Тема выпускной квалификационной работы: «Измеритель пространственного распределения показателя преломления на основе межмодового волоконно-оптического интерферометра». Данная работа посвящена обработке сигналов межмодовых волоконно-оптических интерферометров. Для повышения эффективности обработки сигналов межмодовых волоконно-оптических интерферометров было предложено использование методов спектральной интерферометрии. Смоделированы сигналы межмодового волоконно-оптического интерферометра. Была исследована возможность использования машинного обучения для нахождения пространственного распределения внешнего показателя преломления. Было показано влияние преобразований, производимых над спектрами обрабатываемых сигналов, на точность определения пространственного распределения показателя преломления. Оптимальным методом обработки было выбрано преобразование Фурье смоделированных спектров перед подачей их на вход нейронной сети. Экспериментально продемонстрирована возможность применения методов машинного обучения для анализа закономерностей в изменении сигналов сложной структуры. Полученные результаты могут быть востребованы для обработки многокомпонентных сигналов межмодовых.

Topic of the final qualification work: "Measuring instrument for the spatial distribution of the refractive index based on a multi-mode fiber-optic interferometer". This work is devoted to signal processing of multi-mode fiber-optic interferometers. To improve the efficiency of signal processing of multi-mode fiber-optic interferometers, the use of spectral interferometry methods was proposed. The signals of a multi-mode fiber-optic interferometer are simulated. The possibility of using machine learning to find the spatial distribution of the refractive index was explored. The effect of transformations performed on the spectra of processed signals on the accuracy of determining the spatial distribution of the refractive index was shown.The Fourier transform of the simulated spectra before feeding them to the input of the neural network was chosen as the optimal processing method. The possibility of using machine learning methods, such as neural networks, has been experimentally demonstrated to analyze patterns in changing signals of a complex structure. The results obtained can be used for processing multicomponent signals of multi-mode fiber optic interferometers and other fiber optic sensors.

• СОДЕРЖАНИЕ
• ВВЕДЕНИЕ
  • 1. Низкая чувствительность к электромагнитным помехам, высокие изоляционные свойства и стойкость к коррозии.
  • 2. Небольшой объем, легкий вес, прочность и пластичность.
  • 3. Широкополосность, низкие потери и возможность передачи на большие расстояния.
  • 4. Возможность измерять множество параметров.
• 1 Обзор литературы
  • 1.1 Оптические волокна
  • 1.2 Волоконно-оптические датчики
    • 1. По принципу модуляции света в ОВ
      • 1) ВОД с модуляцией по интенсивности
      • 2) ВОД с модуляцией по фазе
    • 2. По роли оптического волокна в датчике
    • 3. По измеряемой физической величине
    • 4. По методу обнаружения
    • 5. По рабочему режиму
      • 1) Точечные ВОД
  • 1.3 Интерференция световых волн
  • 1.4 Межмодовая интерференция. Singlemode-Multimode-Singlemode структура.
  • 1.5 Обработка интерференционных сигналов
  • 1.6 Применение машинного обучения
  • 1.7 Постановка задачи
• 2. МОДЕЛИРОВАНИЕ ИНТЕРФЕРЕНЦИОННЫХ СИГНАЛОВ И ОБУЧЕНИЕ НЕЙРОННОЙ СЕТИ НА СМОДЕЛИРОВАННЫХ ДАННЫХ ДЛЯ НАХОЖДЕНИЯ ПРОСТРАНСТВЕННОГО РАСПРЕДЕЛЕНИЯ ПОКАЗАТЕЛЯ ПРЕЛОМЛЕНИЯ
  • 2.1 Генерация и обработка интерференционных сигналов с различным пространственным распределением показателя преломления
  • 2.2 Генерация и обработка интерференционных сигналов с различным пространственным распределением показателя преломления и неизвестным показателем преломления одной из сред
• 3 ПРИМЕНЕНИЕ ПРЕДЛОЖЕННОГО МЕТОДА К ЭКСПЕРИМЕНТАЛЬНЫМ ДАННЫМ
  • 3.1 Описание экспериментальной установки.
  • 3.2 Результаты обработки экспериментальных данных.
• ЗАКЛЮЧЕНИЕ
• СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ