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

本发明涉及光纤拉曼放大器增益控制领域，特别涉及一种基于神经网络的光纤拉曼放大器增益控制方法。

背景技术：

1、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。

2、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。

3、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。

技术实现思路

1、(一)要解决的技术问题

2、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。

3、(二)技术方案

4、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：

5、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)；

6、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；所述神经网络的输入层神经元个数等于信号光个数m；所述神经网络的输出层神经元个数是泵浦个数n的两倍；

7、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；

8、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；

9、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

10、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

11、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。

12、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：

13、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。

14、作为优选例，所述神经网络中的输入层包含40个神经元，隐藏层的层数为3层并且每层包含200个神经元，输出层包含6个神经元。

15、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。

16、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。

17、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：

18、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；

19、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；

20、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；

21、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。

22、作为优选例，所述泵浦光功率调整具体步骤包括：

23、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；

24、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；

25、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。

26、(三)有益效果

27、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。

技术特征：

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：

2.根据权利要求1所述的基于神经网络+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：

3.根据权利要求1所述的基于神经网络+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：

4.根据权利要求1所述的基于神经网络+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，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。

5.根据权利要求1所述的基于神经网络+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，所述功率耦合方程组包括：

6.根据权利要求6所述的基于神经网络+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，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：

7.根据权利要求1所述的基于神经网络+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，所述泵浦光功率调整具体步骤包括：

技术总结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。技术研发人员：穆宽林,武岳,曹雪能,周鲜鲜受保护的技术使用者：安徽财经大学技术研发日：技术公布日：2024/10/17