CN105319655A - 一种光学集成芯片与光纤组件的自动耦合方法及系统 - Google Patents

Abstract

本发明公开一种光学集成芯片与光纤组件的自动耦合方法及系统，方法包括：构建包括输入层、隐层和输出层的神经网络；预先获取所述光纤组件与多个样本光学集成芯片进行对准的多组样本参数值；以多组所述样本参数值训练所述神经网络；获取所述光纤组件与待对准光学集成芯片的多组实际参数值，每组所述实际参数值作为所述神经网络输入层的一个输入量输入所述神经网络，从所述神经网络输出层得到一个包括一组输出参数的输出量；根据所述待移动位置参数调整所述光纤组件相对所述光学集成芯片的位置。本发明具有对准时间短、耦合效率高、重复性好、应用广泛等优点，有效地克服了传统的爬山算法搜索定位时间长，容易陷入局部极值的缺点。

Description

一种光学集成芯片与光纤组件的自动耦合方法及系统

技术领域

本发明涉及光纤自动对准相关技术领域，特别是一种光学集成芯片与光纤组件的自动耦合方法及系统。

背景技术

光学集成器件，特别是超辐射发光管(SLD)由于具有光功率高、输出光谱宽、短相干性、低强度噪声、耦合效率高等优点被广泛应用于光纤陀螺、光学层析成像系统、波分复用系统及光处理系统中。例如，超辐射发光二极管(SLD)是光纤陀螺系统的核心部件之一，SLD使光纤陀螺具有高精度、高灵敏度、高稳定性、低噪声的特点。

光学集成芯片与光纤组件的对准耦合是器件实现功能的基础，更是器件封装的关键。

集成光子器件封装过程的自动化是提高器件质量、一致性、合格率，降低器件制造成本的关键，其中最重要的工序之一是光学集成芯片与光纤组件的对准。管芯与光纤组件的对准是根据实时测量的光信号信息调整光学集成芯片与光纤透镜的相对位置来实现对准的。

在光学器件封装中，由于每个器件的定位都具有三个定位和三个旋转自由度，不但要求较高的对准精度，而且要求对准耦合技术简单化、成本低，因此，对准耦合技术是光电子器件耦合封装工艺的关键所在。而自动化的对准算法因为其对准精度高、定位速度快和可靠性好等优点，已经成为光电子器件封装的发展方向。

目前，在光电子器件封装的光纤耦合对准设备中，爬山算法应用最为广泛，这是一种一维搜索方法，对于需要多个自由度调整的光纤对准问题，通过变量轮换完成多自由度搜索，其搜索时间随着自由度数量的增加而增加，并且由于各个自由度之间的相互影响，经常导致搜索失败。

从目前光纤自动对准耦合算法的发展现状看出，现阶段国内外集成光子器件封装设备中通常采用的对准耦合算法往往陷入局部极值点而找不到全局最优点(耦合功率最大)。

当光学集成芯片与光纤组件耦合时，光学集成芯片固定，通过移动光纤组件实现对准。对准时共六个自由度，分别是横向位错X，Y、纵向间距Z、俯仰角度、横摆角度和旋转角度。耦合对准时存在的对准偏差损耗包括横向位错损耗、纵向间距损耗、轴向角度损耗三种。

在集成光子器件耦合封装过程中，其核心是对准算法，目前应用范围最为广泛和研究较多的是爬山算法。

自动对准的传统控制算法是爬山算法，是当今发展最成熟，且应用厂商最多的一种算法。爬山算法是一种局部择优的方法，是一维对准算法，采用启发式方法，每走一步都会有启发信息进行引导，确定下一步前进的方向以及前进的距离，在当前节点的时候，会比较各个方向与当前节点的高度差，然后选择与当前节点高度差最大的方向以一定的步长前进。当走到下一步的时候再进行选择，如此下去，一直走到山顶，找到最优解。

爬山算法的缺点：

1)搜索定位的时间较长。由于爬山算法每次只能进行一个自由度的搜索，而光纤对准需要多个自由度的调整，此时，爬山算法需要在完成一个自由度的搜索后，再进行下一个自由度的搜索，依次轮流，反复循环，直到达到终止条件，因此比较费时。

2)可能会陷入局部最大点而无法完成搜索定位。

发明内容

基于此，有必要针对现有技术的光学集成芯片与光纤组件对准算法搜索时间较长且容易无法完成搜索的技术问题，提供一种超辐射发光管芯片与光纤组件的自动耦合方法及系统。

一种光学集成芯片与光纤组件的自动耦合方法，包括：

构建包括输入层、隐层和输出层的神经网络；

预先获取所述光纤组件与多个样本光学集成芯片进行对准的多组样本参数值，每组所述样本参数值包括所述光纤组件的样本位置参数，以及所述光纤组件在所述样本位置参数下与所述样本光学集成芯片的耦合功率，所述样本位置参数包括至少一个自由度；

以多组所述样本参数值训练所述神经网络，每组所述样本参数值作为训练所述神经网络的一个训练样本；

获取所述光纤组件与待对准光学集成芯片的多组实际参数值，每组所述实际参数值作为所述神经网络输入层的一个输入量输入所述神经网络，从所述神经网络输出层得到一个包括一组输出参数的输出量，每组所述实际参数值包括所述光纤组件的实际位置参数，以及所述光纤组件在所述实际位置参数下与所述待对准光学集成芯片的耦合功率，所述实际位置参数具有与所述样本位置参数相同数量的自由度，所述输出参数包括：通过所述神经网络得到的最大耦合功率，以及与所述最大耦合功率对应的待移动位置参数，所述待移动位置参数具有与所述样本位置参数相同数量的自由度；

根据所述待移动位置参数调整所述光纤组件相对所述光学集成芯片的位置。

一种光学集成芯片与光纤组件的自动耦合系统，包括：

神经网络构建模块，用于构建包括输入层、隐层和输出层的神经网络；

样本获取模块，用于预先获取所述光纤组件与多个样本光学集成芯片进行对准的多组样本参数值，每组所述样本参数值包括所述光纤组件的样本位置参数，以及所述光纤组件在所述样本位置参数下与所述样本光学集成芯片的耦合功率，所述样本位置参数包括至少一个自由度；

训练模块，用于以多组所述样本参数值训练所述神经网络，每组所述样本参数值作为训练所述神经网络的一个训练样本；

输出量获取模块，用于获取所述光纤组件与待对准光学集成芯片的多组实际参数值，每组所述实际参数值作为所述神经网络输入层的一个输入量输入所述神经网络，从所述神经网络输出层得到一个包括一组输出参数的输出量，每组所述实际参数值包括所述光纤组件的实际位置参数，以及所述光纤组件在所述实际位置参数下与所述待对准光学集成芯片的耦合功率，所述实际位置参数具有与所述样本位置参数相同数量的自由度，所述输出参数包括：通过所述神经网络得到的最大耦合功率，以及与所述最大耦合功率对应的待移动位置参数，所述待移动位置参数具有与所述样本位置参数相同数量的自由度；

光纤组件移动模块，根据所述待移动位置参数调整所述光纤组件相对所述光学集成芯片的位置。

本发明通过预先获取的多组样本参数值对神经网络进行训练，以多组实际参数值作为神经网络的输入量，从而计算得到具有最大耦合功率的输出量。由于采用了神经网络，因此具有对准时间短、耦合效率高、重复性好、应用广泛等优点，有效地克服了传统的爬山算法搜索定位时间长，容易陷入局部极值的缺点。

附图说明

图1为本发明一种光学集成芯片与光纤组件的自动耦合方法的工作流程图；

图2为神经网络结构示意图；

图3为本发明一个例子的装置示意图；

图4为栅格扫描法示意图；

图5为本发明一种光学集成芯片与光纤组件的自动耦合系统的模块结构图。

具体实施方式

下面结合附图和具体实施例对本发明做进一步详细的说明。

如图1所示为本发明一种光学集成芯片与光纤组件的自动耦合方法的工作流程图，包括：

步骤S101，构建包括输入层、隐层和输出层的神经网络；

步骤S102，预先获取所述光纤组件与多个样本光学集成芯片进行对准的多组样本参数值，每组所述样本参数值包括所述光纤组件的样本位置参数，以及所述光纤组件在所述样本位置参数下与所述样本光学集成芯片的耦合功率，所述样本位置参数包括至少一个自由度；

步骤S103，以多组所述样本参数值训练所述神经网络，每组所述样本参数值作为训练所述神经网络的一个训练样本；

步骤S104，获取所述光纤组件与待对准光学集成芯片的多组实际参数值，每组所述实际参数值作为所述神经网络输入层的一个输入量输入所述神经网络，从所述神经网络输出层得到一个包括一组输出参数的输出量，每组所述实际参数值包括所述光纤组件的实际位置参数，以及所述光纤组件在所述实际位置参数下与所述待对准光学集成芯片的耦合功率，所述实际位置参数具有与所述样本位置参数相同数量的自由度，所述输出参数包括：通过所述神经网络得到的最大耦合功率，以及与所述最大耦合功率对应的待移动位置参数，所述待移动位置参数具有与所述样本位置参数相同数量的自由度；

步骤S105，根据所述待移动位置参数调整所述光纤组件相对所述光学集成芯片的位置。

本发明通过预先获取的多组样本参数值对神经网络进行训练，以多组实际参数值作为神经网络的输入量，从而计算得到具有最大耦合功率的输出量。

其中，光学集成芯片还可以是铌酸锂Y波导芯片，PLC分路器等。

优选地，光学集成芯片为超辐射发光管(SLD)芯片。

其中，在实际应用中，先执行步骤S101构建神经网络，建成神经网络后，每个光学集成芯片只要得到神经网络的输入量，即可得到光纤组件要调整的位置。下一只光学集成芯片也是如此，无需再建立神经网络。对于同规格的SLD芯片，只需要执行一次步骤S101、步骤S102和步骤S103建立神经网络，后续的芯片从步骤S104执行即可。建立一次神经网络就可一直使用。

其中，步骤S105中，根据所述待移动位置参数调整所述光纤组件相对所述光学集成芯片的位置，具体可以是固定光子芯片移动光纤组件以满足待移动位置参数，也可以是固定光纤组件移动光子芯片以满足待移动位置参数。

同时，在执行完步骤S105后，则进行后续的光纤组件固定，管壳尾管口密封、封盖、测试等工序。

其中，步骤S101构建的神经网络优选为径向基函数神经网络(RadialBasisFunctionNeural，RBFN)。神经网络是一种并行处理的非线性映射，在工程技术领域中是一种非常有效的数据处理工具。RBFN网络能以任意精度逼近任何非线性函数。由于具有全局逼近、训练方法快速、不存在局部最优问题等优点成为近年来研究的热点。

RBFN网络最基本的结构包括三层，其结构如图2所示。第一层为输入层，第二层为隐层，第三层是输出层。其中，x₁、x₂、……、x_k为输入层的节点即输入量，c₁、c₂、c₃、……、c_k为隐层的节点，y₁、y₂、……、y_k为输出层的节点即输出量。

输入量其作用只是将信号传递到隐层，信号通过隐层进行非线性变换，即隐层节点中的基函数对输入层输入的信号产生局部响应，输出层节的输出值为隐层节点的线性加权，从而使整个网络达到函数逼近的目的。

采用径向基函数(RadialBasisFunction，RBF)作为隐层节点的激励函数，常见的RBF函数有：高斯函数、平方根函数、平方根倒数函数、反演S型函数。高斯函数的表现形式光滑，且存在任意阶导数，所以一般基函数选用高斯函数。所以第i个隐层单元的输出见式(1-1)所示：

$o_i\left(\right||x-c_i|\left|\right)=\exp \left(\frac{-{\left|\right|x-c_i\left|\right|}^2}{{\mathrm{\δ}}_i^2}\right)---(1-1).$

式中c_i为第i个隐层节点激励函数的中心；

δ_i为第i个隐层节点激励函数的宽度。

则整个网络的输出方程为式(1-2)：

$y=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ω}}_{\mathrm{iq}}{o}_i\left(\right||x-c_i|\left|\right)=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\ω}}_{\mathrm{iq}}\exp \left(\frac{-{\left|\right|x-c_i\left|\right|}^2}{{\mathrm{\δ}}_i^2}\right)---(1-2).$

式中ω_iq为第q个输出节点与第i个隐层节点的连接权值。

神经网络的样本数据：

(1)样本数据的选择：神经网络通过对样本的进行反复的学习，根据提供的样本得到反映整体的演变关系，进而对新数据进行预测。因此，训练样本对神经网络拟合的精确度和算法对新样本适应能力是非常重要的。

在对训练样本的选择时，首先样本的分布要合适、要广，要能覆盖整个SLD的光场，要能体现总体的趋势规律。其次样本的分布要均匀，过多选择局部数据会对最终的计算结果产生很大的影响。再次对样本进行利用之前，必须剔除误差较大、明显不正确的数据，以提高样本的准确性。

(2)样本归一化处理：由于RBFN网络使用高斯函数作为基函数，高斯函数在固定的区间内变化是十分明显，在其他区域内变化十分缓慢。原始数据并不一定在高斯函数变化迅速的区域内，也可能位于其他区域，这样就会导致输出饱和。因此，在使用数据训练网络之前，需要把数据归一化处理，把位于其他区域的原始数据缩放到高斯函数变化明显的区域内。对样本进行归一化后，训练RBFN网络的速度大大加快，增强了算法对新样本的适应能力。

隐层节点数目的确定：

RBFN网络中隐层节点的数目的确定对网络的收敛速度、拟合精确度和对新样本的适应能力等参数具有巨大影响。训练样本数p的近似经验公式见式(1-3)：

$p=1+h\frac{(m+n+1)}{m}---(1-3).$

式中n为隐层节点数目；

h为输入量数目；

m为输出量数目。

根据式(1-3)，确定了任意三个参数就可以确定另外的一个参数。

神经网络的训练算法：

RBFN网络中需要确定的参数主要有三个：隐层节点的中心c_i和宽度δ_i，隐层节点到输出层节点的连接权值ω_iq。

(1)隐层节点中心c_i的确定：SLD芯片光场的分布是具有一定规律的，所以使用K-均值聚类算法，动态的调整中心c_i的位置。

K-均值聚类算法在具有快速学习速度的同时，也具有高精度。RBFN网络隐层节点和输入量的距离决定了隐层节点对输入量相应的程度。确定隐层节点中心的过程，就是根据样本之间的距离进行聚类的过程，得到的聚类中心即隐层节点的中心。

(2)隐层节点宽度的确定根据各个隐层节点中心之间的距离，就能够确定对应高斯函数的宽度δ_i。第j类聚类中心与它的最近邻第i类聚类中心的欧式距离d_j见式(1-4)：

$d_j=\underset{i}{\min }\left|\right|c_j-c_i\left|\right|---(1-4)$

则宽度δ_i见式(1-5)：

δ_i＝λd_j(1-5)

式中，λ为分布系数。

激励函数的灵敏度一定程度上取决于λ。理论上λ值应该越大越好，因为RBFN网络的拟合结果就会越平滑，使隐层节点能够对输入所覆盖的区间都产生响应。但过大λ值会使RBFN网络所具有的局部收敛优势丧失殆尽，使RBF对过大范围的输入产生响应，引起过拟合，这样不但会降低拟合精度，还会大大增加学习时间。

(3)隐层到输出层输出权值ω_iq的确定：采用LMS算法或是最小二乘法调节隐层到输出层的权值。

在其中一个实施例中：

所述样本位置参数包括多个自由度；

所述获取所述光纤组件与待对准光学集成芯片的多组实际参数值，具体包括：

在固定所述实际位置参数的至少一个自由度的情况下，获取所述光纤组件与待对准光学集成芯片的多组实际参数值。

自由度指的是光纤组件与光学集成芯片的相对位置关系。本实施例，在获取实际参数值时，固定其中至少一个自由度，从而减少最终神经网络的运算复杂度，提高效率。

在其中一个实施例中：

所述自由度包括：横向位错、竖向位错、纵向间距、俯仰角度、横摆角度和旋转角度。

在其中一个实施例中：

所述获取所述光纤组件与待对准光学集成芯片的多组实际参数值，具体包括：

固定所述光纤组件与所述待对准光学集成芯片的纵向间距、俯仰角度、横摆角度和旋转角度；

获取所述光纤组件与待对准光学集成芯片在不同的横向位错和竖向位错组合下的多组实际参数值。

通过多次实验发现，当固定纵向间距、俯仰角度、横摆角度和旋转角度后，对最终通过神经网络所计算得到的输出量影响不大，因此通过固定纵向间距、俯仰角度、横摆角度和旋转角度四个自由度，从而减少神经网络的运算复杂度，提高运算速度。作为一个例子纵向间距、俯仰角度，横摆角度，旋转角度的设定范围为：纵向间距为光纤组件的头部距离芯片发光端面0.3-0.8mm，俯仰角度，横摆角度，旋转角度为±20°。

在其中一个实施例中，所述获取所述光纤组件与待对准光学集成芯片在多个横向位错和竖向位错组合下的多组实际参数值，具体包括：

通过栅格扫描法获取所述光纤组件与待对准光学集成芯片在不同的横向位错和竖向位错组合下的多组实际参数值。

本实施例，采用栅格扫描法进行扫描，相对于随机取样的方式，比较节约时间。相对于下述例子，其能够减少高精度六维位移平台33的运动量

如图3所示，为本发明一个例子的装置示意图，具体以SLD芯片与光纤组件自动耦合为例，其中，SDL芯片32固定在基座上，高精度六维位移平台33通过光纤组件夹持装置36夹持光纤组件31，并调整光纤组件31的横向位错X、竖向位错Y、纵向间距Z、俯仰角度、横摆角度和旋转角度。并通过光功率采集装置34获取光纤组件31和SLD芯片32的耦合功率，并反馈到信号采集处理与控制模块35中进行神经网络运算，信号采集处理与控制模块35通过神经网络运算得到的值，控制高精度六维位移平台33调整光纤组件31。

具体的耦合步骤如下：

(1)采用高斯函数确定样本数量：

高斯函数的表现形式光滑，且存在任意阶导数，所以选用高斯函数作为隐层节点的激励函数。样本数目p的确定根据经验公式确定。

$p=1+h\frac{(m+n+1)}{m},$

式中，n为隐层节点数目；h为输入量数目；m为输出变量数目。

(2)取多个SLD芯片，通过高精度六维位移平台调整光纤组件的横向位错X，Y、纵向间距Z、俯仰角度、横摆角度和旋转角度等参数获得不同参数下SLD芯片具有共同特征的场强分布。对SLD芯片的场强分布进行归一化处理。

场强分布最终是一个包含七个元素的行向量或是列向量，隐层节点是通过场强分布作为训练样本进行训练得到。

(3)根据以上步骤提供的各种数据在信号处理与控制模块35中创建神经网络。将不同参数下SLD芯片的场强分布作为训练神经网络的样本。SLD芯片场强的分布是具有一定规律的，所以使用K-均值聚类算法，动态的调整中心c_i的位置。根据各个隐层节点中心位置之间的距离，用试凑法或估计法确定对应高斯函数的宽度δ_i。隐层到输出层输出权值ω_iq的确定采用LMS法或是最小二乘法。

其中，隐层节点的主要参数是中心位置和宽度，中心位置的形式也是

(4)在纵向间距Z、俯仰角度、横摆角度和旋转角度为某个定值时，利用栅格扫描法获得该X-Y平面内SLD场强的分布，耦合功率通过光功率采集装置34获得。光功率采集装置34获取的数据传输到信号处理与控制模块35中，结合高精度位移平台33反馈的光纤组件的对应横向位错X、竖向位错Y、纵向间距Z、俯仰角度、横摆角度和旋转角度，作为RBF神经网络的输入量。通过神经网络处理得出光纤组件所处的耦合功率最大位置与现光纤组件停止的位置之间的调整矢量。

具体的栅格扫描法如图4所示，根据箭头方向对X-Y平面内的不同的横向位错和竖向位错组合进行扫描，并获取对应的耦合功率。

(5)根据神经网络得出的调整矢量，信号处理与控制模块35控制高精度位移平台33移动到耦合功率的最大位置。然后进行后续的光纤组件固定，管壳尾管口密封、封盖、测试等工序。

具体的例子如下：

(1)首先通过多个SLD芯片的数据作为训练样本训练隐层，训练得到的其中一个隐层节点的中心位置为宽度为其他的隐层节点的样式是类似的。

(2)通过栅格扫描法获得多个输入量，因为在纵向间距Z、俯仰角度、横摆角度和旋转角度为某个定值时得到的，所以多个输入量组成的矩阵的样式为每个列向量作为输入量，通过神经网络后，得到输出量，输出量为一个向量其最终的耦合输出光功率为1.78mW，光纤组件的空间位置为(1586.2um，2863.2um，8.6um)，角度为(3.2°，1.9°，6.5°)，通过与现光纤组件停止的位置，计算得到两者之间的调整矢量，根据调整矢量调整光纤组件的位置和角度，即可得到最大的耦合功率。注：为演示清楚，此例子是有单位的，在实际运算中数据是没有单位的。

如图5所示为本发明一种光学集成芯片与光纤组件的自动耦合系统的模块结构图，包括：

神经网络构建模块501，用于构建包括输入层、隐层和输出层的神经网络；

样本获取模块502，用于预先获取所述光纤组件与多个样本光学集成芯片进行对准的多组样本参数值，每组所述样本参数值包括所述光纤组件的样本位置参数，以及所述光纤组件在所述样本位置参数下与所述样本光学集成芯片的耦合功率，所述样本位置参数包括至少一个自由度；

训练模块503，用于以多组所述样本参数值训练所述神经网络，每组所述样本参数值作为训练所述神经网络的一个训练样本；

输出量获取模块504，用于获取所述光纤组件与待对准光学集成芯片的多组实际参数值，每组所述实际参数值作为所述神经网络输入层的一个输入量输入所述神经网络，从所述神经网络输出层得到一个包括一组输出参数的输出量，每组所述实际参数值包括所述光纤组件的实际位置参数，以及所述光纤组件在所述实际位置参数下与所述待对准光学集成芯片的耦合功率，所述实际位置参数具有与所述样本位置参数相同数量的自由度，所述输出参数包括：通过所述神经网络得到的最大耦合功率，以及与所述最大耦合功率对应的待移动位置参数，所述待移动位置参数具有与所述样本位置参数相同数量的自由度；

光纤组件移动模块505，根据所述待移动位置参数调整所述光纤组件相对所述光学集成芯片的位置。

在其中一个实施例中：

所述样本位置参数包括多个自由度；

所述获取所述光纤组件与待对准光学集成芯片的多组实际参数值，具体包括：

在固定所述实际位置参数的至少一个自由度的情况下，获取所述光纤组件与待对准光学集成芯片的多组实际参数值。

在其中一个实施例中：

所述自由度包括：横向位错、竖向位错、纵向间距、俯仰角度、横摆角度和旋转角度。

在其中一个实施例中：

所述获取所述光纤组件与待对准光学集成芯片的多组实际参数值，具体包括：

固定所述光纤组件与所述待对准光学集成芯片的纵向间距、俯仰角度、横摆角度和旋转角度；

获取所述光纤组件与待对准光学集成芯片在不同的横向位错和竖向位错组合下的多组实际参数值。

在其中一个实施例中，所述获取所述光纤组件与待对准光学集成芯片在多个横向位错和竖向位错组合下的多组实际参数值，具体包括：

通过栅格扫描法获取所述光纤组件与待对准光学集成芯片在不同的横向位错和竖向位错组合下的多组实际参数值。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种光学集成芯片与光纤组件的自动耦合方法，其特征在于，包括：

构建包括输入层、隐层和输出层的神经网络；

预先获取所述光纤组件与多个样本光学集成芯片进行对准的多组样本参数值，每组所述样本参数值包括所述光纤组件的样本位置参数，以及所述光纤组件在所述样本位置参数下与所述样本光学集成芯片的耦合功率，所述样本位置参数包括至少一个自由度；

以多组所述样本参数值训练所述神经网络，每组所述样本参数值作为训练所述神经网络的一个训练样本；

获取所述光纤组件与待对准光学集成芯片的多组实际参数值，每组所述实际参数值作为所述神经网络输入层的一个输入量输入所述神经网络，从所述神经网络输出层得到一个包括一组输出参数的输出量，每组所述实际参数值包括所述光纤组件的实际位置参数，以及所述光纤组件在所述实际位置参数下与所述待对准光学集成芯片的耦合功率，所述实际位置参数具有与所述样本位置参数相同数量的自由度，所述输出参数包括：通过所述神经网络得到的最大耦合功率，以及与所述最大耦合功率对应的待移动位置参数，所述待移动位置参数具有与所述样本位置参数相同数量的自由度；

根据所述待移动位置参数调整所述光纤组件相对所述光学集成芯片的位置。

2.根据权利要求1所述的光学集成芯片与光纤组件的自动耦合方法，其特征在于：

所述样本位置参数包括多个自由度；

所述获取所述光纤组件与待对准光学集成芯片的多组实际参数值，具体包括：

在固定所述实际位置参数的至少一个自由度的情况下，获取所述光纤组件与待对准光学集成芯片的多组实际参数值。

3.根据权利要求1所述的光学集成芯片与光纤组件的自动耦合方法，其特征在于：

所述自由度包括：横向位错、竖向位错、纵向间距、俯仰角度、横摆角度和旋转角度。

4.根据权利要求3所述的光学集成芯片与光纤组件的自动耦合方法，其特征在于：

所述获取所述光纤组件与待对准光学集成芯片的多组实际参数值，具体包括：

固定所述光纤组件与所述待对准光学集成芯片的纵向间距、俯仰角度、横摆角度和旋转角度；

获取所述光纤组件与待对准光学集成芯片在不同的横向位错和竖向位错组合下的多组实际参数值。

5.根据权利要求4所述的光学集成芯片与光纤组件的自动耦合方法，其特征在于，所述获取所述光纤组件与待对准光学集成芯片在多个横向位错和竖向位错组合下的多组实际参数值，具体包括：

通过栅格扫描法获取所述光纤组件与待对准光学集成芯片在不同的横向位错和竖向位错组合下的多组实际参数值。

6.一种光学集成芯片与光纤组件的自动耦合系统，其特征在于，包括：

神经网络构建模块，用于构建包括输入层、隐层和输出层的神经网络；

样本获取模块，用于预先获取所述光纤组件与多个样本光学集成芯片进行对准的多组样本参数值，每组所述样本参数值包括所述光纤组件的样本位置参数，以及所述光纤组件在所述样本位置参数下与所述样本光学集成芯片的耦合功率，所述样本位置参数包括至少一个自由度；

训练模块，用于以多组所述样本参数值训练所述神经网络，每组所述样本参数值作为训练所述神经网络的一个训练样本；

输出量获取模块，用于获取所述光纤组件与待对准光学集成芯片的多组实际参数值，每组所述实际参数值作为所述神经网络输入层的一个输入量输入所述神经网络，从所述神经网络输出层得到一个包括一组输出参数的输出量，每组所述实际参数值包括所述光纤组件的实际位置参数，以及所述光纤组件在所述实际位置参数下与所述待对准光学集成芯片的耦合功率，所述实际位置参数具有与所述样本位置参数相同数量的自由度，所述输出参数包括：通过所述神经网络得到的最大耦合功率，以及与所述最大耦合功率对应的待移动位置参数，所述待移动位置参数具有与所述样本位置参数相同数量的自由度；

光纤组件移动模块，根据所述待移动位置参数调整所述光纤组件相对所述光学集成芯片的位置。

7.根据权利要求6所述的光学集成芯片与光纤组件的自动耦合系统，其特征在于：

所述样本位置参数包括多个自由度；

所述获取所述光纤组件与待对准光学集成芯片的多组实际参数值，具体包括：

在固定所述实际位置参数的至少一个自由度的情况下，获取所述光纤组件与待对准光学集成芯片的多组实际参数值。

8.根据权利要求6所述的光学集成芯片与光纤组件的自动耦合系统，其特征在于：

所述自由度包括：横向位错、竖向位错、纵向间距、俯仰角度、横摆角度和旋转角度。

9.根据权利要求8所述的光学集成芯片与光纤组件的自动耦合系统，其特征在于：

所述获取所述光纤组件与待对准光学集成芯片的多组实际参数值，具体包括：

固定所述光纤组件与所述待对准光学集成芯片的纵向间距、俯仰角度、横摆角度和旋转角度；

获取所述光纤组件与待对准光学集成芯片在不同的横向位错和竖向位错组合下的多组实际参数值。

10.根据权利要求9所述的光学集成芯片与光纤组件的自动耦合系统，其特征在于，所述获取所述光纤组件与待对准光学集成芯片在多个横向位错和竖向位错组合下的多组实际参数值，具体包括：

通过栅格扫描法获取所述光纤组件与待对准光学集成芯片在不同的横向位错和竖向位错组合下的多组实际参数值。