0 引言
       在分布式光纤喇曼测温技术中，由于光电器件（如雪崩光电二极管（APD））受温度的影响或随时间的逐步老化等因素，使温度标定系数产生变化，从而造成测量误差[1]。此外，光纤在传输中也会产生一定的损耗，导致分布式光纤测温系统的温度测量会出现一定的误差，难以达到工业环境长期在线的高精度测量要求。对于分布式光纤测温系统精度不高的问题，传统的方法都是在硬件部分进行改进，如文献[2]提出了基于光纤布喇格光栅（FBG）解调仪温度补偿的分布式光纤传感系统，该系统利用FBG解调仪进行在线多点温度补偿，精确系统的标定温度。文献[3]选择具有合适温度灵敏度系数的二极管去监测环境温度变化，对施加在APD两端的偏置电压进行控制，使输出电压得到适当的调节，进而补偿因APD造成的温度漂移。
       虽然硬件补偿方法可以提高系统性能，但由于其不变性会影响整个系统的校准，且随着温度和距离的变化，分布式光纤测温系统的输出信号与相关参数呈现非线性关系，因此，利用正交多项式的非线性模型或一般的线性模型很难对此系统达到良好的拟合结果。而径向基（RBF）神经网络最主要的特点是非线性映射能力强，这种非线性关系很适合于非线性信号补偿。利用RBF神经网络模拟系统信号损耗非线性的特性，可以避免在分布式光纤测温系统的特征变量之间建立复杂的函数关系。

4 结束语
       本文提出了一种基于RBF神经网络的分布式光纤测温系统信号非线性补偿方法。该方法具有如下特点:
①相较于传统硬件补偿方法的一次性，基于RBF神经网络的分布式光纤测温系统信号非线性补偿方法具有实时性和准确性。
②基于反馈控制原理，控制误差自动调整散布常数能够提高模型精度，加快RBF神经网络收敛，提升模型整体性能。
③适用于其它非线性函数模型，算法具有推广研究价值。