CN115864102A - 具有温漂自适应调整功能的光引擎及其工作方法 - Google Patents

Abstract

本申请涉及光引擎温漂智能调整的领域，其具体地公开了一种具有温漂自适应调整功能的光引擎及其控制方法，其采用人工智能的控制方法，通过使用深度神经网络模型作为特征提取器，以光引擎的激光发射器阵列中各个激光发射器的温度值和拓扑信息以及功率值作为输入数据，进而基于所述光引擎中所有激光发射器的整体情况来确定对某个激光发射器的温度进行调整，以使得最终光引擎的性能一致性相对较优。

Description

具有温漂自适应调整功能的光引擎及其工作方法

技术领域

本发明涉及光引擎温漂智能调整的领域，且更为具体地，涉及一种具有温漂自适应调整功能的光引擎及其工作方法。

背景技术

现有的激光发射器用途广泛，可用于测量、瞄准和定位。随着科技的不断发展，在各类领域中激光器的应用呈现逐年上升趋势，具有广大的市场前景。

激光的发射原理不同于常规光，不是各种能级加在一起的自发辐射产生的，而是受激发射，各种能级的原子被泵浦到较高的一个激发态上，由于维持的时间总体正态分布，大部分原子都在一段极短的时间内掉到同一个较低的能态上，这种发射方式导致光处在几乎一致的能量水平，也就是我们平常所说的激光单色性。

在光引擎中，包括以阵列方式排布的若干激光发射器和若干激光接收器都会在工作时产生热量，进而使得温度升高，并且各个激光发射器的发射性能都会受其温度的影响，导致各个激光发射器的工作性能下降，从而影响激光发射器的工作精准度。

因此，期待一种基于温漂的性能调整系统以使得各个激光发射器在工作时的性能相对一致。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种具有温漂自适应调整功能的光引擎及其工作方法，其采用人工智能的控制方法，通过使用深度神经网络模型作为特征提取器，以光引擎的激光发射器阵列中各个激光发射器的温度值和拓扑信息以及功率值作为输入数据，进而基于所述光引擎中所有激光发射器的整体情况来确定对某个激光发射器的温度进行调整，以使得最终光引擎的性能一致性相对较优。

根据本申请的一个方面，提供了一种具有温漂自适应调整功能的光引擎，其包括：

温度采集模块，用于获取光引擎的激光发射器阵列中各个激光发射器的温度值；

温度数据结构化模块，用于将所述激光发射器阵列中各个激光发射器的温度值按照所述激光发射器阵列的拓扑样式构造为温度输入矩阵；

距离拓扑结构化模块，用于构建所述激光发射器阵列中待调节激光发射器与其他激光发射器之间的拓扑矩阵，其中，所述拓扑矩阵中各个位置的特征值为该位置的激光发射器与所述待调节的激光发射器之间的距离，所述待调节的激光发射器在所述拓扑矩阵中对应位置的特征值为一；

温度拓扑关联模块，用于以所述温度输入矩阵除以所述拓扑矩阵以得到温度拓扑输入矩阵；

温度拓扑编码模块，用于将所述温度拓扑输入矩阵通过作为特征提取器的第一卷积神经网络以得到温度拓扑特征矩阵；

温度拓扑特征校正模块，用于对所述温度拓扑特征矩阵进行特征分布校正以得到校正后温度拓扑特征矩阵；

功率数据采集模块，用于获取所述待调节的激光发射器的包括当前时间点在内的多个预定时间点的功率值；

功率数据编码模块，用于将所述待调节的激光发射器的包括当前时间点在内的多个预定时间点的功率值通过包含一维卷积层的时序编码器以得到功率特征向量；

映射模块，用于将所述功率特征向量与所述校正后温度拓扑特征矩阵进行相乘以得到分类特征向量；以及

功率调节结果生成模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待调节激光发射器的当前时间点的功率值应增大或应减小。

在上述具有温漂自适应调整功能的光引擎中，所述温度拓扑关联模块，进一步用于以所述温度输入矩阵除以所述拓扑矩阵以得到所述温度拓扑输入矩阵，其中，所述温度输入矩阵除以所述拓扑矩阵表示以所述温度输入矩阵中各个位置的特征值分别除以所述拓扑矩阵中对应位置的特征值。

在上述具有温漂自适应调整功能的光引擎中，所述温度拓扑编码模块，进一步用于：所述作为特征提取器的第一卷积神经网络的各层在层的正向传递中对输入数据分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部通道维度的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络的最后一层的输出为所述温度拓扑特征矩阵，所述第一卷积神经网络的第一层的输入为所述温度拓扑输入矩阵。

在上述具有温漂自适应调整功能的光引擎中，所述温度拓扑特征校正模块，包括：第一卷积单元，用于对所述温度拓扑特征矩阵进行卷积处理以得到卷积特征矩阵；融合单元，用于计算所述卷积特征矩阵与所述温度拓扑特征矩阵的转置矩阵的按位置加和以得到融合特征矩阵；第二卷积单元，用于对所述融合特征矩阵进行卷积处理以得到融合卷积特征矩阵；位置信息提取单元，用于将所述温度拓扑特征矩阵中各个位置的二维位置坐标分别映射为一维数值以得到坐标矩阵；以及，推理优化单元，用于计算所述坐标矩阵与所述融合卷积特征矩阵之间的按位置点乘以得到所述校正后温度拓扑特征矩阵。

在上述具有温漂自适应调整功能的光引擎中，所述所述温度拓扑特征校正模块，进一步用于：以如下公式对所述温度拓扑特征矩阵进行特征分布校正以得到所述校正后温度拓扑特征矩阵；

其中，所述公式为：

其中，M表示所述温度拓扑特征矩阵，M^T表示所述温度拓扑特征矩阵的转置，Cov₁()和Cov₂()均为单个卷积层，P_M表示所述温度拓扑特征矩阵的(x,y)坐标矩阵，

用于将二维位置坐标映射为一维数值，/>

表示矩阵的按位置加法，⊙表示按位置点乘。

在上述具有温漂自适应调整功能的光引擎中，所述功率数据编码模块，包括：输入向量构造单元，用于将所述待调节的激光发射器的包括当前时间点在内的多个预定时间点的功率值按照时间维度排列为一维的输入向量；全连接编码单元，用于使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：

其中X是所述输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，/>

表示矩阵乘；一维卷积编码单元，用于使用所述时序编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：

其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，X表示所述输入向量。

在上述具有温漂自适应调整功能的光引擎中，所述功率调节结果生成模块，进一步用于：使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果，其中，所述公式为：softmax{(W_n,B_n):…:(W₁,B₁)|X}，其中，W₁到W_n为权重矩阵，B₁到B_n为偏置向量，X为所述分类特征向量。

根据本申请的另一方面，一种具有温漂自适应调整功能的光引擎的工作方法，其包括：

获取光引擎的激光发射器阵列中各个激光发射器的温度值；

将所述激光发射器阵列中各个激光发射器的温度值按照所述激光发射器阵列的拓扑样式构造为温度输入矩阵；

构建所述激光发射器阵列中待调节激光发射器与其他激光发射器之间的拓扑矩阵，其中，所述拓扑矩阵中各个位置的特征值为该位置的激光发射器与所述待调节的激光发射器之间的距离，所述待调节的激光发射器在所述拓扑矩阵中对应位置的特征值为一；

以所述温度输入矩阵除以所述拓扑矩阵以得到温度拓扑输入矩阵；

将所述温度拓扑输入矩阵通过作为特征提取器的第一卷积神经网络以得到温度拓扑特征矩阵；

对所述温度拓扑特征矩阵进行特征分布校正以得到校正后温度拓扑特征矩阵；

获取所述待调节的激光发射器的包括当前时间点在内的多个预定时间点的功率值；

将所述待调节的激光发射器的包括当前时间点在内的多个预定时间点的功率值通过包含一维卷积层的时序编码器以得到功率特征向量；

将所述功率特征向量与所述校正后温度拓扑特征矩阵进行相乘以得到分类特征向量；以及

将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待调节激光发射器的当前时间点的功率值应增大或应减小。

在上述具有温漂自适应调整功能的光引擎的工作方法中，将所述激光发射器阵列中各个激光发射器的温度值按照所述激光发射器阵列的拓扑样式构造为温度输入矩阵，包括：以所述温度输入矩阵除以所述拓扑矩阵以得到所述温度拓扑输入矩阵，其中，所述温度输入矩阵除以所述拓扑矩阵表示以所述温度输入矩阵中各个位置的特征值分别除以所述拓扑矩阵中对应位置的特征值。

在上述具有温漂自适应调整功能的光引擎的工作方法中，将所述温度拓扑输入矩阵通过作为特征提取器的第一卷积神经网络以得到温度拓扑特征矩阵，包括：所述作为特征提取器的第一卷积神经网络的各层在层的正向传递中对输入数据分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部通道维度的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络的最后一层的输出为所述温度拓扑特征矩阵，所述第一卷积神经网络的第一层的输入为所述温度拓扑输入矩阵。

在上述具有温漂自适应调整功能的光引擎的工作方法中，对所述温度拓扑特征矩阵进行特征分布校正以得到校正后温度拓扑特征矩阵，包括：对所述温度拓扑特征矩阵进行卷积处理以得到卷积特征矩阵；计算所述卷积特征矩阵与所述温度拓扑特征矩阵的转置矩阵的按位置加和以得到融合特征矩阵；对所述融合特征矩阵进行卷积处理以得到融合卷积特征矩阵；将所述温度拓扑特征矩阵中各个位置的二维位置坐标分别映射为一维数值以得到坐标矩阵；以及，计算所述坐标矩阵与所述融合卷积特征矩阵之间的按位置点乘以得到所述校正后温度拓扑特征矩阵。

在上述具有温漂自适应调整功能的光引擎的工作方法中，对所述温度拓扑特征矩阵进行特征分布校正以得到校正后温度拓扑特征矩阵，包括：以如下公式对所述温度拓扑特征矩阵进行特征分布校正以得到所述校正后温度拓扑特征矩阵；

其中，所述公式为：

其中，M表示所述温度拓扑特征矩阵，M^T表示所述温度拓扑特征矩阵的转置，Cov₁()和Cov₂()均为单个卷积层，P_M表示所述温度拓扑特征矩阵的(x,y)坐标矩阵，

用于将二维位置坐标映射为一维数值，/>

表示矩阵的按位置加法，⊙表示按位置点乘。

在上述具有温漂自适应调整功能的光引擎的工作方法中，将所述待调节的激光发射器的包括当前时间点在内的多个预定时间点的功率值通过包含一维卷积层的时序编码器以得到功率特征向量，包括：将所述待调节的激光发射器的包括当前时间点在内的多个预定时间点的功率值按照时间维度排列为一维的输入向量；使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：

其中X是所述输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，/>

表示矩阵乘；使用所述时序编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：

其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，X表示所述输入向量。

在上述具有温漂自适应调整功能的光引擎的工作方法中，将所述分类特征向量通过分类器以得到分类结果，包括：使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果，其中，所述公式为：softmax{(W_n,B_n):…:(W₁,B₁)|X}，其中，W₁到W_n为权重矩阵，B₁到B_n为偏置向量，X为所述分类特征向量。

与现有技术相比，本申请提供的具有温漂自适应调整功能的光引擎及其工作方法，其采用人工智能的控制方法，通过使用深度神经网络模型作为特征提取器，以光引擎的激光发射器阵列中各个激光发射器的温度值和拓扑信息以及功率值作为输入数据，进而基于所述光引擎中所有激光发射器的整体情况来确定对某个激光发射器的温度进行调整，以使得最终光引擎的性能一致性相对较优。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1为根据本申请实施例的具有温漂自适应调整功能的光引擎的应用场景图。

图2为根据本申请实施例的具有温漂自适应调整功能的光引擎的框图。

图3为根据本申请实施例的具有温漂自适应调整功能的光引擎中温度拓扑特征校正模块的框图。

图4为根据本申请实施例的具有温漂自适应调整功能的光引擎的工作方法的流程图。

图5为根据本申请实施例的具有温漂自适应调整功能的光引擎的工作方法的架构示意图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅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。

场景概述

如前所述，现有的激光发射器用途广泛，可用于测量、瞄准和定位。随着科技的不断发展，在各类领域中激光器的应用呈现逐年上升趋势，具有广大的市场前景。

激光的发射原理不同于常规光，不是各种能级加在一起的自发辐射产生的，而是受激发射，各种能级的原子被泵浦到较高的一个激发态上，由于维持的时间总体正态分布，大部分原子都在一段极短的时间内掉到同一个较低的能态上，这种发射方式导致光处在几乎一致的能量水平，也就是我们平常所说的激光单色性。

在光引擎中，包括以阵列方式排布的若干激光发射器和若干激光接收器都会在工作时产生热量，进而使得温度升高，并且各个激光发射器的发射性能都会受其温度的影响，导致各个激光发射器的工作性能下降，从而影响激光发射器的工作精准度。

因此，期待一种基于温漂的性能调整系统以使得各个激光发射器在工作时的性能相对一致。

目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、语音信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。

近年来，深度学习以及神经网络的发展为光引擎中基于温漂的性能调整提供了新的解决思路和方案。

相应地，本申请发明人考虑到在进行温度调控时，相对于其他激光发射器而言，被调控的激光发射器也是个热源，因此，如果仅基于某个激光发射器进行温度控制，其很难以取得光引擎的性能一致性。基于此，本申请发明人期望基于光引擎中所有激光发射器的整体情况来确定对某个激光发射器的温度进行调整，以使得最终光引擎的性能一致性相对较优。

具体地，在本申请的技术方案中，首先，通过部署于光引擎中的各个温度传感器获取光引擎的激光发射器阵列中各个激光发射器的温度值。然后，考虑到所述激光发射器阵列中的各个激光发射器的温度会对其自身以及周围的所述各个激光发射器的性能产生影响，因此在对于温漂的自适应调整中，所述各个激光发射器的拓扑特征对于全局性的温度调整以及所述光引擎的性能一致性调整具有一定的积极作用。因此，在本申请的技术方案中，进一步根据所述激光发射器阵列的拓扑样式来构造所述激光发射器阵列中待调节激光发射器与其他激光发射器之间的拓扑矩阵，这里，所述拓扑矩阵中各个位置的特征值为该位置的激光发射器与所述待调节的激光发射器之间的距离，所述待调节的激光发射器在所述拓扑矩阵中对应位置的特征值为一。并且，将所述激光发射器阵列中各个激光发射器的温度值按照所述激光发射器阵列的拓扑样式构造为温度输入矩阵。

进一步地，为了通过所述激光发射器阵列中各个激光发射器的温度值与所述激光发射器阵列的拓扑结构之间的关联性关系来综合进行特征的挖掘提取，进一步以所述温度输入矩阵与所述拓扑矩阵进行按位置相除以得到温度拓扑输入矩阵。应可以理解，这里，由于所述温度输入矩阵具有与所述拓扑矩阵相同的网络格式结构，并且考虑到其他的各个所述激光发射器温度越高对于待调节的所述激光发射器的工作性能影响就越大，而其他的各个所述激光发射器的距离越远对于待调节的所述激光发射器的工作性能影响就越小，因此，在本申请的技术方案中，可以计算所述温度输入矩阵与所述拓扑矩阵的按位置除法来表征所述温度与距离拓扑对于所述激光发射器的工作性能的共同影响。然后，使用在隐含关联特征提取方面具有优异表现的卷积神经网络模型来进行温度拓扑的隐含关联特征提取，从而得到温度拓扑特征矩阵。

应可以理解，对于所述温度拓扑特征矩阵来说，作为特征提取器的所述第一卷积神经网络的卷积核从所述温度拓扑输入矩阵中提取了局部拓扑关联特征，但是，在将所述功率特征向量乘以所述温度拓扑特征矩阵获得分类特征向量时，为了提高分类特征向量的分类准确性，期望所述温度拓扑特征矩阵不仅能够表达局部拓扑关联特征，而且能够表达全局拓扑关联特征。因此，在本申请的技术方案中，对所述温度拓扑特征矩阵进行位置提议局部推理优化，即：

其中，M表示所述温度拓扑特征矩阵，M^T表示所述温度拓扑特征矩阵的转置，Cov₁()和Cov₂()均为单个卷积层，P_M表示所述温度拓扑特征矩阵的(x,y)坐标矩阵，

用于将二维位置坐标映射为一维数值，/>

表示矩阵的按位置加法，⊙表示按位置点乘。

这样，使用所述坐标映射函数Φ所获得的位置信息作为提议，可以通过卷积层构成的局部感知场来对所述温度拓扑特征矩阵的全局场景语义进行推理，以便于在全面融合所捕获的局部拓扑关联特征的语义的基础上进一步衍生全局拓扑关联特征的语义，从而实现拓扑关联特征语义的局部-全局迁移和全局语义的推理预测，进而提高分类的准确性。

进一步地，考虑到对于温漂的调整以使得最终的光引擎的性能一致性相对较优，也就是对于所述激光发射器的功率值进行调整，因此，在本申请的技术方案中，还需要通过功率测量仪获取所述待调节的激光发射器的包括当前时间点在内的多个预定时间点的功率值。由于考虑到所述待调节的激光发射器的功率值在时间维度上具有动态性的规律，因此，为了充分地提取出这种隐含的动态性规律特征，将所述待调节的激光发射器的包括当前时间点在内的多个预定时间点的功率值通过包含一维卷积层的时序编码器以得到功率特征向量。相应地，在一个具体示例中，所述时序编码器由交替设置的全连接层和一维卷积层组成，其通过一维卷积编码提取出所述激光发射器的功率值在时序维度上的关联和通过全连接编码提取所述激光发射器的功率值的高维隐含特征。

然后，就可以将所述功率特征向量与所述校正后温度拓扑特征矩阵进行相乘以将所述功率特征向量映射到所述校正后温度拓扑特征矩阵的高维特征空间中，从而得到分类特征向量。接着，将所述分类特征向量通过分类器以得到用于表示待调节激光发射器的当前时间点的功率值应增大或应减小的分类结果。

基于此，本申请提出了一种具有温漂自适应调整功能的光引擎，其包括：温度采集模块，用于获取光引擎的激光发射器阵列中各个激光发射器的温度值；温度数据结构化模块，用于将所述激光发射器阵列中各个激光发射器的温度值按照所述激光发射器阵列的拓扑样式构造为温度输入矩阵；距离拓扑结构化模块，用于构建所述激光发射器阵列中待调节激光发射器与其他激光发射器之间的拓扑矩阵，其中，所述拓扑矩阵中各个位置的特征值为该位置的激光发射器与所述待调节的激光发射器之间的距离，所述待调节的激光发射器在所述拓扑矩阵中对应位置的特征值为一；温度拓扑关联模块，用于以所述温度输入矩阵除以所述拓扑矩阵以得到温度拓扑输入矩阵；温度拓扑编码模块，用于将所述温度拓扑输入矩阵通过作为特征提取器的第一卷积神经网络以得到温度拓扑特征矩阵；温度拓扑特征校正模块，用于对所述温度拓扑特征矩阵进行特征分布校正以得到校正后温度拓扑特征矩阵；功率数据采集模块，用于获取所述待调节的激光发射器的包括当前时间点在内的多个预定时间点的功率值；功率数据编码模块，用于将所述待调节的激光发射器的包括当前时间点在内的多个预定时间点的功率值通过包含一维卷积层的时序编码器以得到功率特征向量；映射模块，用于将所述功率特征向量与所述校正后温度拓扑特征矩阵进行相乘以得到分类特征向量；以及，功率调节结果生成模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待调节激光发射器的当前时间点的功率值应增大或应减小。

图1图示了根据本申请实施例的具有温漂自适应调整功能的光引擎的应用场景图。如图1所示，在该应用场景中，首先，根据光引擎(例如，如图1中所示意的M)的激光发射器阵列(例如，如图1中所示意的R)的拓扑样式来构造所述激光发射器阵列中待调节激光发射器(例如，如图1中所示意的L1)与其他激光发射器(例如，如图1中所示意的L2)之间的拓扑矩阵，并且通过部署于光引擎中的各个温度传感器(例如，如图1中所示意的T)获取所述光引擎的激光发射器阵列中各个激光发射器的温度值，通过功率测量仪(例如，如图1中所示意的P)获取所述待调节的激光发射器的包括当前时间点在内的多个预定时间点的功率值。然后，将获得的所述拓扑矩阵、所述各个激光发射器的温度值以及所述待调节的激光发射器的功率值输入至部署有具有温漂自适应调整功能的光引擎算法的终端处理器中(例如，如图1中所示意的终端处理器D)，其中，所述终端处理器能够以具有温漂自适应调整功能的光引擎算法对所述拓扑矩阵、所述各个激光发射器的温度值以及所述待调节的激光发射器的功率值进行处理，以生成用于表示待调节激光发射器的当前时间点的功率值应增大或应减小的分类结果。

在一个具体的示例中，所述光引擎为400G光引擎，其中，所述光引擎具有8个激光发射器，并呈两列的方式进行分布，其中，每个激光发射器的速率是50Gbps，因此，所述光引擎的速度为50*8＝400Gbps。

在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

示例性系统

图2图示了根据本申请实施例的具有温漂自适应调整功能的光引擎的框图。如图2所示，根据本申请实施例的具有温漂自适应调整功能的光引擎200，包括：温度采集模块210，用于获取光引擎的激光发射器阵列中各个激光发射器的温度值；温度数据结构化模块220，用于将所述激光发射器阵列中各个激光发射器的温度值按照所述激光发射器阵列的拓扑样式构造为温度输入矩阵；距离拓扑结构化模块230，用于构建所述激光发射器阵列中待调节激光发射器与其他激光发射器之间的拓扑矩阵，其中，所述拓扑矩阵中各个位置的特征值为该位置的激光发射器与所述待调节的激光发射器之间的距离，所述待调节的激光发射器在所述拓扑矩阵中对应位置的特征值为一；温度拓扑关联模块240，用于以所述温度输入矩阵除以所述拓扑矩阵以得到温度拓扑输入矩阵；温度拓扑编码模块250，用于将所述温度拓扑输入矩阵通过作为特征提取器的第一卷积神经网络以得到温度拓扑特征矩阵；温度拓扑特征校正模块260，用于对所述温度拓扑特征矩阵进行特征分布校正以得到校正后温度拓扑特征矩阵；功率数据采集模块270，用于获取所述待调节的激光发射器的包括当前时间点在内的多个预定时间点的功率值；功率数据编码模块280，用于将所述待调节的激光发射器的包括当前时间点在内的多个预定时间点的功率值通过包含一维卷积层的时序编码器以得到功率特征向量；映射模块290，用于将所述功率特征向量与所述校正后温度拓扑特征矩阵进行相乘以得到分类特征向量；以及，功率调节结果生成模块300，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待调节激光发射器的当前时间点的功率值应增大或应减小。

具体地，在本申请实施例中，所述温度采集模块210、所述温度数据结构化模块220和所述距离拓扑结构化模块230，用于获取光引擎的激光发射器阵列中各个激光发射器的温度值，并将所述激光发射器阵列中各个激光发射器的温度值按照所述激光发射器阵列的拓扑样式构造为温度输入矩阵，再构建所述激光发射器阵列中待调节激光发射器与其他激光发射器之间的拓扑矩阵，其中，所述拓扑矩阵中各个位置的特征值为该位置的激光发射器与所述待调节的激光发射器之间的距离，所述待调节的激光发射器在所述拓扑矩阵中对应位置的特征值为一。如前所述，应可以理解，考虑到在进行温度调控时，相对于其他激光发射器而言，被调控的激光发射器也是个热源，因此，如果仅基于某个激光发射器进行温度控制，其很难以取得光引擎的性能一致性。因此，在本申请的技术方案中，期望基于光引擎中所有激光发射器的整体情况来确定对某个激光发射器的温度进行调整，以使得最终光引擎的性能一致性相对较优。

也就是，具体地，在本申请的技术方案中，首先，通过部署于光引擎中的各个温度传感器获取光引擎的激光发射器阵列中各个激光发射器的温度值。然后，考虑到所述激光发射器阵列中的各个激光发射器的温度会对其自身以及周围的所述各个激光发射器的性能产生影响，因此在对于温漂的自适应调整中，所述各个激光发射器的拓扑特征对于全局性的温度调整以及所述光引擎的性能一致性调整具有一定的积极作用。因此，在本申请的技术方案中，进一步根据所述激光发射器阵列的拓扑样式来构造所述激光发射器阵列中待调节激光发射器与其他激光发射器之间的拓扑矩阵，这里，所述拓扑矩阵中各个位置的特征值为该位置的激光发射器与所述待调节的激光发射器之间的距离，所述待调节的激光发射器在所述拓扑矩阵中对应位置的特征值为一。并且，将所述激光发射器阵列中各个激光发射器的温度值按照所述激光发射器阵列的拓扑样式构造为温度输入矩阵。

更具体地，在本申请实施例中，所述温度拓扑关联模块，进一步用于以所述温度输入矩阵除以所述拓扑矩阵以得到所述温度拓扑输入矩阵，其中，所述温度输入矩阵除以所述拓扑矩阵表示以所述温度输入矩阵中各个位置的特征值分别除以所述拓扑矩阵中对应位置的特征值。

具体地，在本申请实施例中，所述温度拓扑关联模块240和所述温度拓扑编码模块250，用于以所述温度输入矩阵除以所述拓扑矩阵以得到温度拓扑输入矩阵，并将所述温度拓扑输入矩阵通过作为特征提取器的第一卷积神经网络以得到温度拓扑特征矩阵。也就是，在本申请的技术方案中，为了通过所述激光发射器阵列中各个激光发射器的温度值与所述激光发射器阵列的拓扑结构之间的关联性关系来综合进行特征的挖掘提取，进一步以所述温度输入矩阵与所述拓扑矩阵进行按位置相除以得到温度拓扑输入矩阵。应可以理解，这里，由于所述温度输入矩阵具有与所述拓扑矩阵相同的网络格式结构，并且考虑到其他的各个所述激光发射器温度越高对于待调节的所述激光发射器的工作性能影响就越大，而其他的各个所述激光发射器的距离越远对于待调节的所述激光发射器的工作性能影响就越小，因此，在本申请的技术方案中，可以计算所述温度输入矩阵与所述拓扑矩阵的按位置除法来表征所述温度与距离拓扑对于所述激光发射器的工作性能的共同影响。然后，使用在隐含关联特征提取方面具有优异表现的卷积神经网络模型来进行温度拓扑的隐含关联特征提取，从而得到温度拓扑特征矩阵。

更具体地，在本申请实施例中，所述温度拓扑编码模块，进一步用于：所述作为特征提取器的第一卷积神经网络的各层在层的正向传递中对输入数据分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部通道维度的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第一卷积神经网络的最后一层的输出为所述温度拓扑特征矩阵，所述第一卷积神经网络的第一层的输入为所述温度拓扑输入矩阵。

具体地，在本申请实施例中，所述温度拓扑特征校正模块260，用于对所述温度拓扑特征矩阵进行特征分布校正以得到校正后温度拓扑特征矩阵。应可以理解，对于所述温度拓扑特征矩阵来说，作为特征提取器的所述第一卷积神经网络的卷积核从所述温度拓扑输入矩阵中提取了局部拓扑关联特征，但是，在将所述功率特征向量乘以所述温度拓扑特征矩阵获得分类特征向量时，为了提高分类特征向量的分类准确性，期望所述温度拓扑特征矩阵不仅能够表达局部拓扑关联特征，而且能够表达全局拓扑关联特征。因此，在本申请的技术方案中，对所述温度拓扑特征矩阵进行位置提议局部推理优化。

更具体地，在本申请实施例中，所述温度拓扑特征校正模块，包括：首先，对所述温度拓扑特征矩阵进行卷积处理以得到卷积特征矩阵；接着，计算所述卷积特征矩阵与所述温度拓扑特征矩阵的转置矩阵的按位置加和以得到融合特征矩阵；然后，对所述融合特征矩阵进行卷积处理以得到融合卷积特征矩阵；接着，将所述温度拓扑特征矩阵中各个位置的二维位置坐标分别映射为一维数值以得到坐标矩阵；最后，计算所述坐标矩阵与所述融合卷积特征矩阵之间的按位置点乘以得到所述校正后温度拓扑特征矩阵。相应地，在一个具体示例中，以如下公式对所述温度拓扑特征矩阵进行特征分布校正以得到所述校正后温度拓扑特征矩阵；

其中，所述公式为：

其中，M表示所述温度拓扑特征矩阵，M^T表示所述温度拓扑特征矩阵的转置，Cov₁()和Cov₂()均为单个卷积层，P_M表示所述温度拓扑特征矩阵的(x,y)坐标矩阵，

用于将二维位置坐标映射为一维数值，/>

表示矩阵的按位置加法，⊙表示按位置点乘。应可以理解，这样，使用所述坐标映射函数Φ所获得的位置信息作为提议，可以通过卷积层构成的局部感知场来对所述温度拓扑特征矩阵的全局场景语义进行推理，以便于在全面融合所捕获的局部拓扑关联特征的语义的基础上进一步衍生全局拓扑关联特征的语义，从而实现拓扑关联特征语义的局部-全局迁移和全局语义的推理预测，进而提高分类的准确性。

图3图示了根据本申请实施例的具有温漂自适应调整功能的光引擎中温度拓扑特征校正模块的框图。如图3所示，所述温度拓扑特征校正模块260，包括：第一卷积单元261，用于对所述温度拓扑特征矩阵进行卷积处理以得到卷积特征矩阵；融合单元262，用于计算所述卷积特征矩阵与所述温度拓扑特征矩阵的转置矩阵的按位置加和以得到融合特征矩阵；第二卷积单元263，用于对所述融合特征矩阵进行卷积处理以得到融合卷积特征矩阵；位置信息提取单元264，用于将所述温度拓扑特征矩阵中各个位置的二维位置坐标分别映射为一维数值以得到坐标矩阵；以及，推理优化单元265，用于计算所述坐标矩阵与所述融合卷积特征矩阵之间的按位置点乘以得到所述校正后温度拓扑特征矩阵。

具体地，在本申请实施例中，所述功率数据采集模块270和所述功率数据编码模块280，用于获取所述待调节的激光发射器的包括当前时间点在内的多个预定时间点的功率值，并将所述待调节的激光发射器的包括当前时间点在内的多个预定时间点的功率值通过包含一维卷积层的时序编码器以得到功率特征向量。应可以理解，考虑到对于温漂的调整以使得最终的光引擎的性能一致性相对较优，也就是对于所述激光发射器的功率值进行调整，因此，在本申请的技术方案中，还需要通过功率测量仪获取所述待调节的激光发射器的包括当前时间点在内的多个预定时间点的功率值。并且，由于考虑到所述待调节的激光发射器的功率值在时间维度上具有动态性的规律，因此，为了充分地提取出这种隐含的动态性规律特征，将所述待调节的激光发射器的包括当前时间点在内的多个预定时间点的功率值通过包含一维卷积层的时序编码器以得到功率特征向量。相应地，在一个具体示例中，所述时序编码器由交替设置的全连接层和一维卷积层组成，其通过一维卷积编码提取出所述激光发射器的功率值在时序维度上的关联和通过全连接编码提取所述激光发射器的功率值的高维隐含特征。

更具体地，在本申请实施例中，所述功率数据编码模块，包括：输入向量构造单元，用于将所述待调节的激光发射器的包括当前时间点在内的多个预定时间点的功率值按照时间维度排列为一维的输入向量；全连接编码单元，用于使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：

其中X是所述输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，/>

表示矩阵乘；一维卷积编码单元，用于使用所述时序编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：

其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，X表示所述输入向量。

具体地，在本申请实施例中，所述映射模块290和所述功率调节结果生成模块300，用于将所述功率特征向量与所述校正后温度拓扑特征矩阵进行相乘以得到分类特征向量，并将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待调节激光发射器的当前时间点的功率值应增大或应减小。也就是，在本申请的技术方案中，进一步就可以将所述功率特征向量与所述校正后温度拓扑特征矩阵进行相乘以将所述功率特征向量映射到所述校正后温度拓扑特征矩阵的高维特征空间中，从而得到分类特征向量。接着，将所述分类特征向量通过分类器以得到用于表示待调节激光发射器的当前时间点的功率值应增大或应减小的分类结果。相应地，在一个具体示例中，使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果，其中，所述公式为：softmax{(W_n,B_n):…:(W₁,B₁)|X}，其中，W₁到W_n为权重矩阵，B₁到B_n为偏置向量，X为所述分类特征向量。

综上，基于本申请实施例的所述具有温漂自适应调整功能的光引擎200被阐明，其采用人工智能的控制方法，通过使用深度神经网络模型作为特征提取器，以光引擎的激光发射器阵列中各个激光发射器的温度值和拓扑信息以及功率值作为输入数据，进而基于所述光引擎中所有激光发射器的整体情况来确定对某个激光发射器的温度进行调整，以使得最终光引擎的性能一致性相对较优。

如上所述，根据本申请实施例的具有温漂自适应调整功能的光引擎200可以实现在各种终端设备中，例如具有温漂自适应调整功能的光引擎算法的服务器等。在一个示例中，根据本申请实施例的具有温漂自适应调整功能的光引擎200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该具有温漂自适应调整功能的光引擎200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该具有温漂自适应调整功能的光引擎200同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该具有温漂自适应调整功能的光引擎200与该终端设备也可以是分立的设备，并且该具有温漂自适应调整功能的光引擎200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

示例性方法

图4图示了具有温漂自适应调整功能的光引擎的工作方法的流程图。如图4所示，根据本申请实施例的具有温漂自适应调整功能的光引擎的工作方法，包括步骤：S110，获取光引擎的激光发射器阵列中各个激光发射器的温度值；S120，将所述激光发射器阵列中各个激光发射器的温度值按照所述激光发射器阵列的拓扑样式构造为温度输入矩阵；S130，构建所述激光发射器阵列中待调节激光发射器与其他激光发射器之间的拓扑矩阵，其中，所述拓扑矩阵中各个位置的特征值为该位置的激光发射器与所述待调节的激光发射器之间的距离，所述待调节的激光发射器在所述拓扑矩阵中对应位置的特征值为一；S140，以所述温度输入矩阵除以所述拓扑矩阵以得到温度拓扑输入矩阵；S150，将所述温度拓扑输入矩阵通过作为特征提取器的第一卷积神经网络以得到温度拓扑特征矩阵；S160，对所述温度拓扑特征矩阵进行特征分布校正以得到校正后温度拓扑特征矩阵；S170，获取所述待调节的激光发射器的包括当前时间点在内的多个预定时间点的功率值；S180，将所述待调节的激光发射器的包括当前时间点在内的多个预定时间点的功率值通过包含一维卷积层的时序编码器以得到功率特征向量；S190，将所述功率特征向量与所述校正后温度拓扑特征矩阵进行相乘以得到分类特征向量；以及，S200，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待调节激光发射器的当前时间点的功率值应增大或应减小。

图5图示了根据本申请实施例的具有温漂自适应调整功能的光引擎的工作方法的架构示意图。如图5所示，在所述具有温漂自适应调整功能的光引擎的工作方法的网络架构中，首先，将获得的所述激光发射器阵列中各个激光发射器的温度值(例如，如图5中所示意的P1)按照所述激光发射器阵列的拓扑样式构造为温度输入矩阵(例如，如图5中所示意的M1)；接着，以所述温度输入矩阵除以获得的所述拓扑矩阵(例如，如图5中所示意的P2)以得到温度拓扑输入矩阵(例如，如图5中所示意的M)；然后，将所述温度拓扑输入矩阵通过作为特征提取器的第一卷积神经网络(例如，如图5中所示意的CNN1)以得到温度拓扑特征矩阵(例如，如图5中所示意的MF1)；接着，对所述温度拓扑特征矩阵进行特征分布校正以得到校正后温度拓扑特征矩阵(例如，如图5中所示意的MF2)；然后，将获得的所述待调节的激光发射器的包括当前时间点在内的多个预定时间点的功率值(例如，如图5中所示意的Q)通过包含一维卷积层的时序编码器(例如，如图5中所示意的E)以得到功率特征向量(例如，如图5中所示意的VF1)；接着，将所述功率特征向量与所述校正后温度拓扑特征矩阵进行相乘以得到分类特征向量(例如，如图5中所示意的VF)；以及，最后，将所述分类特征向量通过分类器(例如，如图5中所示意的分类器)以得到分类结果，所述分类结果用于表示待调节激光发射器的当前时间点的功率值应增大或应减小。

更具体地，在步骤S110、步骤S120和步骤S130中，获取光引擎的激光发射器阵列中各个激光发射器的温度值，并将所述激光发射器阵列中各个激光发射器的温度值按照所述激光发射器阵列的拓扑样式构造为温度输入矩阵，再构建所述激光发射器阵列中待调节激光发射器与其他激光发射器之间的拓扑矩阵，其中，所述拓扑矩阵中各个位置的特征值为该位置的激光发射器与所述待调节的激光发射器之间的距离，所述待调节的激光发射器在所述拓扑矩阵中对应位置的特征值为一。应可以理解，考虑到在进行温度调控时，相对于其他激光发射器而言，被调控的激光发射器也是个热源，因此，如果仅基于某个激光发射器进行温度控制，其很难以取得光引擎的性能一致性。因此，在本申请的技术方案中，期望基于光引擎中所有激光发射器的整体情况来确定对某个激光发射器的温度进行调整，以使得最终光引擎的性能一致性相对较优。

也就是，具体地，在本申请的技术方案中，首先，通过部署于光引擎中的各个温度传感器获取光引擎的激光发射器阵列中各个激光发射器的温度值。然后，考虑到所述激光发射器阵列中的各个激光发射器的温度会对其自身以及周围的所述各个激光发射器的性能产生影响，因此在对于温漂的自适应调整中，所述各个激光发射器的拓扑特征对于全局性的温度调整以及所述光引擎的性能一致性调整具有一定的积极作用。因此，在本申请的技术方案中，进一步根据所述激光发射器阵列的拓扑样式来构造所述激光发射器阵列中待调节激光发射器与其他激光发射器之间的拓扑矩阵，这里，所述拓扑矩阵中各个位置的特征值为该位置的激光发射器与所述待调节的激光发射器之间的距离，所述待调节的激光发射器在所述拓扑矩阵中对应位置的特征值为一。并且，将所述激光发射器阵列中各个激光发射器的温度值按照所述激光发射器阵列的拓扑样式构造为温度输入矩阵。

更具体地，在步骤S140和步骤S150中，以所述温度输入矩阵除以所述拓扑矩阵以得到温度拓扑输入矩阵，并将所述温度拓扑输入矩阵通过作为特征提取器的第一卷积神经网络以得到温度拓扑特征矩阵。也就是，在本申请的技术方案中，为了通过所述激光发射器阵列中各个激光发射器的温度值与所述激光发射器阵列的拓扑结构之间的关联性关系来综合进行特征的挖掘提取，进一步以所述温度输入矩阵与所述拓扑矩阵进行按位置相除以得到温度拓扑输入矩阵。应可以理解，这里，由于所述温度输入矩阵具有与所述拓扑矩阵相同的网络格式结构，并且考虑到其他的各个所述激光发射器温度越高对于待调节的所述激光发射器的工作性能影响就越大，而其他的各个所述激光发射器的距离越远对于待调节的所述激光发射器的工作性能影响就越小，因此，在本申请的技术方案中，可以计算所述温度输入矩阵与所述拓扑矩阵的按位置除法来表征所述温度与距离拓扑对于所述激光发射器的工作性能的共同影响。然后，使用在隐含关联特征提取方面具有优异表现的卷积神经网络模型来进行温度拓扑的隐含关联特征提取，从而得到温度拓扑特征矩阵。

更具体地，在步骤S160中，对所述温度拓扑特征矩阵进行特征分布校正以得到校正后温度拓扑特征矩阵。应可以理解，对于所述温度拓扑特征矩阵来说，作为特征提取器的所述第一卷积神经网络的卷积核从所述温度拓扑输入矩阵中提取了局部拓扑关联特征，但是，在将所述功率特征向量乘以所述温度拓扑特征矩阵获得分类特征向量时，为了提高分类特征向量的分类准确性，期望所述温度拓扑特征矩阵不仅能够表达局部拓扑关联特征，而且能够表达全局拓扑关联特征。因此，在本申请的技术方案中，对所述温度拓扑特征矩阵进行位置提议局部推理优化。

更具体地，在步骤S170和步骤S180中，获取所述待调节的激光发射器的包括当前时间点在内的多个预定时间点的功率值，并将所述待调节的激光发射器的包括当前时间点在内的多个预定时间点的功率值通过包含一维卷积层的时序编码器以得到功率特征向量。应可以理解，考虑到对于温漂的调整以使得最终的光引擎的性能一致性相对较优，也就是对于所述激光发射器的功率值进行调整，因此，在本申请的技术方案中，还需要通过功率测量仪获取所述待调节的激光发射器的包括当前时间点在内的多个预定时间点的功率值。并且，由于考虑到所述待调节的激光发射器的功率值在时间维度上具有动态性的规律，因此，为了充分地提取出这种隐含的动态性规律特征，将所述待调节的激光发射器的包括当前时间点在内的多个预定时间点的功率值通过包含一维卷积层的时序编码器以得到功率特征向量。相应地，在一个具体示例中，所述时序编码器由交替设置的全连接层和一维卷积层组成，其通过一维卷积编码提取出所述激光发射器的功率值在时序维度上的关联和通过全连接编码提取所述激光发射器的功率值的高维隐含特征。

更具体地，在步骤S190和步骤S200中，将所述功率特征向量与所述校正后温度拓扑特征矩阵进行相乘以得到分类特征向量，并将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待调节激光发射器的当前时间点的功率值应增大或应减小。也就是，在本申请的技术方案中，进一步就可以将所述功率特征向量与所述校正后温度拓扑特征矩阵进行相乘以将所述功率特征向量映射到所述校正后温度拓扑特征矩阵的高维特征空间中，从而得到分类特征向量。接着，将所述分类特征向量通过分类器以得到用于表示待调节激光发射器的当前时间点的功率值应增大或应减小的分类结果。相应地，在一个具体示例中，使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果，其中，所述公式为：softmax{(W_n,B_n):…:(W₁,B₁)|X}，其中，W₁到W_n为权重矩阵，B₁到B_n为偏置向量，X为所述分类特征向量。

综上，基于本申请实施例的所述具有温漂自适应调整功能的光引擎的工作方法被阐明，其采用人工智能的控制方法，通过使用深度神经网络模型作为特征提取器，以光引擎的激光发射器阵列中各个激光发射器的温度值和拓扑信息以及功率值作为输入数据，进而基于所述光引擎中所有激光发射器的整体情况来确定对某个激光发射器的温度进行调整，以使得最终光引擎的性能一致性相对较优。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种具有温漂自适应调整功能的光引擎，其特征在于，包括：

温度采集模块，用于获取光引擎的激光发射器阵列中各个激光发射器的温度值；

温度数据结构化模块，用于将所述激光发射器阵列中各个激光发射器的温度值按照所述激光发射器阵列的拓扑样式构造为温度输入矩阵；

距离拓扑结构化模块，用于构建所述激光发射器阵列中待调节激光发射器与其他激光发射器之间的拓扑矩阵，其中，所述拓扑矩阵中各个位置的特征值为该位置的激光发射器与所述待调节的激光发射器之间的距离，所述待调节的激光发射器在所述拓扑矩阵中对应位置的特征值为一；

温度拓扑关联模块，用于以所述温度输入矩阵除以所述拓扑矩阵以得到温度拓扑输入矩阵；

温度拓扑编码模块，用于将所述温度拓扑输入矩阵通过作为特征提取器的第一卷积神经网络以得到温度拓扑特征矩阵；

温度拓扑特征校正模块，用于对所述温度拓扑特征矩阵进行特征分布校正以得到校正后温度拓扑特征矩阵；

功率数据采集模块，用于获取所述待调节的激光发射器的包括当前时间点在内的多个预定时间点的功率值；

功率数据编码模块，用于将所述待调节的激光发射器的包括当前时间点在内的多个预定时间点的功率值通过包含一维卷积层的时序编码器以得到功率特征向量；

映射模块，用于将所述功率特征向量与所述校正后温度拓扑特征矩阵进行相乘以得到分类特征向量；以及

功率调节结果生成模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待调节激光发射器的当前时间点的功率值应增大或应减小。

2.根据权利要求1所述的具有温漂自适应调整功能的光引擎，其特征在于，所述温度拓扑关联模块，进一步用于以所述温度输入矩阵除以所述拓扑矩阵以得到所述温度拓扑输入矩阵，其中，所述温度输入矩阵除以所述拓扑矩阵表示以所述温度输入矩阵中各个位置的特征值分别除以所述拓扑矩阵中对应位置的特征值。

3.根据权利要求2所述的具有温漂自适应调整功能的光引擎，其特征在于，所述温度拓扑编码模块，进一步用于：所述作为特征提取器的第一卷积神经网络的各层在层的正向传递中对输入数据分别进行：

对输入数据进行卷积处理以得到卷积特征图；

对所述卷积特征图进行基于局部通道维度的均值池化以得到池化特征图；以及

对所述池化特征图进行非线性激活以得到激活特征图；

其中，所述第一卷积神经网络的最后一层的输出为所述温度拓扑特征矩阵，所述第一卷积神经网络的第一层的输入为所述温度拓扑输入矩阵。

4.根据权利要求3所述的具有温漂自适应调整功能的光引擎，其特征在于，所述温度拓扑特征校正模块，包括：

第一卷积单元，用于对所述温度拓扑特征矩阵进行卷积处理以得到卷积特征矩阵；

融合单元，用于计算所述卷积特征矩阵与所述温度拓扑特征矩阵的转置矩阵的按位置加和以得到融合特征矩阵；

第二卷积单元，用于对所述融合特征矩阵进行卷积处理以得到融合卷积特征矩阵；

位置信息提取单元，用于将所述温度拓扑特征矩阵中各个位置的二维位置坐标分别映射为一维数值以得到坐标矩阵；以及

推理优化单元，用于计算所述坐标矩阵与所述融合卷积特征矩阵之间的按位置点乘以得到所述校正后温度拓扑特征矩阵。

5.根据权利要求3所述的具有温漂自适应调整功能的光引擎，其特征在于，所述所述温度拓扑特征校正模块，进一步用于：以如下公式对所述温度拓扑特征矩阵进行特征分布校正以得到所述校正后温度拓扑特征矩阵；

其中，所述公式为：

其中，M表示所述温度拓扑特征矩阵，M^T表示所述温度拓扑特征矩阵的转置，Cov₁()和Cov₂()均为单个卷积层，P_M表示所述温度拓扑特征矩阵的(x,y)坐标矩阵，

用于将二维位置坐标映射为一维数值，/>

表示矩阵的按位置加法，⊙表示按位置点乘。

6.根据权利要求5所述的具有温漂自适应调整功能的光引擎，其特征在于，所述功率数据编码模块，包括：

输入向量构造单元，用于将所述待调节的激光发射器的包括当前时间点在内的多个预定时间点的功率值按照时间维度排列为一维的输入向量；

全连接编码单元，用于使用所述时序编码器的全连接层以如下公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为：

其中X是所述输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，

表示矩阵乘；

一维卷积编码单元，用于使用所述时序编码器的一维卷积层以如下公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述公式为：

其中，a为卷积核在x方向上的宽度、F为卷积核参数向量、G为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，X表示所述输入向量。

7.根据权利要求6所述的具有温漂自适应调整功能的光引擎，其特征在于，所述功率调节结果生成模块，进一步用于：使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果，其中，所述公式为：softmax{(W_n,B_n):…:(W₁,B₁)|X}，其中，W₁到W_n为权重矩阵，B₁到B_n为偏置向量，X为所述分类特征向量。

8.一种具有温漂自适应调整功能的光引擎的工作方法，其特征在于，包括：

获取光引擎的激光发射器阵列中各个激光发射器的温度值；

将所述激光发射器阵列中各个激光发射器的温度值按照所述激光发射器阵列的拓扑样式构造为温度输入矩阵；

构建所述激光发射器阵列中待调节激光发射器与其他激光发射器之间的拓扑矩阵，其中，所述拓扑矩阵中各个位置的特征值为该位置的激光发射器与所述待调节的激光发射器之间的距离，所述待调节的激光发射器在所述拓扑矩阵中对应位置的特征值为一；

以所述温度输入矩阵除以所述拓扑矩阵以得到温度拓扑输入矩阵；

将所述温度拓扑输入矩阵通过作为特征提取器的第一卷积神经网络以得到温度拓扑特征矩阵；

对所述温度拓扑特征矩阵进行特征分布校正以得到校正后温度拓扑特征矩阵；

获取所述待调节的激光发射器的包括当前时间点在内的多个预定时间点的功率值；

将所述待调节的激光发射器的包括当前时间点在内的多个预定时间点的功率值通过包含一维卷积层的时序编码器以得到功率特征向量；

将所述功率特征向量与所述校正后温度拓扑特征矩阵进行相乘以得到分类特征向量；以及

将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示待调节激光发射器的当前时间点的功率值应增大或应减小。

9.根据权利要求8所述的具有温漂自适应调整功能的光引擎的工作方法，其特征在于，所述将所述激光发射器阵列中各个激光发射器的温度值按照所述激光发射器阵列的拓扑样式构造为温度输入矩阵，包括：

以所述温度输入矩阵除以所述拓扑矩阵以得到所述温度拓扑输入矩阵，其中，所述温度输入矩阵除以所述拓扑矩阵表示以所述温度输入矩阵中各个位置的特征值分别除以所述拓扑矩阵中对应位置的特征值。

10.根据权利要求9所述的具有温漂自适应调整功能的光引擎的工作方法，其特征在于，所述对所述温度拓扑特征矩阵进行特征分布校正以得到校正后温度拓扑特征矩阵，包括：

以如下公式对所述温度拓扑特征矩阵进行特征分布校正以得到所述校正后温度拓扑特征矩阵；

其中，所述公式为：

其中，M表示所述温度拓扑特征矩阵，M^T表示所述温度拓扑特征矩阵的转置，Cov₁()和Cov₂()均为单个卷积层，P_M表示所述温度拓扑特征矩阵的(x,y)坐标矩阵，

用于将二维位置坐标映射为一维数值，/>

表示矩阵的按位置加法，⊙表示按位置点乘。/>

Images