CN112485870A - 光纤耦合器阵列的自适应控制方法 - Google Patents
光纤耦合器阵列的自适应控制方法 Download PDFInfo
- Publication number
- CN112485870A CN112485870A CN202011419026.1A CN202011419026A CN112485870A CN 112485870 A CN112485870 A CN 112485870A CN 202011419026 A CN202011419026 A CN 202011419026A CN 112485870 A CN112485870 A CN 112485870A
- Authority
- CN
- China
- Prior art keywords
- optical fiber
- fiber coupler
- coupler array
- data set
- adaptive
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G02—OPTICS
- G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
- G02B6/00—Light guides; Structural details of arrangements comprising light guides and other optical elements, e.g. couplings
- G02B6/24—Coupling light guides
- G02B6/42—Coupling light guides with opto-electronic elements
- G02B6/4201—Packages, e.g. shape, construction, internal or external details
- G02B6/4219—Mechanical fixtures for holding or positioning the elements relative to each other in the couplings; Alignment methods for the elements, e.g. measuring or observing methods especially used therefor
- G02B6/422—Active alignment, i.e. moving the elements in response to the detected degree of coupling or position of the elements
- G02B6/4225—Active alignment, i.e. moving the elements in response to the detected degree of coupling or position of the elements by a direct measurement of the degree of coupling, e.g. the amount of light power coupled to the fibre or the opto-electronic element
-
- G—PHYSICS
- G02—OPTICS
- G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
- G02B6/00—Light guides; Structural details of arrangements comprising light guides and other optical elements, e.g. couplings
- G02B6/24—Coupling light guides
- G02B6/42—Coupling light guides with opto-electronic elements
- G02B6/4296—Coupling light guides with opto-electronic elements coupling with sources of high radiant energy, e.g. high power lasers, high temperature light sources
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Optics & Photonics (AREA)
- Optical Communication System (AREA)
Abstract
本发明公开了一种光纤耦合器阵列的自适应控制方法,包括搭建光纤耦合器阵列控制系统;采用搭建的光纤耦合器阵列控制系统进行数据传输,获取真实数据集并划分为训练数据集和测试数据集;搭建针对光纤耦合器阵列的自适应初步控制模型并训练得到针对光纤耦合器阵列的自适应控制模型;采用得到的自适应控制模型对光纤耦合器阵列进行自适应控制。本发明提引入强化学习手段对光纤耦合器阵列进行自适应控制,使得本发明方法比传统的SGPD方法更具有时效性和泛化性,能够提高激光接收终端的耦合效率以及稳定性,避免信息丢失,提高通信质量,而且安全可靠。
Description
技术领域
本发明属于空间激光通信领域,具体涉及一种光纤耦合器阵列的自适应控制方法。
背景技术
现阶段随着激光通信技术的不断进步,通信介质也由光纤拓展到自由空间及水下等场景。相较于传统的无线通信方式(如无线电,声通信等),自由空间激光通信由于具有方向性好、通信容量大、带宽高、天线尺寸小、保密性好等优点,已逐渐成为无线通信领域的重要研究课题,近年来得到了越来越多的关注,有望成为星地间海量数据传输的有效手段。
在自由空间激光的研究中,需要根据不同气象条件下的传输衰减,大气闪烁,空气散射,背景噪声等来减少大气信道的空间损耗。通过准确掌握某地的气候等通信条件,同时找到气象条件影响通信质量的规律,从而为通信的实现提供参考数据。但目前,自由空间激光通信由于受到日光、月光、星光等背景噪声光的影响,通信接收终端探测信号中夹杂着很强的背景光噪声。这将增大通信的误码率,降低通信质量。
同时,如何提高空间光耦合效率、降低信噪比,也是需要解决的关键技术问题之一。在空间激光通信系统中,激光接收终端的性能决定了整体通信性能的优劣。事实上,由于大气湍流效应、机械平台震动以及热畸变的存在,极大地影响了光纤耦合效率。因此,如何消除大气湍流的影响、改善接收端的光耦合效率,是空间激光通信领域孜孜以求的目标。目前,激光接收终端一般采用传统SPGD算法对终端内的光纤耦合器阵列进行控制。但是,传统SPGD算法虽然控制效果较为不错,但算法处理速度慢,时效长,影响了激光接收终端的性能的进一步提升。
发明内容
本发明的目的在于提供一种能够提高激光接收终端的耦合效率以及稳定性,避免信息丢失,提高通信质量且安全可靠的光纤耦合器阵列的自适应控制方法。
本发明提供的这种光纤耦合器阵列的自适应控制方法,包括如下步骤:
S1.搭建光纤耦合器阵列控制系统;
S2.采用步骤S1搭建的光纤耦合器阵列控制系统进行数据传输,获取真实数据集,并划分为训练数据集和测试数据集;
S3.搭建针对光纤耦合器阵列的自适应初步控制模型,并采用步骤S2得到的训练数据集和测试数据集,对搭建的自适应初步控制模型进行训练,从而得到针对光纤耦合器阵列的自适应控制模型;
S4.采用步骤S3得到的自适应控制模型,对光纤耦合器阵列进行自适应控制。
步骤S1所述的光纤耦合器阵列控制系统,具体包括99:1分束器、自适应光纤耦合器阵列、若干组单模光纤、若干组光电探测器、控制器、相机型光斑分析仪和高压放大器;光经过99:1分束器后,1%的光经由相机型光斑分析仪分析后将数据输入控制器;99%的光进入自适应光纤耦合器阵列后,将有部分入射光被耦合进单模光纤内,再通过单模光纤传输至光电探测器,转化为对应的电信号,并被送至控制器;控制器经迭代运算后输出用于控制自适应光纤耦合器阵列的多路驱动电压信号;驱动电压信号再经高压放大器放大后,用于驱动自适应光纤耦合器阵列的内置光纤端面在各自耦合透镜的后焦平面处搜索耦合效率最大值点,实现耦合效率的优化。
步骤S2所述的采用步骤S1搭建的光纤耦合器阵列控制系统进行数据传输,获取真实数据集,并划分为训练数据集和测试数据集,具体为采用1550nm的激光源进行数据传输,利用SPGD算法迭代运算后得到控制光纤耦合阵列的多路驱动电压,使得耦合效率达到最大值点;同时获取如下数据变量:激光束宽、接收端功率、耦合效率和驱动电压;其中激光束宽、接收端功率和耦合效率组成标签st,驱动电压组成标签at。
步骤S2所述的划分为训练数据集和测试数据集,具体为将获取的真实数据集中的60%的数据划分为训练数据集,剩余的40%的数据划分为测试数据集。
步骤S3所述的搭建针对光纤耦合器阵列的自适应初步控制模型,并采用步骤S2得到的训练数据集和测试数据集,对搭建的自适应初步控制模型进行训练,从而得到针对光纤耦合器阵列的自适应控制模型,具体为采用如下步骤得到最终的模型:
A.对输入的数据进行归一化,并在归一化后的数据中加入零均值高斯噪声,从而提高模型的鲁棒性;
B.模型的内部网络结构基于深度神经网络,采用Batch Normalization层和隐藏层的结构构建网络模型,并采用如下算式拟合状态变化与当前状态和动作的非线性关系:
C.给定光纤耦合器阵列的状态动作为τ=(s0,a0,s1,a1,...,sT,aT);同时采用如下算式作为训练数据集的损失函数s(θ):
式中Dval为测试集;H为动力学函数向前传播的步数;h为动力学函数向前传播的步数;st+h为向前传播h步的实际状态;为向前传播h步的预测状态; 为向前传播h-1步时,所做动作引起的预测状态的变化;同时利用随机梯度下降法求得最优参数;
随机生成K个候选动作序列,使用学习到的模型预测相应的状态序列,计算所有序列的奖励,并选择最高预期累积奖励;策略仅执行第一个操作at,接收更新的状态信息st+1,并在下一时间步长重新计算最佳操作序列;保存该动作序列作为数据集D*;
本发明提供的这种光纤耦合器阵列的自适应控制方法,引入强化学习手段对光纤耦合器阵列进行自适应控制,使得本发明方法比传统的SGPD方法更具有时效性和泛化性,能够提高激光接收终端的耦合效率以及稳定性,避免信息丢失,提高通信质量,而且安全可靠。
附图说明
图1为本发明方法的方法流程示意图。
图2为本发明方法搭建的光纤耦合器阵列控制系统的系统功能模块示意图。
具体实施方式
如图1所示为本发明方法的方法流程示意图:本发明提供的这种光纤耦合器阵列的自适应控制方法,包括如下步骤:
S1.搭建光纤耦合器阵列控制系统;具体包括99:1分束器、自适应光纤耦合器阵列、若干组单模光纤、若干组光电探测器、控制器、相机型光斑分析仪和高压放大器;光经过99:1分束器后,1%的光经由相机型光斑分析仪分析后将数据输入控制器;99%的光进入自适应光纤耦合器阵列后,将有部分入射光被耦合进单模光纤内,再通过单模光纤传输至光电探测器,转化为对应的电信号,并被送至控制器;控制器经迭代运算后输出用于控制自适应光纤耦合器阵列的多路驱动电压信号;驱动电压信号再经高压放大器放大后,用于驱动自适应光纤耦合器阵列的内置光纤端面在各自耦合透镜的后焦平面处搜索耦合效率最大值点,实现耦合效率的优化。
S2.采用步骤S1搭建的光纤耦合器阵列控制系统进行数据传输,获取真实数据集,并划分为训练数据集和测试数据集;具体为采用1550nm的激光源进行数据传输,利用SPGD算法迭代运算后得到控制光纤耦合阵列的多路驱动电压,使得耦合效率达到最大值点;同时获取如下数据变量:激光束宽、接收端功率、耦合效率和驱动电压;其中激光束宽、接收端功率和耦合效率组成标签st,驱动电压组成标签at;
S3.搭建针对光纤耦合器阵列的自适应初步控制模型,并采用步骤S2得到的训练数据集和测试数据集,对搭建的自适应初步控制模型进行训练,从而得到针对光纤耦合器阵列的自适应控制模型;具体为采用如下步骤得到最终的模型:
A.对输入的数据进行归一化,并在归一化后的数据中加入零均值高斯噪声,从而提高模型的鲁棒性;
B.模型的内部网络结构基于深度神经网络,采用Batch Normalization层和隐藏层的结构构建网络模型,并采用如下算式拟合状态变化与当前状态和动作的非线性关系:
C.给定光纤耦合器阵列的状态动作为τ=(s0,a0,s1,a1,...,sT,aT);同时采用如下算式作为训练数据集的损失函数s(θ):
式中Dval为测试集;H为动力学函数向前传播的步数;h为动力学函数向前传播的步数;st+h为向前传播h步的实际状态;为向前传播h步的预测状态;为向前传播h-1步时,所做动作引起的预测状态的变化;同时利用随机梯度下降法求得最优参数;
随机生成K个候选动作序列,使用学习到的模型预测相应的状态序列,计算所有序列的奖励,并选择最高预期累积奖励;策略仅执行第一个操作at,接收更新的状态信息st+1,并在下一时间步长重新计算最佳操作序列;保存该动作序列作为数据集D*;
S4.采用步骤S3得到的自适应控制模型,对光纤耦合器阵列进行自适应控制。
Claims (5)
1.一种光纤耦合器阵列的自适应控制方法,包括如下步骤:
S1.搭建光纤耦合器阵列控制系统;
S2.采用步骤S1搭建的光纤耦合器阵列控制系统进行数据传输,获取真实数据集,并划分为训练数据集和测试数据集;
S3.搭建针对光纤耦合器阵列的自适应初步控制模型,并采用步骤S2得到的训练数据集和测试数据集,对搭建的自适应初步控制模型进行训练,从而得到针对光纤耦合器阵列的自适应控制模型;
S4.采用步骤S3得到的自适应控制模型,对光纤耦合器阵列进行自适应控制。
2.根据权利要求1所述的光纤耦合器阵列的自适应控制方法,其特征在于步骤S1所述的光纤耦合器阵列控制系统,具体包括99:1分束器、自适应光纤耦合器阵列、若干组单模光纤、若干组光电探测器、控制器、相机型光斑分析仪和高压放大器;光经过99:1分束器后,1%的光经由相机型光斑分析仪分析后将数据输入控制器;99%的光进入自适应光纤耦合器阵列后,将有部分入射光被耦合进单模光纤内,再通过单模光纤传输至光电探测器,转化为对应的电信号,并被送至控制器;控制器经迭代运算后输出用于控制自适应光纤耦合器阵列的多路驱动电压信号;驱动电压信号再经高压放大器放大后,用于驱动自适应光纤耦合器阵列的内置光纤端面在各自耦合透镜的后焦平面处搜索耦合效率最大值点,实现耦合效率的优化。
3.根据权利要求2所述的光纤耦合器阵列的自适应控制方法,其特征在于步骤S2所述的采用步骤S1搭建的光纤耦合器阵列控制系统进行数据传输,获取真实数据集,并划分为训练数据集和测试数据集,具体为采用1550nm的激光源进行数据传输,利用SPGD算法迭代运算后得到控制光纤耦合阵列的多路驱动电压,使得耦合效率达到最大值点;同时获取如下数据变量:激光束宽、接收端功率、耦合效率和驱动电压;其中激光束宽、接收端功率和耦合效率组成标签st,驱动电压组成标签at。
4.根据权利要求3所述的光纤耦合器阵列的自适应控制方法,其特征在于步骤S2所述的划分为训练数据集和测试数据集,具体为将获取的真实数据集中的60%的数据划分为训练数据集,剩余的40%的数据划分为测试数据集。
5.根据权利要求4所述的光纤耦合器阵列的自适应控制方法,其特征在于步骤S3所述的搭建针对光纤耦合器阵列的自适应初步控制模型,并采用步骤S2得到的训练数据集和测试数据集,对搭建的自适应初步控制模型进行训练,从而得到针对光纤耦合器阵列的自适应控制模型,具体为采用如下步骤得到最终的模型:
A.对输入的数据进行归一化,并在归一化后的数据中加入零均值高斯噪声,从而提高模型的鲁棒性;
B.模型的内部网络结构基于深度神经网络,采用Batch Normalization层和隐藏层的结构构建网络模型,并采用如下算式拟合状态变化与当前状态和动作的非线性关系:
C.给定光纤耦合器阵列的状态动作为τ=(s0,a0,s1,a1,...,sT,aT);同时采用如下算式作为训练数据集的损失函数s(θ):
同时利用随机梯度下降法求得最优参数;
随机生成K个候选动作序列,使用学习到的模型预测相应的状态序列,计算所有序列的奖励,并选择最高预期累积奖励;策略仅执行第一个操作at,接收更新的状态信息st+1,并在下一时间步长重新计算最佳操作序列;保存该动作序列作为数据集D*;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011419026.1A CN112485870B (zh) | 2020-12-07 | 2020-12-07 | 光纤耦合器阵列的自适应控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011419026.1A CN112485870B (zh) | 2020-12-07 | 2020-12-07 | 光纤耦合器阵列的自适应控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112485870A true CN112485870A (zh) | 2021-03-12 |
CN112485870B CN112485870B (zh) | 2022-03-11 |
Family
ID=74940404
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011419026.1A Active CN112485870B (zh) | 2020-12-07 | 2020-12-07 | 光纤耦合器阵列的自适应控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112485870B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117761836A (zh) * | 2024-02-22 | 2024-03-26 | 深圳光通汇联技术有限公司 | 一种光纤阵列耦合器的自适应控制方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104034434A (zh) * | 2014-06-19 | 2014-09-10 | 中国科学院光电技术研究所 | 一种基于自适应光纤耦合器阵列的波前相位传感器 |
CN105444991A (zh) * | 2015-11-09 | 2016-03-30 | 长春理工大学 | 一种大气湍流中光纤耦合效率测试装置 |
CN106960252A (zh) * | 2017-03-08 | 2017-07-18 | 深圳市景程信息科技有限公司 | 基于长短时记忆神经网络的电力负荷预测方法 |
CN109492838A (zh) * | 2019-01-16 | 2019-03-19 | 中国地质大学(武汉) | 一种基于深度循环神经网络的股指价格预测方法 |
CN109802291A (zh) * | 2019-02-18 | 2019-05-24 | 中国人民解放军国防科技大学 | 基于深度学习的光纤激光分孔径相干合成相位控制方法 |
-
2020
- 2020-12-07 CN CN202011419026.1A patent/CN112485870B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104034434A (zh) * | 2014-06-19 | 2014-09-10 | 中国科学院光电技术研究所 | 一种基于自适应光纤耦合器阵列的波前相位传感器 |
CN105444991A (zh) * | 2015-11-09 | 2016-03-30 | 长春理工大学 | 一种大气湍流中光纤耦合效率测试装置 |
CN106960252A (zh) * | 2017-03-08 | 2017-07-18 | 深圳市景程信息科技有限公司 | 基于长短时记忆神经网络的电力负荷预测方法 |
CN109492838A (zh) * | 2019-01-16 | 2019-03-19 | 中国地质大学(武汉) | 一种基于深度循环神经网络的股指价格预测方法 |
CN109802291A (zh) * | 2019-02-18 | 2019-05-24 | 中国人民解放军国防科技大学 | 基于深度学习的光纤激光分孔径相干合成相位控制方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117761836A (zh) * | 2024-02-22 | 2024-03-26 | 深圳光通汇联技术有限公司 | 一种光纤阵列耦合器的自适应控制方法及系统 |
CN117761836B (zh) * | 2024-02-22 | 2024-05-10 | 深圳光通汇联技术有限公司 | 一种光纤阵列耦合器的自适应控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112485870B (zh) | 2022-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108900245B (zh) | 贝塞尔高斯光束在湍流大气中传输特性的仿真方法及系统 | |
CN111753977B (zh) | 光学神经网络卷积层芯片、卷积计算方法和电子设备 | |
CN112733917B (zh) | 一种基于shap特征优化的信道均衡方法 | |
CN112485870B (zh) | 光纤耦合器阵列的自适应控制方法 | |
Luo et al. | Transmission of 4× 50-Gb/s PAM-4 signal over 80-km single mode fiber using neural network | |
CN114285715B (zh) | 基于双向gru-条件随机场的非线性均衡方法 | |
Liu et al. | Performance analysis of coherent optical communication based on hybrid algorithm | |
Chen et al. | Deep learning-based channel modeling for free space optical communications | |
CN113938198A (zh) | 光纤传输系统、基于lda简化非线性均衡器的方法及模块 | |
Liu et al. | Residual network-based aberration correction in a sensor-less adaptive optics system | |
Zou et al. | Autoencoder based underwater wireless optical communication with high data rate | |
Song et al. | Demonstration of intelligent hybrid FSO/RF system based on enhanced GRU prediction and real-world meteorological dataset | |
CN117560105A (zh) | 基于Swin-transformer的大容量光通信自适应补偿方法 | |
CN112179506B (zh) | 一种混合阶或分数阶涡旋光束模态识别装置及方法 | |
CN115314118B (zh) | 一种光纤非线性补偿方法及装置 | |
Sun et al. | Optical Performance monitoring using Q-learning optimized least square support vector machine in optical network | |
CN108599840B (zh) | 一种基于功率谱检测的lg光两维复用通信的实现方法 | |
CN115314119A (zh) | 一种高速光通信系统中的光纤非线性均衡方法及系统 | |
Srinivasan et al. | Learning optimal PAM levels for VCSEL-based optical interconnects | |
Zou et al. | Underwater optical channel generator: A generative adversarial network based approach | |
Yang et al. | CNN-based phase matching for the OAM mode selection in turbulence heterodyne coherent mitigation links | |
Ma et al. | Modeling of Multi-Core Fiber Channel Based on M-CGAN for High Capacity Fiber Optical Communication | |
Jarangal et al. | Performance enhancement of FSO system under the effect of Scintillation using CWDM | |
CN117675061A (zh) | 一种基于轻量化知识蒸馏的少模多芯光纤信道建模方法 | |
CN115314110B (zh) | 一种基于分区粒子群优化算法补偿功率倾斜的方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |