1.1研究目的及意义

随着光纤光栅技术的快速发展，各类光栅的制备方法层出不穷，但在光栅刻写制备过程中，难免存在质量低的光栅光谱，筛选出谱形好的光栅和坏的光栅，对光栅光谱的分类和标定就显得尤为重要。卷积神经网络(CNN）是神经网络的一种，它在信号识别和分类等领域已被证明非常有效。用卷积神经网络算法对生产出的光纤光栅进行分类后，滤除不合标准的光纤光栅，能够极大地减少因光纤光栅质量问题而带来的应用困扰与误差，对于工程应用具有重大意义。

1.2卷积神经网络的国内外研究现状分析

在二十世纪六十年代，Hubel和Wiesel^[1]通过对猫视觉皮层细胞的研究发现视网膜输出的神经信号并不是直接传入脑部的，其在传递过程中经过了复杂的神经元间的信号交换过程，随着信号的传递，单个神经元的输出收到了更大范围的视觉信息的影响，受此启发，他们提出了感受域的概念。八十年代，Fukushima^[2]以感受域为基础提出了结构与之类似的神经感知机（Neocognitron）。Neocognitron是一个自组织的多层神经网络模型，通过激发上一层的局部感受域来得到每一层的响应，此模型也是卷积神经网络在早期学习中主要的学习方式。随后，LeCun Ydengren^[3],基于Neocognitron提出并设计了用于字符识别的卷积神经网络LeNet-5^[4]模型，LeNet-5由输入层、卷积层、池化层、全连阶层与输出层组成。但该模型只适用于小规模手写数字识别，对于大规模以及字符识别仍效果不佳。直到2012年，卷积神经网络取得突破性进展，Alexander和Taylor^[5]等人提出“改进感知机”理论，该理论结合了各种对神经感知机的改进方法的优点，而且针对误差反向传播的一些缺点进行了改正。使得卷积神经网络（CNN）成为图像分类上的核心算法模型。

目前，卷积神经网络已经在很多领域上得到了广泛的应用，最初是应用在手写体字符识别上^[6]，识别效果大大超过了其他模式识别方法。由于卷积神经网络可以把原始图像直接作为输入而不需要对图像进行处理而避免了传统图像分类算法中复杂的手工特征提取和数据重建使其特别适用于图像处理上。LeCun^[7],Matthew Browne^[8],J Nagi^[9]将卷积神经网络应用在图像处理上都取得了非常好的效果。另外，卷积神经网络还在图像识别^[10]、人脸识别^[11]、行人检测^[12]、语音识别^[13]、人体动作识别^[14]、机器人导航^[15]、等各方面的应用上较传统模式方法有更显著的性能。

2. 研究的基本内容与方案

2.1研究的基本内容

采用官方提供的开源库构建一套基于卷积神经网络的光栅光谱的分类方法。借助官方提供的算法模型，搭建系统平台对光谱数据进行特征提取、训练和测试，实现光栅光谱信号的识别与分类，并对分类结果进行验证，辨识光谱好坏。

2.2研究的目标

搭建基于卷积神经网络点的光栅光谱的分类系统，并完成对光栅光谱信号的分类和识别，准确率需高于80%。

2.3研究拟采用的技术方案