一种基于神经网络的光纤多芯耦合器特性分析方法与流程

1.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：

2.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。
3.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。
4.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。
5.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。


技术实现要素：

6.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。
7.本发明采用的技术方案包括下列步骤：
8.1.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；
9.2.构建合适分类神经网络结构，对he
11-he
11
、he
11-lp
11
、he11-lp
21
和he11-he
12
这4类模式耦合进行分类处理；
10.3.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；
11.4.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；
12.5.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；
13.6.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。
14.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：
15.1.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。
16.2.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。
17.3.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
18.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；
19.图2：双芯耦合器中4种类型模式耦合时对应的模场图像；
20.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；
21.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；
22.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；
23.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
24.下面结合附图对本发明和技术方案作进一步的具体说明。
25.一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。
26.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he
11-he
11
、he
11-lp
11
、he11-lp
21
和he11-he
12
。
27.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。
28.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。
29.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。
30.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。
31.本发明未详细说明部分属本领域技术人员公知常识。