CN105160070A - 一种半导体激光器光谱自适应峰值搜索方法 - Google Patents

Abstract

本发明公开了一种半导体激光器光谱自适应峰值搜索方法，该自适应峰值搜索方法包括如下步骤：通过建立光谱数据序列的局部最大矩阵，利用其行向量特征修正矩阵，根据修正矩阵的列向量特征定位峰值，并通过一定的方法进一步修正和补偿。本发明方法具有较强的抗噪能力，整个搜索过程无需人为干预，自适应性和鲁棒性强，且满足实时计算要求。实测数据计算结果表明，本发明自适应峰值搜索方法与直接比较法、优化的导数法和遗传算法相比，在检验准确率和计算时间方面优势明显，平均检验准确率可达到98％，平均计算时间仅为0.12s，可应用到半导体激光器实测光谱特性实时分析中去。

Description

一种半导体激光器光谱自适应峰值搜索方法

技术领域

本发明涉及一种半导体激光器光谱自适应峰值搜索方法。

背景技术

目前，光纤通信技术由于具有传输容量大、传输速率高、抗电磁干扰、保密性强等优点，已经在军事、工业、农业、医疗和科学研究等各个领域得到了飞速发展和广泛应用。法布里-珀罗型半导体激光器(FP-LD)和分布反馈式半导体激光器(DFB-LD)因输出光相干性和方向性好、谱宽窄、体积小且简单易用，在高速、大容量光纤通信系统中是最常用的光源，其光谱通常用光谱分析仪测量得到，光谱带宽和纵模数等参数是FP-LD最重要的光谱参数，边模抑制比和边模偏置等参数反映着DFB-LD的性能，光谱峰值搜索是计算FP-LD和DFB-LD上述各种光谱参数的基础，实时准确的搜索出峰值对于光谱特性分析和开发高性能光谱分析仪器都具有十分重要的意义。

目前，常用的峰值搜索方法主要有：直接比较法、导数法、对称零面积法、遗传算法、小波变换等。直接比较法采用直接比较的方式找出比左右相邻点大的数据点作为峰值点，其原理简单，计算速度快，适合寻找平滑曲线的孤立强峰值，但在复杂的谱线分布中寻找弱峰时会产生大量虚假峰，抗噪性较差。导数法的基本思想是把谱线看为一条连续曲线，通过对谱线上各点求导数，依据导数的性质确定谱线峰值的位置，该方法对于光滑曲线具有较高的搜索准确性，计算速度基本可以满足实时的要求，但对于噪声较大的复杂谱线易产生虚假峰，因此需要首先对谱线进行平滑去噪，或者设置阈值参数过滤掉虚假峰。对称零面积法是把面积为零且对称的窗函数与待搜索光谱进行卷积变换，可以证明，面积为零的对称窗函数，对线性基底的卷积变换结果将为零，只有在存在峰的条件下不为零，且变换值最大处为峰值所在，该方法峰值搜索效果取决于窗函数选取是否合适，除此之外还需要设置窗宽、峰的最小半宽、搜索阈值等参数，计算较为复杂，运算速度也较慢。遗传算法能够进行全局最优搜索，其抗噪能力较强，但该方法需要设置种群规模、初始种群、迭代次数、交叉概率、变异概率等参数，且需要较长的训练时间来确定最优参数，不适合实时运算。小波变换法将信号分解成一系列小波函数的叠加，构建一个具有良好时域及频域局部化的时频信号，从而将时域寻峰转变为小波域对小波系数矩阵的寻峰，该方法搜索准确度较高，并且对噪声和背景具有较强的抑制能力，但该方法需要选择小波母函数、尺度参数、平移参数等，计算量较大，也不适合实时运算。

由此可见，现有方法对上述半导体激光器光谱进行峰值搜索时存在如下问题：(1)为得到较高的搜索准确度，大部分方法都需要针对不同类型、不同测量条件下得到的光谱波形设置不同的最优阈值或参数，人为干预较多，方法无法做到自适应，鲁棒性较差；(2)为过滤掉虚假峰，需要进行滤波去噪，平滑，背景基线漂移去除等预处理，不仅步骤繁琐，计算复杂，而且在预处理过程中又不可避免地引入新的阈值或参数；(3)方法本身计算时间开销比较大，再考虑数据预处理时间花费，无法满足实时性的计算要求。

发明内容

本发明的目的在于提出一种半导体激光器光谱自适应峰值搜索方法，其采用如下方案：

一种半导体激光器光谱自适应峰值搜索方法，包括如下步骤：

a局部最大矩阵的建立

设T代表待搜索半导体激光器的实测光谱数据序列，序列长度为n，T＝[t₁，t₂，…t_i，…t_n]；

使用窗口宽度N可变的移动窗，比较序列中某一个数据点在N范围内和前向边缘点及后向边缘点的大小；

比较的逻辑关系值作为波动因子，以波动因子作为数据元素建立局部最大矩阵M(m×n)；

其中，m＝[length(T)/2]-1＝[n/2]-1,符号“[]”代表向下取整，窗口宽度N＝2i(i＝1,2,…,m)；

对于每一维的i和j，其中，1≤i≤m，1≤j≤n，当i+1≤j≤n-i时，波动因子表示为：

当1≤j≤i和n-i+1≤j≤n时，波动因子表示为：

m_i,j＝rand+1(2)

其中，rand表示在[0,1]范围内的均匀分布随机数；局部最大矩阵M表示为：

b局部最大维度控制

统计局部最大矩阵中所有行向量0元素的数目，并找到0元素数目最多的行，记为p：

p＝max(Sum(m_i,j＝0))(4)

其中，max表示最大值，Sum表示求和；

重新修正局部最大矩阵M，去除掉行数i大于p的元素，形成新的矩阵M′(p×n)：

c谱峰定位

新矩阵M′的列向量元素值是判别数据序列中某元素是否为局部峰值点的直接判断标准，当某一列元素全为0时，该列对应的数据序列中的元素即为候选峰值点；

d谱峰补偿

如果数据点对应的新矩阵M′列向量同时满足下列三个条件，则认为该数据点符合在一定窗口内左侧邻近点上升且右侧邻近点下降这种趋势，加入候选峰值点内：

(1)首行元素为0；

(2)从首行开始，连续0元素的个数N₁≥[n/2]；

(3)以该列为中心，窗口为[n/4]范围内的左右各列中0元素的个数N₂≥[n/2]；

通过上述步骤即可在无需设置阈值或参数的前提下，准确定位光谱数据峰值点。

本发明具有如下优点：

本发明方法无需设置阈值或参数，只根据光谱数据序列固有的特征即可较为准确的搜索出峰值，即具有较强的自适应性；本发明方法对不同条件下测量得到的DFB-LD和FP-LD光谱均适用，即具有较强的鲁棒性；本发明方法不需要对数据进行滤波去噪，平滑，背景基线漂移去除等预处理，计算简单易行，检验准确率高；本发明方法计算时间开销小，完全能够满足实时计算的要求，便于后续谱特性的快速分析和计算。

附图说明

图1为FP-LD的实测光谱曲线图；

图2为DFB-LD的实测光谱曲线图；

图3为本发明中一种半导体激光器光谱自适应峰值搜索方法的流程图；

图4为使用直接比较法对FP-LD光谱进行峰值搜索的效果图；

图5为使用导数法对FP-LD光谱进行峰值搜索的效果图；

图6为使用遗传算法对FP-LD光谱进行峰值搜索的效果图；

图7为使用本发明自适应峰值搜索方法对FP-LD光谱进行峰值搜索的效果图；

图8为使用直接比较法对DFB-LD光谱进行峰值搜索的效果图；

图9为使用导数法对DFB-LD光谱进行峰值搜索的效果图；

图10为使用遗传算法对DFB-LD光谱进行峰值搜索的效果图；

图11为使用本发明自适应峰值搜索方法对DFB-LD光谱进行峰值搜索的效果图；

图12为使用直接比较法的检验准确率示意图；

图13为使用导数法的检验准确率示意图；

图14为使用遗传算法的检验准确率示意图；

图15为使用本发明自适应峰值搜索方法的检验准确率示意图；

图16为直接比较法、导数法、遗传算法和本发明自适应峰值搜索方法计算时间对比图。

具体实施方式

本发明的基本思想是：首先研究了搜索对象——FP-LD和DFB-LD光谱实测数据的特征；然后提出一种基于局部最大矩阵的半导体激光器光谱自适应峰值搜索方法，最后通过对比实验进行分析和检验方法效果。具体的，

下面结合附图以及具体实施方式对本发明作进一步详细说明：

(一)FP-LD和DFB-LD光谱实测数据特征

本发明研究的两种光源光谱实测数据具有不同的特点，FP-LD具有多纵模特性，DFB-LD由于采用波长选择反馈机制，因而其光谱具有单纵模特性。

同时，由于光栅分光光谱仪是把由复色光照明的狭缝经过光栅分光系统变为若干个单色的狭缝像，实际测得的光谱会根据狭缝宽度的不同具有不同的谱线展宽，通过设定光谱仪不同的分辨带宽，实测光谱会有不同的光谱带宽(FMWH)，其光谱外形或轮廓呈高斯型。

如图1和图2分别为FP-LD和DFB-LD的实测光谱。通过对实测25组DFB-LD和FP-LD光谱数据分析，待搜索谱峰数据序列具有如下特性：

(1)数据中电平值较低的部分随机波动大，存在均方根值为常数的随机噪声信号，即信噪比低，易造成虚假峰的出现。

(2)存在明显大于噪声的高幅值数据点，即动态范围大。该部分数据包含的大谱峰较易搜索，但部分光谱数据的大谱峰处曲线不光滑，易造成误判。

(二)基于局部最大矩阵的半导体激光器光谱自适应峰值搜索方法

基于上述数据序列特征，本发明提出了一种基于局部最大矩阵的自适应峰值搜索方法(简称自适应局部最大法)，其方法流程如图3所示：

一种半导体激光器光谱自适应峰值搜索方法，包括如下步骤：

a局部最大矩阵的建立

设T代表待搜索半导体激光器的实测光谱数据序列，序列长度为n，T＝[t₁，t₂，…t_i，…t_n]；

使用窗口宽度N可变的移动窗，比较序列中某一个数据点在N范围内和前向边缘点及后向边缘点的大小；

比较的逻辑关系值作为波动因子，以波动因子作为数据元素建立局部最大矩阵M(m×n)；

其中，m＝[length(T)/2]-1＝[n/2]-1,符号“[]”代表向下取整，窗口宽度N＝2i(i＝1,2,…,m)；

对于每一维的i和j，其中，1≤i≤m，1≤j≤n，当i+1≤j≤n-i时，波动因子表示为：

当1≤j≤i和n-i+1≤j≤n时，波动因子表示为：

m_i,j＝rand+1(2)

其中，rand表示在[0,1]范围内的均匀分布随机数；局部最大矩阵M表示为：

b局部最大维度控制

通过控制局部最大的维度，可以有效过滤掉虚假峰，消除噪声的影响；

局部最大矩阵行向量中0元素的分布情况表示该维的数据点在移动窗内局部最大的数目，因此统计矩阵中所有行向量0元素的数目，并找到0元素数目最多的行，记为p：

p＝max(Sum(m_i,j＝0))(4)

其中，max表示最大值，Sum表示求和；

重新修正局部最大矩阵M，去除掉行数i大于p的元素，形成新的矩阵M′(p×n)：

c谱峰定位

新矩阵M′的列向量元素值是判别数据序列中某元素是否为局部峰值点的直接判断标准，当某一列元素全为0时，该列对应的数据序列中的元素即为候选峰值点；

d谱峰补偿

如果数据点对应的新矩阵M′列向量同时满足下列三个条件，则认为该数据点符合在一定窗口内左侧邻近点上升且右侧邻近点下降这种趋势，加入候选峰值点内：

(1)首行元素为0；

(2)从首行开始，连续0元素的个数N₁≥[n/2]；

(3)以该列为中心，窗口为[n/4]范围内的左右各列中0元素的个数N₂≥[n/2]；

通过上述步骤即可在无需设置阈值或参数的前提下，准确定位光谱数据峰值点。

(三)不同方法对比实验分析

对25组实测数据使用直接比较法、导数法、遗传算法及本发明提出的自适应峰值搜索方法。其中，

为提高检验准确度，对导数法进行一定的优化，通过设置阈值过滤掉虚假峰。

遗传算法需要设置种群规模，初始种群，迭代次数，交叉概率，变异概率5个参数，导数法需设置1个阈值参数。

直接比较法和自适应峰值搜索方法无需设置参数。

(1)检测准确率对比实验分析

使用上述四种方法对图1和图2两种谱型进行峰值搜索，效果如图4-11所示。

其中，图4至图11中，纵坐标Power表示电平，横坐标Wavelength表示波长。

为验证各方法搜索效果，定义漏检率p₁为漏检个数与实际峰值个数之比，错检率p₂为错检个数与检出峰值个数之比，各方法搜索效果用加权和值作为评价标准，定义评价函数M₁：

M₁＝1-(m₁·p₁+m₂·p₂)(6)

其中，m₁＝m₂＝50％。M₁代表各方法的检测准确率，统计四种方法对25组实测数据的检验准确率，如图12-15所示。

其中，图12至图15中，纵坐标Accuracyrate表示检验准确率，横坐标Number表示组数；comparisonalgorithm表示直接比较法；derivativealgorithm表示导数法；geneticalgorithm表示遗传算法；localmaximumalgorithm表示本发明自适应峰值搜索方法。

对检验准确率求取平均值：直接比较法为0.67，优化的导数法为0.89，遗传算法为0.94，本发明自适应峰值搜索方法为0.98。

由搜索结果结合实验分析数据可以看出：

直接比较法抗噪性较差，必须先对序列进行滤波去噪的平滑处理；

通过设定阈值在一定程度上提高了导数法的抗噪能力，但效果有限；

遗传算法通过设定最优参数，可以获得较好的搜索效果；

本发明自适应峰值搜索方法在无需设置阈值参数和对数据进行预处理的前提下，对FP-LD和DFB-LD的光谱数据均适用，具有较强的鲁棒性，且检测准确率高。

(2)不同方法实时性对比分析

实测数据采样点均为500个，统计四种方法对实测数据进行峰值搜索所用时间，对比结果如图16所示，对所用时间求取平均值：直接比较法为0.12s，优化的导数法为0.32s，遗传算法为1.24s，本发明自适应峰值搜索方法为0.12s。

在图16中，纵坐标Time表示所需时间；横坐标Number表示组数；comparisonalgorithm表示直接比较法；derivativealgorithm表示导数法；geneticalgorithm表示遗传算法；localmaximumalgorithm表示本发明自适应峰值搜索方法。

通过图16可以看出，本发明自适应峰值搜索方法完全可以满足实时计算的要求，利于后续谱特性的快速分析和计算。

通过上述实测数据计算结果表明，本发明自适应峰值搜索方法与直接比较法、优化的导数法和遗传算法相比，在检验准确率和计算时间方面优势明显，平均检验准确率可达到98％，平均计算时间仅为0.12s，可应用到半导体激光器实测光谱特性实时分析中去。

当然，以上说明仅仅为本发明的较佳实施例，本发明并不限于列举上述实施例，应当说明的是，任何熟悉本领域的技术人员在本说明书的教导下，所做出的所有等同替代、明显变形形式，均落在本说明书的实质范围之内，理应受到本发明的保护。

Claims (1)

1.一种半导体激光器光谱自适应峰值搜索方法，其特征在于，包括如下步骤：

a局部最大矩阵的建立

设T代表待搜索半导体激光器的实测光谱数据序列，序列长度为n，T＝[t₁，t₂，...t_i，...t_n]；

使用窗口宽度N可变的移动窗，比较序列中某一个数据点在N范围内和前向边缘点及后向边缘点的大小；

比较的逻辑关系值作为波动因子，以波动因子作为数据元素建立局部最大矩阵M(m×n)；

其中，m＝[length(T)/2]-1＝[n/2]-1,符号“[]”代表向下取整，窗口宽度N＝2i(i＝1,2,...,m)；

对于每一维的i和j，其中，1≤i≤m，1≤j≤n，当i+1≤j≤n-i时，波动因子表示为：

当1≤j≤i和n-i+1≤j≤n时，波动因子表示为：

m_i,j＝rand+1(2)

其中，rand表示在[0,1]范围内的均匀分布随机数；局部最大矩阵M表示为：

b局部最大维度控制

统计局部最大矩阵中所有行向量0元素的数目，并找到0元素数目最多的行，记为p：

p＝max(Sum(m_i,j＝0))(4)

其中，max表示最大值，Sum表示求和；

重新修正局部最大矩阵M，去除掉行数i大于p的元素，形成新的矩阵M′(p×n)：

c谱峰定位

新矩阵M′的列向量元素值是判别数据序列中某元素是否为局部峰值点的直接判断标准，当某一列元素全为0时，该列对应的数据序列中的元素即为候选峰值点；

d谱峰补偿

如果数据点对应的新矩阵M′列向量同时满足下列三个条件，则认为该数据点符合在一定窗口内左侧邻近点上升且右侧邻近点下降这种趋势，加入候选峰值点内：

(1)首行元素为0；

(2)从首行开始，连续0元素的个数N₁≥[n/2]；

(3)以该列为中心，窗口为[n/4]范围内的左右各列中0元素的个数N₂≥[n/2]；

通过上述步骤即可准确定位光谱数据峰值点。