基于BP神经网络的拉曼放大器增益值计算方法及系统技术方案

本发明专利技术涉及一种基于BP神经网络的拉曼放大器增益值计算方法及系统，方法包括：获取数据集；将数据集划分为训练数据以及检验数据；根据训练数据确定BP神经网络模型的拓扑结构，得到初始BP神经网络模型；利用训练数据对初始BP神经网络模型进行训练，得到训练好的BP神经网络模型；根据训练好的BP神经网络模型计算当前泵浦光的波长数据和当前泵浦光的功率数据下的拉曼放大器增益值。本发明专利技术根据训练数据确定BP神经网络模型的拓扑结构，得到了最佳的学习模型，使得模型更准确、快速地映射泵浦光参数与拉曼放大器增益值之间的关系，进而快速、准确地计算拉曼放大器增益值。准确地计算拉曼放大器增益值。准确地计算拉曼放大器增益值。

【技术实现步骤摘要】
基于BP神经网络的拉曼放大器增益值计算方法及系统


[0001]本专利技术涉及拉曼放大器增益值预测
，特别是涉及一种基于BP神经网络的拉曼放大器增益值计算方法及系统。

技术介绍

[0002]拉曼放大技术被认为是未来多波段光通信系统中的一种有效的光信号放大解决方案，适用于5G以及下一代移动通信系统背景下的光放大。在DWDM(Dense Wavelength DivisionMultiplexing，密集型光波复用)系统中，拉曼放大器由于具有输出增益高、噪声指数低、响应速度快以及非线性失真小等优点，使得它在全光通信系统中发挥着重要的作用。在拉曼放大器设计中，泵光参数的选择是关键问题。传统的拉曼放大器设计需要求解一组描述泵浦光与信号光非线性效应的耦合拉曼波方程，由于其复杂性，无法直接计算该方程的解析解。数值方法如龙格
‑
库塔方法、打靶法和平均功率法常常应用于该问题的逼近。随着近年来进化算法和粒子群优化算法的研究，解决了这一问题。但是，算法耗时，效率低的问题仍然存在。

技术实现思路

[0003]本专利技术的目的是提供一种基于BP神经网络的拉曼放大器增益值计算方法及系统，以快速、准确地计算拉曼放大器增益值。
[0004]为实现上述目的，本专利技术提供了如下方案：
[0005]一种基于BP神经网络的拉曼放大器增益值计算方法，包括：
[0006]获取数据集；所述数据集包括历史泵浦光的波长数据、历史泵浦光的功率数据以及历史拉曼放大器增益值；
[0007]将所述数据集划分为训练数据以及检验数据；
[0008]根据所述训练数据确定BP神经网络模型的拓扑结构，得到初始BP神经网络模型；
[0009]利用所述训练数据对所述初始BP神经网络模型进行训练，得到训练好的BP神经网络模型；
[0010]根据所述训练好的BP神经网络模型计算当前泵浦光的波长数据和当前泵浦光的功率数据下的拉曼放大器增益值。
[0011]可选地，根据所述训练数据确定BP神经网络模型的拓扑结构之前，还包括：
[0012]对所述训练数据进行缺失补全、异常值处理、归一化处理以及反归一化处理。
[0013]可选地，根据所述训练数据确定BP神经网络的拓扑结构，得到初始BP神经网络模型，具体包括：
[0014]根据所述训练数据中的历史泵浦光的波长数据以及所述训练数据中的历史泵浦光的功率数据确定BP神经网络模型的输入层；
[0015]根据所述训练数据中的历史拉曼放大器增益值的增益值误差确定BP神经网络模型的隐含层；
[0016]根据所述训练数据中的历史拉曼放大器增益值确定BP神经网络模型的输出层，得到初始BP神经网络模型。
[0017]可选地，所述输入层、所述隐含层以及所述输出层采用正切S型传递函数TANSIG依次连接；
[0018]所述输入层的层数为6层，所述隐含层的层数为5层，所述输出层的层数为51层；每层所述输入层、每层所述隐含层以及每层所述输出层均包含42神经元。
[0019]可选地，得到初始BP神经网络模型之后，还包括：
[0020]利用MEA算法对所述初始BP神经网络模型的初始权值和阈值进行优化。
[0021]可选地，得到训练好的BP神经网络模型之后，还包括：
[0022]利用所述检验数据对所述训练好的BP神经网络模型进行检验。
[0023]一种基于BP神经网络的拉曼放大器增益值计算系统，包括：
[0024]获取模块，用于获取数据集；所述数据集包括历史泵浦光的波长数据、历史泵浦光的功率数据以及历史拉曼放大器增益值；
[0025]划分模块，用于将所述数据集划分为训练数据以及检验数据；
[0026]确定模块，用于根据所述训练数据确定BP神经网络模型的拓扑结构，得到初始BP神经网络模型；
[0027]训练模块，用于利用所述训练数据对所述初始BP神经网络模型进行训练，得到训练好的BP神经网络模型；
[0028]计算模块，用于根据所述训练好的BP神经网络模型计算当前泵浦光的波长数据和当前泵浦光的功率数据下的拉曼放大器增益值。
[0029]可选地，所述确定模块具体包括：
[0030]第一确定单元，用于根据所述训练数据中的历史泵浦光的波长数据以及所述训练数据中的历史泵浦光的功率数据确定BP神经网络模型的输入层；
[0031]第二确定单元，用于根据所述训练数据中的历史拉曼放大器增益值的增益值误差确定BP神经网络模型的隐含层；
[0032]第三确定单元，用于根据所述训练数据中的历史拉曼放大器增益值确定BP神经网络模型的输出层，得到初始BP神经网络模型。
[0033]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0034]本专利技术公开了一种基于BP神经网络的拉曼放大器增益值计算方法及系统，方法包括：获取数据集；所述数据集包括历史泵浦光的波长数据、历史泵浦光的功率数据以及历史拉曼放大器增益值；将所述数据集划分为训练数据以及检验数据；根据所述训练数据确定BP神经网络模型的拓扑结构，得到初始BP神经网络模型；利用所述训练数据对所述初始BP神经网络模型进行训练，得到训练好的BP神经网络模型；根据所述训练好的BP神经网络模型计算当前泵浦光的波长数据和当前泵浦光的功率数据下的拉曼放大器增益值。本专利技术根据训练数据确定BP神经网络模型的拓扑结构，得到了最佳的学习模型，使得模型更准确、快速地映射泵浦光参数与拉曼放大器增益值之间的关系，进而快速、准确地计算拉曼放大器增益值。
附图说明
[0035]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例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本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0036]图1为基于BP神经网络的拉曼放大器增益值计算方法流程图；
[0037]图2为BP神经网络模型结构图；
[0038]图3为BP神经网络模型的计算增益误差值示意图。
具体实施方式
[0039]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。
[0040]本专利技术的目的是提供一种基于BP神经网络的拉曼放大器增益值计算方法及系统，以快速、准确地计算拉曼放大器增益值。
[0041]为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术作进一步详细的说明。
[0042]如图1所示，基于BP神经网络的拉曼放大器增益值计算方法，包括：
[0043]步骤101：获取数据集；数据集包括历史泵浦光的波长数据、历史泵浦光的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于BP神经网络的拉曼放大器增益值计算方法，其特征在于，包括：获取数据集；所述数据集包括历史泵浦光的波长数据、历史泵浦光的功率数据以及历史拉曼放大器增益值；将所述数据集划分为训练数据以及检验数据；根据所述训练数据确定BP神经网络模型的拓扑结构，得到初始BP神经网络模型；利用所述训练数据对所述初始BP神经网络模型进行训练，得到训练好的BP神经网络模型；根据所述训练好的BP神经网络模型计算当前泵浦光的波长数据和当前泵浦光的功率数据下的拉曼放大器增益值。2.根据权利要求1所述的基于BP神经网络的拉曼放大器增益值计算方法，其特征在于，根据所述训练数据确定BP神经网络模型的拓扑结构之前，还包括：对所述训练数据进行缺失补全、异常值处理、归一化处理以及反归一化处理。3.根据权利要求1所述的基于BP神经网络的拉曼放大器增益值计算方法，其特征在于，根据所述训练数据确定BP神经网络的拓扑结构，得到初始BP神经网络模型，具体包括：根据所述训练数据中的历史泵浦光的波长数据以及所述训练数据中的历史泵浦光的功率数据确定BP神经网络模型的输入层；根据所述训练数据中的历史拉曼放大器增益值的增益值误差确定BP神经网络模型的隐含层；根据所述训练数据中的历史拉曼放大器增益值确定BP神经网络模型的输出层，得到初始BP神经网络模型。4.根据权利要求3所述的基于BP神经网络的拉曼放大器增益值计算方法，其特征在于，所述输入层、所述隐含层以及所述输出层采用正切S型传递函数TANSIG依次连接；所述输入层的层数为6层，所述隐含层的层数为5层，所述输出层的层数为51层；每层所述输入层、每层所述隐含层以及每层所...

【专利技术属性】
技术研发人员：巩稼民，刘芳，吴艺杰，张运生，朱泽昊，雷舒陶，
申请(专利权)人：西安邮电大学，
类型：发明
国别省市：