного фронтенда сбора спектра, а затем, в сочетании со встроенными алгоритмами поиска пиков и аппроксимации, стандартное разрешение системы стабильно достигает 1\ \text{pm} или 0.1\ \text{pm}.
