CN109782392A - 一种基于改进型随机并行梯度下降算法的光纤耦合方法 - Google Patents
一种基于改进型随机并行梯度下降算法的光纤耦合方法 Download PDFInfo
- Publication number
- CN109782392A CN109782392A CN201910144363.5A CN201910144363A CN109782392A CN 109782392 A CN109782392 A CN 109782392A CN 201910144363 A CN201910144363 A CN 201910144363A CN 109782392 A CN109782392 A CN 109782392A
- Authority
- CN
- China
- Prior art keywords
- gradient
- descent algorithm
- fiber
- gradient descent
- moment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Mechanical Light Control Or Optical Switches (AREA)
Abstract
本发明提供了一种基于改进型随机并行梯度下降算法的光纤耦合方法,旨在解决传统光纤耦合使用并行梯度下降算法收敛速度过慢和稳定性差的问题。该方法首先对光纤耦合的控制量同时施加随机扰动{δui},然后计算施加扰动后的目标函数光功率J改变量,进而得到目标函数的近似梯度gradl (n)=δJδul (n),通过计算近似梯度的一阶矩和二阶矩,得到解决随机并行梯度下降算法的自适应增益,以替代随机并行梯度算法的固定增益,用来迭代更新控制量,最终达到使并行梯度下降算法跳出局部,加快收敛和增加算法稳定性的能力。
Description
技术领域
本发明属于光通信技术研究领域,尤其涉及一种基于改进型随机并行梯度下降算法的光纤耦合方法。
背景技术
自由空间光通信(Free Space Optical Communication)作为一种新兴的通信技术,由于其高带宽,高保密性,无频段许可等优点成为研究热点。随着光纤技术的不断发展,光纤技术及器件越来越多的被应用到激光通信系统中,极大的提高了激光通信端机的性能和灵活度,在实际外场通信中,如果接收端平台抖动或光束由于大气湍流等因素发生抖动,会造成远场光斑与光纤模场的失配,导致光纤耦合效率降低,影响通信质量。传统使用SPGD方法优化光纤耦合效率,但是其存在收敛效果严重依赖于当前随机数的好坏,存在收敛速度过慢,容易陷入局部最优、算法稳定性差以及对参数敏感等问题,限制了其发展。
发明内容
本发明要解决的技术问题是提供一种基于改进型随机并行梯度下降算法的光纤耦合方法,以解决现有光纤耦合使用随机并行梯度下降算法收敛速度慢和算法不稳定的问题。
为解决上述技术问题,本发明采用如下技术方案:一种基于改进型随机并行梯度下降算法的光纤耦合方法,包括以下步骤:
步骤1、首先对光纤耦合的所有倾斜镜控制量同时施加随机扰动{δui},并计算目标函数的改变量δJ,其中随机扰动{δul}需要满足贝努利分布。更新公式如下:
δJ=J(u1+δu1,...uj+δuj,...uN+δuN)-J(u1,..,uN)
步骤2、计算得到目标函数的近似梯度gradl (n)=δJδul (n);
步骤3、通过计算近似梯度的一阶矩和二阶矩,得到自适应随机并行梯度下降算法的自适应步长,用来迭代更新控制量;所采用近似梯度的一阶矩和二阶矩更新方式按照如下规则进行:
t=t+1
ml (n+1)=β1ml (n)+(1-β1)gradl (n)
vl (n+1)=β2v(n)+(1-β2)·gradl (n)·gradl (n)
上式中,t为迭代次数,m近似梯度为一阶矩,v为近似梯度二阶矩。β1和β2分别是一阶矩和二阶矩的参数,μ为学习率;
步骤4、重复步骤1至步骤3直至目标函数即光功率计收敛或达到迭代次数。
本发明与现有技术相比具有如下优点:
(1)本发明对比传统的随机并行梯度下降算法,提高了其收敛速度。
(2)本发明对比传统的随机并行梯度下降算法,提高了其参数稳定性。
附图说明
图1是本发明一种基于改进型随机并行梯度下降算法的光纤耦合方法流程图;
图2是本发明一种基于改进型随机并行梯度下降算法的光纤耦合方法的原理图;
图3是本发明与传统SPGD算法的对比图,本发明(AdaSPGD)比传统SPGD算法速度更快;
图4是本发明与传统SOGD算法的对比图,本发明(AdaSPGD)在改动算法的delta参数时更稳定,而传统SPGD算法则无法收敛。
具体实施方式
下面结合附图对本发明的具体实施方式做详细说明。但以下实施例只是用来详细说明本发明,并不以任何方式限制本发明的范围。
如图1所示,以下实施例中作为示例,一种基于改进型随机并行梯度下降算法的光纤耦合方法,优化光纤耦合的仿真程序,并与传统使用SPGD算法的光纤耦合方法进行对比。
步骤1、首先对光纤耦合所有倾斜镜控制量x施加随机扰动{δx},并计算目标函数即光功率计的改变量δJ,其中随机扰动{δx}需要满足贝努利分布。更新公式如下:
δJ=J(u1+δu1,u2+δ)-J(u1,u2)
步骤2、计算得到目标函数的近似梯度gradi (n)=δJδui (n),其中n为迭代次数,i=1,2;
步骤3、按照如下方式更新自适应步长,得到下一次迭代更新的控制量u;
t=t+1
m(n+1)=β1m(n)+(1-β1)grad(n)
v(n+1)=β2v(n)+(1-β2)·grad(n)·grad(n)
v(n+1)=β2v(n)/(1-β2 t)
上式中,t为迭代次数,m近似梯度为一阶矩,v为近似梯度二阶矩。β1和β2分别是一阶矩和二阶矩的参数,μ为学习率;
步骤4、重复步骤1至步骤3直至目标函数即光功率计数值收敛或达到迭代次数。
如图3所示,本发明(AdaSPGD)在光纤耦合仿真上效果和传统SPGD方法的50次对比,可以发现本发明得迭代步数少,收敛速度更快。如图4所示,本发明(AdaSPGD)在光纤耦合仿真上效果和传统SPGD方法的50次对比,在调节delta参数时,传统SPGD方法均无法收敛,但本发明依旧收敛并且速度很快。
Claims (3)
1.一种基于改进型随机并行梯度下降算法的光纤耦合方法,利用近似梯度的一阶矩和二阶矩更新控制变量,其特征在于,包括以下步骤:
步骤1、首先对光纤耦合的所有倾斜镜控制量同时施加随机扰动{δui},并计算目标函数的改变量δJ;
步骤2、计算得到目标函数的近似梯度gradi (n)=δJδui (n),其中n为迭代次数;
步骤3、通过计算近似梯度的一阶矩和二阶矩,得到自适应随机并行梯度下降算法的自适应步长,用来迭代更新控制量:
步骤4、重复步骤1至步骤3直至目标函数即光功率值收敛或达到迭代次数。
2.根据权利要求1所述的基于改进型随机并行梯度下降算法的光纤耦合方法,其特征在于,步骤1中所述的目标函数的改变量δJ应采用如下公式计算,随机扰动{δul}需要满足贝努利分布,
δJ=J(u1+δu1,...uj+δuj,...uN+δuN)-J(u1,..,uN)。
3.根据权利要求1所述的基于改进型随机并行梯度下降算法的光纤耦合方法,其特征在于,步骤3所采用近似梯度的一阶矩和二阶矩更新方式按照如下规则进行,
t=t+1
ml (n+1)=β1ml (n)+(1-β1)gradl (n)
vl (n+1)=β2v(n)+(1-β2)·gradl (n)·gradl (n)
上式中,t为迭代次数,m近似梯度为一阶矩,v为近似梯度二阶矩,β1和β2分别是一阶矩和二阶矩的参数,μ为学习率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910144363.5A CN109782392A (zh) | 2019-02-27 | 2019-02-27 | 一种基于改进型随机并行梯度下降算法的光纤耦合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910144363.5A CN109782392A (zh) | 2019-02-27 | 2019-02-27 | 一种基于改进型随机并行梯度下降算法的光纤耦合方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109782392A true CN109782392A (zh) | 2019-05-21 |
Family
ID=66485830
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910144363.5A Pending CN109782392A (zh) | 2019-02-27 | 2019-02-27 | 一种基于改进型随机并行梯度下降算法的光纤耦合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109782392A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101266334A (zh) * | 2008-05-07 | 2008-09-17 | 北京理工大学 | 基于随机并行梯度下降算法的无波前探测器自适应光学系统 |
CN107315570A (zh) * | 2016-04-27 | 2017-11-03 | 北京中科寒武纪科技有限公司 | 一种用于执行Adam梯度下降训练算法的装置及方法 |
CN108053398A (zh) * | 2017-12-19 | 2018-05-18 | 南京信息工程大学 | 一种半监督特征学习的黑色素瘤自动检测方法 |
CN108170529A (zh) * | 2017-12-26 | 2018-06-15 | 北京工业大学 | 一种基于长短期记忆网络的云数据中心负载预测方法 |
CN108427986A (zh) * | 2018-02-26 | 2018-08-21 | 中车青岛四方机车车辆股份有限公司 | 一种生产线电机故障预测方法及装置 |
-
2019
- 2019-02-27 CN CN201910144363.5A patent/CN109782392A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101266334A (zh) * | 2008-05-07 | 2008-09-17 | 北京理工大学 | 基于随机并行梯度下降算法的无波前探测器自适应光学系统 |
CN107315570A (zh) * | 2016-04-27 | 2017-11-03 | 北京中科寒武纪科技有限公司 | 一种用于执行Adam梯度下降训练算法的装置及方法 |
CN108053398A (zh) * | 2017-12-19 | 2018-05-18 | 南京信息工程大学 | 一种半监督特征学习的黑色素瘤自动检测方法 |
CN108170529A (zh) * | 2017-12-26 | 2018-06-15 | 北京工业大学 | 一种基于长短期记忆网络的云数据中心负载预测方法 |
CN108427986A (zh) * | 2018-02-26 | 2018-08-21 | 中车青岛四方机车车辆股份有限公司 | 一种生产线电机故障预测方法及装置 |
Non-Patent Citations (1)
Title |
---|
吴子开: "提高空间光通信系统耦合效率的研究", 《中国优秀硕士学位论文全文数据库(电子期刊)》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fiers et al. | Nanophotonic reservoir computing with photonic crystal cavities to generate periodic patterns | |
CN113487035B (zh) | 量子门的控制脉冲确定方法、装置及电子设备 | |
WO2023179374A1 (zh) | 一种光学神经网络训练方法、装置、设备及介质 | |
CN103716013A (zh) | 变参数比例自适应滤波器 | |
CN105867497A (zh) | 一种mz调制器偏置电压自适应控制方法 | |
CN110048694A (zh) | 基于变元步长的随机傅里叶特征核最小均方算法 | |
Tao et al. | Finite frequency range robust iterative learning control of linear discrete system with multiple time-delays | |
CN113630197B (zh) | 天线的相位调整方法、装置、存储介质及电子设备 | |
Wang et al. | Laser beam jitter control of the link in free space optical communication systems | |
CN109782392A (zh) | 一种基于改进型随机并行梯度下降算法的光纤耦合方法 | |
Lamprecht et al. | Modelling the refractive index structure parameter: A ResNet approach | |
Akrout et al. | Parallel photonic reservoir computing using frequency multiplexing of neurons | |
CN107894662A (zh) | 一种用于oam光束相位修复的改进spgd算法 | |
CN116706657A (zh) | 一种用于激光相干合成系统的改进spgd方法 | |
CN108073072B (zh) | Siso紧格式无模型控制器基于偏导信息的参数自整定方法 | |
CN114371618B (zh) | 基于神经网络的扩张状态观测器补偿方法及自抗扰控制器 | |
CN109765689A (zh) | 一种基于ccd和光功率计的光纤耦合方法 | |
CN212086198U (zh) | 一种自适应高精度光纤延时系统 | |
CN102682160B (zh) | 获得电磁材料的特征属性参数的方法、装置以及制作方法 | |
CN108132600B (zh) | Mimo紧格式无模型控制器基于偏导信息的参数自整定方法 | |
CN109192220A (zh) | 一种比例微分控制的混合信号自适应快速分离方法 | |
Fiers et al. | Optical information processing: Advances in nanophotonic reservoir computing | |
CN207457616U (zh) | 基于g-s算法产生艾里光束的装置 | |
CN110187499A (zh) | 一种基于神经网络的片上集成光功率衰减器的设计方法 | |
JP2020067984A (ja) | 情報処理システム及び情報処理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190521 |