一种基于神经网络+功率耦合方程组数值解的光纤拉曼放大器增益控制方法
| 专利类型 | 发明公开 | 法律事件 | 公开; |
| 专利有效性 | 公开 | 当前状态 | 公开 |
| 申请号 | CN202310423926.0 | 申请日 | 2023-04-05 |
| 公开(公告)号 | CN118784081A | 公开(公告)日 | 2024-10-15 |
| 申请人 | 安徽财经大学; | 申请人类型 | 学校 |
| 发明人 | 穆宽林; 武岳; 曹雪能; 周鲜鲜; | 第一发明人 | 穆宽林 |
| 权利人 | 安徽财经大学 | 权利人类型 | 学校 |
| 当前权利人 | 安徽财经大学 | 当前权利人类型 | 学校 |
| 省份 | 当前专利权人所在省份：安徽省 | 城市 | 当前专利权人所在城市：安徽省蚌埠市 |
| 具体地址 | 当前专利权人所在详细地址：安徽省蚌埠市曹山路962号 | 邮编 | 当前专利权人邮编：233030 |
| 主IPC国际分类 | H04B10/291 | 所有IPC国际分类 | H04B10/291 ; H01S3/10 ; H01S3/13 ; H01S3/067 ; H04B10/294 ; G06N3/048 |
| 专利引用数量 | 0 | 专利被引用数量 | 0 |
| 专利权利要求数量 | 7 | 专利文献类型 | A |
| 专利代理机构 | 专利代理人 | ||
| 摘要 | 本 发明 涉及一种基于神经网络+功率耦合方程组数值解的光纤拉曼 放大器 增益控制方法，包括：获取 训练数据 ；根据训练数据确定神经网络拓扑结构；利用训练数据对神经网络进行训练；利用训练后的神经网络计算 信号 光目标增益值下放大器所需提供的 泵 浦光功率和 波长 值；根据神经网络输出泵浦光参数求解拉曼功率耦合方程组数值解，获得各信号光预测增益值；根据泵浦光数量将信号光的预测增益值和目标增益值平均分配，求取分配后各部分内预测增益值和目标增益值的平均误差；根据各部分增益平均误差调整各泵浦光功率值，提高放大器 输出信号 光增益准确度。本发明利用神经网络计算放大器目标增益值下的泵浦光功率和波长，利用功率耦合方程组数值解获取增益误差，调整泵浦光功率，提高放大器输出增益谱准确度。 | ||
| 权利要求 | 1.一种基于神经网络+功率耦合方程组数值解的光纤拉曼放大器增益控制方法，其特征在于，包括： |
||
| 说明书全文 | 一种基于神经网络+功率耦合方程组数值解的光纤拉曼放大器增益控制方法 技术领域背景技术[0002] 在长距离的海底光缆网络中，需要使用光放大器来补偿光信号在链路传输过程中的功率损耗，故光放大器是保证长距离、超高速的海底光缆网络正常工作的关键器件。在各种不同的光放大器中，基于多波长泵浦技术的宽带光纤拉曼放大器拥有低噪声、大带宽增益谱特性，被认为有助于实现长距离海底光缆网络，而且通过适当调整泵浦光的波长、功率等参数值，可以在任意所需波长范围内生成目标波动的复合增益谱。 [0003] 海底光缆网络中的光纤拉曼放大器在运行过程中面临以下两个问题：一是多波段系统中的不同通道信号会受到克尔非线性效应、放大自发辐射噪声以及非线性散射等效应的非均匀性影响，为了获得最高的信息传输速率和最远的传输距离，需要光纤拉曼放大器的增益谱具有非平坦的对应波形。而且当系统中信号光功率发生变化时，需要根据输入信号变化调整放大器增益谱。二是随着水下物联网和海底“支撑海洋科学观测的海缆通信技术”概念的兴起，伴随着近程水声通信、水下无线光通信和水下插拔连接器等各类无线或有线、声光电磁接入方式的发展，海底光缆网将从早期封闭、不可扩展的网络向能够支撑灵活动态组网的方向发展，以提高海底光缆网络的可接入性和可扩展性。到时，系统中可能会随时需要增加或减少任意波段的信号光，中继系统需要根据系统中的信号光数量和波长来调整泵浦光参数以便获得最佳的增益谱覆盖范围。综上，面对海底光缆传输链路中所传输信号光数量、波长和功率等参数存在突变的现实问题；为扩大海底光缆网络的传输距离，提高系统传输容量；需要为海底光缆网络提供增益可调的宽带光纤拉曼放大器。 [0004] 随着人工智能技术在学术界和工业界引起的广泛关注，神经网络技术得到快速发展，其在光纤通信系统中的应用也受到了重视。神经网络可根据信号光的目标增益，通过简单的矩阵乘法计算出光纤拉曼放大器所需提供的泵浦参数，这表明基于神经网络的设计方法是实现光纤拉曼放大器增益控制的有效途径。 发明内容[0005] (一)要解决的技术问题 [0006] 本发明提出一种基于神经网络+功率耦合方程组数值解的光纤拉曼放大器设计方法，其目的是实现光纤拉曼放大器增益控制功能。 [0007] (二)技术方案 [0008] 为解决上述技术问题，本发明提出一种基于神经网络+功率耦合方程组数值解的光纤拉曼放大器设计方法，包括： [0009] 获取训练数据，所述训练数据包括泵浦光波长数据(λ1...λn)、泵浦光功率数据(P1...Pn)和对应的信号光增益值(G1...Gm)； [0011] 利用所述训练数据对神经网络模型进行训练，得到训练好的神经网络； [0012] 根据所述训练好的神经网络模型计算拉曼放大器在信号光目标增益值下所需的泵浦光功率和泵浦光波长值； [0013] 根据所述神经网络输出的泵浦光功率和波长值求解拉曼功率耦合方程组数值解，获得各信号光的预测增益值 [0014] 根据所述泵浦光数量n将所述信号光的预测增益值和目标增益值都平均分配为n部分(G1...Gm/n、G1+m/n...G2*m/n、...、G1+(n‑1)*m/n...Gm)，求取各部分内信号光预测增益值和目标增益值的误差平均值 [0015] 根据所述各部分增益误差调整各泵浦光功率值，提高光纤拉曼放大器输出信号光增益准确度。 [0016] 作为优选例，根据所述训练数据确定神经网络模型的拓扑结构之前，还包括： [0017] 对所述训练数据进行缺失补全、异常值处理，训练数据中每组数据的各信号光的最大增益差可控制在低于1dB、2dB、3dB、4dB、5dB或者6dB范围内。 [0019] 作为优选例，所述神经网络中的输入层、隐藏层以及输出层采用S型传递函数sigmoid依次连接。 [0020] 作为优选例，所述功率耦合方程组包括信号光沿光纤传播时的功率变化方程和所述泵浦光沿光纤传播时的功率变化方程所述Ps，j为第j路信号光功率，所述Pp，i为第i路 泵浦光功率，所述vs，j为j路信号光频率，所述vp，i为第i路泵浦光频率，所述αs和αp分别为信号光和泵浦光沿光纤传输过程中的功率衰减系数，所述 为第i路泵浦光作用下第j路信号光的拉曼增益系数。 [0021] 作为优选例，所述功率耦合方程组数值解求解方法为弛豫法，具体求解步骤包括： [0022] 根据所述信号光的功率变化方程，计算沿光纤正方向传播的信号光在光纤内各处的功率变化数值解，此时将公式中泵浦光在光纤内各处的功率设为零； [0023] 根据所述泵浦光的功率变化方程，计算沿光纤负方向传播的泵浦光在光纤内各处的功率变化数值解，此时将公式中信号光在光纤内各处的功率设为上步所求数值； [0024] 根据所述信号光的功率变化方程，再次计算沿光纤正方向传播的信号光在光纤内各处的功率变化数值解，此时将公式中泵浦光在光纤内各处的功率设为上步所求数值； [0025] 根据上述两个步骤，多次交替重复计算信号光或泵浦光在光纤内各处的功率变化数值解，直到求得的信号光和泵浦光在光纤内各处的功率变化数值解趋于稳定。 [0026] 作为优选例，所述泵浦光功率调整具体步骤包括： [0027] 根据增益误差调整各泵浦光功率newPp，i＝oldPp，i‑errori·learnrate·ΔP，所述newPp，i为调整后泵浦光功率，所述oldPp，i为调整前泵浦光功率，所述learnrate＝1，所述ΔP＝3mW； [0028] 根据调整后泵浦光参数计算所述信号光预测增益数值解，重新计算预测增益值和目标增益值之间的误差，若增益误差减小则保留更新后的泵浦参数，若增益误差变大则降低learnrate数值(learnrate＝0.95·learnrate)后重新利用所述泵浦光功率调整公式(newPp，i＝oldPp，i‑errori·learnrate·ΔP)对泵浦光功率进行调整； [0029] 根据增益误差重复调整泵浦光功率，直到信号光预测增益值和目标增益值的误差低于阈值，保留最后的泵浦光功率和波长值。 [0030] (三)有益效果 [0031] 本发明公开了一种基于神经网络+功率耦合方程组数值解的光纤拉曼放大器增益控制方法。根据训练数据确定神经网络输入层和输出层神经元个数；利用训练后的神经网络计算信号光目标增益值下拉曼放大器需要提供的泵浦光功率和波长值；利用计算功率耦合方程的数值解的方法由神经网络输出的泵浦参数确定信号光的预测增益；利用信号光的预测增益值与目标增益值之间的误差来优化泵浦光参数，提高光纤拉曼放大器输出信号光增益准确度。附图说明 [0032] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。 [0033] 图1是基于正向神经网络+功率耦合方程数值解的光纤拉曼放大器增益控制方法流程图； [0034] 图2是神经网络模型结构图； [0035] 图3是光纤拉曼放大器预测增益与目标增益均方根误差比较图； [0036] 图4是训练数据增益平坦度对最终放大器增益控制准确度的影响曲线图。 具体实施方式[0037] 为了使本发明实施例的目的、技术方案和优点更加清楚，下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。 [0038] 本发明的目的是提供一种基于神经网络+功率耦合方程组数值解的光纤拉曼放大器增益控制方法，实现光纤拉曼放大器高准确度增益控制。 [0039] 为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明的技术方案作进一步详细说明： [0040] 如图1所示，一种基于神经网络+功率耦合方程组数值解的光纤拉曼放大器增益控制方法，包括： [0041] 步骤101：获取训练数据，所述训练数据包括泵浦光波长数据(λ1...λn)、泵浦光功率数据(P1...Pn)和对应的信号光增益值(G1...Gm)。 [0042] 根据理论和试验得出泵浦光功率和泵浦光波长是影响光纤拉曼放大器中信号光增益的主要因素，因此，为实现光纤拉曼放大器增益控制需要根据信号光的目标增益确定所需提供的泵浦光功率和波长值。根据所述训练数据确定神经网络模型的拓扑结构之前，还应对所述训练数据进行缺失补全、异常值处理，训练数据中每组数据的各信号光的最大增益差可控制在低于1dB、2dB、3dB、4dB、5dB或者6dB范围内。 [0043] 步骤102：根据所述训练数据确定神经网络的拓扑结构，得到初始神经网络模型。根据训练数据中的信号光数量确定神经网络输入层的神经元个数，根据训练数据中的泵浦光数量确定神经网络模型输出层的神经元个数。其中，神经网络模型结构如图2所示，代表n个不同波长信号光目标增益值；Pp1...Ppm代表m个泵浦光功率值， λp1...λpm代表m个泵浦光波长值；隐藏层的层数为3层且每层包含200个神经元。神经网络的输入层、隐藏层和输出层各神经元之间采用S型传递函数sigmoid依次连接。 [0044] 步骤103：利用所述训练数据对神经网络模型进行训练，得到训练好的神经网络。 [0045] 步骤104：利用所述训练好的神经网络计算信号光目标增益值 下拉曼放大器所需提供的泵浦光功率和波长值。 [0046] 步骤105：根据所述神经网络输出的泵浦光功率和波长值求解拉曼功率耦合方程组数值解，获得各信号光的预测增益值 所述功率耦合方程组包括所述信号光沿光纤传播时的功率变化方程 和所述泵浦光沿光纤传播 时的功率变化方程 所述Ps，j为第j路信号光功 率，所述Pp，i为第i路泵浦光功率，所述vs，j为j路信号光频率，所述vp，i为第i路泵浦光频率，所述αs和αp分别为信号光和泵浦光沿光纤传输过程中的功率衰减系数，所述 为第i路泵浦光作用下第j路信号光的拉曼增益系数。所述功率耦合方程组数值解求解方法为弛豫法，具体步骤包括： [0047] 步骤1051：根据所述信号光的功率变化方程，计算沿光纤正方向传播的信号光在光纤内各处的功率变化数值解，此时将公式中泵浦光在光纤内各处的功率设为零； [0048] 步骤1052：根据所述泵浦光的功率变化方程，计算沿光纤负方向传播的泵浦光在光纤内各处的功率变化数值解，此时将公式中信号光在光纤内各处的功率设为步骤1051所求数值； [0049] 步骤1053：根据所述信号光的功率变化方程，再次计算沿光纤正方向传播的信号光在光纤内各处的功率变化数值解，此时将公式中泵浦光在光纤内各处的功率设为步骤1052所求数值； [0050] 步骤1054：根据步骤1052和1053，多次交替重复计算信号光或泵浦光在光纤内各处的功率变化数值解，直到求得的信号光和泵浦光在光纤内各处的功率变化数值解趋于稳定。 [0051] 步骤106：根据所述泵浦光数量n将所述信号光的预测增益值和目标增益值都平均分配为n部分(G1...Gm/n、G1+m/n...G2*m/n、...、G1+(n‑1)*m/n...Gm)，求取各部分内信号光预测增益值和目标增益值的误差平均值 [0052] 步骤107：根据所述各部分增益误差调整各泵浦光功率值，提高光纤拉曼放大器输出信号光增益准确度。所述泵浦光功率调整具体步骤包括： [0053] 步骤1071：根据增益误差调整各泵浦光功率newPp，i＝oldPp，i‑errori·learnrate·ΔP，所述newPp，i为调整后泵浦光功率，所述oldPp，i为调整前泵浦光功率，所述learnrate＝1，所述ΔP＝3mW； [0054] 步骤1072：根据调整后泵浦光参数计算所述信号光预测增益数值解，重新计算预测增益值和目标增益值之间的误差，若增益误差减小则保留更新后的泵浦参数，若增益误差变大则降低learnrate数值(learnrate＝0.95·learnrate)后重新利用所述泵浦光功率调整公式(newPp，i＝oldPp，i‑errori·learnrate·ΔP)对泵浦光进行调整； [0055] 步骤1073：根据增益误差重复调整泵浦光功率，直到信号光预测增益值和目标增益值的误差低于阈值，保留最后的泵浦光功率和波长值。 [0056] 本实施例还提供了一个具体示例： [0057] 根据影响光纤拉曼放大器增益的主要因素，确定各影响因素的取值范围。其中，泵浦光数量为3个，并且各泵浦光的波长范围为λp1＝[1414 1437.3]nm、λp2＝[1437.3 1460.6]nm、λp3＝[1460.6 1484]nm，泵浦光的功率范围为Pp，i＝[0 250]mW，其中i＝1、2、3。 在该取值范围内，随机产生6000组泵浦光功率和波长数据，并获得光纤拉曼放大器在各组泵浦光功率和波长数据下对应的信号光增益。为验证所述基于神经网络+功率耦合方程数值解的光纤拉曼放大器增益控制方法的有效性，将其中的5000组数据作为训练数据，另外 1000组数据作为检验数据。 [0058] 为了加快神经网络的收敛性，对训练数据进行归一化处理。对于泵浦光波长值归一化处理的表达式为：Yi＝Xi÷70×0.99+0.01，其中70代表三个泵浦光的总波长范围，选择0.01作为归一化最低点是为了避免0值输入造成权重更新失败；对于泵浦光功率值归一化处理的表达式为：Yi＝(Xi)÷250×0.99+0.01；对于增益值归一化处理的表达式为：Yi＝(Xi)÷Xmax×0.99+0.01，其中Xmax代表训练数据中光纤拉曼放大器的最大增益值。 [0059] 根据训练数据确定神经网络的模型结构，其模型结构如图2所示，输入层神经元数量n取40，则G1(λs)...G40(λs)代表40个不同波长信号光增益值；输出层神经元数量2*m＝6，则Pp1、Pp2和Pp3代表三个泵浦光功率值，λp1、λp2和λp3代表三个泵浦光波长值；隐藏层的层数为3层且每层包含200个神经元。神经网络的输入层、隐藏层和输出层采用S型传递函数‑xsigmoid(y＝1/(1+e ))依次连接。神经网络中神经元的初始连接权重设置为范围在[‑0.5 0.5]中的随机数。 [0060] 本算法模型在python+matlab联合仿真环境下实现，使用均方根误差衡量光纤拉曼放大器增益谱准确度。对1000组检验数据进 行校验，结果如图3所示，其中虚线表示仅使用神经网络输出的泵浦光参数获得的信号光增益值与目标增益值的RMSE的概率密度函数曲线图，实线为采用功率耦合方程组数值解优化后的信号光增益值与目标增益值的RMSE的概率密度函数曲线图。优化前RMSE的均值为 0.647，方差为0.198；优化后RMSE的均值为0.230，方差为0.010。说明本方法能实现高准确的光纤拉曼放大增益控制。 [0061] 基于多泵浦技术的宽带光纤拉曼放大器的增益谱是由各泵浦产生的增益谱组合而成的，但组合形成的宽带增益谱在不同波段的增益大小通常存在差异，很难在所覆盖的频率范围内形成完美的平坦增益谱。图4所示为训练数据增益平坦度对最终放大器增益控制准确度的影响曲线图。虚线表示仅使用神经网络输出的泵浦光参数获得的信号光增益值与目标增益值误差，实线表示采用功率耦合方程组数值解优化后的信号光增益值与目标增益值的误差。从图中结果可以看出，所使用训练数据中各信号光增益平坦度越高，最终光纤拉曼放大器输出信号光增益准确度越高。 [0062] 最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。 |
||
QQ群二维码
意见反馈
意见反馈