[文献速递Vol.223]-基于深度学习的亚奈奎斯特采样扫描白光干涉测量

考虑到深度学习模型学习高维信息的能力，本文提出了一种名为带通道阈值的包络深度残差收缩网络（E-DRSN-cw）的新结构。该结构是为从欠采样的白光干涉信号中提取高采样率的包络信号而定制的。结构上，E-DRSN-cw架构遵循了DRSN的独特非线性层（软阈值）。然后，它将输入信号用零扩展以匹配过采样信号，使用LayerNorm（LN）对输入和标签进行数据增强，并采用包络回归作为输出。这些结构提高了训练效率、准确性和处理噪声的鲁棒性，并提供了直观的包络预测。本文网络可以从欠采样的白光干涉信号中提取出准确的过采样包络，而无需任何先验知识，并且可以从包络信号中获得准确的ZOPD位置。因此，它可以降低采样率要求，提高白光干涉系统的采样速度，同时保护相对精度的减少。

本文设定E-DRSN-cw的功能是准确地从欠采样白光干涉信号中提取相应的过采样包络信号，因此数据集中的数据应该是欠采样的白光干涉信号，而相应的过采样包络信号应该作为标签。考虑到模拟数据的中心波长可以直接得知，本文利用WTM从噪声过采样白光干涉信号中提取包络标签。

以下是通过白光干涉模型创建仿真数据集的具体程序（步骤编号对应于图2）：

（1）利用式(1)得到带噪声、过采样率（采样间隔为50 nm）的模拟白光干涉信号I；

（2） 使用WTM从I中提取相应的过采样包络信号E；

（3）使用300 nm（接近半中心波长，保证是过采样步长的整数倍）采样间隔对I进行下采样，得到I_u。接下来，去除Iu的直流分量，确定其绝对最大值，定位干扰区域的中心。选择中心前后各3µm区域，最终确定干扰特征信号I_cu。ZOPD位置位于该特征区域内；

（4）取I_cu的起始点作为E对应的起始点，倒取同样的3µm作为对应的包络特征信号Ec。