CN110543746A - 一种环芯光纤优化设计的方法 - Google Patents
一种环芯光纤优化设计的方法 Download PDFInfo
- Publication number
- CN110543746A CN110543746A CN201910944069.2A CN201910944069A CN110543746A CN 110543746 A CN110543746 A CN 110543746A CN 201910944069 A CN201910944069 A CN 201910944069A CN 110543746 A CN110543746 A CN 110543746A
- Authority
- CN
- China
- Prior art keywords
- value
- optical fiber
- mode
- neural network
- coupling
- 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
- 239000013307 optical fiber Substances 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000008878 coupling Effects 0.000 claims abstract description 42
- 238000010168 coupling process Methods 0.000 claims abstract description 42
- 238000005859 coupling reaction Methods 0.000 claims abstract description 42
- 238000013461 design Methods 0.000 claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 claims abstract description 34
- 230000008569 process Effects 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 230000002068 genetic effect Effects 0.000 claims abstract description 15
- 238000005457 optimization Methods 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 230000005672 electromagnetic field Effects 0.000 claims abstract description 8
- 239000010410 layer Substances 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 27
- 239000012792 core layer Substances 0.000 claims description 21
- 239000000835 fiber Substances 0.000 claims description 21
- 238000005253 cladding Methods 0.000 claims description 20
- 210000002569 neuron Anatomy 0.000 claims description 8
- 230000035699 permeability Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 3
- 230000006355 external stress Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 2
- 238000004088 simulation Methods 0.000 abstract 1
- 238000004891 communication Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Physiology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Optical Communication System (AREA)
Abstract
本发涉及一种环芯光纤优化设计的方法，所述方法通过BP神经网络建立光纤设计参数与模式间耦合积分系数的非线性关系，同时在符合拉制工艺的结构限制条件下，利用遗传算法快速找到模间耦合系数最小的最优结构，从而实现低损耗、低模式组间耦合的环芯光纤的快速设计。所述方法创新性利用了环芯光纤的耦合积分系数作为优化目标进行神经网络的训练，打破了现有多模光纤模间实现低耦合理论上主要依靠增加模间有效折射率差的常规。同时将神经网络的输出值作为遗传算法的适应度函数值，相对于传统的电磁场仿真计算得到适应度函数值，具有更为快速的环芯光纤设计优化流程。
Description
技术领域
本发明涉及光学通信技术领域，更具体地，涉及一种环芯光纤优化设计的方法。
背景技术
随着现有单模光纤通信***容量逐渐趋近于其理论极限，可以进一步增加单根光纤传输容量的空分复用光纤通信***近年来受到广泛关注，并被看作是下一代光纤通信技术的主要选择之一。目前，支持空分复用光纤通信***的光纤主要是少模光纤和多芯光纤两类。相对于后者，少模光纤具有更高的容量密度、更为紧凑的线路器件(如光放大器等)。但是，基于少模光纤的模分复用通信***面临的主要问题是，随着复用模式数的不断增加，补偿模式之间耦合的多输入多输出(MIMO)均衡模块的复杂度也在提升，不利于模分复用通信***的进一步拓展。为了解决上述问题，目前主流的方式是通过增加光纤相邻传导模式(或者模式组)之间的有效折射率差，来降低模式(组)之间的耦合效率，从而在一定传输距离上保证相邻模式(组)间的低串扰。这意味着无需MIMO或者仅仅采用部分MIMO来补偿组内简并模式之间的强耦合即可，从而降低了MIMO复杂度，增加了***的模式可拓展性。但是，考虑到光纤的弱导条件，以及光纤制备过程中的材料损耗，通常少模光纤的芯层-包层之间最大的折射率差不能过大，这就意味着相邻模式(组)之间的有效折射率差不能一味的增加。
此外，现有的光纤设计，多是基于反复的电磁计算或测试方法，对于特种条件下的最优性能光纤设计的寻找，往往是耗时且复杂度高的。
发明内容
本发明为克服上述现有技术所述的光纤设计对于特种条件下的最优性能光纤设计的寻找，耗时长且复杂度高的缺陷，提供一种环芯光纤优化设计的方法。
本发明所述方法通过BP神经网络建立光纤设计参数与模式组间耦合积分系数的非线性关系，同时在符合拉制工艺的结构限制条件下，利用遗传算法快速找到模间耦合系数最小的最优结构，从而实现低损耗、低模式组间耦合的环芯光纤的快速设计。
本发明基于耦合模理论，利用环芯光纤特殊的折射率径向梯度变化，创新性地利用环芯光纤的耦合积分系数作为衡量相邻传导模式(组)之间的串扰程度，打破了现有多模光纤模间实现低耦合理论上主要依靠增加模间有效折射率差的常规。同时利用该系数作为优化目标进行神经网络的训练，同时将神经网络的输出值作为遗传算法的适应度函数值，来进行特种条件下的最优光纤设计寻找，相对于传统的电磁场仿真计算得到适应度函数值，具有更为快速的环芯光纤设计优化流程。
所述方法包括以下步骤：
S1：根据光纤设计通用模型构建神经网络的训练样本，并对训练样本进行预处理；
S2：根据S1预处理后的训练样本，构建并训练BP神经网络模型；
S3：利用遗传算法寻找限定条件下的最优值：以各输入设计参量为个体产生种群，基于训练完成的BP神经网络，构建种群适应度函数，在限定条件下，寻找适应度值最高的个体来寻找各设计参量的最优值；
S4、二次验证结果：根据遗传算法的优化结果可获取一组或多组效果最优的参数组合，通过常规电磁场计算方法对参数进行二次验证，判断优化结果是否正确，若正确，则将结果返回给设计者，若不正确，则返回S2。
优选地，S1包括以下步骤：
S101、确定光纤设计通用模型：所述光纤包层外直径为标准125μm，最大的芯层-包层相对折射率差为0.008，芯层设计有四层结构；芯层内径和外径是确定的，以保证固定的模式组数量和径向一阶传导模式；环形纤芯内包层与外包层折射率一致，其余芯层其折射率呈阶跃式分布；
S102、确定输入、输出变量：选取每一层芯层半径与芯层-包层相对折射率差作为输入变量，选取目标相邻高阶间的模式组间耦合积分系数Clm作为输出变量；
S103、准备训练样本：确定好各输入变量的范围以及取值间隔后，通过电磁场计算方法得出各输入变量下其耦合积分系数Clm的大小，构造神经网络的训练样本并保存；
S104、样本预处理：对样本输入输出变量作预处理，使其处于[0,1]之间。
优选地，S102中所述模式组间耦合积分系数的具体计算公式如下：
e0表示真空磁导率，j表示b是积分里面模场最大半径值；ω表示频率；
Γlm表示由随机微弯扰动引起的模式l和模式m间的耦合效率，它与空间功率谱和耦合积分系数Clm两项有关；Δβlm表示模式l和模式m间的传播常数差：
Δneff为有效折射率差，Al和Am分别表示模式l和模式m的归一化幅值；第i个模式的积分可以被归一化为ε0和μ0分别表示真空中的介电常数以及磁导率，k0表示真空中的波矢，βi表示传播常数，Ai表示模式i的归一化幅值；r表示光纤半径，n0表示理想光纤的无畸变折射率剖面(RIP)；
值与Δβ、拉制工艺、光纤所受外界应力有关；系数Clm取决于模场幅值分布与折射率梯度间的重叠积分大小；因此，假设光纤周围环境以及拉制工艺都是恒定的，通过调节光纤的n0减小模场和折射率梯度的重叠积分，可以减小微弯扰动引起的模式耦合效率。故选取计算目标相邻高阶间的模式组间耦合积分系数Clm大小，通过最小化耦合积分系数实现降低模间耦合系数的目标。
优选地，S104中预处理的方法为对样本输入输出变量的最大值最小值作归一化处理，使其处于[0,1]之间，归一化公式如下：
其中z为归一化后的值，x为被归一化的数据，xmin、xmax分别为被归一化数据中的最小值和最大值。
优选地，S2包括以下步骤：
S201、初始化参数：确定网络隐藏层数，隐层神经元个数，网络的传递函数，其中输入层和输出层的神经元个数分别由输入输出的变量个数决定；
S202、获取神经网络最优初始权值和阈值：将步骤S1中的经预处理后的样本数据分成训练集和测试集两个部分，利用遗传算法，以网络初始隐层权值、阈值为个体产生种群，采用实数编码的方式对种群及个体进行编码，以BP神经网络预测值与目标值的均方误差(MSE)为种群适应度值函数，经交叉、变异、选择操作直至满足进化次数为止，所有剩余个体中依据适应度值选取最高值作为网络最优初始权值与阈值；
S203、训练神经网络：利用S202中获取的最优网络初始权值和阈值，开始对BP神经网络进行训练，直至预测值与样本值的均方差(MSE)符合要求。
优选地，S3具体为：
首先确定个体和适应度值，设置好初始参数后(包括种群规模、进化次数、交叉概率和变异概率)，以输入设计变量为个体产生种群，采用实数编码的方式对种群及个体进行编码，产生初始种群后，利用S2训练好的BP神经网络计算耦合积分系数值Clm，进而计算种群适应度值，其中适应度值函数设计为：
其中限定条件函数Q(X)设计为：
当满足符合拉制工艺的结构限定条件时，Q(X)值为1，否则为0；
在满足限定条件前提下，通过计算寻找最大适应度值去寻找优化值，否则适应度将一直为0，表示并没有满足约束条件下的最优值；
对于没有满足约束条件下的最优值，则经交叉、变异、选择操作直至满足最大进化次数为止，所有剩余个体中依据适应度值选取最高值作为最优光纤设计参数。
优选地，S3中所述限定条件为保证各层厚至少大于0.5μm，各相邻层相对折射率差至少大于0.0005，以降低拉制工艺难度。
与现有技术相比，本发明技术方案的有益效果是：本发明基于耦合模理论，利用环芯光纤特殊的折射率径向梯度变化，创新性地利用环芯光纤的耦合积分系数作为衡量相邻传导模式(组)之间的串扰程度，打破了现有多模光纤模间实现低耦合理论上主要依靠增加模间有效折射率差的常规。同时利用该系数作为优化目标进行神经网络的训练，同时将神经网络的输出值作为遗传算法的适应度函数值，来进行特种条件下的最优光纤设计寻找，相对于传统的电磁场仿真计算得到适应度函数值，具有更为快速的环芯光纤设计优化流程。
附图说明
图1为本发明实施例所述光纤的截面及截面直径线上的折射率分布示意图。
图2为本发明实施例所述一种环芯光纤优化设计的方法的流程图；
图3为本发明实施例中BP神经网络的结构示意图。
图中，1、2、3、4、5、6表示辅助线。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1：
图1中(a)为光纤截面图，(b)为截面直径线上的折射率分布图，本实施例基于的环芯光纤共有4层芯层，其结构包括但不限于图1所示，其中折射率分布可为阶跃式的。图1中，辅助线6标识出光纤外包层的外界面，辅助线5标识出纤芯芯层的外界面，即第四层芯层外界面，辅助线4标识出第三层芯层的外界面，辅助线3标识出第二层芯层外界面，辅助线2标识出第一层圆环外界面，辅助线1标识出环形纤芯的内包层界面。光纤包层外直径为标准125μm，芯层内径和外径是确定的，以保证固定的模式组数量和径向一阶传导模式。芯层半径r1、r2、r3均为设计输入变量；(b)中显示的纤芯折射率分布不限于此种分布，最大的芯层-包层相对折射率差为0.008，其中相对折射率差n1、n2、n3、n4均为设计变量。
如图2、图3所示，本实施例所述一种环芯光纤优化设计的方法包括以下步骤：
S1：根据光纤设计通用模型构建神经网络的训练样本，并对训练样本进行预处理。
S101、确定光纤设计通用模型：考虑拉制工艺以及实现难易度，该模型光纤外包层外直径为标准125μm，最大的芯层-包层相对折射率差为0.008，芯层设计有四层结构。芯层内径和外径是确定的，以保证固定的模式组数量和径向一阶传导模式。环形纤芯内包层与外包层折射率一致，其余芯层其折射率呈阶跃式分布；
S102、确定输入、输出变量：选取每一层芯层半径与芯层-包层相对折射率差作为输入变量，选取目标相邻高阶间的模式组间耦合积分系数Clm作为输出变量，本实施例选取一阶与二阶，二阶与三阶间的模式组间耦合积分系数C21，C23作为输出变量；
其中，S102中模间耦合积分系数的具体计算公式如下：
Γlm表示由随机微弯扰动引起的模式l和m间的耦合效率，它与空间功率谱和耦合积分系数Clm两项有关。其中，表示模式l和m间的传播常数差，b是积分里面模场最大半径值，e0表示真空磁导率，Al和Am分别表示模式l和m的归一化幅值。第i个模式的积分可以被归一化为这里ε0和μ0分别表示真空中的介电常数以及磁导率。Ai表示模式i的归一化幅值；r表示光纤半径，n0表示理想光纤的无畸变折射率剖面(RIP)。其中，值取决于Δβ(或者有效折射率差Δneff)、拉制工艺以及光纤所受外界应力。系数Clm取决于模场幅值分布与折射率梯度间的重叠积分大小。因此，假设光纤周围环境以及拉制工艺都是恒定的，通过调节光纤的n0减小模场和折射率梯度的重叠积分可以减小微弯扰动引起的模式耦合效率，打破了现有多模光纤模间实现低耦合理论上主要依靠增加模间有效折射率差的常规。本实施例选取计算一阶与二阶，二阶与三阶间的重叠积分C21和C23，通过最小化C21与C23实现降低模间耦合系数的目标。
S103、准备训练样本：确定好各输入变量的范围以及取值间隔后，通过常规电磁场计算方法得出各输入变量下其C21、C23的大小，构造神经网络的训练样本并保存；
S104、样本预处理：对输入输出变量作预处理，包括但不限于归一化处理，使其处于[0,1]之间，归一化公式如下：
其中z为归一化后的值，x为被归一化的数据，xmin、xmax分别为被归一化数据中的最小值和最大值；
S2、构建并训练BP神经网络模型，过程如下：
S201、初始化参数：确定网络隐藏层数，隐层神经元个数，网络的传递函数等，其中输入层和输出层的神经元个数分别由输入输出的变量个数决定；
S202、获取神经网络最优初始权值和阈值：将步骤S1中的样本数据分成训练集和测试集两个部分，利用遗传算法，以网络初始隐层权值、阈值为个体产生种群，以网络MSE为种群适应度，通过不断迭代寻优，优化得到最优的网络初始权值和阈值；
其中，S202中，设置好初始参数后(包括种群规模、进化次数、交叉概率和变异概率)，以初始隐层权值、阈值为个体产生种群，采用实数编码的方式对种群及个体进行编码，以BP神经网络预测值与目标值的均方误差(MSE)为种群适应度值函数，经交叉、变异、选择操作直至满足进化次数为止，所有剩余个体中依据适应度值选取最高值作为网络最优初始权值与阈值。
S203、训练神经网络：利用步骤202中获取的最优网络初始权值和阈值，开始对BP神经网络进行训练，直至预测值与样本值的均方差(MSE)符合要求；
S3、利用遗传算法寻找限定条件下的最优值：以各输入设计参量为个体产生种群，基于训练完成的BP神经网络，构建种群适应度函数，在限定条件下，寻找适应度值最高的个体来寻找各设计参量的最优值；
其中，所述步骤S3中，设置好初始参数后(包括种群规模、进化次数、交叉概率和变异概率)，以输入设计变量为个体产生种群，采用实数编码的方式对种群及个体进行编码，产生初始种群后，利用训练好的BP神经网络计算C21和C23，进而计算种群适应度值，其中适应度值函数设计为：
其中限定条件函数Q(X)设计为：
当满足符合拉制工艺的结构限定条件时，Q(X)值为1，否则为0。
在满足限定条件前提下，通过计算寻找最大适应度值去寻找优化值，否则适应度将一直为0，表示并没有满足约束条件下的最优值。
然后经交叉、变异、选择操作直至满足最大进化次数为止，所有剩余个体中依据适应度值选取最高值作为最优光纤设计参数。
此外，所述限定条件是保证各层厚至少大于0.5μm，各相邻层相对折射率差至少大于0.0005，以降低拉制工艺难度。
S4、二次验证结果：根据遗传算法的优化结果可获取一组或多组效果最优的参数组合，通过常规电磁场计算方法对参数进行二次验证，最终确定优化结果的可行性，进而反馈给设计者。若存在较大差异则重新进行神经网络的训练和遗传算法的优化求解；
所述步骤S4中所述常规电磁场计算方法包括但不限于有限元分析法、求解偏微分方程组。
附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (7)
1.一种环芯光纤优化设计的方法，其特征在于，所述方法包括以下步骤：
S1：根据光纤设计通用模型构建神经网络的训练样本，并对训练样本进行预处理；
S2：根据S1预处理后的训练样本，构建并训练BP神经网络模型；
S3：利用遗传算法寻找限定条件下的最优值：以各输入设计参量为个体产生种群，基于训练完成的BP神经网络，构建种群适应度函数，在限定条件下，寻找适应度值最高的个体来寻找各设计参量的最优值；
S4、二次验证结果：根据遗传算法的优化结果获取若干组效果最优的参数组合，通过常规电磁场计算方法对参数进行二次验证，判断优化结果是否正确，若正确，则将结果返回给设计者，若不正确，则返回S2。
2.根据权利要求1所述的环芯光纤优化设计的方法，其特征在于，S1包括以下步骤：
S101、确定光纤设计通用模型：所述光纤包层外直径为标准125μm，最大的芯层-包层相对折射率差为0.008，芯层设计有四层结构；芯层内径和外径是确定的，以保证固定的模式组数量和径向一阶传导模式；环形纤芯内包层与外包层折射率一致，其余芯层其折射率呈阶跃式分布；
S102、确定输入、输出变量：选取每一层芯层半径与芯层-包层相对折射率差作为输入变量，选取目标相邻高阶间的模式组间耦合积分系数Clm作为输出变量；
S103、准备训练样本：确定好各输入变量的范围以及取值间隔后，通过电磁场计算方法得出各输入变量下其耦合积分系数Clm的大小，构造神经网络的训练样本并保存；
S104、样本预处理：对样本输入输出变量作预处理，使其处于[0,1]之间。
3.根据权利要求2所述的环芯光纤优化设计的方法，其特征在于，S102中所述模式组间耦合积分系数的具体计算公式如下：
e0表示真空磁导率，j表示b是积分里面模场最大半径值；ω表示频率；
Γlm表示由随机微弯扰动引起的模式l和模式m间的耦合效率，它与空间功率谱和耦合积分系数Clm两项有关；Dβlm表示模式l和模式m间的传播常数差：
Δneff为有效折射率差，Al和Am分别表示模式l和模式m的归一化幅值；第i个模式的积分可以被归一化为ε0和μ0分别表示真空中的介电常数以及磁导率，k0表示真空中的波矢，βi表示传播常数，Ai表示模式i的归一化幅值；r表示光纤半径，n0表示理想光纤的无畸变折射率剖面；
值与Δβ、拉制工艺、光纤所受外界应力有关；系数Clm取决于模场幅值分布与折射率梯度间的重叠积分大小；因此，假设光纤周围环境以及拉制工艺都是恒定的，通过调节光纤的n0减小模场和折射率梯度的重叠积分，可以减小微弯扰动引起的模式耦合效率；故选取计算目标相邻高阶间的模式组间耦合积分系数Clm大小，通过最小化耦合积分系数实现降低模间耦合系数的目标。
4.根据权利要求3所述的环芯光纤优化设计的方法，其特征在于，S104中预处理的方法为对样本输入输出变量的最大值最小值作归一化处理，使其处于[0,1]之间，归一化公式如下：
其中z为归一化后的值，x为被归一化的数据，xmin、xmax分别为被归一化数据中的最小值和最大值。
5.根据权利要求4所述的环芯光纤优化设计的方法，其特征在于，S2包括以下步骤：
S201、初始化参数：确定网络隐藏层数，隐层神经元个数，网络的传递函数，其中输入层和输出层的神经元个数分别由输入输出的变量个数决定；
S202、获取神经网络最优初始权值和阈值：将步骤S1中的经预处理后的样本数据分成训练集和测试集两个部分，利用遗传算法，以网络初始隐层权值、阈值为个体产生种群，采用实数编码的方式对种群及个体进行编码，以BP神经网络预测值与目标值的均方误差为种群适应度值函数，经交叉、变异、选择操作直至满足进化次数为止，所有剩余个体中依据适应度值选取最高值作为网络最优初始权值与阈值；
S203、训练神经网络：利用S202中获取的最优网络初始权值和阈值，开始对BP神经网络进行训练，直至预测值与样本值的均方差符合要求。
6.根据权利要求5所述的环芯光纤优化设计的方法，其特征在于，S3具体为：
首先确定个体和适应度值，设置好初始参数后，以输入设计变量为个体产生种群，采用实数编码的方式对种群及个体进行编码，产生初始种群后，利用S2训练好的BP神经网络计算耦合积分系数值Clm，进而计算种群适应度值，其中适应度值函数设计为：
限定条件函数Q(X)设计为：
当满足符合拉制工艺的结构限定条件时，Q(X)值为1，否则为0；
在满足限定条件前提下，通过计算寻找最大适应度值去寻找优化值，否则适应度将一直为0，表示并没有满足约束条件下的最优值；
对于没有满足约束条件下的最优值，则经交叉、变异、选择操作直至满足最大进化次数为止，所有剩余个体中依据适应度值选取最高值作为最优光纤设计参数。
7.根据权利要求1或6所述的环芯光纤优化设计的方法，其特征在于，S3中所述限定条件为保证各层厚至少大于0.5μm，各相邻层相对折射率差至少大于0.0005，以降低拉制工艺难度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910944069.2A CN110543746B (zh) | 2019-09-30 | 2019-09-30 | 一种环芯光纤优化设计的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910944069.2A CN110543746B (zh) | 2019-09-30 | 2019-09-30 | 一种环芯光纤优化设计的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110543746A true CN110543746A (zh) | 2019-12-06 |
| CN110543746B CN110543746B (zh) | 2023-04-07 |
Family
ID=68715235
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910944069.2A Active CN110543746B (zh) | 2019-09-30 | 2019-09-30 | 一种环芯光纤优化设计的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110543746B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111381316A (zh) * | 2020-04-22 | 2020-07-07 | 上海交通大学 | 弱耦合二十模式少模光纤及其实现方法 |
| CN111381315A (zh) * | 2020-04-22 | 2020-07-07 | 上海交通大学 | 弱耦合少模光纤逆向实现方法 |
| CN111427117A (zh) * | 2020-04-22 | 2020-07-17 | 上海交通大学 | 弱耦合十模式少模光纤及其实现方法 |
| CN112084702A (zh) * | 2020-08-17 | 2020-12-15 | 中山大学 | 一种低复杂度的光纤优化设计方法 |
| CN115374577A (zh) * | 2022-10-25 | 2022-11-22 | 江苏亨通光电股份有限公司 | 一种扁平型骨架式光纤带的光缆加工方法及*** |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103593538A (zh) * | 2013-11-28 | 2014-02-19 | 东南大学 | 一种遗传算法优化动态递归神经网络的光纤陀螺温度漂移建模方法 |
| CN104836620A (zh) * | 2015-03-31 | 2015-08-12 | 上海电缆研究所 | 光波导列阵-光纤列阵自动对接耦合的并行指标优化方法 |
| CN105092084A (zh) * | 2015-09-01 | 2015-11-25 | 河南师范大学 | 一种bp神经网络分析错位光纤干涉谱优化测量温度的方法 |
| CN105319655A (zh) * | 2014-06-30 | 2016-02-10 | 北京世维通科技发展有限公司 | 一种光学集成芯片与光纤组件的自动耦合方法及*** |
| US20180357542A1 (en) * | 2018-06-08 | 2018-12-13 | University Of Electronic Science And Technology Of China | 1D-CNN-Based Distributed Optical Fiber Sensing Signal Feature Learning and Classification Method |
| CN109302647A (zh) * | 2018-09-18 | 2019-02-01 | 北京邮电大学 | 频谱分配方法、装置以及存储介质 |
-
2019
- 2019-09-30 CN CN201910944069.2A patent/CN110543746B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103593538A (zh) * | 2013-11-28 | 2014-02-19 | 东南大学 | 一种遗传算法优化动态递归神经网络的光纤陀螺温度漂移建模方法 |
| CN105319655A (zh) * | 2014-06-30 | 2016-02-10 | 北京世维通科技发展有限公司 | 一种光学集成芯片与光纤组件的自动耦合方法及*** |
| CN104836620A (zh) * | 2015-03-31 | 2015-08-12 | 上海电缆研究所 | 光波导列阵-光纤列阵自动对接耦合的并行指标优化方法 |
| CN105092084A (zh) * | 2015-09-01 | 2015-11-25 | 河南师范大学 | 一种bp神经网络分析错位光纤干涉谱优化测量温度的方法 |
| US20180357542A1 (en) * | 2018-06-08 | 2018-12-13 | University Of Electronic Science And Technology Of China | 1D-CNN-Based Distributed Optical Fiber Sensing Signal Feature Learning and Classification Method |
| CN109302647A (zh) * | 2018-09-18 | 2019-02-01 | 北京邮电大学 | 频谱分配方法、装置以及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| WEIXIN KANG等: "Genetic Optimization of General Regression Neural Network Applied to Feature Extraction of Brillouin Scattering Spectrum in BOTDA Sensors", 《2018 12TH INTERNATIONAL SYMPOSIUM ON ANTENNAS, PROPAGATION AND EM THEORY (ISAPE)》 * |
| 向波等: "基于最低能耗约束的光纤网络通信优化模型设计", 《激光杂志》 * |
| 申玉霞等: "基于优化神经网络的光纤激光器的最优设计", 《激光杂志》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111381316A (zh) * | 2020-04-22 | 2020-07-07 | 上海交通大学 | 弱耦合二十模式少模光纤及其实现方法 |
| CN111381315A (zh) * | 2020-04-22 | 2020-07-07 | 上海交通大学 | 弱耦合少模光纤逆向实现方法 |
| CN111427117A (zh) * | 2020-04-22 | 2020-07-17 | 上海交通大学 | 弱耦合十模式少模光纤及其实现方法 |
| CN111427117B (zh) * | 2020-04-22 | 2023-08-01 | 上海交通大学 | 弱耦合十模式少模光纤及其实现方法 |
| CN111381315B (zh) * | 2020-04-22 | 2023-09-26 | 上海交通大学 | 弱耦合少模光纤逆向实现方法 |
| CN111381316B (zh) * | 2020-04-22 | 2024-04-16 | 上海交通大学 | 弱耦合二十模式少模光纤及其实现方法 |
| CN112084702A (zh) * | 2020-08-17 | 2020-12-15 | 中山大学 | 一种低复杂度的光纤优化设计方法 |
| CN112084702B (zh) * | 2020-08-17 | 2024-04-19 | 中山大学 | 一种低复杂度的光纤优化设计方法 |
| CN115374577A (zh) * | 2022-10-25 | 2022-11-22 | 江苏亨通光电股份有限公司 | 一种扁平型骨架式光纤带的光缆加工方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110543746B (zh) | 2023-04-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110543746B (zh) | 一种环芯光纤优化设计的方法 | |
| US8483535B2 (en) | High-bandwidth, dual-trench-assisted multimode optical fiber | |
| US8385704B2 (en) | High-bandwidth multimode optical fiber with reduced cladding effect | |
| US8340488B2 (en) | Multimode optical fiber | |
| CN104024896B (zh) | 优化的超大面积光纤 | |
| US20110058781A1 (en) | Multimode Optical Fiber Having Improved Bending Losses | |
| Tu et al. | Optimized design method for bend-insensitive heterogeneous trench-assisted multi-core fiber with ultra-low crosstalk and high core density | |
| CN101231368B (zh) | 用于互连不同光纤的光纤设备和方法 | |
| CN103907037A (zh) | 优化的超大面积光纤 | |
| CN103827708A (zh) | 用于空间多路复用的渐变折射率少模光纤设计 | |
| EP2758817A1 (en) | Optimized ultra large area optical fibers | |
| JP2016151716A (ja) | マルチコアファイバ及び光ケーブル | |
| Li et al. | Manufacturable low-crosstalk high-RCMF 13-core 5-LP mode fiber with graded-index core and stairway-index trench | |
| Wang et al. | Seven air-core fibers with germanium-doped high-index rings supporting hundreds of OAM modes | |
| Shao et al. | Low-cross-talk and multi-channel heterogeneous 13-core four-LP mode fiber with a high refractive index ring and a trench | |
| WO2017033584A1 (ja) | マルチコアファイバ及び光ケーブル | |
| Shao et al. | Weakly coupled graded index heterogeneous nineteen-core few-mode fiber | |
| CN111427117B (zh) | 弱耦合十模式少模光纤及其实现方法 | |
| Mu et al. | Optimization of 125-$\mu $ m Heterogeneous Multi-Core Fibre Design Using Artificial Intelligence | |
| Kasztelanic et al. | Optimization of the nanostructured weakly coupled few-mode fiber for mode-division-multiplexed systems | |
| Mu et al. | Design and transmission analysis of trench-assisted multi-core fibre in standard cladding diameter | |
| CN111381315B (zh) | 弱耦合少模光纤逆向实现方法 | |
| US20020110340A1 (en) | Dispersion compensating fiber with void pattern in secondary core | |
| CN112505829B (zh) | 一种模式选择性耦合器设计方法 | |
| Ma et al. | Inverse design of broadband dispersion compensation fiber based on deep learning and differential evolution algorithm |
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 |