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 PDF

Info

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
Application number
CN202011419026.1A
Other languages
English (en)
Other versions
CN112485870B (zh
Inventor
黄端
吴梓杰
王一军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central South University
Beijing Aerospace Changzheng Aircraft Institute
Original Assignee
Central South University
Beijing Aerospace Changzheng Aircraft Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Central South University, Beijing Aerospace Changzheng Aircraft Institute filed Critical Central South University
Priority to CN202011419026.1A priority Critical patent/CN112485870B/zh
Publication of CN112485870A publication Critical patent/CN112485870A/zh
Application granted granted Critical
Publication of CN112485870B publication Critical patent/CN112485870B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

光纤耦合器阵列的自适应控制方法
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：
Figure BDA0002821438020000031
式中
Figure BDA0002821438020000032
为下一刻预测状态；
Figure BDA0002821438020000033
为当前预测状态；
Figure BDA0002821438020000034
为当前动作引起的当前预测状态的变化，即所要学习的非线性关系；
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)：
Figure BDA0002821438020000041
式中D为训练集；
Figure BDA0002821438020000042
为当前动作引起的当前状态的变化；
将学习到的动力学函数向前传播H次来计算H步验证误差，采用如下算式作为测试数据集的损失函数
Figure BDA0002821438020000043
Figure BDA0002821438020000044
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；
Figure BDA0002821438020000045
为向前传播h步的预测状态；
Figure BDA0002821438020000046
Figure BDA0002821438020000047
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；
D.在有限的长度上，采用如下算式，利用步骤C生成的模型预测未来动作
Figure BDA0002821438020000048
Figure BDA0002821438020000049
式中
Figure BDA00028214380200000410
t'为所处时刻与向前传播H-1步的时间合集；
Figure BDA00028214380200000411
为奖励函数，即在当前预测状态实施动作所获得的奖励；
Figure BDA00028214380200000412
为当前动作引起的当前预测状态的变化；
Figure BDA00028214380200000413
为t'时刻的预测状态；
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*；
E.采用步骤D得到的数据集重新训练深度神经网络
Figure BDA0002821438020000051
同时将
Figure BDA0002821438020000052
参数化为条件高斯策略
Figure BDA0002821438020000053
并采用如下算式训练策略参数：
Figure BDA0002821438020000054
式中
Figure BDA0002821438020000055
为深度神经网络；
Figure BDA0002821438020000056
为神经网络
Figure BDA0002821438020000057
参数化后st状态下输出，t为所处时刻；
Figure BDA0002821438020000058
为欧氏距离的平方；
使用随机梯度下降法进行优化，接着，将
Figure BDA0002821438020000059
作为无模型强化学习初始策略，并使用TRPO算法得到最终模型。
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：
Figure BDA0002821438020000061
式中
Figure BDA0002821438020000062
为下一刻预测状态；
Figure BDA0002821438020000063
为当前预测状态；
Figure BDA0002821438020000064
为当前动作引起的当前预测状态的变化，即所要学习的非线性关系；
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)：
Figure BDA0002821438020000071
式中D为训练集；
Figure BDA0002821438020000072
为当前动作引起的当前状态的变化；
采用如下算式作为测试数据集的损失函数
Figure BDA0002821438020000073
Figure BDA0002821438020000074
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；
Figure BDA0002821438020000075
为向前传播h步的预测状态；
Figure BDA0002821438020000076
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；
D.在有限的长度上，采用如下算式，利用步骤C生成的模型预测未来动作
Figure BDA0002821438020000077
Figure BDA0002821438020000078
式中
Figure BDA0002821438020000079
t'为所处时刻与向前传播H-1步的时间合集；
Figure BDA00028214380200000710
为奖励函数，即在当前预测状态实施动作所获得的奖励；
Figure BDA00028214380200000711
为当前动作引起的当前预测状态的变化；
Figure BDA00028214380200000712
为t'时刻的预测状态；
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*；
E.采用步骤D得到的数据集重新训练深度神经网络
Figure BDA0002821438020000081
同时将
Figure BDA0002821438020000083
参数化为条件高斯策略
Figure BDA0002821438020000084
并采用如下算式训练策略参数：
Figure BDA0002821438020000085
式中
Figure BDA0002821438020000086
为深度神经网络；
Figure BDA0002821438020000087
为神经网络
Figure BDA0002821438020000088
参数化后st状态下输出，t为所处时刻；
Figure BDA0002821438020000089
为欧氏距离的平方；
使用随机梯度下降法进行优化，接着，将
Figure BDA00028214380200000810
作为无模型强化学习初始策略，并使用TRPO算法得到最终模型；
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。

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：
Figure FDA0002821438010000021
式中
Figure FDA0002821438010000022
为下一刻预测状态；
Figure FDA0002821438010000023
为当前预测状态；
Figure FDA0002821438010000024
为当前动作引起的当前预测状态的变化；
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)：
Figure FDA0002821438010000031
式中D为训练集；
Figure FDA0002821438010000032
为当前动作引起的当前状态的变化；
采用如下算式作为测试数据集的损失函数
Figure FDA0002821438010000033
Figure FDA0002821438010000034
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；
Figure FDA0002821438010000035
为向前传播h步的预测状态；
Figure FDA0002821438010000036
Figure FDA0002821438010000037
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；
D.在有限的长度上，采用如下算式，利用步骤C生成的模型预测未来动作
Figure FDA0002821438010000038
Figure FDA0002821438010000039
式中
Figure FDA00028214380100000310
t'为所处时刻与向前传播H-1步的时间合集；
Figure FDA00028214380100000311
为奖励函数；
Figure FDA00028214380100000312
为当前动作引起的当前预测状态的变化；
Figure FDA00028214380100000313
为t'时刻的预测状态；
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*；
E.采用步骤D得到的数据集重新训练深度神经网络
Figure FDA00028214380100000314
同时将
Figure FDA00028214380100000315
参数化为条件高斯策略
Figure FDA0002821438010000041
并采用如下算式训练策略参数：
Figure FDA0002821438010000042
式中
Figure FDA0002821438010000043
为深度神经网络；
Figure FDA0002821438010000044
为神经网络
Figure FDA0002821438010000045
参数化后st状态下输出，t为所处时刻；
Figure FDA0002821438010000046
为欧氏距离的平方；
使用随机梯度下降法进行优化，接着，将
Figure FDA0002821438010000047
作为无模型强化学习初始策略，并使用TRPO算法得到最终模型。
CN202011419026.1A 2020-12-07 2020-12-07 光纤耦合器阵列的自适应控制方法 Active CN112485870B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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