1.一种基于BP神经网络的FBG温度标定方法，其特征在于包括以下过程：FBG中心波长及热电偶温度数据获取

1)将FBG用导热胶粘贴在加热板上并置于液氮冷却的真空罐中；

2)将光纤光栅解调仪连接到FBG，并通过通信协议将原始光谱数据传输到上位PC机；

3)利用拟合算法从原始光谱数据中获得FBG中心波长；

4)将固定在FBG附近的两个热电偶温度数据传输到上位PC机；

5)在加热板下部固定的两个铂电阻通过上位PC机实现闭环温度控制；

将所采集的FBG中心波长及热电偶温度数据作为样本，对BP神经网络进行训练和测试，具体过程包括：A.BP神经网络的构建

BP神经网络采用3层结构，分别为：输入层、隐含层、输出层；输入层与输出层节点数与样本数一致，隐含层节点数应在保证测量精度的情况下尽可能少，以提高网络收敛速度；设定BP神经网络的各项参数，包括：迭代次数、误差指标、学习率，并对BP神经网络的全局参数，权值、阈值预先初始化；

B.BP神经网络的训练

通过训练算法对BP神经网络进行训练，具体步骤如下：第一步：计算隐含层输出；

第二步：计算输出层输出；

具体BP神经网络隐含层输出与输出层输出计算过程为：其中， 为l层节点i输入的加权总和； 为l层节点j与l+1层节点i的连接权值；

为l+1层节点i的偏置； 为l层节点i的即输出值；f为激活函数；

若写成矩阵形式，则为：

z(l+1)＝w(l)a(l)+b(l)   (3)a(l)＝f(z(l))  (4)

hw，b(x)＝a(nl)   (5)

其中，x＝[x1，x2，...，xm]T为输入向量；nl为网络的层数；z(l)，a(l)，b(l)分别为与式(1)对应的向量；W(l)为权值矩阵；hW，b(x)为神经网络输出；

第三步：计算误差，若训练样本为{(x(1)，y(1))，(x(2)，y(2)，...，(x(k)，y(k) )} ，则网络总体预测误差J(W，b)是实际输出与期望输出之间的差值；

其中，k为训练样本个数；

第四步：更新全局参数，利用损失函数的梯度来更新全局参数；

第五步：判断误差是否在允许范围之内，若在则结束，反之则返回第二步；

C.对训练好的BP神经网络进行测试

选取部分FBG波长-温度数据对训练好的BP神经网络进行测试，将采集到的FBG中心波长数据输入已经训练完毕的网络，然后通过计算热电偶实际测量温度与BP神经网络输出温度之间的误差来测试该BP神经网络模型；

BP神经网络模型达到设计精度后，将采集FBG中心波长数据输入到该模型即可实现温度标定；通过计算网络输出与热电偶实测温度间最大绝对误差及均方根误差，实现结果评定。

2.如权利要求1所述的一种基于BP神经网络的FBG温度标定方法，其特征在于：所述通信协议为TCP/IP协议。

3.如权利要求1所述的一种基于BP神经网络的FBG温度标定方法，其特征在于：所述从原始光谱数据中得到FBG中心波长的拟合算法为Gaussian算法。

4.如权利要求1所述的一种基于BP神经网络的FBG温度标定方法，其特征在于：所述FBG中心波长及热电偶温度数据采集为每6秒一存，共采集50个循环。

5.如权利要求1所述的一种基于BP神经网络的FBG温度标定方法，其特征在于：所述FBG中心波长及热电偶温度数据采集为在设定的采样时间内，当每个热电偶最高温度和最低温度相差不超过设定阈值时，且该设定阈值可调，对热电偶温度数据及FBG中心波长分别取平均值作为稳定时的波长-温度数据对。

6.如权利要求1所述的一种基于BP神经网络的FBG温度标定方法，其特征在于：所述BP神经网络模型隐含层数、隐含层节点数均可调。

7.如权利要求1所述的一种基于BP神经网络的FBG温度标定方法，其特征在于：所述BP神经网络隐含层激活函数为tansig函数，输出层激活函数为purelin函数。

8.如权利要求1所述的一种基于BP神经网络的FBG温度标定方法，其特征在于：所述BP神经网络训练算法为L-M优化算法。

9.如权利要求1所述的一种基于BP神经网络的FBG温度标定方法，其特征在于：所述BP神经网络的迭代次数、误差指标、学习率均可调。

10.如权利要求1所述的一种基于BP神经网络的FBG温度标定方法，其特征在于：所述BP神经网络的全局参数包括初始权值、阈值，且均预先置为趋近于0的随机数值。