CN114722758B - 一种提升拉曼光纤放大器性能的方法及系统 - Google Patents

一种提升拉曼光纤放大器性能的方法及系统 Download PDF

Info

Publication number
CN114722758B
CN114722758B CN202210565649.2A CN202210565649A CN114722758B CN 114722758 B CN114722758 B CN 114722758B CN 202210565649 A CN202210565649 A CN 202210565649A CN 114722758 B CN114722758 B CN 114722758B
Authority
CN
China
Prior art keywords
gain
fiber amplifier
raman
optical fiber
prediction
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.)
Active
Application number
CN202210565649.2A
Other languages
English (en)
Other versions
CN114722758A (zh
Inventor
郑浩
李奕
张宗伟
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.)
Beijing Zhongyu Guangtong Technology Co ltd
Original Assignee
Beijing Zhongyu Guangtong Technology Co ltd
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 Beijing Zhongyu Guangtong Technology Co ltd filed Critical Beijing Zhongyu Guangtong Technology Co ltd
Priority to CN202210565649.2A priority Critical patent/CN114722758B/zh
Publication of CN114722758A publication Critical patent/CN114722758A/zh
Application granted granted Critical
Publication of CN114722758B publication Critical patent/CN114722758B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/36—Circuit design at the analogue level
    • G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
    • 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
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Optical Modulation, Optical Deflection, Nonlinear Optics, Optical Demodulation, Optical Logic Elements (AREA)

Abstract

本发明公开了一种提升拉曼光纤放大器性能的方法及系统，所述方法包括：通过获得第一拉曼光纤放大器的第一泵浦光功率和第一光纤长度；构建拉曼光纤放大器增益大小预测模型；构建拉曼光纤放大器增益平坦度预测模型；将第一泵浦光功率和第一光纤长度输入拉曼光纤放大器增益大小预测模型，获得第一预测增益大小；将第一泵浦光功率和第一光纤长度输入拉曼光纤放大器增益平坦度预测模型，获得第一预测增益平坦度；确定第一增益关系；获得第一调整信息，对第一拉曼光纤放大器进行参数调整。解决了现有技术中存在无法基于拉曼光纤放大器增益大小和增益平坦度的关系，智能化对拉曼光纤放大器进行调整的技术问题。

Description

一种提升拉曼光纤放大器性能的方法及系统
技术领域
本发明涉及人工智能领域，尤其涉及一种提升拉曼光纤放大器性能的方法及系统。
背景技术
随着人类社会的进步，计算机网络和数据传输业务得到飞速发展，人们对光纤通信系统的传输容量和传输距离要求也越来越高。随着大功率泵浦激光器技术的成熟，拉曼光纤放大器由于其能够灵活控制增益带宽和增益波段而引起人们广泛的注意，并在超长距离大容量传输系统中得到广泛应用。拉曼光纤放大器是密集波分复用(DWDM)通信系统的重要组成部分，通过利用石英光纤中受激拉曼散射(SRS)的非线性效应对光信号进行直接放大，它能在普通光纤中将泵浦光的能量转移到信号光中，而无需像EDFA那样采用特种光纤，故可在系统中实现光信号的在线放大。但是，传统光纤通信传输系统中的拉曼光纤放大器，存在增益带宽不足、输出增益低且输出增益不平坦的问题，如何针对该问题，智能化调整以提升拉曼光纤放大器的综合性能，具有重要的意义。
然而，现有技术中存在无法基于拉曼光纤放大器增益大小和增益平坦度的关系，智能化对拉曼光纤放大器进行调整的技术问题。
发明内容
本申请的目的是提供一种提升拉曼光纤放大器性能的方法及系统，用以解决现有技术中存在无法基于拉曼光纤放大器增益大小和增益平坦度的关系，智能化对拉曼光纤放大器进行调整的技术问题。
鉴于上述问题，本申请实施例提供了一种提升拉曼光纤放大器性能的方法及系统。
第一方面，本申请提供了一种提升拉曼光纤放大器性能的方法，所述方法通过一种提升拉曼光纤放大器性能的系统实现，其中，所述方法包括：通过获得第一拉曼光纤放大器的第一泵浦光功率和第一光纤长度，其中，所述第一泵浦光功率和所述第一光纤长度相匹配；构建拉曼光纤放大器增益大小预测模型；构建拉曼光纤放大器增益平坦度预测模型；将所述第一泵浦光功率和第一光纤长度输入所述拉曼光纤放大器增益大小预测模型，获得第一预测增益大小；将所述第一泵浦光功率和第一光纤长度输入所述拉曼光纤放大器增益平坦度预测模型，获得第一预 测增益平坦度；根据所述第一预测增益大小和所述第一预测增益平坦度，确定第一增益关系；根据所述第一增益关系，获得第一调整信息；根据所述第一调整信息对所述第一拉曼光纤放大器进行参数调整。
另一方面，本申请还提供了一种提升拉曼光纤放大器性能的系统，用于执行如第一方面所述的一种提升拉曼光纤放大器性能的方法，其中，所述系统包括：第一获得单元：所述第一获得单元用于获得第一拉曼光纤放大器的第一泵浦光功率和第一光纤长度，其中，所述第一泵浦光功率和所述第一光纤长度相匹配；第一构建单元：所述第一构建单元用于构建拉曼光纤放大器增益大小预测模型；第二构建单元：所述第二构建单元用于构建拉曼光纤放大器增益平坦度预测模型；第二获得单元：所述第二获得单元用于将所述第一泵浦光功率和第一光纤长度输入所述拉曼光纤放大器增益大小预测模型，获得第一预测增益大小；第三获得单元：所述第三获得单元用于将所述第一泵浦光功率和第一光纤长度输入所述拉曼光纤放大器增益平坦度预测模型，获得第一预测增益平坦度；第一确定单元：所述第一确定单元用于根据所述第一预测增益大小和所述第一预测增益平坦度，确定第一增益关系；第四获得单元：所述第四获得单元用于根据所述第一增益关系，获得第一调整信息；第一调整单元：所述第一调整单元用于根据所述第一调整信息对所述第一拉曼光纤放大器进行参数调整。
第三方面，一种电子设备，其中，包括处理器和存储器；
该存储器，用于存储；
该处理器，用于通过调用，执行上述第一方面中任一项所述的方法。
第四方面，一种计算机程序产品，包括计算机程序和/或指令，该计算机程序和/或指令被处理器执行时实现上述第一方面中任一项所述方法的步骤。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
1.通过获得第一拉曼光纤放大器的第一泵浦光功率和第一光纤长度，其中，所述第一泵浦光功率和所述第一光纤长度相匹配；构建拉曼光纤放大器增益大小预测模型；构建拉曼光纤放大器增益平坦度预测模型；将所述第一泵浦光功率和第一光纤长度输入所述拉曼光纤放大器增益大小预测模型，获得第一预测增益大小；将所述第一泵浦光功率和第一光纤长度输入所述拉曼光纤放大器增益平坦度预测模型，获得第一预 测增益平坦度；根据所述第一预测增益大小和所述第一预测增益平坦度，确定第一增益关系；根据所述第一增益关系，获得第一调整信息；根据所述第一调整信息对所述第一拉曼光纤放大器进行参数调整。达到了基于拉曼光纤放大器增益大小和增益平坦度关系的智能化分析结果，有针对性的对拉曼光纤放大器进行调整，从而改善拉曼光纤放大器增益带宽不足的问题，最终达到提高增益输出，并保持较小增益平坦度的技术效果。
2.基于神经网络模型建立的所述拉曼光纤放大器增益大小预测模型和所述拉曼光纤放大器增益平坦度预测模型能够输出对应预测指标的准确预测信息，从而具备了较强的分析计算能力，为后续预测所述第一拉曼光纤放大器相关参数性能情况提供了模型基础。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请一种提升拉曼光纤放大器性能的方法的流程示意图；
图2为本申请一种提升拉曼光纤放大器性能的方法中构建拉曼光纤放大器增益平坦度预测模型的流程示意图；
图3为本申请一种提升拉曼光纤放大器性能的方法中构建拉曼光纤放大器增益大小预测模型的流程示意图；
图4为本申请一种提升拉曼光纤放大器性能的方法中根据所述预定增益大小区间对所述预测增益大小集合进行筛选，获得符合所述预定增益大小区间的预测增益大小集合的流程示意图；
图5为本申请一种提升拉曼光纤放大器性能的系统的结构示意图；
图6为本申请示例性电子设备的结构示意图。
附图标记说明：
第一获得单元11，第一构建单元12，第二构建单元13，第二获得单元14，第三获得单元15，第一确定单元16，第四获得单元17，第一调整单元18，总线300，接收器301，处理器302，发送器303，存储器304，总线接口305。
具体实施方式
本申请实施例通过提供一种提升拉曼光纤放大器性能的方法及系统，解决了现有技术中存在无法基于拉曼光纤放大器增益大小和增益平坦度的关系，智能化对拉曼光纤放大器进行调整的技术问题。达到了基于拉曼光纤放大器增益大小和增益平坦度关系的智能化分析结果，有针对性的对拉曼光纤放大器进行调整，从而改善拉曼光纤放大器增益带宽不足的问题，最终达到提高增益输出，并保持较小增益平坦度的技术效果。
下面，将参考附图对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。基于本申请的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部。
申请概述
随着大功率泵浦激光器技术的成熟，拉曼光纤放大器由于其能够灵活控制增益带宽和增益波段而引起人们广泛的注意，并在超长距离大容量传输系统中得到广泛应用。
现有技术中存在无法基于拉曼光纤放大器增益大小和增益平坦度的关系，智能化对拉曼光纤放大器进行调整的技术问题。
针对上述技术问题，本申请提供的技术方案总体思路如下：
本申请提供了一种提升拉曼光纤放大器性能的方法，所述方法应用于一种提升拉曼光纤放大器性能的系统，其中，所述方法包括：通过获得第一拉曼光纤放大器的第一泵浦光功率和第一光纤长度，其中，所述第一泵浦光功率和所述第一光纤长度相匹配；构建拉曼光纤放大器增益大小预测模型；构建拉曼光纤放大器增益平坦度预测模型；将所述第一泵浦光功率和第一光纤长度输入所述拉曼光纤放大器增益大小预测模型，获得第一预测增益大小；将所述第一泵浦光功率和第一光纤长度输入所述拉曼光纤放大器增益平坦度预测模型，获得第一预 测增益平坦度；根据所述第一预测增益大小和所述第一预测增益平坦度，确定第一增益关系；根据所述第一增益关系，获得第一调整信息；根据所述第一调整信息对所述第一拉曼光纤放大器进行参数调整。
在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
请参阅附图1，本申请实施例提供了一种提升拉曼光纤放大器性能的方法，其中，所述方法应用于一种提升拉曼光纤放大器性能的系统，所述方法具体包括如下步骤：
步骤S100：获得第一拉曼光纤放大器的第一泵浦光功率和第一光纤长度，其中，所述第一泵浦光功率和所述第一光纤长度相匹配；
具体而言，所述一种提升拉曼光纤放大器性能的方法应用于所述一种提升拉曼光纤放大器性能的系统，可以基于拉曼光纤放大器增益大小和增益平坦度关系的智能化分析结果，有针对性的对拉曼光纤放大器进行调整，从而改善拉曼光纤放大器增益带宽不足的问题，最终达到提高增益输出，并保持较小增益平坦度的技术效果。拉曼光纤放大器（RFA）是密集波分复用通信系统的重要组成部分。如果-一个弱信号与一强泵浦光波同时在光纤中传输，并使弱信号波长置于泵浦光的拉曼增益带宽内，弱信号光即可得到放大，这种基于受激拉曼散射机制的光放大器即称为拉曼光纤放大器。
所述第一拉曼光纤放大器是指任意一个使用所述提升拉曼光纤放大器性能的系统对其进行性能提升的拉曼光纤放大器。首先获得所述第一拉曼光纤放大器的第一泵浦光功率和第一光纤长度。其中，所述泵浦是一种使用光将电子从原子或分子中的较低能级升高（或泵）到较高能级的过程；光纤即光导纤维，是一种由玻璃或塑料制成的纤维，可作为光传导工具。此外，所述第一泵浦光功率和所述第一光纤长度互相匹配。通过获得所述第一拉曼光纤放大器的第一泵浦光功率和第一光纤长度，达到了了解所述第一拉曼光纤放大器相关性能数据的技术效果。
步骤S200：构建拉曼光纤放大器增益大小预测模型；
步骤S300：构建拉曼光纤放大器增益平坦度预测模型；
具体而言，所述拉曼光纤放大器增益大小预测模型和所述拉曼光纤放大器增益平坦度预测模型均为为神经网络模型，具有神经网络模型的特性。所述神经网络模型即机器学习中的神经网络模型，它反映了人脑功能的许多基本特征，是一种具有局部连接、权值共享等特点的深层前馈神经网络，是一个高度复杂的非线性动力学习系统。神经网络由大量的节点（或称神经元）之间相互连接构成，每个节点代表一种特定的输出函数称为激励函数，每两个节点之间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆，网络的输出则依照网络的连接方式，是对一种逻辑策略的表达。基于神经网络模型建立的所述拉曼光纤放大器增益大小预测模型和所述拉曼光纤放大器增益平坦度预测模型能够输出对应预测指标的准确预测信息，从而具备了较强的分析计算能力。通过构建所述拉曼光纤放大器增益大小预测模型和所述拉曼光纤放大器增益平坦度预测模型，为后续预测所述第一拉曼光纤放大器相关参数性能情况提供了模型基础。
步骤S400：将所述第一泵浦光功率和第一光纤长度输入所述拉曼光纤放大器增益大小预测模型，获得第一预测增益大小；
步骤S500：将所述第一泵浦光功率和第一光纤长度输入所述拉曼光纤放大器增益平坦度预测模型，获得第一预测增益平坦度；
具体而言，将所述第一泵浦光功率和第一光纤长度输入所述拉曼光纤放大器增益大小预测模型，通过所述拉曼光纤放大器增益大小预测模型智能化分析，可以得到所述第一预测增益大小。其中，增益简而言之就是放大倍数，其数值越大性能越好。在电子学上，通常为一个系统的讯号输出与讯号输入的比率，举例如天线增益表示定向天线辐射集中程度的参数，为定向天线和无方向天线在预定方向产生的电场强度平方之比。放大器增益表示放大器功率放大倍数，以输出功率同输入功率比值的常用对数表示等。通过所述拉曼光纤放大器增益大小预测模型，达到了准确获得增益大小预测数据信息，提高预测结果智能化的技术效果。
同样的，通过将所述第一泵浦光功率和第一光纤长度输入所述拉曼光纤放大器增益平坦度预测模型，可以获得所述第一预测增益平坦度。其中，所述增益平坦度（GainFlatness）是指在给定带宽范围内的增益“剧烈增加”和“快速下降”的数值，以分贝（dB）衡量。增益平坦度数值越小，表示其对应性能越好。增益平坦性好就是指在一定范围内起伏不是很大，趋于平缓。
通过神经网络模型，可以基于所述第一拉曼光纤放大器的第一泵浦光功率和第一光纤长度，综合分析得到对应拉曼光纤放大器的增益大小和增益平坦度预测信息，从而提高拉曼光纤放大器增益性能分析的智能化程度，达到了通过个体化程度较高的预测，提高拉曼光纤放大器性能的技术效果。
步骤S600：根据所述第一预测增益大小和所述第一预测增益平坦度，确定第一增益关系；
具体而言，基于所述拉曼光纤放大器增益大小预测模型智能化预测到的第一预测增益大小和所述拉曼光纤放大器增益平坦度预测模型智能化预测到的第一预测增益平坦度信息，所述提升拉曼光纤放大器性能的系统综合分析二者数据大小，从而建立所述第一增益关系。其中，所述第一增益关系是指第一预测增益大小和第一预测增益平坦度信息之间的关系。通过系统智能化分析所述第一预测增益大小和所述第一预测增益平坦度信息，达到了明确二者之间增益关系的技术效果。
步骤S700：根据所述第一增益关系，获得第一调整信息；
步骤S800：根据所述第一调整信息对所述第一拉曼光纤放大器进行参数调整。
具体而言，提升拉曼光纤放大器性能的系统根据第一拉曼光纤放大器的所述第一增益关系，获得所述第一调整信息，进一步根据所述第一调整信息对所述第一拉曼光纤放大器进行参数调整，从而提升所述第一拉曼光纤放大器的的综合性能。举例如当所述第一拉曼光纤放大器的增益值最大时，对应的增益平坦度数值同样较大，而当增益值稍降时对应的平坦度数值却保持较小状态，那么可以通过调整拉曼光纤放大器的相关参数，使其保持的该增益值下，从而实现较高的放大质量。通过基于拉曼光纤放大器增益大小和增益平坦度关系的智能化分析结果，有针对性的对拉曼光纤放大器进行调整，从而改善拉曼光纤放大器增益带宽不足的问题，最终达到提高增益输出，并保持较小增益平坦度的技术效果。
进一步的，如附图2所示，本申请实施例步骤S300还包括：
步骤S310：获得符合预定增益大小区间的预测增益大小集合；
步骤S320：根据所述符合所述预定增益大小区间的预测增益大小集合对历史泵浦光功率训练集和历史光纤长度训练集进行筛选，获得第一历史泵浦光功率训练集和第一历史光纤长度训练集；
步骤S330：通过所述第一历史泵浦光功率训练集和所述第一历史光纤长度训练集对增益平坦度初始模型进行训练，构建所述拉曼光纤放大器增益平坦度预测模型。
具体而言，所述预定增益大小区间是指所述提升拉曼光纤放大器性能的系统根据拉曼光纤放大器的实际使用环境、对应需求目标等情况，预先设置的满足需求和使用要求的增益值区间。基于所述预定增益大小区间，系统智能化在所述拉曼光纤放大器增益大小预测模型的输出预测结果中进行筛选，从而得到满足所述预定增益大小区间的所有预测增益值，剔除不满足所述预定增益大小区间的预测增益值，进一步组成所述预测增益大小集合。
进一步的，基于筛选后得到的所述预测增益大小集合，对历史泵浦光功率训练集和历史光纤长度训练集再次进行筛选，得到满足所述预测增益大小集合的第一历史泵浦光功率训练集和第一历史光纤长度训练集。其中，所述历史泵浦光功率训练集是指基于实际拉曼光纤放大器历史使用情况收集得到的泵浦光功率集合；历史光纤长度训练集是指基于实际拉曼光纤放大器历史使用情况收集得到的光纤长度集合。
最后，通过所述第一历史泵浦光功率训练集和所述第一历史光纤长度训练集对增益平坦度初始模型进行训练，数据训练得到所述拉曼光纤放大器增益平坦度预测模型。其中，所述增益平坦度初始模型为神经网络模型，具有神经网络模型的特性，能根据训练数据进行不断的自我训练学习，当所述增益平坦度初始模型的输出信息达到预定的准确率/收敛状态时，监督学习过程结束，从而完成所述拉曼光纤放大器增益平坦度预测模型的构建。
进一步的，如附图3所示，本申请实施例步骤S200还包括：
步骤S210：获得符合预定增益平坦度区间的预测增益平坦度集合；
步骤S220：根据所述符合所述预定增益平坦度区间的预测增益平坦度集合对所述第一历史泵浦光功率训练集和所述第一历史光纤长度训练集进行筛选，获得第二历史泵浦光功率训练集和第二历史光纤长度训练集；
步骤S230：将所述第二历史泵浦光功率训练集和所述第二历史光纤长度训练集输入拉曼光纤放大器增益大小初始模型进行训练，构建所述拉曼光纤放大器增益大小预测模型。
具体而言，所述预定增益平坦度区间是指所述提升拉曼光纤放大器性能的系统根据拉曼光纤放大器的实际使用环境、对应需求目标等情况，预先设置的满足需求和使用要求的增益平坦度区间。基于所述预定增益平坦度区间，系统智能化在所述拉曼光纤放大器增益平坦度预测模型的输出预测结果中进行筛选，从而得到满足所述预定增益平坦度区间的所有预测增益平坦度值，剔除不满足所述预定增益大小区间的预测增益平坦度值，进一步组成所述预测增益平坦度集合。
进一步的，基于筛选后得到的所述预测增益平坦度集合，对历史泵浦光功率训练集和历史光纤长度训练集再次进行筛选，得到满足所述预测增益平坦度集合的第一历史泵浦光功率训练集和第一历史光纤长度训练集。同样的，所述历史泵浦光功率训练集是指基于实际拉曼光纤放大器历史使用情况收集得到的泵浦光功率集合；历史光纤长度训练集是指基于实际拉曼光纤放大器历史使用情况收集得到的光纤长度集合。
最后，通过所述第一历史泵浦光功率训练集和所述第一历史光纤长度训练集对增益大小初始模型进行训练，数据训练得到所述拉曼光纤放大器增益大小预测模型。其中，所述增益大小初始模型为神经网络模型，具有神经网络模型的特性，能根据训练数据进行不断的自我训练学习，当所述增益大小初始模型的输出信息达到预定的准确率/收敛状态时，监督学习过程结束，从而完成所述拉曼光纤放大器增益大小预测模型的构建。
进一步的，如附图4所示，本申请实施例步骤S310还包括：
步骤S311：获得所述历史泵浦光功率训练集和所述历史光纤长度训练集；
步骤S312：通过所述历史泵浦光功率训练集和所述历史光纤长度训练集对增益大小初始模型进行训练；
步骤S313：获得所述拉曼光纤放大器增益大小初始模型输出的预测增益大小集合；
步骤S314：获得预定增益大小区间；
步骤S315：根据所述预定增益大小区间对所述预测增益大小集合进行筛选，获得符合所述预定增益大小区间的预测增益大小集合。
具体而言，所述历史泵浦光功率训练集是指基于实际拉曼光纤放大器历史使用情况收集得到的泵浦光功率集合；历史光纤长度训练集是指基于实际拉曼光纤放大器历史使用情况收集得到的光纤长度集合。通过所述历史泵浦光功率训练集和所述历史光纤长度训练集对增益大小初始模型进行训练，可以获得所述拉曼光纤放大器增益大小初始模型输出的预测增益大小集合，进一步基于预定增益大小区间对所述预测增益大小集合进行筛选，获得符合所述预定增益大小区间的预测增益大小集合。其中，所述预定增益大小区间是指所述提升拉曼光纤放大器性能的系统根据拉曼光纤放大器的实际使用环境、对应需求目标等情况，预先设置的满足需求和使用要求的增益值区间。
通过基于预定增益大小区间，智能化在所述拉曼光纤放大器增益大小预测模型的输出预测结果中进行筛选，从而得到满足所述预定增益大小区间的所有预测增益值，剔除不满足所述预定增益大小区间的预测增益值，进一步达到组成所述预测增益大小集合的技术效果。
进一步的，本申请实施例步骤S210还包括：
步骤S211：将所述第一历史泵浦光功率训练集和所述第一历史光纤长度训练集输入所述拉曼光纤放大器增益平坦度预测模型，获得预测增益平坦度集合；
步骤S212：获得预定增益平坦度区间；
步骤S213：根据所述预定增益平坦度区间对所述预测增益平坦度集合进行筛选，获得符合所述预定增益平坦度区间的预测增益平坦度集合。
具体而言，通过将所述第一历史泵浦光功率训练集和所述第一历史光纤长度训练集输入所述拉曼光纤放大器增益平坦度预测模型，获得预测增益平坦度集合。进一步根据所述预定增益平坦度区间对所述预测增益平坦度集合进行筛选，经过智能化在所述拉曼光纤放大器增益平坦度预测模型的输出预测结果中筛选，剔除不满足所述预定增益大小区间的预测增益平坦度值，从而得到满足所述预定增益平坦度区间的所有预测增益平坦度值，进一步达到了组成所述预测增益平坦度集合的技术效果。
进一步的，本申请实施例步骤S230还包括：
步骤S231：获得所述拉曼光纤放大器增益大小预测模型的第一模型参数；
步骤S232：根据所述第一模型参数对所述增益大小初始模型进行更新。
具体而言，通过所述拉曼光纤放大器增益大小预测模型对应的第一模型参数，可对所述增益大小初始模型进行更新，从而得到拉曼光纤放大器增益大小预测模型。
进一步的，本申请实施例步骤S330还包括：
步骤S331：获得所述拉曼光纤放大器增益平坦度预测模型的第二模型参数；
步骤S332：根据所述第二模型参数对所述增益平坦度初始模型进行更新。
具体而言，通过所述拉曼光纤放大器增益平坦度预测模型对应的第一模型参数，可对所述增益平坦度初始模型进行更新，从而得到拉曼光纤放大器增益平坦度预测模型。
综上所述，本申请实施例所提供的一种提升拉曼光纤放大器性能的方法具有如下技术效果：
1.通过获得第一拉曼光纤放大器的第一泵浦光功率和第一光纤长度，其中，所述第一泵浦光功率和所述第一光纤长度相匹配；构建拉曼光纤放大器增益大小预测模型；构建拉曼光纤放大器增益平坦度预测模型；将所述第一泵浦光功率和第一光纤长度输入所述拉曼光纤放大器增益大小预测模型，获得第一预测增益大小；将所述第一泵浦光功率和第一光纤长度输入所述拉曼光纤放大器增益平坦度预测模型，获得第一预 测增益平坦度；根据所述第一预测增益大小和所述第一预测增益平坦度，确定第一增益关系；根据所述第一增益关系，获得第一调整信息；根据所述第一调整信息对所述第一拉曼光纤放大器进行参数调整。达到了基于拉曼光纤放大器增益大小和增益平坦度关系的智能化分析结果，有针对性的对拉曼光纤放大器进行调整，从而改善拉曼光纤放大器增益带宽不足的问题，最终达到提高增益输出，并保持较小增益平坦度的技术效果。
2.基于神经网络模型建立的所述拉曼光纤放大器增益大小预测模型和所述拉曼光纤放大器增益平坦度预测模型能够输出对应预测指标的准确预测信息，从而具备了较强的分析计算能力，为后续预测所述第一拉曼光纤放大器相关参数性能情况提供了模型基础。
实施例二
基于与前述实施例中一种提升拉曼光纤放大器性能的方法，同样发明构思，本发明还提供了一种提升拉曼光纤放大器性能的系统，请参阅附图5，所述系统包括：
第一获得单元11：所述第一获得单元11用于获得第一拉曼光纤放大器的第一泵浦光功率和第一光纤长度，其中，所述第一泵浦光功率和所述第一光纤长度相匹配；
第一构建单元12：所述第一构建单元12用于构建拉曼光纤放大器增益大小预测模型；
第二构建单元13：所述第二构建单元13用于构建拉曼光纤放大器增益平坦度预测模型；
第二获得单元14：所述第二获得单元14用于将所述第一泵浦光功率和第一光纤长度输入所述拉曼光纤放大器增益大小预测模型，获得第一预测增益大小；
第三获得单元15：所述第三获得单元15用于将所述第一泵浦光功率和第一光纤长度输入所述拉曼光纤放大器增益平坦度预测模型，获得第一预测增益平坦度；
第一确定单元16：所述第一确定单元16用于根据所述第一预测增益大小和所述第一预测增益平坦度，确定第一增益关系；
第四获得单元17：所述第四获得单元17用于根据所述第一增益关系，获得第一调整信息；
第一调整单元18：所述第一调整单元18用于根据所述第一调整信息对所述第一拉曼光纤放大器进行参数调整。
进一步的，所述系统还包括：
第五获得单元，所述第五获得单元用于获得符合预定增益大小区间的预测增益大小集合；
第六获得单元，所述第六获得单元用于根据所述符合所述预定增益大小区间的预测增益大小集合对历史泵浦光功率训练集和历史光纤长度训练集进行筛选，获得第一历史泵浦光功率训练集和第一历史光纤长度训练集；
第三构建单元，所述第三构建单元用于通过所述第一历史泵浦光功率训练集和所述第一历史光纤长度训练集对增益平坦度初始模型进行训练，构建所述拉曼光纤放大器增益平坦度预测模型。
进一步的，所述系统还包括：
第七获得单元，所述第七获得单元用于获得符合预定增益平坦度区间的预测增益平坦度集合；
第八获得单元，所述第八获得单元用于根据所述符合所述预定增益平坦度区间的预测增益平坦度集合对所述第一历史泵浦光功率训练集和所述第一历史光纤长度训练集进行筛选，获得第二历史泵浦光功率训练集和第二历史光纤长度训练集；
第四构建单元，所述第四构建单元用于将所述第二历史泵浦光功率训练集和所述第二历史光纤长度训练集输入拉曼光纤放大器增益大小初始模型进行训练，构建所述拉曼光纤放大器增益大小预测模型。
进一步的，所述系统还包括：
第九获得单元，所述第九获得单元用于获得所述历史泵浦光功率训练集和所述历史光纤长度训练集；
第一执行单元，所述第一执行单元用于通过所述历史泵浦光功率训练集和所述历史光纤长度训练集对增益大小初始模型进行训练；
第十获得单元，所述第十获得单元用于获得所述拉曼光纤放大器增益大小初始模型输出的预测增益大小集合；
第十一获得单元，所述第十一获得单元用于获得预定增益大小区间；
第十二获得单元，所述第十二获得单元用于根据所述预定增益大小区间对所述预测增益大小集合进行筛选，获得符合所述预定增益大小区间的预测增益大小集合。
进一步的，所述系统还包括：
第十三获得单元，所述第十三获得单元用于将所述第一历史泵浦光功率训练集和所述第一历史光纤长度训练集输入所述拉曼光纤放大器增益平坦度预测模型，获得预测增益平坦度集合；
第十四获得单元，所述第十四获得单元用于获得预定增益平坦度区间；
第十五获得单元，所述第十五获得单元用于根据所述预定增益平坦度区间对所述预测增益平坦度集合进行筛选，获得符合所述预定增益平坦度区间的预测增益平坦度集合。
进一步的，所述系统还包括：
第十六获得单元，所述第十六获得单元用于获得所述拉曼光纤放大器增益大小预测模型的第一模型参数；
第一更新单元，所述第一更新单元用于根据所述第一模型参数对所述增益大小初始模型进行更新。
进一步的，所述系统还包括：
第十七获得单元，所述第十七获得单元用于获得所述拉曼光纤放大器增益平坦度预测模型的第二模型参数；
第二更新单元，所述第二更新单元用于根据所述第二模型参数对所述增益平坦度初始模型进行更新。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，前述图1实施例一中的一种提升拉曼光纤放大器性能的方法和具体实例同样适用于本实施例的一种提升拉曼光纤放大器性能的系统，通过前述对一种提升拉曼光纤放大器性能的方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种提升拉曼光纤放大器性能的系统，所以为了说明书的简洁，在此不再详述。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
示例性电子设备
下面参考图6来描述本申请实施例的电子设备。
图6图示了根据本申请实施例的电子设备的结构示意图。
基于与前述实施例中一种提升拉曼光纤放大器性能的方法的发明构思，本发明还提供一种提升拉曼光纤放大器性能的系统，其上存储有计算机程序，该程序被处理器执行时实现前文所述一种提升拉曼光纤放大器性能的方法的任一方法的步骤。
其中，在图6中，总线架构（用总线300来代表），总线300可以包括任意数量的互联的总线和桥，总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口305在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。
处理器302负责管理总线300和通常的处理，而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
本申请提供了一种提升拉曼光纤放大器性能的方法，所述方法应用于一种提升拉曼光纤放大器性能的系统，其中，所述方法包括：通过获得第一拉曼光纤放大器的第一泵浦光功率和第一光纤长度，其中，所述第一泵浦光功率和所述第一光纤长度相匹配；构建拉曼光纤放大器增益大小预测模型；构建拉曼光纤放大器增益平坦度预测模型；将所述第一泵浦光功率和第一光纤长度输入所述拉曼光纤放大器增益大小预测模型，获得第一预测增益大小；将所述第一泵浦光功率和第一光纤长度输入所述拉曼光纤放大器增益平坦度预测模型，获得第一预 测增益平坦度；根据所述第一预测增益大小和所述第一预测增益平坦度，确定第一增益关系；根据所述第一增益关系，获得第一调整信息；根据所述第一调整信息对所述第一拉曼光纤放大器进行参数调整。解决了现有技术中存在无法基于拉曼光纤放大器增益大小和增益平坦度的关系，智能化对拉曼光纤放大器进行调整的技术问题。达到了基于拉曼光纤放大器增益大小和增益平坦度关系的智能化分析结果，有针对性的对拉曼光纤放大器进行调整，从而改善拉曼光纤放大器增益带宽不足的问题，最终达到提高增益输出，并保持较小增益平坦度的技术效果。
本申请还提供一种电子设备，其中，包括处理器和存储器；
该存储器，用于存储；
该处理器，用于通过调用，执行上述实施例一中任一项所述的方法。
本申请还提供一种计算机程序产品，包括计算机程序和/或指令，该计算机程序和/或指令被处理器执行时实现上述实施例一中任一项所述方法的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、装置、或计算机程序产品。因此，本申请可采用完全软件实施例、完全硬件实施例、或结合软件和硬件方面实施例的形式。此外，本申请为可以在一个或多个包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。而所述的计算机可用存储介质包括但不限于：U盘、移动硬盘、只读存储器（Read-Only Memory，简称ROM）、随机存取存储器（Random AccessMemory，简称RAM）、磁盘存储器、只读光盘（Compact Disc Read-Only Memory，简称CD-ROM）、光学存储器等各种可以存储程序代码的介质。
本申请是参照本申请的方法、设备（系统）、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的系统。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令系统的制造品，该指令系统实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (8)

1.一种提升拉曼光纤放大器性能的方法，其特征在于，所述方法包括：
获得第一拉曼光纤放大器的第一泵浦光功率和第一光纤长度，其中，所述第一泵浦光功率和所述第一光纤长度相匹配；
构建拉曼光纤放大器增益大小预测模型；
构建拉曼光纤放大器增益平坦度预测模型；
将所述第一泵浦光功率和第一光纤长度输入所述拉曼光纤放大器增益大小预测模型，获得第一预测增益大小；
将所述第一泵浦光功率和第一光纤长度输入所述拉曼光纤放大器增益平坦度预测模型，获得第一预测增益平坦度；
根据所述第一预测增益大小和所述第一预测增益平坦度，确定第一增益关系；
根据所述第一增益关系，获得第一调整信息；
根据所述第一调整信息对所述第一拉曼光纤放大器进行参数调整；
所述拉曼光纤放大器增益大小预测模型和所述拉曼光纤放大器增益平坦度预测模型均为神经网络模型；
所述构建拉曼光纤放大器增益平坦度预测模型，包括：
获得符合预定增益大小区间的预测增益大小集合；
根据所述符合所述预定增益大小区间的预测增益大小集合对历史泵浦光功率训练集和历史光纤长度训练集进行筛选，获得第一历史泵浦光功率训练集和第一历史光纤长度训练集；
通过所述第一历史泵浦光功率训练集和所述第一历史光纤长度训练集对增益平坦度初始模型进行训练，构建所述拉曼光纤放大器增益平坦度预测模型；
所述构建拉曼光纤放大器增益大小预测模型，还包括：
获得符合预定增益平坦度区间的预测增益平坦度集合；
根据所述符合所述预定增益平坦度区间的预测增益平坦度集合对所述第一历史泵浦光功率训练集和所述第一历史光纤长度训练集进行筛选，获得第二历史泵浦光功率训练集和第二历史光纤长度训练集；
将所述第二历史泵浦光功率训练集和所述第二历史光纤长度训练集输入拉曼光纤放大器增益大小初始模型进行训练，构建所述拉曼光纤放大器增益大小预测模型。
2.如权利要求1所述的方法，其特征在于，所述获得符合所述预定增益大小区间的预测增益大小集合，包括：
获得所述历史泵浦光功率训练集和所述历史光纤长度训练集；
通过所述历史泵浦光功率训练集和所述历史光纤长度训练集对增益大小初始模型进行训练；
获得所述拉曼光纤放大器增益大小初始模型输出的预测增益大小集合；
获得预定增益大小区间；
根据所述预定增益大小区间对所述预测增益大小集合进行筛选，获得符合所述预定增益大小区间的预测增益大小集合。
3.如权利要求1所述的方法，其特征在于，所述获得符合所述预定增益平坦度区间的预测增益平坦度集合，包括：
将所述第一历史泵浦光功率训练集和所述第一历史光纤长度训练集输入所述拉曼光纤放大器增益平坦度预测模型，获得预测增益平坦度集合；
获得预定增益平坦度区间；
根据所述预定增益平坦度区间对所述预测增益平坦度集合进行筛选，获得符合所述预定增益平坦度区间的预测增益平坦度集合。
4.如权利要求1所述的方法，其特征在于，所述方法还包括：
获得所述拉曼光纤放大器增益大小预测模型的第一模型参数；
根据所述第一模型参数对所述增益大小初始模型进行更新。
5.如权利要求1所述的方法，其特征在于，所述方法还包括：
获得所述拉曼光纤放大器增益平坦度预测模型的第二模型参数；
根据所述第二模型参数对所述增益平坦度初始模型进行更新。
6.一种提升拉曼光纤放大器性能的系统，其特征在于，所述系统应用于权利要求1~5任一所述方法，所述系统包括：
第一获得单元：所述第一获得单元用于获得第一拉曼光纤放大器的第一泵浦光功率和第一光纤长度，其中，所述第一泵浦光功率和所述第一光纤长度相匹配；
第一构建单元：所述第一构建单元用于构建拉曼光纤放大器增益大小预测模型；
第二构建单元：所述第二构建单元用于构建拉曼光纤放大器增益平坦度预测模型；
第二获得单元：所述第二获得单元用于将所述第一泵浦光功率和第一光纤长度输入所述拉曼光纤放大器增益大小预测模型，获得第一预测增益大小；
第三获得单元：所述第三获得单元用于将所述第一泵浦光功率和第一光纤长度输入所述拉曼光纤放大器增益平坦度预测模型，获得第一预测增益平坦度；
第一确定单元：所述第一确定单元用于根据所述第一预测增益大小和所述第一预测增益平坦度，确定第一增益关系；
第四获得单元：所述第四获得单元用于根据所述第一增益关系，获得第一调整信息；
第一调整单元：所述第一调整单元用于根据所述第一调整信息对所述第一拉曼光纤放大器进行参数调整；
所述拉曼光纤放大器增益大小预测模型和所述拉曼光纤放大器增益平坦度预测模型均为神经网络模型；
所述系统还包括：
第五获得单元，所述第五获得单元用于获得符合预定增益大小区间的预测增益大小集合；
第六获得单元，所述第六获得单元用于根据所述符合所述预定增益大小区间的预测增益大小集合对历史泵浦光功率训练集和历史光纤长度训练集进行筛选，获得第一历史泵浦光功率训练集和第一历史光纤长度训练集；
第三构建单元，所述第三构建单元用于通过所述第一历史泵浦光功率训练集和所述第一历史光纤长度训练集对增益平坦度初始模型进行训练，构建所述拉曼光纤放大器增益平坦度预测模型；
第七获得单元，所述第七获得单元用于获得符合预定增益平坦度区间的预测增益平坦度集合；
第八获得单元，所述第八获得单元用于根据所述符合所述预定增益平坦度区间的预测增益平坦度集合对所述第一历史泵浦光功率训练集和所述第一历史光纤长度训练集进行筛选，获得第二历史泵浦光功率训练集和第二历史光纤长度训练集；
第四构建单元，所述第四构建单元用于将所述第二历史泵浦光功率训练集和所述第二历史光纤长度训练集输入拉曼光纤放大器增益大小初始模型进行训练，构建所述拉曼光纤放大器增益大小预测模型。
7.一种电子设备，其特征在于，包括处理器和存储器；
所述存储器，用于存储；
所述处理器，用于通过调用，执行权利要求1~5中任一项所述的方法。
8.一种计算机可读存储介质，其上存储有计算机程序和/或指令，其特征在于，该计算机程序和/或指令被处理器执行时实现权利要求1~5中任一项所述方法的步骤。
CN202210565649.2A 2022-05-24 2022-05-24 一种提升拉曼光纤放大器性能的方法及系统 Active CN114722758B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210565649.2A CN114722758B (zh) 2022-05-24 2022-05-24 一种提升拉曼光纤放大器性能的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210565649.2A CN114722758B (zh) 2022-05-24 2022-05-24 一种提升拉曼光纤放大器性能的方法及系统

Publications (2)

Publication Number Publication Date
CN114722758A CN114722758A (zh) 2022-07-08
CN114722758B true CN114722758B (zh) 2022-09-02

Family

ID=82231014

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210565649.2A Active CN114722758B (zh) 2022-05-24 2022-05-24 一种提升拉曼光纤放大器性能的方法及系统

Country Status (1)

Country Link
CN (1) CN114722758B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107437721A (zh) * 2017-08-31 2017-12-05 武汉光迅科技股份有限公司 一种分布式拉曼光纤放大器的增益瞬态控制系统和方法
CN108964753A (zh) * 2018-06-27 2018-12-07 武汉光迅科技股份有限公司 一种拉曼光纤放大器的最大增益获取方法和装置
CN114499679A (zh) * 2022-01-25 2022-05-13 上海交通大学 多波段拉曼放大器设计方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6907051B1 (en) * 2001-08-31 2005-06-14 Nlight Photonics Corporation Dynamically spectrally tailored raman pump laser
CN113095482B (zh) * 2021-04-06 2024-01-12 西安邮电大学 基于bp神经网络的拉曼放大器增益值计算方法及系统
CN113708207B (zh) * 2021-11-01 2022-02-11 北京邮电大学 一种光纤拉曼放大器增益谱调控方法及装置
CN113726301B (zh) * 2021-11-03 2022-01-07 北京邮电大学 一种光纤拉曼放大器动态增益调控方法及设备
CN113839717B (zh) * 2021-11-29 2022-04-05 北京中昱光通科技有限公司 一种掺铒光纤放大器的带增益自动调节功能的方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107437721A (zh) * 2017-08-31 2017-12-05 武汉光迅科技股份有限公司 一种分布式拉曼光纤放大器的增益瞬态控制系统和方法
CN108964753A (zh) * 2018-06-27 2018-12-07 武汉光迅科技股份有限公司 一种拉曼光纤放大器的最大增益获取方法和装置
CN114499679A (zh) * 2022-01-25 2022-05-13 上海交通大学 多波段拉曼放大器设计方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于粒子群优化的宽带拉曼光纤放大器研究;巩稼民等;《光通信研究》;20181010(第05期);全文 *
多波长泵浦的增益补偿型拉曼光纤放大器;蒋亮等;《光通信研究》;20170925(第05期);全文 *

Also Published As

Publication number Publication date
CN114722758A (zh) 2022-07-08

Similar Documents

Publication Publication Date Title
CN113726301B (zh) 一种光纤拉曼放大器动态增益调控方法及设备
US8214312B2 (en) System and method for calibrating radio frequency power of communication devices
CN112269769A (zh) 数据压缩方法、装置、计算机设备及存储介质
CN113115195B (zh) 主动降噪耳机自动生产测试方法及装置
CN111353717A (zh) 区块链共识节点推选系统及方法
CN112181782A (zh) 基于ab测试的自适应灰度功能发布方法和装置
CN114722758B (zh) 一种提升拉曼光纤放大器性能的方法及系统
Tan Lam et al. Wireless sensing modules for rural monitoring and precision agriculture applications
Dehghannasiri et al. A Bayesian robust Kalman smoothing framework for state-space models with uncertain noise statistics
CN114826396B (zh) 一种监测拉曼放大器反射功率控制泵浦的方法及装置
Islam et al. Study of the parametric effects on soliton propagation in optical fibers through two analytical methods
Mescia et al. Particle swarm optimization for the design and characterization of silica-based photonic crystal fiber amplifiers
Song et al. PINN for power evolution prediction and Raman gain spectrum identification in C+ L-band transmission system
CN108537322A (zh) 神经网络层间激活值量化方法及装置
Fornarelli et al. A neural network model of erbium-doped photonic crystal fibre amplifiers
CN111510473A (zh) 访问请求处理方法、装置、电子设备和计算机可读介质
Yolcu et al. Solution of fiber Raman amplifier model using binary search equation-based adaptive artificial bee colony algorithm
Vazquez-Jimenez et al. On information extraction and decoding mechanisms improved by noisy amplification in signaling pathways
CN112598259A (zh) 产能测算方法、装置及计算机可读存储介质
CN112668832A (zh) 基于指标管理体系的风险量化评估方法、装置以及电子设备
Nevzorov et al. A neural network simulator of a nonstationary medium in an adaptive data transmission system
WO2023123585A1 (zh) 一种基于分段思想的实际多芯光纤非线性串扰计算模型
CN114640393A (zh) 一种提升edfa掺饵放大器性能的方法及装置
Rabbani et al. Modeling extended L-band fiber amplifiers using neural networks trained on experimental data
Janssen Machine Learning Based Raman Amplifier Design

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