CN114186493A - 一种基于神经网络的光纤多芯耦合器特性分析方法 - Google Patents
一种基于神经网络的光纤多芯耦合器特性分析方法 Download PDFInfo
- Publication number
- CN114186493A CN114186493A CN202111518745.3A CN202111518745A CN114186493A CN 114186493 A CN114186493 A CN 114186493A CN 202111518745 A CN202111518745 A CN 202111518745A CN 114186493 A CN114186493 A CN 114186493A
- Authority
- CN
- China
- Prior art keywords
- optical fiber
- coupler
- optical
- neural network
- network
- 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
- 239000013307 optical fiber Substances 0.000 title claims abstract description 43
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 33
- 238000004458 analytical method Methods 0.000 title abstract description 12
- 230000003287 optical effect Effects 0.000 claims abstract description 41
- 238000010168 coupling process Methods 0.000 claims abstract description 31
- 238000005859 coupling reaction Methods 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 31
- 230000008878 coupling Effects 0.000 claims abstract description 27
- 238000012360 testing method Methods 0.000 claims description 13
- 239000000835 fiber Substances 0.000 claims description 10
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 235000012239 silicon dioxide Nutrition 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 3
- 239000000377 silicon dioxide Substances 0.000 claims description 3
- 239000000758 substrate Substances 0.000 claims description 2
- 238000004088 simulation Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 8
- 238000011160 research Methods 0.000 abstract description 3
- 238000013461 design Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012938 design process Methods 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241001465382 Physalis alkekengi Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Testing Of Optical Devices Or Fibers (AREA)
Abstract
本发明针对传统光纤结构计算分析方法存在的低效率、高成本等问题，提出了一种高效精准的基于神经网络的光纤多芯耦合器特性分析方法。本发明采用训练好的分类网络和特性预测网络对光纤多芯耦合器的光学特性进行预测研究。该方法可以根据不同光纤结构参数快速精准高效地预测计算对应的耦合器光学参数，包括耦合系数、工作波长、耦合带宽等。该技术方案同样适用于其他光学结构特性的预测。
Description
技术领域
本发明属于光纤技术领域，涉及一种基于神经网络的光纤多芯耦合器的光学特性分析方法，通过预先训练好的神经网络对光纤多芯耦合器的光学特性进行准确预测。
背景技术
随着光纤技术的成熟和通信系统的发展，对光纤通信容量的要求也进一步提高。在保证信息传输质量的同时，如何提高信道通信容量是光纤通信领域研究的热点。空分复用和模分复用等光纤复用技术是常见的用来提高光纤信道传输容量的方法。这类复用技术需要用到模式转换器件，例如长周期光纤光栅、布拉格光栅、光子灯笼和多芯耦合器等。其中，多芯耦合器可以将普通光纤基模在特定波长处转换成不同种类的高阶模式，并且以体积小、集成度高、兼容性强等优点得到了广泛的研究。
多芯耦合器的研发设计需要孝虑工作波长、带宽、模式种类、耦合长度、转换效率等参数，这些重要的光学参数依赖于精准的光纤结构设计。在多芯耦合器的设计过程中，了解光纤多芯耦合器的光学特性，研究和挖掘光纤耦合器结构参数与光学特性之间的关系和规律，对新型功能型多芯耦合器的设计优化有一定的指导作用。
传统光纤耦合器的光学特性分析是基于数学物理方法(例如有限元法和时域有限差分法)，再结合商业软件(例如COMSOL Multiphysics)进行分析计算的。这些传统方法计算效率太低，耗时太长，并且由于光学结构参数与光学特性之间的联系和规律比较隐晦，因此分析设计过程非常依赖于研究人员的专业能力和经验，在光学结构调节和计算过程中往往伴随大量重复冗余的工作，非常耗费人力物力资源。
神经网络作为一种新型智能计算方法，为光学结构与光学特性之间建立起了一座桥梁。人工种经网络在许多领域都取得了不错的成果，例如：医学图像分割、语义识别和成像技术等。人工神经网络具有许多传统方法所不具备的优点，例如：神经网络可以建立起光学结构参数和对应光学特性之间的线性或非线性的关系，自动且更加快速高效地寻找它们之间的联系和规律；利用神经网络来预测光学结构的光学特性不需要依赖研究人员的经验，即使对光学领域了解不深入的人员也可以使用；同时由于计算非常快速高效，神经网络还可以结合其他优化算法对光学结构进行进一步的优化和改进设计，对新型光学器件及极限光学性能结构的研发具有重要的意义。
发明内容
本发明针对传统光纤结构计算分析方法存在的低效率、高成本等问题，提出了一种高效精准的基于神经网络的光纤多芯耦合器特性分析方法。本发明的目的是采用训练好的神经网络对光纤多芯耦合器的光学特性进行预测研究。所涉及的光纤多芯耦合器基底材料为纯二氧化硅，纤芯部分由两个半径分别为r1、r2，折射率分别为n1、n2的纤芯构成，两个纤芯之间的距离为d。通过改变结构参数，可以实现光纤基模到不同种类高阶模式之间的转换。所提出的基于神经网络的分析方法可以根据不同光纤结构参数快速精准高效地预测计算对应的耦合器光学参数，包括耦合系数、工作波长、耦合带宽等。该技术方案同样适用于其他光学结构特性的预测。
本发明采用的技术方案包括下列步骤：
1.利用传统有限元仿真软件获取双芯光纤耦合器部分数据集；
2.构建合适分类神经网络结构，对HE11-HE11、HE11-LP11、HE11-LP21和HE11-HE12这4类模式耦合进行分类处理；
3.构建合适的耦合器光学特性预测神经网络结构，在分类的基础上，对不同种类的模式耦合参数进行特性预测；
4.使用采集的数据集对分类网络和特性预测网络进行训练，并保存模型；
5.使用测试集对分类网络模型和特性预测网络模型的性能进行测试；
6.保存得到最合适的分类网络和特性预测网络，用于快速准确评估耦合器的光学性能。
本发明提供了一种基于神经网络的光纤多芯耦合器特性预测的方法，其优点在于：
1.与传统方法相比，基于神经网络的光纤多芯耦合器特性预测方法有绝对的计算优势，针对不同的光纤结构，神经网络能够在几秒内快速响应预测得到对应的光学特性，而传统方法往往需要数十分钟甚至数个小时，在响应计算速度上大大优于传统方法。
2.在快速高效的基础上，该方法可以与其他优化迭代算法结合，开发更智能且自动化的光学结构优化设计方法，替代传统人工优化调整过程，为光学结构的智能优化设计提供了新的思路。
3.基于神经网络的方法，网络损失函数综合了耦合波长、耦合系数、耦合长度和耦合带宽4个特性，综合损失值可以达到10-4，且与传统方法对比，证明神经网络的方法预测光学特性的准确率是极高的。
附图说明
图1：基于神经网络的光纤耦合器特性预测方法对应的双芯光纤横截面示意图；
图2：双芯耦合器中4种类型模式耦合时对应的模场图像；
图3：本发明提供的基于神经网络的光纤耦合器特性预测方法的流程示意图；
图4：本发明采用的分类神经网络和特性预测神经网络结构示意图；
图5：本发明利用测试集做测试，得到的分类的正确率结果图；
图6：本发明利用测试集做测试，得到的光学特性预测的准确率结果图；
具体实施方式
下面结合附图对本发明和技术方案作进一步的具体说明。
一种基于神经网络的光纤耦合器特性预测方法，所用到的双芯光纤耦合器，横截面结构如图1所示。纤芯部分由两个半径分别为r1、r2，折射率分别为n1、n2的纤芯构成，两个纤芯之间的距离为d。通过改变结构参数，可以实现光纤基模到不同种类高阶模式之间的转换。
选取双芯光纤耦合器的基底材料为纯二氧化硅，r1＝5μm，r2＝6μm，右边纤芯的折射率比纯二氧化硅高0.005，左边纤芯的折射率根据耦合情况进行调整，两芯之间的距离d＝26μm。在该参数下，4种类型模式耦合对应的模场分布图如图2所示，依次是HE11-HE11、HE11-LP11、HE11-LP21和HE11-HE12。
图3所示为本发明的流程图，本发明首先利用传统有限元仿真软件采集部分数据，通过改变光纤的结构来获得对应的光学特性作为神经网络的数据集。接着构建合适的网络模型，将采集的训练数据集放入构建好的网络模型中进行训练，调整网络模型的节点和权重，训练出一个损失较低，预测准确率较高的网络模型，并将模型保存起来。最后使用测试数据集对训练好的网络模型的性能进行测试，对比网络模型特性预测的准确性。
图4所示为本发明提出的针对光纤多芯耦合器的分类和特性预测的神经网络模型，经过多次调节网络的节点和权重，最终得到的分类网络包括输入层、包含49个节点的隐藏层、输出层；特性预测网络包括输入层、包含251个节点的隐藏层、输出层。分类网络和特性预测网络均使用ReLu激活函数和Adam优化器。
选取耦合器r1＝5μm，n1比纯二氧化硅高0.005，剩余3个光纤结构参数(r2、n2和d)作为输入层变量。分类网络输出层的0-8分别代表4种不同模式耦合的结构类型及5种不发生耦合的光纤结构类型，特性预测网络输出层分别对应耦合波长λ0、耦合系数k0、耦合长度L0和耦合带宽Δλ这四个特性。
图5和图6所示为利用测试数据集对神经网络进行测试的预测结果，验证了分类网络模型的正确率和预测网络模型的准确性，并且把预测结果以图表的形式更加直观的表示出来。其中分类网络的正确率能达到98％左右，在此测试集中达到了100％的正确率；预测网络的综合损失值能降低到10-4，并且得到的预测值和实际值之间的误差非常小，是完全能够达到预期要求的。图6中所示为4类模式耦合情况的预测，分别对耦合波长λ0、耦合系数k0、耦合长度L0和耦合带宽Δλ的预测情况。可以看出，所提出的基于神经网络的分析方法可以根据不同光纤结构参数快速精准高效地预测对应的耦合光学参数，该技术方案步骤同样适用于其他光学结构特性的预测。
本发明未详细说明部分属本领域技术人员公知常识。
Claims (4)
1.一种基于神经网络的光纤多芯耦合器特性分析方法，所述方法包括下列步骤：
步骤1：利用传统有限元仿真方法获得双芯光纤耦合器部分数据集；
步骤2：构建合适的分类网络结构，对不同种类模式耦合进行分类处理；
步骤3：在分类的基础上，构建合适的耦合器光学特性预测神经网络结构；
步骤4：使用采集的数据集对分类网络和特性预测网络进行训练并保存模型；
步骤5：使用测试集对分类网络模型和特性预测网络模型的性能进行测试；
步骤6：保存最合适的分类和特性预测网络，用于快速准确评估耦合器光学性能。
2.根据权利要求1中所述的基于神经网络的光纤耦合器特性分析方法，其特征在于：在步骤1中，所述双芯光纤耦合器基底材料为纯二氧化硅，纤芯部分由两个半径分别为r1、r2，折射率分别为n1、n2的纤芯构成，两个纤芯之间的距离为d，通过改变结构参数，可以实现光纤基模到不同种类高阶模式之间的转换。
3.根据权利要求1中所述的基于神经网络的光纤耦合器特性分析方法，其特征在于：在步骤2中，构建分类网络的过程中，对发生耦合的几类光纤模型和不发生耦合的几类光纤模型进行分类，以分类的准确率作为评判标准。
4.根据权利要求1中所述的基于神经网络的光纤耦合器特性分析方法，其特征在于：在步骤3中，构建预测网络的过程中，对发生耦合的几类光纤模型的光学特性进行预测，包括：耦合系数、耦合波长、耦合长度和耦合带宽，损失函数综合了以上4个特性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111518745.3A CN114186493A (zh) | 2021-12-13 | 2021-12-13 | 一种基于神经网络的光纤多芯耦合器特性分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111518745.3A CN114186493A (zh) | 2021-12-13 | 2021-12-13 | 一种基于神经网络的光纤多芯耦合器特性分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114186493A true CN114186493A (zh) | 2022-03-15 |
Family
ID=80543480
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111518745.3A Pending CN114186493A (zh) | 2021-12-13 | 2021-12-13 | 一种基于神经网络的光纤多芯耦合器特性分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114186493A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110751073A (zh) * | 2019-10-12 | 2020-02-04 | 武汉理工大学 | 基于分布式光纤传感和深度学习的管道早期损伤模式识别方法 |
| CN111442827A (zh) * | 2020-04-08 | 2020-07-24 | 南京艾森斯智能科技有限公司 | 一种变压器绕组振动的光纤无源在线监测系统及方法 |
| CN111797690A (zh) * | 2020-06-02 | 2020-10-20 | 武汉烽理光电技术有限公司 | 基于小波神经网络光栅阵列光纤周界入侵识别方法及装置 |
| CN112505829A (zh) * | 2020-12-14 | 2021-03-16 | 华中科技大学 | 一种模式选择性耦合器设计方法 |
-
2021
- 2021-12-13 CN CN202111518745.3A patent/CN114186493A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110751073A (zh) * | 2019-10-12 | 2020-02-04 | 武汉理工大学 | 基于分布式光纤传感和深度学习的管道早期损伤模式识别方法 |
| CN111442827A (zh) * | 2020-04-08 | 2020-07-24 | 南京艾森斯智能科技有限公司 | 一种变压器绕组振动的光纤无源在线监测系统及方法 |
| CN111797690A (zh) * | 2020-06-02 | 2020-10-20 | 武汉烽理光电技术有限公司 | 基于小波神经网络光栅阵列光纤周界入侵识别方法及装置 |
| CN112505829A (zh) * | 2020-12-14 | 2021-03-16 | 华中科技大学 | 一种模式选择性耦合器设计方法 |
Non-Patent Citations (2)
| Title |
|---|
| 熊越: ""双芯谐振色散补偿光纤的计算机仿真和光学特性预测研究"", 《中国优秀硕士学位论文全文数据库》, 15 August 2021 (2021-08-15), pages 42 - 51 * |
| 谭中伟;杨婧雅;刘艳;卢顺;张利伟;牛慧;: "基于卷积神经网络的增敏型光纤弯曲传感器", 光学精密工程, no. 07, 15 July 2020 (2020-07-15) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103907037B (zh) | 优化的超大面积光纤 | |
| CN104024896B (zh) | 优化的超大面积光纤 | |
| CN114626769B (zh) | 一种电容式电压互感器运维方法及系统 | |
| CN114186493A (zh) | 一种基于神经网络的光纤多芯耦合器特性分析方法 | |
| CN112729773B (zh) | 一种微纳光纤色散测量方法 | |
| CN112905436B (zh) | 一种面向复杂软件的质量评估预测方法 | |
| CN114372561A (zh) | 一种基于深度状态空间模型的网络流量预测方法 | |
| CN112505829B (zh) | 一种模式选择性耦合器设计方法 | |
| CN109559059B (zh) | 一种基于回归决策树的光纤生产规则制定方法 | |
| CN116128034A (zh) | 一种基于卷积神经网络的光纤结构二维特征提取及光学特性预测方法 | |
| CN111381315B (zh) | 弱耦合少模光纤逆向实现方法 | |
| Patra et al. | A simple method for studying single-mode graded index fibers in the low V region | |
| Upal et al. | Deep Learning Approach to Determine the Optical Characteristics of Photonic Crystal Fiber for Orbital Angular Momentum Transmission | |
| CN112084702B (zh) | 一种低复杂度的光纤优化设计方法 | |
| Sun et al. | Design of the ultra-compact silicon multimode waveguide bends with arbitrary width and radius based on the back propagation neural network | |
| Chebaane et al. | Machine learning-based inverse design of raised cosine few mode fiber for low coupling | |
| Fan et al. | Resonance prediction and inverse design of multi-core selective couplers based on neural networks | |
| CN113961556A (zh) | 用于信息处理的方法、装置、设备和存储介质 | |
| CN112561898A (zh) | 一种基于卷积神经网络的光纤传感器光斑分析方法 | |
| Bourdine et al. | Simulation and research of few-mode optical fiber DMD degradation due to geometry deviation from optimized form | |
| CN112100881B (zh) | 一种基于局域耦合模理论的光子灯笼全矢量数值分析方法 | |
| Chen et al. | Active learning aided four-mode fiber design with equalized zero dispersion for short-reach MDM optical communications | |
| Matthijsse et al. | On the design of wide bandwidth window multimode fibers | |
| Grinberg et al. | Reaping the benefits of machine learning pattern recognition in nanophotonic component design | |
| CN108984487A (zh) | 一种水位流量关系实时滑动拟合方法 |
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 |