光纖光柵應(yīng)變傳感器交叉敏感現(xiàn)象研究

樊曉宇

(安徽科技學(xué)院數(shù)理與信息工程學(xué)院，安徽鳳陽233100)

摘要：光纖布喇格光柵的交叉敏感現(xiàn)象影響了光纖光柵應(yīng)變傳感器的檢測(cè)精度。為了使光纖光柵應(yīng)變傳感器的檢測(cè)精度提高，提出了采用遺傳模擬退火算法改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的方法，來改善光纖光柵應(yīng)變傳感器的交叉敏感現(xiàn)象。通過仿真實(shí)驗(yàn)，驗(yàn)證了遺傳模擬退火算法改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的方法能實(shí)現(xiàn)光纖光柵應(yīng)變傳感器交叉敏感信號(hào)中應(yīng)變信號(hào)與溫度信號(hào)的精確分離，使光纖光柵應(yīng)變傳感器的檢測(cè)精度顯著提高，同時(shí)抑制了光纖光柵應(yīng)變傳感器非線性特性的影響。

關(guān)鍵詞：光纖光柵應(yīng)變傳感器；交叉敏感現(xiàn)象；BP神經(jīng)網(wǎng)絡(luò)；遺傳模擬退火算法

收稿日期:2014-12-11

基金項(xiàng)目:安徽科技學(xué)院青年

作者簡(jiǎn)介:樊曉宇(1981-)，男，黑龍江齊齊哈爾人，講師，博士研究生，主要從事信號(hào)與信息處理方面研究。

中圖分類號(hào)：TP212.4+4文獻(xiàn)標(biāo)志碼：A

光纖光柵應(yīng)變傳感器(Fiber Grating Strain Sensor, FGSS)許多獨(dú)特的優(yōu)勢(shì)使其在眾多領(lǐng)域具有廣泛的應(yīng)用。然而，構(gòu)成FGSS的主要器件——布喇格光纖光柵存在著交叉敏感現(xiàn)象，從而使被測(cè)應(yīng)變值與FGSS的輸出信號(hào)間呈現(xiàn)明顯的非線性關(guān)系，F(xiàn)GSS存在一定的測(cè)量誤差，這將導(dǎo)致FGSS的應(yīng)變量檢測(cè)精度受到影響。所以，F(xiàn)GSS在精確測(cè)量被測(cè)環(huán)境的應(yīng)變值時(shí)，交叉敏感現(xiàn)象的影響不能忽視，需要采用一定的技術(shù)來處理布喇格光纖光柵的交叉敏感現(xiàn)象。本文提出采用BP神經(jīng)網(wǎng)絡(luò)結(jié)合遺傳模擬退火算法的方法來改善布喇格光纖光柵的交叉敏感現(xiàn)象，通過仿真實(shí)驗(yàn)證實(shí)該方法能夠使FGSS取得較好的測(cè)量效果。

1布喇格光纖光柵的交叉敏感

FGSS是利用外界應(yīng)變作用使布喇格光纖光柵的折射率發(fā)生改變，進(jìn)而引起布喇格反射波長(zhǎng)改變的特性來測(cè)量外界環(huán)境的應(yīng)變量。然而，布喇格光纖光柵用于傳感器的最根本物理量是應(yīng)變與溫度，并且在布喇格光纖光柵中應(yīng)變與溫度同時(shí)發(fā)生變化，這就導(dǎo)致了普通的傳感器系統(tǒng)難以檢測(cè)出應(yīng)變與溫度各自的變化量，此現(xiàn)象稱為交叉敏感[1]。布喇格光纖光柵同時(shí)受到軸向應(yīng)變量△ε與環(huán)境溫度變化量△T作用時(shí)，其布喇格反射波長(zhǎng)的變化量可表示為[2]:

(1)

式(1)中，ρ11、ρ12分別代表光纖光柵應(yīng)變張量的分量，υ是泊松比，α代表光纖光柵的熱膨脹系數(shù)，ξ代表光纖光柵的熱光系數(shù)。

由(1)式可見，當(dāng)測(cè)量的應(yīng)變與環(huán)境溫度同時(shí)改變時(shí)，被測(cè)的應(yīng)變信號(hào)與FGSS的輸出信號(hào)間出現(xiàn)非線性的現(xiàn)象，這將導(dǎo)致FGSS具有較大的非線性誤差，測(cè)量的應(yīng)變值不精確。所以，本文采用BP神經(jīng)網(wǎng)絡(luò)結(jié)合遺傳模擬退火算法的方法對(duì)FGSS交叉敏感現(xiàn)象進(jìn)行改善，以便FGSS能進(jìn)行應(yīng)變與溫度的精確分離測(cè)量，從而達(dá)到精確測(cè)量應(yīng)變量的效果。

2遺傳模擬退火算法改進(jìn)BP神經(jīng)網(wǎng)絡(luò)

2.1遺傳模擬退火算法

遺傳模擬退火(Genetic Stimulated Annealing, GSA )算法是結(jié)合遺傳算法與模擬退火算法思想而構(gòu)成的一種智能算法。GSA算法具有很強(qiáng)的局部搜索能力，又有很強(qiáng)的全局搜索能力。遺傳算法是基于自然界生物進(jìn)化與生產(chǎn)過程，把生物進(jìn)化中的復(fù)制、交叉與變異應(yīng)用到算法，通過保持可行解、重新組合可行解和改進(jìn)可行解的方式，使算法最終取得最優(yōu)解。遺傳算法是一種自適應(yīng)與高度并行的優(yōu)化方法[3]。模擬退火算法是基于固體退火原理，模擬熱力學(xué)中固體的降溫過程，結(jié)合概率跳變特征在解空間中搜索代價(jià)函數(shù)的全局最優(yōu)解[4]。

遺傳算法具有操作簡(jiǎn)單和全局搜索能力強(qiáng)的優(yōu)點(diǎn)，但卻存在著局部尋優(yōu)能力差和易早熟的缺點(diǎn)。模擬退火算法能夠避免陷入局部極小問題，但卻存在著全局收斂性能差的缺點(diǎn)。GSA算法是結(jié)合遺傳算法與模擬退火算法優(yōu)點(diǎn)的改進(jìn)算法，它將模擬退火算法融進(jìn)遺傳算法中，進(jìn)而求解優(yōu)化問題的最優(yōu)解。GSA算法將遺傳算法與模擬退火法算法的尋優(yōu)能力相互補(bǔ)充，即通過模擬退火算法來改進(jìn)遺傳算法易早熟的缺點(diǎn)，使算法局部尋優(yōu)能力加強(qiáng)，同時(shí)GSA算法可以避免尋優(yōu)過程中陷入局部最優(yōu)。所以，GSA算法既具有很強(qiáng)的局部尋優(yōu)能力，又具有很強(qiáng)的全局尋優(yōu)能力。

BP神經(jīng)網(wǎng)絡(luò)是根據(jù)對(duì)網(wǎng)絡(luò)加權(quán)值進(jìn)行訓(xùn)練、網(wǎng)絡(luò)輸出誤差后向傳播的多層前向型人工神經(jīng)網(wǎng)絡(luò)算法。BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)包括輸入層、隱含層和輸出層，各層之間通過能夠傳遞信息的連接權(quán)連接而成。

BP神經(jīng)網(wǎng)絡(luò)是根據(jù)輸入樣本集與輸出樣本集進(jìn)行網(wǎng)絡(luò)加權(quán)的訓(xùn)練，最終使網(wǎng)絡(luò)能夠達(dá)到要求的輸入、輸出映射關(guān)系。BP神經(jīng)網(wǎng)絡(luò)處理信息的過程分為兩個(gè)步驟：第一步是通過樣本集選取信息，再將信息從輸入層向前逐層計(jì)算各層的輸出值；第二步是修改網(wǎng)絡(luò)各層的連接權(quán)值。如果BP神經(jīng)網(wǎng)絡(luò)輸出層輸出的信號(hào)沒有達(dá)到所期望的輸出信號(hào)，則將網(wǎng)絡(luò)期望的輸出信號(hào)與實(shí)際輸出信號(hào)的誤差沿網(wǎng)絡(luò)原來的連接通路后向傳播，并修改網(wǎng)絡(luò)各層的連接權(quán)值，使網(wǎng)絡(luò)輸出誤差最小，從而達(dá)到期望目標(biāo)[5]。所以，BP神經(jīng)網(wǎng)絡(luò)具有非線性映射能力強(qiáng)與泛化能力好的優(yōu)點(diǎn)。

由于BP神經(jīng)網(wǎng)絡(luò)是一種局部搜索的優(yōu)化方法，這將導(dǎo)致BP神經(jīng)網(wǎng)絡(luò)有可能陷入局部極值而使網(wǎng)絡(luò)訓(xùn)練失敗[6]。同時(shí)，BP神經(jīng)網(wǎng)絡(luò)還存在“過擬合”現(xiàn)象的缺點(diǎn)。而FGSS檢測(cè)應(yīng)變信號(hào)是求解函數(shù)的全局極值，所以將BP神經(jīng)網(wǎng)絡(luò)直接應(yīng)用于FGSS解決交叉敏感現(xiàn)象時(shí)受到一定的限制，導(dǎo)致FGSS檢測(cè)應(yīng)變信號(hào)的精度不高。針對(duì)這種情況，本文提出采用可以解決局部搜索問題的GSA算法來改進(jìn)BP神經(jīng)網(wǎng)絡(luò)，從而達(dá)到改善FGSS交叉敏感現(xiàn)象的效果，使FGSS檢測(cè)應(yīng)變信號(hào)的精度進(jìn)一步提高。

2.3GSA算法改進(jìn)BP神經(jīng)網(wǎng)絡(luò)

圖1　GSA-BP算法流程圖

針對(duì)BP神經(jīng)網(wǎng)絡(luò)易陷入局部極值和易“過擬合”的缺點(diǎn)，本文采用GSA算法來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，從而克服了BP神經(jīng)網(wǎng)絡(luò)的缺點(diǎn)，使優(yōu)化后的算法能更好地適用FGSS檢測(cè)系統(tǒng)。GSA算法改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)(GSA-BP)算法是將GSA算法用于BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)連接權(quán)值優(yōu)化環(huán)節(jié)，最終使網(wǎng)絡(luò)連接權(quán)值達(dá)到最優(yōu)化，使BP神經(jīng)網(wǎng)絡(luò)輸出層的輸出誤差信號(hào)滿足FGSS檢測(cè)系統(tǒng)要求，GSA-BP算法的流程圖如圖1所示。

GSA-BP算法的主要步驟為：①初始化GSA算法與BP神經(jīng)網(wǎng)絡(luò)。確定GSA算法優(yōu)化參數(shù)的個(gè)數(shù)、種群的規(guī)模、最大迭代次數(shù)、初始溫度T、BP神經(jīng)網(wǎng)絡(luò)的各層結(jié)構(gòu)、初始網(wǎng)絡(luò)權(quán)值、訓(xùn)練樣值、允許誤差ε和訓(xùn)練速度η。②GSA算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的連接權(quán)值。由于GSA算法的每一個(gè)個(gè)體代表一個(gè)網(wǎng)絡(luò)連接權(quán)值，因此，要對(duì)每個(gè)個(gè)體進(jìn)行二進(jìn)制染色體編碼，并且利用適應(yīng)度函數(shù)計(jì)算所有個(gè)體的適應(yīng)度。③GSA算法采用選擇、交叉、變異和模擬退火操作直到找到滿足適應(yīng)度的最優(yōu)個(gè)體為止，并將這些最優(yōu)個(gè)體作為BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)連接權(quán)值。④BP神經(jīng)網(wǎng)絡(luò)進(jìn)行前向傳播。將輸入信號(hào)通過輸入層、隱含層向輸出層傳輸，進(jìn)行前向計(jì)算各層的輸出，并且計(jì)算網(wǎng)絡(luò)的輸出誤差。⑤判斷網(wǎng)絡(luò)輸出誤差是否滿足要求。 若網(wǎng)絡(luò)輸出層輸出的誤差小于FGSS檢測(cè)系統(tǒng)的期望誤差，訓(xùn)練結(jié)束；否則轉(zhuǎn)到步驟⑥。⑥BP神經(jīng)網(wǎng)絡(luò)進(jìn)行誤差反向傳播，并且逐層修改各層網(wǎng)絡(luò)的連接權(quán)值，然后轉(zhuǎn)到步驟②。隨著GSA-BP算法優(yōu)化過程的反復(fù)迭代，可使網(wǎng)絡(luò)輸出層輸出的誤差最終達(dá)到FGSS檢測(cè)系統(tǒng)的要求。

FGSS檢測(cè)的應(yīng)變信號(hào)往往含有噪聲，而GSA-BP算法的推廣能力能將FGSS的檢測(cè)信號(hào)從噪聲中恢復(fù)，這就決定了GSA-BP算法可用于FGSS的實(shí)時(shí)信號(hào)處理。同時(shí)，GSA-BP算法具有處理FGSS信號(hào)非線性特性的能力。所以，本文利用GSA-BP算法的以上特征與步驟對(duì)FGSS的交叉敏感現(xiàn)象進(jìn)行了改善，實(shí)現(xiàn)FGSS檢測(cè)系統(tǒng)精度要求。

建構(gòu)主義作為認(rèn)知學(xué)派學(xué)習(xí)理論的一個(gè)新的分支,在20世紀(jì)80年代流行于西方,20世紀(jì)九十年代開始引起我國(guó)教育界的極大關(guān)注，2000年-2018年中國(guó)知網(wǎng)上以建構(gòu)主義為主題的期刊論文就達(dá)21000多篇。建構(gòu)主義的教學(xué)理念對(duì)我國(guó)的英語教學(xué)產(chǎn)生了重大的影響，現(xiàn)代教育技術(shù)也開始全面融入英語教學(xué)，但是建構(gòu)主義教學(xué)理念在英語教學(xué)中的運(yùn)用效果尚不理想。本文擬以英語專業(yè)《基礎(chǔ)英語》課程教學(xué)為例，闡述基于建構(gòu)主義教學(xué)理念的英語教學(xué)實(shí)踐效果和意義。

3系統(tǒng)硬件架構(gòu)

利用GSA-BP算法改善FGSS交叉敏感現(xiàn)象的系統(tǒng)硬件架構(gòu)，如圖2所示。該系統(tǒng)的工作過程為：確定GSA算法與BP神經(jīng)網(wǎng)絡(luò)的各參數(shù)，利用GSA-BP算法進(jìn)行神經(jīng)網(wǎng)絡(luò)優(yōu)化設(shè)置。光纖光柵應(yīng)變傳感器(FGSS1)與溫度參考傳感器(FGS2)分別檢測(cè)環(huán)境的溫度信號(hào)和應(yīng)變與溫度的混合信號(hào)，并經(jīng)過光/電轉(zhuǎn)換器將光信號(hào)轉(zhuǎn)換為電壓信號(hào)V1與V2，由信號(hào)處理系統(tǒng)處理后，再將V1與V2通過數(shù)據(jù)采集卡送入計(jì)算機(jī)。然后，利用已經(jīng)訓(xùn)練好的GSA-BP算法對(duì)V1與V2進(jìn)行優(yōu)化處理，最后系統(tǒng)的輸出為環(huán)境的被測(cè)應(yīng)變值，即實(shí)現(xiàn)了應(yīng)變信號(hào)的精確測(cè)量。通過實(shí)驗(yàn)證實(shí)，該檢測(cè)系統(tǒng)能對(duì)FGSS的應(yīng)變信號(hào)進(jìn)行精確檢測(cè)，得到很高精確的應(yīng)變值，神經(jīng)網(wǎng)絡(luò)的輸出誤差能滿足檢測(cè)系統(tǒng)的要求，并且能將環(huán)境的溫度與應(yīng)變精確分離，改善了FGSS交叉敏感現(xiàn)象，有效抑制了布喇格光纖光柵非線性的影響。

圖2　系統(tǒng)硬件的架構(gòu)

采用GSA-BP算法可實(shí)現(xiàn)FGSS的應(yīng)變與溫度精確分離測(cè)量，即實(shí)現(xiàn)了智能地去除溫度對(duì)應(yīng)變測(cè)量的干擾，提高了檢測(cè)系統(tǒng)的智能化程度，并且改善了系統(tǒng)的適應(yīng)性。

4系統(tǒng)軟件設(shè)計(jì)

4.1GSA-BP算法的MATLAB仿真設(shè)計(jì)

MATLAB為人工神經(jīng)網(wǎng)絡(luò)技術(shù)的設(shè)計(jì)和仿真提供了專門的工具箱，使用者可根據(jù)需要調(diào)用相關(guān)的工具箱[7]。本文仿真設(shè)計(jì)BP神經(jīng)網(wǎng)絡(luò)隱含層與輸出層的函數(shù)都為S型函數(shù)，而輸入層函數(shù)是線性函數(shù)，調(diào)用MATLAB工具箱中的相應(yīng)函數(shù)，對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，根據(jù)神經(jīng)網(wǎng)絡(luò)的誤差情況，結(jié)合GSA算法逐漸地改變網(wǎng)絡(luò)的連接權(quán)值與偏置量，最終使網(wǎng)絡(luò)的輸出誤差達(dá)到FGSS檢測(cè)系統(tǒng)的精度要求。GSA-BP算法經(jīng)過學(xué)習(xí)后，在有效區(qū)間內(nèi)將任意值輸入到網(wǎng)絡(luò)，經(jīng)過運(yùn)算后GSA-BP算法的輸出就是對(duì)應(yīng)的應(yīng)變值。

本文設(shè)計(jì)的BP神經(jīng)網(wǎng)絡(luò)分為三層，其中輸入層有2個(gè)節(jié)點(diǎn)，分別對(duì)應(yīng)光纖光柵應(yīng)變傳感器(FGSS1)測(cè)得的溫度和應(yīng)變信號(hào)，經(jīng)光電轉(zhuǎn)換器轉(zhuǎn)換的電壓信號(hào)V1、溫度參考傳感器(FGS2)測(cè)得的溫度信號(hào)經(jīng)光電轉(zhuǎn)換器轉(zhuǎn)換的電壓信號(hào)V2；隱含層有6個(gè)節(jié)點(diǎn)；輸出層有1個(gè)節(jié)點(diǎn)對(duì)應(yīng)光纖光柵應(yīng)變傳感器(FGSS1)的最后應(yīng)變信號(hào)的輸出。仿真設(shè)計(jì)中，BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速度η=0.1、收斂精度ε=10-4、初始溫度T=1、種群規(guī)模取100、交叉算子為0.7、變異算子為0.002、退溫速率為0.99。

4.2GSA-BP算法性能測(cè)試

利用GSA算法改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)通過網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)后，達(dá)到的誤差曲線如圖3所示。由圖3可知，GSA算法改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練200次左右就可以滿足系統(tǒng)誤差要求，誤差大約為10-4με。所以，GSA-BP算法的收斂速度與BP神經(jīng)網(wǎng)絡(luò)(由文獻(xiàn)[5]知，網(wǎng)絡(luò)訓(xùn)練大約要400次才能收斂)相比大約快一倍、收斂時(shí)間少一半、網(wǎng)絡(luò)誤差較小。經(jīng)過GSA-BP算法處理后的FGSS應(yīng)變信號(hào)的檢測(cè)誤差大約為10-4με。

圖3　網(wǎng)絡(luò)訓(xùn)練后的誤差曲線圖

5試驗(yàn)結(jié)果分析

仿真系統(tǒng)運(yùn)行后，在FGSS應(yīng)變信號(hào)檢測(cè)系統(tǒng)中，輸入表1中的應(yīng)變標(biāo)定值，系統(tǒng)輸出的實(shí)際應(yīng)變值如表1所示。由表1可見，經(jīng)過GSA-BP算法對(duì)FGSS應(yīng)變信號(hào)檢測(cè)系統(tǒng)進(jìn)行優(yōu)化后，F(xiàn)GSS應(yīng)變檢測(cè)系統(tǒng)的輸出結(jié)果與同溫度下FGSS的標(biāo)定值非常接近，測(cè)量精度大約為10-4με數(shù)量級(jí)，即FGSS的應(yīng)變測(cè)量精度顯著提高。

表1　FGSS系統(tǒng)輸出結(jié)果與標(biāo)定值比較

基于GSA-BP算法優(yōu)化的FGSS應(yīng)變檢測(cè)系統(tǒng)測(cè)試結(jié)果的實(shí)際輸出特性曲線如圖4所示。在有效的溫度區(qū)間范圍內(nèi)，GSA-BP算法優(yōu)化的FGSS應(yīng)變檢測(cè)系統(tǒng)在不同應(yīng)變標(biāo)定值與不同環(huán)境溫度情況下的測(cè)試結(jié)果輸出特性曲線，與FGSS的理想特性曲線幾乎重合。這個(gè)輸出特性曲線表明：利用GSA-BP算法優(yōu)化的FGSS應(yīng)變檢測(cè)系統(tǒng)能夠?qū)?yīng)變與溫度信號(hào)精確分離，很好地減少了FGSS中溫度對(duì)應(yīng)變信號(hào)的交叉影響，使FGSS的交叉敏感現(xiàn)象得到很好地改善，并且較好地抑制了光纖光柵上的非線性影響，使FGSS應(yīng)變檢測(cè)效果明顯提高，這有利于FGSS在高精度測(cè)量中的應(yīng)用。

6結(jié)語

將GSA-BP算法用于改善FGSS的交叉敏感現(xiàn)象，即達(dá)到了提高FGSS檢測(cè)系統(tǒng)性能的目的，又提高了FGSS應(yīng)變與溫度信號(hào)分離的精度，從而很好地抑制了交叉敏感引起的非線性誤差，能使系統(tǒng)的測(cè)量精度顯著提高。利用GSA-BP算法優(yōu)化FGSS來改善測(cè)量環(huán)境溫度對(duì)FGSS測(cè)量應(yīng)變信號(hào)的交叉影響，不僅使FGSS測(cè)量應(yīng)變的精度高，而且FGSS系統(tǒng)易于操作。

參考文獻(xiàn):

[1]周學(xué)軍，馬曉，路鶴. FBG 傳感器應(yīng)變監(jiān)測(cè)溫度效應(yīng)分析[J].山東建筑大學(xué)學(xué)報(bào), 2010,25(4): 386-390．

[2]趙勇．光纖光柵及其傳感技術(shù)[M]．北京，國(guó)防工業(yè)出版社,2006，54-56．

[3]樊曉宇，王玉寶，盧國(guó)偉，等.基于遺傳模擬退火算法的壓力傳感器溫度補(bǔ)償系統(tǒng)[J]. 傳感技術(shù)學(xué)報(bào), 2008,21(9): 1532-1535．

[4]呂瓊帥，王世卿. 基于遺傳模擬退火算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)[J]. 計(jì)算機(jī)與現(xiàn)代化, 2011(6): 91-94．

[5]樊曉宇.光纖光柵應(yīng)變傳感器溫度補(bǔ)償系統(tǒng)研究[J]. 光通信技術(shù)，2012(6): 7-9．

[6]張永懷，劉君華．采用BP神經(jīng)網(wǎng)絡(luò)及其改進(jìn)算法改善傳感器特性[J]．傳感技術(shù)學(xué)報(bào)，2002(9)：185-188．

[7]高雋．人工神經(jīng)網(wǎng)絡(luò)原理及仿真實(shí)例[M]．北京，機(jī)械工業(yè)出版社，2005．

責(zé)任編輯：吳旭云

Study on Cross Sensitivity Phenomenon of Fiber Grating Strain Sensor

FAN Xiaoyu

(College of Mathematics, Physics and Information Engineering, Anhui Science and Technology University, Fengyang 233100, China)

Abstract：The detection accuracy of the fiber grating strain sensor(FGSS) is influenced by the cross-sensitivity phenomenon of the fiber Bragg grating. In order to improve the detection accuracy of FGSS, this paper gives a BP neural network technique that is optimized via the genetic stimulated annealing algorithm to improve the cross-sensitivity phenomenon of FGSS. The simulation experiments illustrate that the method can separate the strain sign from the temperature sign exactly in cross-sensitivity signs of FGSS, which makes the detection accuracy of FGSS increase remarkably, at the same time, restrains the influences of the nonlinear features in FGSS effectively.

Keywords：fiber grating strain sensor(FGSS)； cross-sensitivity phenomenon； BP neural network； genetic stimulated annealing algorithm