(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111469552.3 (22)申请日 2021.12.0 3 (71)申请人 陕西师范大学 地址 710119 陕西省西安市长安区西长安 街620号 (72)发明人 张中月　范鸿　葛超　李琪　 谢钧霖　 (74)专利代理 机构 重庆萃智邦成专利代理事务 所(普通合伙) 50231 代理人 许攀 (51)Int.Cl. G06F 30/27(2020.01) G06F 119/02(2020.01) (54)发明名称 基于神经网络的光纤表面等离激元传感器 透射光谱预测方法及系统 (57)摘要 本申请涉及基于神经网络的光纤表面等离 激元透射光谱 预测方法及系统， 具体 设置透射光 谱探测方法领域。 本申请 的方法包括： 获取大量 的目标光纤表 面等离激元传感器的金膜厚度、 金 膜宽度和待测环境的折射率 以及相对应的透射 光谱， 并将金膜厚度、 金膜宽度和待测环境的折 射率进行归一化处理； 搭建神经网络模型； 将归 一化后的金膜厚度、 金膜宽度和待测环境的折射 率以及对应的透射光谱输入所搭建的神经网络 模型， 对该模型进行训练， 得到训练好的神经网 络模型； 将多组未参与训练的金膜厚度、 金膜宽 度和待测环境的折射率代入训练好的神经网络 模型中， 预测目标光纤表面等离激元传感器的透 射光谱。 通过本发明训练后的神经网络模型预测 透射光谱的可信度较高。 权利要求书2页 说明书9页 附图8页 CN 114139455 A 2022.03.04 CN 114139455 A 1.一种基于神经网络的光纤表面等离激元透射光谱预测方法， 其特征在于， 所述方法 包括以下步骤： S101， 获取目标光纤表面等离激元传感器的金膜厚度、 金膜宽度和待测环境的折射率 以及相对应的透射光谱， 并将所述金膜厚度、 所述金膜宽度和所述待测环境的折射率进行 归一化处理， 相对应的所述透射 光谱作为标签； S102， 搭建神经网络模型； S103， 将归一化后的所述金膜厚度、 所述金膜宽度和所述待测环境的折射率以及对应 的标签输入所述神经网络模型中对所述神经网络模型进行训练； S104， 测试训练好的神经网络模型； S105， 将待测目标光纤表面等离激元传感器的所述金膜厚度、 所述金膜宽度和所述待 测环境的折 射率归一化后， 输入测试好的所述神经网络模型， 得到预测的所述透射 光谱。 2.根据权利要求1所述的基于神经网络的光纤表面等离激元传感器透射光谱预测方 法， 其特征在于， 所述神经网络模型包括密集层(Dense)、 Dropout层以及 Relu激活函数， 归 一化的所述金膜厚度、 所述金膜宽度和所述待测环境的折射率的范围均为0 ‑1， 所述周期 (epochs)为100 ‑800， 所述训练好的神经网络模型至少包括： 所述金膜厚度、 所述金膜宽度 和所述待测环境的折 射率与所述透射 光谱的对应关系。 3.根据权利要求2所述的基于神经网络的光纤表面等离激元传感器透射光谱预测方 法， 其特征在于， 所述Dense层的层数为5 ‑10层， 所述Dropout层的层数小于等于Dense层的 层数。 4.根据权利要求3所述的基于神经网络的光纤表面等离激元传感器透射光谱预测方 法， 其特征在于， 所述 步骤S104包括以下步骤： S201， 将未参与训练的所述金膜厚度、 所述金膜宽度和所述待测环境的折射率代入所 述训练好的神经网络模型中； 通过所述训练好的神经网络模型预测得到未参与所述神经网 络模型训练的所述金膜厚度、 所述金膜宽度和所述待测环境的折射率对应的所述透射光 谱， 并计算所述神经网络模型的均方差损失函数值； S202， 将所述预测的透射光谱与已知的所述金膜厚度、 所述金膜宽度和所述待测环境 折射率对应的所述透射光谱进 行比较， 将所述训练好的神经网络模型的所述均方差损失函 数与设置的阈值进行比较， 检验该 所述训练好的神经网络模型的可信度； S203， 根据所述训练好的神经网络模型的可信度判断是否满足实际测量需求， 若不满 足则重新训练所述神经网络模型。 5.根据权利要求4所述的基于神经网络的光纤表面等离激元传感器透射光谱预测方 法， 其特征在于， 所述均方差损失函数为： 其中， ym表示所述训练好的神经网络模型预测的第m个透射率的值， 表示相应的第m 个透射率的真实值， M表示预测数据的个数， 所述阈值 为0.001‑0.0001。 6.根据权利要求5所述的基于神经网络的光纤表面等离激元传感器透射光谱预测方权　利　要　求　书 1/2 页 2 CN 114139455 A 2法， 其特征在于， 所述 步骤S105包括以下步骤： S301， 将待测目标光纤表面等离激元传感器的所述金膜厚度、 所述金膜宽度和所述待 测环境的折 射率， 并进行归一 化处理； S302， 将归一化后的所述金膜厚度、 所述金膜宽度和所述待测环境的折射率输入测试 好的所述神经网络模型中； S303， 通过测试好的所述神经网络模型 预测出对应的透射 光谱。 7.根据权利要求6所述的基于光纤表面等离激元传感器透射光谱预测方法， 其特征在 于， 所述测试好的神经网络模型 预测的所述透射 光谱的波长范围为3 00‑1400nm。 8.一种基于神经网络的光纤表面等离激元传感器透射光谱预测系统， 其特征在于， 所 述系统包括： 获取模块、 代入模块和计算模块； 所述 获取模块用于获取目标光纤表面等离激 元传感器的金膜厚度、 金膜宽度和待测环境的折射率， 并将所述金膜厚度、 所述金膜宽度和 待测环境的折射率进行归一化处理； 所述代入模块用于将归一化后的所述金膜厚度、 所述 金膜宽度和所述待测环境的折射率代入搭建的神经网络模型中； 所述计算模块用于预测所 述目标光纤表面 等离激元传感器的透射 光谱。 9.根据权利要求8所述的基于神经网络的光纤表面等离激元传感器透射光谱预测系 统， 其特征在于， 归一化的所述金膜厚度、 所述金膜宽度和待测环 境的折射率的范围均为0 ‑ 1。 10.根据权利要求9所述的基于神经网络的光纤表面等离激元传感器透射光谱预测系 统， 其特征在于， 所述系统还包括训练模块， 所述训练模块用于将已知的所述金膜厚度、 所 述金膜宽度和所述待测环境的折射率的数据和对应的所述透射光谱数据输入到所述神经 网络模型中， 通过训练得到所述训练好的所述神经网络模型。权　利　要　求　书 2/2 页 3 CN 114139455 A 3