CN117761836A - 一种光纤阵列耦合器的自适应控制方法及系统 - Google Patents
一种光纤阵列耦合器的自适应控制方法及系统 Download PDFInfo
- Publication number
- CN117761836A CN117761836A CN202410194920.5A CN202410194920A CN117761836A CN 117761836 A CN117761836 A CN 117761836A CN 202410194920 A CN202410194920 A CN 202410194920A CN 117761836 A CN117761836 A CN 117761836A
- Authority
- CN
- China
- Prior art keywords
- short
- time
- data set
- value
- noise
- 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
- 238000000034 method Methods 0.000 title claims abstract description 64
- 239000013307 optical fiber Substances 0.000 title claims abstract description 35
- 230000003287 optical effect Effects 0.000 claims abstract description 70
- 238000009826 distribution Methods 0.000 claims abstract description 55
- 239000000919 ceramic Substances 0.000 claims abstract description 30
- 239000000835 fiber Substances 0.000 claims abstract description 11
- 238000005315 distribution function Methods 0.000 claims description 31
- 230000003044 adaptive effect Effects 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 11
- 230000007774 longterm Effects 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 abstract description 26
- 230000008859 change Effects 0.000 abstract description 21
- 238000004891 communication Methods 0.000 abstract description 9
- 230000008878 coupling Effects 0.000 abstract description 8
- 238000010168 coupling process Methods 0.000 abstract description 8
- 238000005859 coupling reaction Methods 0.000 abstract description 8
- 230000000694 effects Effects 0.000 abstract description 7
- 238000003062 neural network model Methods 0.000 abstract description 3
- 230000008901 benefit Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及光波导的耦合领域，具体涉及一种光纤阵列耦合器的自适应控制方法及系统，该方法包括：获取压电瓷片驱动电压和光功率的历史数据；构建光功率空间；对电瓷片驱动电压和光功率拟合出高斯二维分布，对历史数据坐标点与高斯二维分布进行分析，构建短时噪声特征值；进一步对短时噪声特征值的分布特点进行分析，构建短时噪声预测值；根据不同时刻的短时噪声特征值的相似程度获取噪声相似系数；结合对应高斯二维分布的中心坐标获取方向扰动向量，通过神经网络模型完成光纤阵列耦合器的自适应控制，能够根据环境噪音的变化进行自适应的调整，保证光通信效果的质量。
Description
技术领域
本发明涉及光波导的耦合领域，具体涉及一种光纤阵列耦合器的自适应控制方法及系统。
背景技术
光纤阵列耦合器是一种在自由空间光通信技术中的一种光信号接收设备。远处发出的光信号在光信号接收器的焦面发生耦合，被光信号接收器接收，完成通信。此种通信方式有带宽大、定向性好等优点，但是自由空间中的空气湍流等环境噪声会导致光信号发生折射、反射等现象，导致光信号出现相位、功率不稳定等情况，因此需要控制光信号在光纤焦面的耦合位置适应当下环境的噪声情况，使光信号的耦合效果更好，得到更好的光通信效果。
传统的光纤阵列耦合器自适应控制技术采用SPGD算法进行控制，调控缠绕式压电陶瓷环光相位补偿器上的驱动电压，调整光纤焦面的耦合位置适应当下环境的噪声情况，但在使用该算法控制驱动电压适应环境噪声时，只通过每次控制前后的光功率大小来判断下一次控制时的电压大小，没有进一步对光功率数据的变化信息进行挖掘，导致该算法在搜索最佳驱动电压时，前几次搜索随机性较大，进而导致该算法对噪声的适应速度较慢，在面对环境噪声波动较大的情况时，光通信的效果较差。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种光纤阵列耦合器的自适应控制方法及系统，所采用的技术方案具体如下：
第一方面，本发明实施例提供了一种光纤阵列耦合器的自适应控制方法，该方法包括以下步骤：
获取压电瓷片驱动电压和光功率的历史数据；
将压电瓷片驱动电压的水平电压、竖直电压、光功率数据分别作为光功率空间的X轴、Y轴、Z轴；根据光功率空间的所有数据结合当前时刻获取各时刻的短时数据集以及长时数据集；对于短时数据集中的各元素，获取短时数据集中各元素的短时特征数据集；根据短时数据集对应的短时特征数据集获取高斯二维分布中心坐标以及短时特征数据集各元素的高斯二维分布函数值；根据短时特征数据集中的元素分布结合高斯二维分布函数值获取短时数据集各元素的短时噪声特征值；根据短时数据集所有元素的短时噪声特征值获取短时噪声预测值；根据短时噪声预测值以及短时数据集的各元素获取短时数据集各元素的噪声相似系数；根据短时数据集各元素的噪声相似系数结合对应高斯二维分布的中心坐标获取方向扰动向量；根据短时噪声预测值、方向扰动向量以及高斯二维分布结合神经网络完成光纤阵列耦合器的自适应控制。
优选的，所述根据光功率空间的所有数据结合当前时刻获取各时刻的短时数据集以及长时数据集，包括：
将当前时刻在内的前N毫秒的所有历史数据作为当前时刻的短时数据集；
将当前时刻在内的前M毫秒的所有历史数据作为当前时刻的长时数据集；其中，M、N为预设值且M>N。
优选的，所述对于短时数据集中的各元素，获取短时数据集中各元素的短时特征数据集，具体为：
将各元素对应时刻在内的前N毫秒的所有历史数据作为各元素的短时特征数据集，其中，N为预设值。
优选的，所述根据短时数据集对应的短时特征数据集获取高斯二维分布中心坐标、协方差矩阵以及短时特征数据集各元素的高斯二维分布函数值，包括：
将短时特征数据集结合高斯二维分布采用最小二乘法进行拟合得到高斯二维分布的中心坐标、协方差矩阵；将短时特征数据集中各元素的水平电压与竖直电压在所述高斯二维分布中的函数值作为短时特征数据集各元素的高斯二维分布函数值。
优选的，所述根据短时特征数据集中的元素分布结合高斯二维分布函数值获取短时数据集各元素的短时噪声特征值，包括：
对于短时特征数据集各元素；
获取短时特征数据集各元素与对应短时数据集各元素在光功率空间的水平欧式距离；
获取所述水平欧式距离的最大值；计算所述水平欧式距离的和值；计算所述最大值与所述水平欧式距离的差值；将所述差值与所述和值的比值作为短时特征数据集各元素的距离权重参数；
计算短时特征数据集各元素的光功率与高斯二维分布函数值的差值绝对值；计算所述差值绝对值与所述距离权重参数的乘积；
将短时数据集中各元素对应短时特征数据集的所有元素所述乘积的和值作为短时数据集各元素的短时噪声特征值。
优选的，所述根据短时数据集所有元素的短时噪声特征值获取短时噪声预测值，具体包括：
根据短时数据集所有元素的短时噪声特征值采用正态分布算法获取短时正态分布函数；采用与短时正态分布函数相同的计算方法获取长时数据集所有元素的短时噪声特征值的长时正态分布函数；
根据原则分别获取短时正态分布函数的/>区间/>、长时正态分布函数的/>区间/>；获取短时噪声预测值的计算区间/>，其中/>、；
将所述计算区间上平均分为T个区间，将第t个区间的中值保存为；将第t个区间短时正态分布函数、长时正态分布函数的曲线下面积分别作为短时数据集中短时噪声特征值的出现概率、长时数据集中短时噪声特征值的出现概率，分别保存为；其中，T为预设值；
设置短时数据集的预测权重系数，短时噪声预测值的表达式为：
式中，表示短时噪声预测值。
优选的，所述根据短时噪声预测值以及短时数据集的各元素获取短时数据集各元素的噪声相似系数，具体为：
对于短时数据集各元素；
将短时噪声预测值与当前时刻的短时噪声特征值的差值保存为第一差值；将短时数据集中各元素的短时噪声特征值与前一时刻的短时噪声特征值的差值保存为第二差值；将所述第一差值与第二差值的差值绝对值作为短时数据集各元素的噪声变化差值；
分别获取短时数据集所有元素所述噪声变化差值的最大值、和值；计算所述最大值与短时数据集各元素所述噪声变化差值的相减的结果；将所述结果与所述和值的比值作为短时数据集各元素的噪声相似系数。
优选的，所述根据短时数据集各元素的噪声相似系数结合对应高斯二维分布的中心坐标获取方向扰动向量，具体步骤包括：
对于短时数据集各元素，从第二个元素开始；
将短时数据集各元素与前一个元素的高斯二维分布中心坐标的x轴坐标值之间的差值保存为水平电压差值；计算所述水平电压差值与对应各元素的噪声相似系数的乘积；将短时数据集所有元素所述乘积的和值作为方向扰动向量的第一个元素；
将短时数据集各元素与前一个元素的高斯二维分布中心坐标的y轴坐标值之间的差值保存为竖直电压差值；计算所述竖直电压差值与对应各元素的噪声相似系数的乘积；将短时数据集所有元素所述乘积的和值作为方向扰动向量的第二个元素。
优选的，所述根据短时噪声预测值、方向扰动向量以及高斯二维分布结合神经网络完成光纤阵列耦合器的自适应控制，具体包括：
将短时噪声预测值、方向扰动向量中的各元素、对应元素高斯二维分布的中心坐标各元素以及协方差矩阵各元素作为神经网络的输入；神经网络的输出为下一时刻的压电瓷片驱动电压。
第二方面，本发明实施例还提供了一种光纤阵列耦合器的自适应控制系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。
本发明至少具有如下有益效果：
本发明主要分析压电瓷片驱动电压和光功率之间的对应关系，以此构建光功率空间，将不同时刻历史数据在光功率空间内表征为坐标点，并分析电瓷片驱动电压和光功率之间的统计关系，对电瓷片驱动电压和光功率拟合出高斯二维分布进行分析，获得短时噪声特征值，表征不同时刻下环境噪声大小；进一步根据短时噪声特征值的分布特点，对不同时间尺度的历史数据集中的短时噪声特征值出现概率进行分析，获取短时噪声预测值；进一步根据不同时刻的短时噪声特征值相似程度，求得噪声相似系数，表征历史数据环境噪声变化情况与下一时刻数据环境噪声变化情况的差异，获取方向扰动向量，最后通过神经网络模型完成光纤阵列耦合器的自适应控制。
相比于传统的采用SPGD算法控制压电瓷片驱动电压以消除环境噪声对光信号耦合的方法自适应控制方法，本发明所述方法深入挖掘了环境噪声变化的时序信息，在面对环境因素波动较大的情况时，能够根据环境噪音的变化情况进行快速响应调整电瓷片驱动电压，达到更好的光通信效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，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的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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，还可以根据这些附图获得其它附图。
图1为本发明一个实施例提供的一种光纤阵列耦合器的自适应控制方法的步骤流程图；
图2为神经网络示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种光纤阵列耦合器的自适应控制方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种光纤阵列耦合器的自适应控制方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种光纤阵列耦合器的自适应控制方法的步骤流程图，该方法包括以下步骤：
步骤S001：收集压电瓷片驱动电压和光功率的历史数据。
在光纤上安装缠绕式压电陶瓷环光相位补偿器，以光纤截面为参考面，在参考面上作平面直角坐标系，以平面直角坐标系的轴方向和/>轴方向对压电陶瓷环施加控制电压，带动光纤表面移动，进而使光信号透过耦合透镜形成的光斑于光纤阵列表面进行耦合，提高耦合效率。
此外需要在光纤阵列上安装99:1分束器实时获取光纤中的光功率大小。根据经验设置控制的控制周期为1毫秒，实施者可自行调整。从开始工作时开始记录数据，每进行一次数据进行一次记录，第次记录的数据为/>。其中/>、/>分别表示第/>次记录时对电陶瓷环施在x方向、在y方向加控制电压大小，分别称为水平电压、竖直电压，/>表示在第/>次记录时在光纤阵列中的光功率。
至此，获取压电瓷片驱动电压和光功率的历史数据。
步骤S002：通过历史数据构建光功率空间；对光功率空间进行分析，获取短时数据集以及长时数据集，然后获取短时特征数据集；接着构建短时噪声特征值，对短时数据集、长时数据集的短时噪声特征值的分布进行分析构建短时噪声预测值；根据不同时刻的短时噪声特征值相似程度获取噪声相似性系数，最后获取方向扰动向量。
由于本实施例所述场景采用压电瓷片控制光纤截面与光信号焦面进行耦合，而压电瓷片是通过施加电压导致瓷片发生形变控制光纤截面移动的，则当驱动电压为0时，由于压电瓷片的性质，光纤截面总是处于同一位置，且在压电瓷片上施加相同电压时，光纤截面总会移动到相同的位置。
因此可以以驱动电压的水平电压与竖直电压/>作为/>轴和/>轴，以光功率/>作为/>轴，构建三维直角坐标系，称为光功率空间，则第/>次记录的数据/>在光功率空间中表征为一个坐标点。
根据经验，记录当前时刻在内的前毫秒的所有数据，即/>份数据，构成短时数据集/>，其中第/>个元素记为/>，其中/>、/>分别表示短时数据集第/>个元素对应的水平电压、竖直电压，/>表示短时数据集第/>个元素对应的光功率。进一步，记录当前时刻在内的前/>毫秒的所有数据，即/>份数据，构成长时数据集/>。需要说明的是，实施者可根据实际情况自行调整/>、/>的取值。
分析光功率空间，当接受的光信号不受大气湍流等环境噪音影响时，历史数据在光功率空间上应构成一个高斯二维分布，且分布的中心坐标对应的水平电压与竖直电压/>就是最佳的压电瓷片驱动电压参数。
光纤阵列的历史数据作为坐标点表征在光功率空间内，当光信号完全不受环境噪音影响时，所有历史数据在光功率空间内应该符合高斯二维分布，进一步的，历史数据在光功率空间中与高斯二维分布的差异程度，就能表示坐标点对应时刻环境噪音对光信号造成的影响大小。因此计算短时噪声特征值表征某一时刻的环境噪音大小，具体如下：
首先获取短时数据集中的第/>个元素对应的高斯二维分布，具体为：
对于短时数据集中的第个元素以及该元素前/>毫秒内的所有历史数据，其构成的数据集称为短时特征数据集/>，其中第/>个元素记为/>。
以短时特征数据集为输入，以高斯二维分布的中心坐标/>，协方差矩阵/>的6个参数为拟合参数，以高斯二维分布的方程为拟合方程，采用最小二乘法进行拟合，输出为所设置的6个参数，得到一个高斯二维分布，且短时特征数据集中的第/>个元素的水平电压/>与竖直电压/>在高斯二维分布中对应的函数值记为。
计算短时数据集中的第/>个元素的短时噪声特征值/>，表达式为：
式中，表示短时数据集/>中的第/>个元素的短时噪声特征值；/>表示短时特征数据集/>中的第/>个元素的高斯二维分布函数值；/>表示短时特征数据集中的第/>个元素的光功率；/>表示短时特征数据集/>中的第/>个元素的距离权重参数；/>表示短时特征数据集/>中的数据个数，经验值为100；/>表示短时特征数据集中的第/>个元素与短时数据集/>中的第/>个元素在光功率空间中水平欧式距离集合；表示短时特征数据集/>中的第/>个元素与短时数据集/>中的第/>个元素在光功率空间中水平欧式距离大小；/>表示最大值函数；/>、/>分别表示短时特征数据集/>中的第/>个元素的水平电压、竖直电压；/>、/>分别表示短时数据集/>中第/>个元素的水平电压、竖直电压。
是短时特征数据集/>中的第/>个元素的光功率大小与其对应高斯二维分布函数值的差值绝对值，表征了第/>个数据点对应时刻的环境噪声大小；/>的值越小代表两个坐标点之间的差异越小，第/>个元素对第/>个元素计算短时噪声特征值时更有参考价值；进一步，距离权重参数将该水平欧式距离反向归一化，参与短时噪声特征值的计算，水平欧式距离越小，权重越大，短时特征数据集/>中的第/>个元素与短时数据集/>中的第/>个元素越相近，越有参考价值。最终短时噪声特征值/>表征了短时数据集中的第/>个元素时刻环境噪声大小，值越大噪声越大。不同时刻下的历史数据对应的短时噪声值越相似，两者所处的环境噪声越相似，对应的在通过历史数据构建高斯二维分布时，与当前时刻数据相似的历史数据应该更多的被参考，权重应更大。
短时噪声特征值只能表征某一时刻的噪声大小，而噪声是由环境引起的，因此噪声应该是白噪声，短时噪声特征值的出现概率应该成正态分布；在短时数据集中，短时噪声特征值的分布概率表征了当前/>毫秒内的噪声出现概率，表征当下环境因素的噪声情况；在长时数据集/>中，短时噪声特征值的分布概率表征了当前/>毫秒内的噪声出现概率，表征该通信系统中环境因素中噪声的整体情况；为预测下一时刻的短时噪声特征值，可以采用将两个概率分布进行加权求和的方式可作为下一时刻噪声出现概率的分布特点，进一步对短时噪声值求期望值，完成对下一时刻短时噪声值的预测。
因此本实施例计算短时噪声预测值，具体步骤为：
以短时数据集中所有元素的短时噪声特征值，采用正态分布算法进行计算，输出为短时正态分布函数/>；同理对长时数据集/>做同样操作，得到长时正态分布函数/>。根据/>原则，获取/>的/>区间/>，获取/>的/>区间/>，其中，/>、/>表示由/>原则得到的/>的/>区间的上限值、下限值；/>、/>表示由/>原则得到的/>的/>区间的上限值、下限值。在包含该两个区间范围内，正态分布函数描述了短时噪声特征值的绝大部分出现概率，因此以/>作为短时噪声预测值的计算区间，其中/>，/>；进一步将/>与/>分别在区间上均分成/>个区间，其中在第/>个区间内函数/>的曲线下面积保存为，其中/>为第/>个区间的中值；同理/>在第/>个区间内函数/>的曲线下面积保存为/>，其中/>为第/>个区间的中值。/>表征了短时数据集/>中短时噪声特征值/>的出现概率，/>表征了长时数据集/>中短时噪声特征值/>的出现概率。需要说明的是，经验值/>，实施者可根据实际情况自行设定。
进一步构建短时噪声预测值，表达式为：
式中，表示下一时刻的短时噪声特征值，被称为短时噪声预测值；/>表示在计算短时噪声特征值分布时，第/>个区间的中值；T是区间的划分个数；/>、/>分别表示短时数据集/>、长时数据集/>中短时噪声特征值的出现概率；/>、/>分别表示短时数据集/>、长时数据集/>的预测权重系数，经验值/>。
将短时数据集中的短时噪声特征值的概率分布与长时数据集中的短时噪声特征值概率分布加权相加，作为下一时刻的短时噪声概率分布，以预测下一时刻的短时噪声；进一步以下一时刻的短时噪声概率分布对短时噪声特征值求期望值，作为短时噪声预测值/>，预测效益时刻的短时噪声值大小，值越大下一时刻的短时噪声值越大。
由于短时数据集中的第/>个元素的高斯二维分布的变量均值，即中心坐标，表征了在第/>个元素对应时刻，最佳水平电压/>和最佳竖直电压/>的最大可能位置。以此可以通过短时数据集/>中的元素的高斯二维分布的变量均值的位置变化特点，表征当下环境噪音的变化趋势，预测下一时刻的最佳水平电压/>和最佳竖直电压/>的最大可能位置。
因此对短时数据集计算环境对预测模型扰动特征如下式：
计算噪声相似系数，表达式为：
式中，表示短时数据集/>中第/>个元素的噪声相似系数；/>表示最大值函数；/>表示短时数据集/>中第/>个元素的噪声变化差值；/>表示短时数据集/>中所有元素的噪声变化差值集合；/>、/>、/>分别表示短时数据集/>中的第/>个元素、第/>个元素、第/>个元素的短时噪声特征值，/>表示短时噪声预测值；/>表示短时数据集/>中的元素个数，经验值为100。将/>保存为第一差值，将/>保存为第二差值。
第一差值是短时噪声预测值减去当前时刻的短时噪声特征值，而第二差值是短时数据集中第/>个元素的短时噪声特征值与其前一时刻元素的短时噪声特征值的差值，两者都代表了相邻两个时刻的噪声变化情况，将其做差值得到噪声变化差值/>，表征该第个元素与对应时刻的噪声变化情况与下一时刻的噪声变化情况的差异程度，差异程度越小，用第/>个元素的数据预测下一时刻的数据越准确，对应短时数据集/>中第/>个元素的数据可信度越高，权重应该越大；进一步式/>中对/>进行反向归一化，此为常见的数值处理办法原理不再赘述。最终得到噪声相似系数/>，表征第/>个元素的噪声变化情况与下一时刻的噪声变化的相似程度，/>值越大相似程度越大，用第/>个元素预测下一时刻的数据时，权重越大。
计算方向扰动向量，表达式为：
式中，表示方向扰动向量；/>、/>表示方向扰动向量的第一个、第二个元素，即下一时刻的最佳水平电压、最佳竖直电压；/>、/>分别表示短时数据集/>中第/>个元素、第/>个元素的高斯二维分布中心坐标第一个元素，表征对应时刻的最佳水平电压；/>、/>分别表示短时数据集/>中第/>个元素、第/>个元素的高斯二维分布中心坐标第二个元素，表征对应时刻的最佳竖直电压；/>是短时数据集/>中第/>个元素的噪声相似系数，表征第/>个元素与下一时刻的噪声变化情况相似程度；/>是短时数据集/>中的元素个数，经验值为100。将/>保存为水平电压差值；将/>保存为竖直电压差值。
、/>和/>、/>分别表征了不同时刻的最佳水平电压和最佳数值电压，因此水平电压差值与竖直电压差值表征了短时数据集/>中的第/>个元素和第/>个元素的最佳水平电压和最佳数值电压变化情况，对其求和代表了在短时数据集/>所包含的时间范围内，最佳水平电压和最佳数值电压的变化倾向，可以预测下一时刻的最佳水平电压和最佳数值电压的相对于当前时刻的位置变化；/>是噪声相似系数，为短时数据集/>中第/>个元素在预测下一时刻数据时可信度权重。
步骤S003：通过短时噪声预测值、方向扰动向量以及高斯二维分布的参数值结合神经网络完成自适应控制。
综上，通过上述步骤，获取了时刻的下一时刻的短时噪声预测值，此处记为，获取了下一时刻的方向扰动向量，记为/>；对于/>时刻，可以根据上述步骤所述方法获取其时刻对应的高斯二维分布参数值，包括中心坐标记为，协方差矩阵/>，对于/>时刻同理可获得中心坐标记为。
在历史数据中，对于时刻可以获取训练数据项，其对应的验证数据/>，因此构建训练数据集/>，构成验证数据集。其中，神经网络如图2所示。其中，将训练数据集作为输入层，激活函数采用RLU函数，全连接层是两层的本领域常见的全连接层，全连接层一共两层，每层9个神经元，输出层输出为两个参数/>、/>，分别表征控制驱动电压下一时刻的水平电压/>，竖直电压/>。在计算损失函数时，将验证数据集中的第个元素的第一个元素/>和第二个元素/>分别与/>、/>做均方误差并求和，作为损失函数的值。需要说明的是，神经网络的训练过程为本领域公知技术，不再赘述。
根据步骤S001所述方法获取当前时刻数据，根据步骤S002与步骤S003所述方法计算出当前时刻对应的训练数据项的各元素值，保存为特征值，并将其作为神经网络的输入，输出两个参数作为下一时刻的压电瓷片驱动电压，完成自适应控制。
基于与上述方法相同的发明构思，本发明实施例还提供了一种光纤阵列耦合器的自适应控制系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种光纤阵列耦合器的自适应控制方法中任意一项所述方法的步骤。
综上所述，本发明实施例主要分析压电瓷片驱动电压和光功率之间的对应关系，以此构建光功率空间，将不同时刻历史数据在光功率空间内表征为坐标点，并分析电瓷片驱动电压和光功率之间的统计关系，对电瓷片驱动电压和光功率拟合出高斯二维分布进行分析，获得短时噪声特征值，表征不同时刻下环境噪声大小；进一步根据短时噪声特征值的分布特点，对不同时间尺度的历史数据集中的短时噪声特征值出现概率进行分析，获取短时噪声预测值；进一步根据不同时刻的短时噪声特征值相似程度，求得噪声相似系数，表征历史数据环境噪声变化情况与下一时刻数据环境噪声变化情况的差异，获取方向扰动向量，最后通过神经网络模型完成光纤阵列耦合器的自适应控制。
相比于传统的采用SPGD算法控制压电瓷片驱动电压以消除环境噪声对光信号耦合的方法自适应控制方法，本发明实施例所述方法深入挖掘了环境噪声变化的时序信息，在面对环境因素波动较大的情况时，能够根据环境噪音的变化情况进行快速响应调整电瓷片驱动电压，达到更好的光通信效果。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种光纤阵列耦合器的自适应控制方法，其特征在于，该方法包括以下步骤：
获取压电瓷片驱动电压和光功率的历史数据；
将压电瓷片驱动电压的水平电压、竖直电压、光功率数据分别作为光功率空间的X轴、Y轴、Z轴；根据光功率空间的所有数据结合当前时刻获取各时刻的短时数据集以及长时数据集；对于短时数据集中的各元素，获取短时数据集中各元素的短时特征数据集；根据短时数据集对应的短时特征数据集获取高斯二维分布中心坐标以及短时特征数据集各元素的高斯二维分布函数值；根据短时特征数据集中的元素分布结合高斯二维分布函数值获取短时数据集各元素的短时噪声特征值；根据短时数据集所有元素的短时噪声特征值获取短时噪声预测值；根据短时噪声预测值以及短时数据集的各元素获取短时数据集各元素的噪声相似系数；根据短时数据集各元素的噪声相似系数结合对应高斯二维分布的中心坐标获取方向扰动向量；根据短时噪声预测值、方向扰动向量以及高斯二维分布结合神经网络完成光纤阵列耦合器的自适应控制。
2.如权利要求1所述的一种光纤阵列耦合器的自适应控制方法，其特征在于，所述根据光功率空间的所有数据结合当前时刻获取各时刻的短时数据集以及长时数据集，包括：
将当前时刻在内的前N毫秒的所有历史数据作为当前时刻的短时数据集；
将当前时刻在内的前M毫秒的所有历史数据作为当前时刻的长时数据集；其中，M、N为预设值且M>N。
3.如权利要求1所述的一种光纤阵列耦合器的自适应控制方法，其特征在于，所述对于短时数据集中的各元素，获取短时数据集中各元素的短时特征数据集，具体为：
将各元素对应时刻在内的前N毫秒的所有历史数据作为各元素的短时特征数据集，其中，N为预设值。
4.如权利要求1所述的一种光纤阵列耦合器的自适应控制方法，其特征在于，所述根据短时数据集对应的短时特征数据集获取高斯二维分布中心坐标、协方差矩阵以及短时特征数据集各元素的高斯二维分布函数值，包括：
将短时特征数据集结合高斯二维分布采用最小二乘法进行拟合得到高斯二维分布的中心坐标、协方差矩阵；将短时特征数据集中各元素的水平电压与竖直电压在所述高斯二维分布中的函数值作为短时特征数据集各元素的高斯二维分布函数值。
5.如权利要求1所述的一种光纤阵列耦合器的自适应控制方法，其特征在于，所述根据短时特征数据集中的元素分布结合高斯二维分布函数值获取短时数据集各元素的短时噪声特征值，包括：
对于短时特征数据集各元素；
获取短时特征数据集各元素与对应短时数据集各元素在光功率空间的水平欧式距离；
获取所述水平欧式距离的最大值；计算所述水平欧式距离的和值；计算所述最大值与所述水平欧式距离的差值；将所述差值与所述和值的比值作为短时特征数据集各元素的距离权重参数；
计算短时特征数据集各元素的光功率与高斯二维分布函数值的差值绝对值；计算所述差值绝对值与所述距离权重参数的乘积；
将短时数据集中各元素对应短时特征数据集的所有元素所述乘积的和值作为短时数据集各元素的短时噪声特征值。
6.如权利要求1所述的一种光纤阵列耦合器的自适应控制方法，其特征在于，所述根据短时数据集所有元素的短时噪声特征值获取短时噪声预测值，具体包括：
根据短时数据集所有元素的短时噪声特征值采用正态分布算法获取短时正态分布函数；采用与短时正态分布函数相同的计算方法获取长时数据集所有元素的短时噪声特征值的长时正态分布函数；
根据原则分别获取短时正态分布函数的/>区间/>、长时正态分布函数的/>区间/>；获取短时噪声预测值的计算区间/>，其中/>、；
将所述计算区间上平均分为T个区间，将第t个区间的中值保存为；将第t个区间短时正态分布函数、长时正态分布函数的曲线下面积分别作为短时数据集中短时噪声特征值的出现概率、长时数据集中短时噪声特征值的出现概率，分别保存为/>；其中，T为预设值；
设置短时数据集的预测权重系数，短时噪声预测值的表达式为：
式中，表示短时噪声预测值。
7.如权利要求1所述的一种光纤阵列耦合器的自适应控制方法，其特征在于，所述根据短时噪声预测值以及短时数据集的各元素获取短时数据集各元素的噪声相似系数，具体为：
对于短时数据集各元素；
将短时噪声预测值与当前时刻的短时噪声特征值的差值保存为第一差值；将短时数据集中各元素的短时噪声特征值与前一时刻的短时噪声特征值的差值保存为第二差值；将所述第一差值与第二差值的差值绝对值作为短时数据集各元素的噪声变化差值；
分别获取短时数据集所有元素所述噪声变化差值的最大值、和值；计算所述最大值与短时数据集各元素所述噪声变化差值的相减的结果；将所述结果与所述和值的比值作为短时数据集各元素的噪声相似系数。
8.如权利要求1所述的一种光纤阵列耦合器的自适应控制方法，其特征在于，所述根据短时数据集各元素的噪声相似系数结合对应高斯二维分布的中心坐标获取方向扰动向量，具体步骤包括：
对于短时数据集各元素，从第二个元素开始；
将短时数据集各元素与前一个元素的高斯二维分布中心坐标的x轴坐标值之间的差值保存为水平电压差值；计算所述水平电压差值与对应各元素的噪声相似系数的乘积；将短时数据集所有元素所述乘积的和值作为方向扰动向量的第一个元素；
将短时数据集各元素与前一个元素的高斯二维分布中心坐标的y轴坐标值之间的差值保存为竖直电压差值；计算所述竖直电压差值与对应各元素的噪声相似系数的乘积；将短时数据集所有元素所述乘积的和值作为方向扰动向量的第二个元素。
9.如权利要求4所述的一种光纤阵列耦合器的自适应控制方法，其特征在于，所述根据短时噪声预测值、方向扰动向量以及高斯二维分布结合神经网络完成光纤阵列耦合器的自适应控制，具体包括：
将短时噪声预测值、方向扰动向量中的各元素、对应元素高斯二维分布的中心坐标各元素以及协方差矩阵各元素作为神经网络的输入；神经网络的输出为下一时刻的压电瓷片驱动电压。
10.一种光纤阵列耦合器的自适应控制系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-9任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410194920.5A CN117761836B (zh) | 2024-02-22 | 2024-02-22 | 一种光纤阵列耦合器的自适应控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410194920.5A CN117761836B (zh) | 2024-02-22 | 2024-02-22 | 一种光纤阵列耦合器的自适应控制方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117761836A true CN117761836A (zh) | 2024-03-26 |
| CN117761836B CN117761836B (zh) | 2024-05-10 |
Family
ID=90314752
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410194920.5A Active CN117761836B (zh) | 2024-02-22 | 2024-02-22 | 一种光纤阵列耦合器的自适应控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117761836B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118011575A (zh) * | 2024-04-08 | 2024-05-10 | 深圳光通汇联技术有限公司 | 一种耦合器与光纤阵列封装方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112485870A (zh) * | 2020-12-07 | 2021-03-12 | 中南大学 | 光纤耦合器阵列的自适应控制方法 |
| CN115832851A (zh) * | 2023-02-15 | 2023-03-21 | 中国人民解放军国防科技大学 | 目标在回路相干合成系统及其相位控制方法 |
| CN117131336A (zh) * | 2023-10-26 | 2023-11-28 | 深圳市欧康精密技术有限公司 | 一种电子设备连接器数据处理方法 |
-
2024
- 2024-02-22 CN CN202410194920.5A patent/CN117761836B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112485870A (zh) * | 2020-12-07 | 2021-03-12 | 中南大学 | 光纤耦合器阵列的自适应控制方法 |
| CN115832851A (zh) * | 2023-02-15 | 2023-03-21 | 中国人民解放军国防科技大学 | 目标在回路相干合成系统及其相位控制方法 |
| CN117131336A (zh) * | 2023-10-26 | 2023-11-28 | 深圳市欧康精密技术有限公司 | 一种电子设备连接器数据处理方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118011575A (zh) * | 2024-04-08 | 2024-05-10 | 深圳光通汇联技术有限公司 | 一种耦合器与光纤阵列封装方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117761836B (zh) | 2024-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117761836B (zh) | 一种光纤阵列耦合器的自适应控制方法及系统 | |
| CN107563279B (zh) | 针对人体属性分类的自适应权重调整的模型训练方法 | |
| CN106600059B (zh) | 基于改进rbf神经网络的智能电网短期负荷预测方法 | |
| CN110531313B (zh) | 一种基于深度神经网络回归模型的近场信号源定位方法 | |
| KR102267180B1 (ko) | 공조시스템 및 그 제어 방법 | |
| CN111241657B (zh) | 一种基于深度学习的冷轧带钢板形预测方法 | |
| CN114818515A (zh) | 一种基于自注意力机制和图卷积网络的多维时序预测方法 | |
| CN110799995A (zh) | 数据识别器训练方法、数据识别器训练装置、程序及训练方法 | |
| CN112364779A (zh) | 信号处理与深-浅网络多模型融合的水声目标识别方法 | |
| CN110347192B (zh) | 基于注意力机制和自编码器的玻璃炉温智能预测控制方法 | |
| CN114417720B (zh) | 一种毕赤酵母发酵过程多模型预测控制方法 | |
| Ke et al. | Robust adaptive beamforming using noise reduction preprocessing-based fully automatic diagonal loading and steering vector estimation | |
| CN113205048B (zh) | 一种手势识别方法及识别系统 | |
| CN112202762A (zh) | 传感边缘云智能干扰攻击的博弈防御策略优化方法及系统 | |
| CN111580097A (zh) | 基于单层双向循环神经网络的雷达目标识别方法 | |
| CN105159066A (zh) | 一种智能音乐厅调控方法及调控装置 | |
| CN110232352B (zh) | 一种用于人脸识别的多任务级联卷积神经网络模型的改进方法 | |
| CN111401261B (zh) | 基于gan-cnn框架的机器人手势识别方法 | |
| KR102624710B1 (ko) | Gru 기반 구조물 시계열 응답 예측 방법 | |
| CN113300884B (zh) | 一种基于gwo-svr的分步网络流量预测方法 | |
| US20210374549A1 (en) | Meta-learned, evolution strategy black box optimization classifiers | |
| AU2021101713A4 (en) | Remote sensing image building recognition method based on activated representational substitution | |
| CN113297791B (zh) | 一种基于改进dbn的风功率组合预测方法 | |
| CN115510593B (zh) | 一种基于lstm的mr阻尼器逆向映射模型计算方法 | |
| CN118097631A (zh) | 视线追踪系统及配置方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |