介质中的散射具有独特的内在随机性; 光纤瑞利散射是一种典型的散射，对光纤瑞利散射特征的探究和理解对光纤传感和光纤随机激光等研究领域而言至关重要。然而，在实际含有噪声环境中，准确提取光纤的瑞利信道特征是具有挑战性的难题。如果能利用深度学习工具，仅基于仿真数据集训练深度学习模型就能表达光纤瑞利信道的共性特征，将具有显著的科学意义和应用价值。

电子科技大学的研究人员成功利用深度学习模型提取了光纤瑞利信道的共性特征。该研究使用纯仿真数据集训练自建的深度学习模型，以获取光纤瑞利信道的共性特征，并基于典型分布式声波传感系统-相位敏感光时域反射仪(Φ-OTDR)-进行了实验验证。相关研究工作创新点和意义如下：

1. 基于仿真数据集训练生成的深度学习模型，能够涵盖光纤瑞利散射信道的共性特征，并在实验中基于窄带信号能够准确地恢复光纤的宽带瑞利信道。该模型具有很强的泛化能力，不会过度依赖某次实验条件下所产生的训练数据集。因此，在Φ-OTDR系统中，使用数值仿真构建大规模、多样化的训练数据集，来训练基于复杂模型的Φ-OTDR多功能人工智能是可能的。

2. 利用深度学习模型获得的光纤瑞利信道，可以反演得到最优的探测脉冲形态，进而调控传感信号的时域响应，实现自适应波形调控的Φ-OTDR系统。这为其他基于瑞利散射光学系统，例如光纤随机激光、波前校准的自适应光学等研究方向开辟了新的思路。

本项工作探讨了如何基于深度学习模型提取光纤的瑞利信道特征，为面向分布式光纤传感的多功能人工智能设计奠定了基础，也为研究其他基于瑞利散射的光学系统提供了新的思路。

图1. (a)基于深度学习模型预测光纤瑞利散射的时域特征流程示意图；(b)不同网络参数设置下光纤瑞利散射信道的预测差异。

文章信息：

Liang Y X, Sun J H, Zhang J L, et al. Prediction of fiber Rayleigh scattering responses based on deep learning. Sci China Inf Sci, 2023, doi: 10.1007/s11432-022-3734-0

http://engine.scichina.com/doi/10.1007/s11432-022-3734-0