1988年,Avaronov等人首次提出了弱测量(weak measurement)的概念。他们指出,在测量设备和被测系统耦合强度很弱的情况下,当前后选择态接近正交时,测量结果可以被明显放大,甚至可以显著大于被测系统中可观测量的本征值,这使得极微小的参量的观测成为可能。弱测量的放大微弱信号的作用使其在精密测量领域获得了极大的关注,目前已广泛用于相位估计、频率测量、温度测量、时延测量、速度测量等任务中。不可避免的,由于各种干扰的存在使得参数估计结果存在偏差,通常用于提高参数估计精度的方法是对多次测量结果取平均,这种方法对降低因短期相关噪声特别是白噪声引入的偏差有良好的效果。但是对于长期相关性噪声引入的误差,这种方法的作用是有限的,甚至可能会增大误差。目前弱测量领域尚未有降低长期相关性噪声所引起的参量估计偏差的相关研究。随着机器学习技术的发展和广泛应用,机器学习算法为这个问题的解决提供了可能。机器学习理论最早可以追溯到人工神经网络的研究,到目前已经走过了70多年曲折而又光辉的历程。近年来随着大数据、计算性能以及存储能力的发展,机器学习算法有了巨大的发展和应用。机器学习算法目前已经应用在各种各样的领域和任务中,比如图像识别、语音翻译、时间序列处理等领域。时间序列处理是机器学习应用的一个重要领域,时间序列之间的长期相关性,为机器学习算法带来了很大的挑战。在各种各样的机器学习算法中,长短时记忆神经网络(LSTM)在时间序列预测任务中具有显著优势,不仅具有传统循环神经网络(RNN)的优点,而且解决了梯度消失的问题,因此适合解决这种复杂的具有长期关联性信息的时间序列预测问题。针对上面提出的弱测量在参量估计中存在的问题,以及机器学习算法在解决时间序列预测方面的优势,本文提出了一种新的参量估计方法——结合机器学习的弱测量参量估计方法,这个研究对于提高弱测量技术的实用性具有重要的意义。弱测量技术能够实现对微小参量的估计,运用机器学习的算法,可以学习到由噪声引起的参量偏差的变化规律,特别是长期关联噪声引起的参量偏差的变化规律,进而能够从基于弱测量技术得到的微小参量的估计结果中消除掉噪声引入的偏差,从而提高参量估计的精度,提高系统的抗噪性能。为了验证本方法的可行性,本文设计了一个时延测量实验,实验中基于弱测量技术获得时延估计数据,并基于机器学习算法模型实现噪声补偿过程,提高了最终获得的时延数据的精度。从时延估计结果来看,运用本文提出的LSTM-FNN模型进行补偿之后,噪声引起的偏差(用均方差衡量)降低了6dB。这表明,上述提出的方法有效的提高了基于弱测量技术的参量估计精度,可以用于实现高精度的参量估计。