一种基于自监督物理信息神经网络和频域先验的非线性误差补偿方法,用于外差干涉测量 王尧, 孙弘宇, 李家坤, 马晨龙, 张颖, 王晓, 冯启波

《Analytica》:A Nonlinear Error Compensation Method for Heterodyne Interferometry Based on Self-Supervised Physics-Informed Neural Networks with Frequency-Domain Priors Yao Wang, Hongyu Sun, Jiakun Li, Chenlong Ma, Ying Zhang, Xiao Wang and Qibo Feng

【字体: 大 中 小 】 时间:2026年05月12日 来源:Analytica 3.6

编辑推荐:

  ## 研究亮点 - **主要发现是什么?** 我们提出了一种自监督学习范式,该范式利用频域先验来生成高置信度的伪标签,以识别异频干涉测量系统中的非线性误差。 我们开发了一种物理信息神经网络(PINN),其具有可微分的物理层,可以对架构施加明确的硬约束,从而在高背景噪声下精

  ## 研究亮点
- **主要发现是什么?**
我们提出了一种自监督学习范式,该范式利用频域先验来生成高置信度的伪标签,以识别异频干涉测量系统中的非线性误差。
我们开发了一种物理信息神经网络(PINN),其具有可微分的物理层,可以对架构施加明确的硬约束,从而在高背景噪声下精确识别非线性物理特性。

- **主要发现的意义是什么?**
该方法能够在不需要真实标签或复杂硬件修改的情况下,实现对异频干涉测量系统中非线性误差的高精度校准。
通过集成明确的物理硬约束,确保了识别结果的物理一致性,并增强了识别过程对高背景噪声的鲁棒性。

## 摘要
尽管激光异频干涉测量系统在理论上具有出色的分辨率,但实际精度受到由光学缺陷引起的难以处理的非线性误差的限制。传统的补偿方法存在硬件依赖性、复杂性以及在低信噪比(SNR)下的性能下降问题。为了解决这些问题,我们提出了一种基于频域先验的自监督物理信息神经网络(PINN)的精确校准方法,该方法具有谐波分布特性。这种方法通过一步逆向等效参数集和误差曲线来建立了一个鲁棒的补偿模型。具体来说,利用高精度的位移参考,该方法提取包含周期性物理特征的测量残差,然后将频域先验集成到受物理约束的网络架构中:理论频率特性构建掩码以生成高置信度的伪标签,同时将误差方程重构为一个可微分的物理层,在前向传播过程中施加明确的硬约束。这种机制使得在高背景噪声下能够精确识别系统的非线性物理特性。实验结果表明,非线性误差的均方根(RMS)值从1.90纳米降低到了0.23纳米,补偿率达到了88.13%。该方法为精密计量传感器领域中的异频干涉工业传感器的智能校准和误差自表征提供了一个可靠的框架。

## 1. 引言
激光异频干涉测量系统以其高分辨率、大测量范围和强大的环境适应性而成为超精密制造和计量领域的基准光学传感设备[1]。因此,它们被广泛应用于光刻扫描仪和超精密机床等前沿应用中[2,3,4,5]。随着半导体制造工艺向7纳米节点及更小尺寸发展,业界对实时测量精度的要求越来越高,需要在纳米甚至原子级别实现精度[6]。然而,由于偏振分束器(PBS)的非理想特性、波片安装误差、激光源中的频率混频以及光学幽灵反射等因素,不可避免地会在干涉信号中引入周期性非线性误差[8,9]。这些误差通常在几纳米到十几纳米之间,会降低信号保真度,并成为限制纳米计量系统精度改进的关键瓶颈[10,11]。

为了减轻这种非线性误差,研究人员最初从硬件角度进行了系列研究。Lu等人基于beat频率信号的幅度波动特性建立了模型,实现了激光偏振非正交性和PBS传输系数的精确解耦和识别。然而,这种方法需要在光路中插入可旋转的分析器,使得在实际操作环境中难以实现实时误差校正[12]。Guo等人提出了一个双探测器异频干涉光路,将非线性误差抑制了30多处,同时将测量分辨率提高了一倍。然而,这种方案需要额外的光学组件和干涉仪结构的修改,从而增加了系统复杂性和对准难度[13]。Straube等人通过复杂的空间分离光路设计成功将非线性误差降低到了0.22纳米。然而,这种方法需要构建复杂的光路和使用昂贵的精密光学组件[14]。Lawall等人使用声光调制器(AOM)构建了一个双频异频干涉系统,通过严格隔离参考光束和测量光束,将周期性非线性误差降低到了10皮米级别,与传统商用仪器相比精度提高了两个数量级。然而,这些方案的共同缺点在于其复杂的光学设计、较大的物理占用面积和高成本,以及对环境稳定性的极高要求[15]。因此,这些以硬件为中心的修改方案大多不适用于成本敏感的工业环境和高度集成的精密传感系统。

相比之下,基于信号处理的误差补偿算法因其成本效益和灵活性而受到越来越多的关注。1981年,Heydemann提出了基于最小二乘法的校正模型,成功解决了干涉信号中的增益不匹配和相位非正交性等基本误差问题[16]。Wu等人进一步改进了基于椭圆拟合的非线性误差补偿方案,在同频干涉测量中实现了显著的精度提升[17]。尽管理论上适用于异频干涉测量,但该方法依赖于完整的信号周期。Xie等人提出了基于现场可编程门阵列(FPGA)数字锁相环(DPLL)技术的迭代补偿算法(Iterative DPLL),成功将非线性误差抑制在了0.8纳米以内。然而,该方法依赖昂贵的专用硬件(如FPGA和高速模数转换器(ADC)),其在低SNR条件下的鲁棒性仍有待验证[18]。Bridges等人提出了一种双波长干涉测量方案,将残余非线性误差从84皮米降低到了11皮米。然而,这种方法显著增加了硬件复杂性和成本,并且主要依赖于离线后处理算法[19]。Li等人提出了一种基于解调后数据的误差补偿策略,通过对测量信号进行分割和统计平均来提取误差特征,成功实现了无需原始正交信号的误差校正。然而,这种方法受到周期性分割的统计依赖性和稳态误差假设的限制,难以应对由非周期性运动和强噪声引起的传感器信号失真[20]。

基于深度学习的智能信号处理方法已在许多科学和工业领域得到广泛应用[21,22,23,24,25,26]。由于其出色的非线性映射和特征提取能力,它被广泛用于解决复杂的非线性问题[27,28,29,30]。Heo等人利用深度频率神经网络(DFNN)实现了异频干涉测量中的多误差拟合。然而,这种方法依赖于高精度电容传感器提供的真实标签以及基于双激光头的硬件架构[31]。Olyaee等人提出使用自监督生成神经网络(SGNN)来拟合异频干涉测量中的非线性误差模型,在理想模拟条件下实现了皮米级别的补偿精度[32]。然而,这种方法在现实噪声条件下的有效性尚未得到验证。从根本上说,这两种方法仅实现了输入和输出之间的数值拟合。由于缺乏来自底层物理传感机制的明确约束,这些模型在实际操作条件遇到参数漂移或强噪声干扰时容易过拟合和泛化失败。

总之,传统的非线性误差补偿方案主要依赖于硬件,存在系统复杂性和成本高昂等限制。早期的基于神经网络的方法仅作为纯数值拟合模型,依赖于真实标签,无法适应实际工业环境中复杂的低SNR条件。本文在现有非线性误差补偿研究的基础上,提出了一种基于频域先验的自监督PINN引导的异频干涉测量系统非线性误差参数识别、精度校准和补偿方法。这种方法建立了物理驱动的训练范式,消除了对真实标签的依赖。通过在强噪声背景下的实验验证了所提出方法的可行性。

## 2. 异频干涉测量系统中的非线性误差
图1展示了本研究中使用的异频干涉测量系统的 schematic 光学配置。关键组件包括双频激光源、分束器(BS1)、偏振器(P1和P2)、光电二极管(PD1和PD2)、偏振分束器(PBS)、镜子(M)和角立方体反射器(CCR1和CCR2)。偏振器P1和P2均以45°方向设置,以获得最佳干涉信号。设f1表示PBS反射的光学组分的频率,f2表示传输组分的频率。

然而,在实际场景中,由于光学对准、制造过程和组件质量的缺陷,理想条件很少能满足。因此,进入异频干涉测量系统臂的激光束不可避免地偏离了理论上的纯单频状态;相反,它们会经历频率混频(或泄漏),其中正交频率组分在某种程度上被引入。因此,在两个干涉仪臂中传播的光场可以数学表示为[33]:
$$
(1)
$$
其中,a、b、c和d代表光学幅度;φ10和φ20分别表示参考光束和测量光束的初始相位;ε和σ表示初始的附加相位移动;φ1和φ2表示光通过两个干涉仪臂传播时引起的相位移动。因此,计算非线性误差的公式可以表示为:
$$
(2)
$$
根据方程(2),可以推断出干涉光路中的频率混频会在beat频率干涉信号中引入额外的相位误差γ。这种误差随测量相位差Δφ周期性变化,导致检测到的相位位移Δφ与测量长度Δl之间存在非线性关系:
$$
(3)
$$
其中λ表示激光波长。显然,在异频干涉测量系统中,如果可以确定a、b、c和d的值以及ε和σ(即非线性误差曲线公式),则可以通过将它们与相位位移Δφ结合起来计算出非线性误差γ的数值,从而实现误差补偿。

## 3. 基于频域先验的物理信息神经网络补偿方法
为了解决激光异频干涉测量中的非线性误差问题,本文提出了一种精确的校准和参数识别方法。该方法基于由频域先验引导的自监督物理信息神经网络(PINN)。通过对前面章节中的方程(2)进行重构,可以得到变换后的表达式:
$$
(4)
$$
设k1和k2表示两个光路中的混合比率:
$$
(5)
$$
混合比率k以及初始的附加相位移动ε和σ是构建非线性误差曲线的关键参数。基于此,构建了一个由频域先验引导的PINN补偿系统。通过数据驱动方法和物理约束的深度耦合,该系统建立了闭环迭代优化过程。最终,它识别了异频干涉测量系统的非线性误差参数和曲线,从而在后续测量中实现误差补偿。

设计原理的示意图如图2所示。系统输入阶段采用流形映射策略,将标量位移数据映射到高维的正弦-余弦特征向量。同时,获取异频测量值与真实位移值之间的残差,并通过系统内置的频域先验技术进行处理,从而生成自监督伪标签。在推理路径中,网络预测的物理参数通过一个硬物理约束层进行处理,将该抽象参数转换为符合物理定律的预测波形。在复合损失函数的梯度引导下,模型通过迭代优化收敛到物理上一致的解。最终,它克服了宽带噪声干扰,实现了非线性误差参数的高精度识别和非线性误差曲线的重建。

## 3.1. 用于传感信号的流形特征映射
在信号处理阶段,如果直接使用原始测量数据作为输入,相位值的持续增加会掩盖非线性误差的周期性模式,使得网络难以在大位移范围内捕获重复特征。仅使用模运算进行相位包裹会导致在循环边界处出现突兀的数值不连续性。这种不连续性会导致梯度计算失败或在反向传播过程中产生严重的振荡。这使得模型无法收敛到遵循物理定律的平滑误差曲线,最终导致补偿失败。为了解决这个问题,网络没有直接使用线性增加的位移L作为输入,而是构建了一个连续的周期性特征空间。这种方法的基本原理如图3所示。根据异频干涉测量中非线性误差的理论,位置L0和L4对应的非线性误差幅度是相同的。因此,用Lmeas(t)表示时间t时测量的位移。然后:(6) 公式(6)中,λ表示激光波长。随后,输入向量x(t)按以下方式构建:(7) 将一维线性增加的测量相位空间映射到高维的三角函数流形空间可以解决由相位包裹引起的不连续性问题。这使得网络能够在连续且封闭的特征空间内感知到传感系统非线性误差的周期性波动模式。3.2. 频域先验标签重构方法在实际测量场景中,直接使用噪声残差作为标签会因为强噪声干扰而使得网络难以收敛。为了解决这个问题,利用频域的稀疏性和非线性误差的物理同源性,开发了一种基于频域先验的伪标签构建机制,以在低信噪比(SNR)条件下解决监督挑战。根据多光束干涉混合的理论,非线性误差enl(x)可以近似为一次和二次谐波的线性组合[34]:(8) 公式(8)中,x表示测量的位移,υ1 = 2/λ和υ2 = 4/λ分别代表基频和二次谐波频率。这一物理特性表明,目标信号的能量高度集中在这两个特定频率点υ1和υ2。然而,由于一次项的系数显著大于二次项的系数(A1 >> A2),在低信噪比条件下,二次项特征容易被噪声掩盖,使其难以提取。因此,在低信噪比条件下,应优先锁定高能量的一次项特征以确保鲁棒性。为了准确提取误差特征,首先使用离散傅里叶变换(DFT)将残差序列映射到频域。与传统的数据驱动滤波方法不同,本研究利用物理先验直接锁定频域中的目标频率。给定测量输入段的总长度为Lscan,可以得到理论上的基波指数K1:(9) 同样,二次谐波指数由K2 = 2K1给出。基于上述特征锁定机制,构建了一个频域带通掩模矩阵M。为了考虑由有限采样引起的频谱泄漏效应,掩模在理论锁定频率点附近保留了一个带宽为ω的通带窗口。同时,对包含低频热漂移和高频电子噪声的非物理频带中的系数应用硬阈值截断,将它们强制置零。因此,得到了清洗后的频谱。最后,使用逆离散傅里叶变换(IDFT)将清洗后的频谱映射回时域,从而得到构建的伪标签rrefined。该模块的核心功能在于利用先验物理知识来实现信号能量聚焦和噪声能量阻挡。理论上,这种操作带来的信噪比增益可以近似为总带宽与保留带宽的比率:(10) 其中N表示样本数,ω表示带宽。对于典型的配置N = 3000和ω = 8,该模块可以提升约22.73 dB的信噪比(如果仅保留一次项,则可提升约25.74 dB)。这为在严重噪声条件下的PINN提供了一种清晰且收敛的优化梯度路径,从根本上解决了梯度掩盖问题。3.3. 可微物理硬约束和正向演化机制该模块是实现物理机制与数据驱动方法深度整合的核心组件。为了在严重噪声条件下确保参数识别的鲁棒性和波形重建,构建了一个以“参数估计后进行物理约束”为特点的架构。前端采用一个轻量级的全连接神经网络作为参数估计器,建立从输入信号的流形特征到物理参数空间的非线性映射。为了确保输出参数遵循异频干涉测量的目标物理定律,在网络输出层引入了一个具有物理意识的不对称激活机制:使用Sigmoid函数将混合系数严格限制在合理的物理范围内,从而防止参数过拟合和由噪声引起的物理畸变。同时,保持相位参数的线性输出特性,以适应全周期相位漂移。核心在于后端的物理硬约束层。这一层是一个固定的、可微的数学运算符,其传递函数严格对应于异频干涉测量中非线性误差的解析方程。该层接收来自参数估计子网络的参数估计θ和原始测量相位Δφ,执行确定性的正向计算。输出预测的误差波形enl定义如下:(11) 具体的计算逻辑如下展开:(12) 这一层的另一个关键特性是其可微性。在反向传播过程中,可以通过链式法则精确计算损失函数相对于参数θ的梯度。例如,对混合系数k1的偏导数如下:(13) 这意味着物理层的存在不仅调节了输出波形,还为优化器提供了具有明确物理意义的梯度下降路径。在这个模块中,网络被约束为提取符合物理定律的周期性误差分量,从而理论上实现了非线性误差与随机噪声的自动解耦。这确保了算法在严重噪声干扰下的高鲁棒性和参数识别准确性。3.4. 自适应损失和优化图4展示了频域引导的PINN的整体架构。最后,由于异频干涉测量中信噪比随距离的剧烈变化,具有固定权重的传统损失函数难以在整个测量范围内平衡性能。因此,该模块制定了一个结合波形重建误差Ldata和物理先验正则化Lphy的复合目标函数:(14) 其中:(15) (16) 图4. 频域引导的物理感知神经网络的架构。在公式中,enl表示预测的误差波形,rrefined是伪标签,N表示采样点数,θ是一组物理参数。此外,kprior是基于光学系统硬件规格预先设定的经验值,用于防止参数偏离合理的物理范围。λreg作为正则化权重超参数,决定了优化过程中物理先验的影响。为了平衡数据驱动组件和物理约束的权重,该系数采用了基于信噪比的分段自适应策略:(17) 在高信噪比区域,采用较小的λreg,使网络能够捕捉细微的个别变化,实现高精度拟合。相反,在低信噪比区域,采用较大的λreg来抑制噪声梯度,迫使解收敛到物理上可行的区域,从而实现高鲁棒性估计。4. 实验与分析实验设置如图5和图6所示,包括双频激光器、半波片、调节架、保偏光纤(PMF)、干涉仪头、目标镜和高精度AEROTECH纳米定位平台(型号ANT130-L)。图5. 实验测量和传感系统的示意图。图6. 实验测量和传感系统的实物照片。为了解决在受限实验室条件下获取亚纳米级非线性误差真实值的挑战,本文建立了一个基于测量噪声指纹的实验验证框架。该方法通过将理论与干涉机制一致的误差模型与从真实仪器收集的环境背景噪声和电路噪声数据相结合,构建了一个混合数据集。这种策略不仅解决了在最终实验中比较非线性误差真实值曲线的挑战,还完全保留了实际测量环境的频谱特性和随机统计属性。4.1. 数据采集和噪声指纹库的构建为了确保实验能够准确再现实际测量现场的随机干扰特性,首先建立了基于经验采样的噪声指纹库。实验数据来自一个开放的异频干涉测量系统,如图6所示。在两个位置(10 mm和100 mm)进行了定点采样,每个位置收集了100个样本。为了解决由缓慢的环境温度漂移和激光热效应引起的低频非平稳趋势,首先使用线性回归去趋势算法进行消除,从而分离高频随机波动分量。随后,为了减少来自电路的偶发性脉冲干扰,对这些去趋势后的残差应用基于3σ标准的统计滤波器。任何偏离均值超过三个标准差的样本点都被识别为非物理异常值并予以丢弃。两个测量位置的数据处理结果分别详细显示在图7a,b和图8a,b中。图7. 10 mm测量位置的信号预处理和噪声清洗结果。(a) 原始去趋势波动信号;(b) 通过3σ标准提取的有效噪声序列。图8. 100 mm测量位置的信号预处理和噪声清洗结果。(a) 原始去趋势波动信号;(b) 通过3σ标准提取的有效噪声序列。4.2. 在非理想条件下高保真重建异频传感信号输入信号基于异频干涉的物理机制构建,线性扫描输入范围设定为0–20 μm,采样点数为3000。通过将一组典型参数(k1 = 0.035, k2 = 0.025, ε = 45°, σ = ?10°)代入方程(4)和(5),生成了理论误差曲线。为了解决静态样本(100)与动态扫描过程(3000)之间的数据幅度不匹配问题,本文采用了随机重采样技术。这种方法将第4.1节中清洗的短序列测量噪声扩展为与构建的输入步骤相匹配的长序列背景噪声。构建输入数据的目标是在非理想操作条件下再现传感器的原始测量状态。为了模拟真实的干涉仪读数,网络输入信号是通过将长序列背景噪声和理论非线性误差曲线叠加在理想的线性位移扫描上合成的。这种方法完全保留了整个频率带的真实环境噪声特性以及非线性误差。实验基于正交三角函数构建了一个特征张量X:(18) 基于10 mm和100 mm位置的背景噪声构建的输入如图9a,b所示。图9. 基于不同位置的背景噪声构建的测量输入信号:(a) 10 mm位置;(b) 100 mm位置。4.3. 物理驱动重建机制有效性的验证4.3.1. 在强噪声背景下的频域先验伪标签重建保真度将输入数据输入PINN,并监测频域先验模块的中间输出状态。图10展示了伪标签重建的完整过程。图10A展示了第4.2节中定义的理论误差基线曲线,这也作为网络预测结果的基准。图10B,C显示了在10 mm和100 mm位置基于背景噪声解耦真实位移值后的残差(原始标签)。当信噪比较低(实验设置为SNR < ?10 dB)时,需要通过频域先验对标签进行处理。图10D展示了基于100 mm位置背景噪声对高噪声样本进行频域先验处理后生成的伪标签。图10. 训练数据生成过程和伪真实标签构建的示意图。(A)非线性误差的真实值;(B)叠加了10毫米测量噪声的训练数据;(C)叠加了100毫米测量噪声的训练数据;(D)基于频域引导的伪真实值(100毫米噪声)。实验结果表明,尽管图10C中的源数据受到强噪声的严重干扰,但通过频域先验重构的伪标签仍然能够准确恢复真实值的周期性和幅度特性。这一结果证实了该策略成功实现了信号能量的集中和噪声能量的抑制,为后续的PINN提供了高置信度的收敛目标,并确保了在低信噪比环境中的深度学习可训练性。

4.3.2. 非线性误差波形重构和拟合一致性验证

已获得网络的最终输出曲线。图11展示了基于100毫米位置背景噪声的神经网络预测值与真实值之间的对比。图12a和12b分别展示了对应于10毫米和100毫米位置背景噪声的预测值与真实值之间的局部对比。

4.4. 综合性能评估和模型比较研究

为了定量评估PINN网络输出的 nonlinear error 曲线与理论真实值曲线的重构程度,计算了两者之间的皮尔逊相关系数(Pearson correlation coefficient)。该系数反映了两个变量之间线性相关的强度,即它们变化趋势的同步性。

在基于10毫米和100毫米位置测量背景噪声构建的实验中,计算出的皮尔逊相关系数和PINN网络输出的 nonlinear error 曲线与真实值曲线之间的非线性误差补偿率分别列在表1中。表1表明,所提出的系统在强噪声环境中表现出卓越的鲁棒性。神经网络预测曲线与非线性误差真实值曲线之间的相关系数高达0.9939。即使在低信噪比条件下,网络仍然能够准确捕获非线性误差的相位特性,相关系数达到0.9817。补偿前后RMS值的比较显示,所提出的方法将系统的测量不确定性从1.9纳米降低到0.37纳米以内,误差补偿率超过88%。

4.4.1. 关键物理机制的消融分析

为了验证所提出架构在极端操作条件下的鲁棒性,设计了一个稀疏数据消融实验来模拟测量对象高速运动时异频干涉仪的测量状态。训练数据被降采样到总体积的5%(150个点),并引入了真实的强背景噪声来比较三种神经网络模型。实验结果如图13所示,图14展示了图13的局部放大细节。

为了验证所提出架构在极端操作条件下的鲁棒性,设计了一个稀疏数据消融实验来模拟测量对象高速运动时异频干涉仪的测量状态。训练数据被降采样到总体积的5%(150个点),并引入了真实的强背景噪声来比较三种神经网络模型。实验结果如图13所示,图14展示了图13的局部放大细节。

4.4.2. 与现有主流补偿方法的性能基准测试

非线性误差补偿技术主要从硬件抑制发展到软件补偿。早期的基于硬件的解决方案在物理层面上抑制非线性误差,在实验室环境中取得了令人满意的补偿效果。然而,这些方法的特点是硬件成本过高和光学路径结构复杂,通常需要定制的激光源或精密的光学隔离组件,这使得它们难以在成本敏感的工业环境中部署。目前,以信号处理算法为中心的补偿技术已成为研究热点。表3详细比较了所提出方案与领域内代表性方法的性能指标。

所提出的PINN方案在没有硬件修改的情况下实现了0.23纳米的高精度补偿,平衡了成本和性能。同时,该方案建立了一种自监督范式,克服了模拟的局限性,能够在仅有5%数据的情况下实现高精度和高鲁棒性的误差重构。

4.4.2. 与现有主流补偿方法的性能基准测试

非线性误差补偿技术主要从硬件抑制发展到软件补偿。早期的基于硬件的解决方案在物理层面上抑制非线性误差,在实验室环境中取得了令人满意的补偿效果。然而,这些方法的特点是硬件成本高昂和光学路径结构复杂,往往需要定制的激光源或精密的光学隔离组件,这使得它们难以在成本敏感的工业环境中部署。目前,以信号处理算法为中心的补偿技术已成为研究热点。表3详细比较了所提出方案与现有方法的性能指标。

所提出的PINN方案在不进行任何硬件修改的情况下实现了0.23纳米的高精度补偿,实现了成本和性能之间的平衡。同时,该方案建立了一种自监督范式,克服了模拟的局限性,能够在无标签的真实数据上进行盲识别,即使在高噪声环境下(噪声水平为-12.29分贝)也能保持出色的鲁棒性。

5. 结论

本文提出了一种基于PINN(Predictive Inverse Neural Network)和频域先验的自监督智能校准和误差补偿方法,用于异频干涉测量系统。通过将频域先验知识与物理硬约束相结合,该方法实现了非线性误差参数的精确识别和误差曲线的可靠重构。实验验证表明,即使在去除了低频环境漂移和趋势项之后,网络预测与真实值之间的皮尔逊相关系数在有效信噪比为-12.29分贝的噪声背景下仍高于0.98(最高可达0.9939)。这证明了从噪声中提取物理特征的成功性。补偿后,非线性误差的RMS值从1.90纳米显著降低到0.23纳米,补偿率达到88.13%,实现了亚纳米级的测量精度。进一步分析显示,补偿率与信噪比之间存在正相关趋势,表明补偿后的残差误差主要由随机噪声组成,而确定性非线性谐波成分已被物理模型有效消除。这些结果不仅验证了所提出方法在不同噪声水平下的有效性,还强调了PINN架构在强噪声背景下准确提取物理规律的性能优势,为异频干涉测量工业传感器的误差自特征化和智能校准提供了高度可靠的解决方案。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号