一种光纤拉曼放大器动态增益调控方法及设备技术

本发明专利技术提供一种光纤拉曼放大器动态增益调控方法及设备，所述方法通过训练得到的预设神经网络模型，将待放大信号光的状态参数、理想增益谱的目标参数和设备参数映射得到包含泵浦个数、泵浦功率和泵浦波长的泵浦参数，自动化生成包含预测泵浦个数、预测泵浦功率和预测泵浦波长的泵浦参数以控制光线拉曼放大器工作，在计算实际增益谱和理想增益谱的均方误差后，利用预设神经网络进行梯度下降法调节泵浦参数，进行优化，直至调整后的实际增益谱与理想增益谱的均方误差小于设定门限值，能够快速自动调节泵浦参数，达到平坦的理想增益谱。达到平坦的理想增益谱。达到平坦的理想增益谱。

【技术实现步骤摘要】
一种光纤拉曼放大器动态增益调控方法及设备


[0001]本专利技术涉及光放大器
，尤其涉及一种光纤拉曼放大器动态增益调控方法及设备。

技术介绍

[0002]目前随着高速光纤通信系统的日益发展，对光放大器等关键技术提出了更高的要求。与掺铒光纤放大器相比，拉曼放大器具有增益高、噪声指数低、频谱范围宽、温度稳定性好等优点；增益波长由泵浦光波长决定，不受其他因素的限制，理论上只要具有合适的泵浦源的波长，就可以放大任意波长的信号光；同时拉曼放大器的增益介质为普通传输光纤，与光纤系统具有良好的兼容性；非线性影响小，适宜长距离光通信信号放大。
[0003] 因为光纤拉曼放大器有如此多的优点，它可以放大掺铒光纤放大器所不能放大的波段，并且可以在1292~1660nm光谱范围内进行光放大 ，获得比EDFA宽得多的增益带宽。为了扩大拉曼放大器的增益范围，常将若干个拉曼泵浦集成于一个模块中来对信号进行放大。在放大时，由于接收机灵敏度的要求，需要所放大的信号在不同波长上具有相同的功率，即对于增益平坦度有较高的要求，因此实现拉曼放大器的增益平坦是一个十分必要的问题。若通过在输出端增加增益平坦滤波器来实现增益平坦，当目标增益发生变化时，由于增益平坦滤波器的滤波光谱是固定的，在新增益下是很难实现增益平坦的；若采用人工或控制单元在测试时记录若干平坦增益的泵浦功率值。当需要实现某个增益值的时候，需要进行大量的测试和数据记录，同时若系统线路发生变化，原先记录的最佳泵浦功率也会随之发生变化。并且，在实际应用过程中，待放大信号光的各项状态参数不断变化（比如：信道波长间隔，功率等），为了实现增益谱的稳定和平坦，就需要不断地动态调整光纤拉曼泵浦参数，因此，亟需一种方法和设备能够自动化地动态调控光纤拉曼放大器，以实现在待放大信号光动态变化条件下的增益谱平坦。

技术实现思路

[0004]本专利技术实施例提供了一种光纤拉曼放大器动态增益调控方法及设备，以消除或改善现有技术中存在的一个或更多个缺陷，解决传统多泵浦光源导致拉曼放大增益谱不平坦以及待放大信号光动态变化导致的益谱不平坦问题。
[0005]本专利技术的技术方案如下：一方面，本专利技术提供一种光纤拉曼放大器动态增益调控方法，包括：接收待放大信号光，并获取所述待放大信号光的状态参数，所述状态参数包括：所述待放大信号光的光强、频率和中心波长；获取目标参数，所述目标参数至少包括：理想增益谱的平坦度和带宽；获取设备参数，所述设备参数至少包括：光纤拉曼放大器的工作波长范围和工作温度范围；获取预设神经网络模型，所述预设神经网络模型用于将所述状态参数、所述目标参数和所述设备参数映射至达到所述理想增益谱所需的泵浦个数、泵浦功率和泵浦波长；
将所述状态参数、目标参数和设备参数输入所述预设神经网络以输出实现理想增益谱的预测泵浦个数、预测泵浦功率和预测泵浦波长；根据所述预测泵浦个数、所述预测泵浦功率和所述预测泵浦波长调节所述光纤拉曼放大器对所述待放大信号光进行放大，并检测实际增益谱；计算实际增益谱与理想增益谱的均方误差，若所述均方误差大于设定门限值，则利用所述预设神经网络模型结合梯度下降法调整预测泵浦个数、预测泵浦功率和预测泵浦波长，并基于调整后的预测泵浦个数、预测泵浦功率和预测泵浦波长检测得到调整后的实际增益谱，并计算调整后的均方误差；直至调整后的均方误差小于所述设定门限值并输出调整后的预测泵浦个数、预测泵浦功率和预测泵浦波长。
[0006]在一些实施例中，所述预设神经网络模型采用训练样本集对卷积神经网络初始网络或全连接神经网络初始网络进行训练得到。
[0007]在一些实施例中，获取预设神经网络模型之前，还包括：获取全连接神经网络初始模型；获取训练样本集，所述训练样本集包括设定数量个样本，每个样本包括一次光纤拉曼放大过程中待放大样本信号光的光强、所述待放大样本信号光的频率、所述待放大样本信号光的中心波长、泵浦个数、泵浦功率、泵浦波长、实际泵浦增益谱的平坦度和所述实际泵浦增益谱的带宽；以待放大样本信号光的光强、所述待放大样本信号光的频率、所述待放大样本信号光的中心波长、实际泵浦增益谱的平坦度和所述实际泵浦增益谱的带宽作为输入，并以泵浦个数、泵浦功率和泵浦波长作为输出，采用所述训练样本集对所述全连接神经网络初始模型进行训练，得到所述预设神经网络模型。
[0008]在一些实施例中，所述泵浦波长还通过灵活栅格进行调整。
[0009]在一些实施例中，获取预设神经网络模型之前，还包括：获取所述卷积神经网络初始网络模型；所述卷积神经网络初始网络包括特征提取层和特征映射层，所述特征提取层包括卷积层、激活函数层和池化层，卷积层中每个神经元的输入连接前一层的局部接受域，用于提取该局部的特征并确定位置关系，所述特征映射层作为分类器用于对结果进行识别分类；获取训练样本集，所述训练样本集包括设定数量个样本，每个样本包括一次光纤拉曼放大过程中待放大样本信号光的光强、所述待放大样本信号光的频率、所述待放大样本信号光的中心波长、泵浦个数、泵浦功率、泵浦波长、实际泵浦增益谱的平坦度和所述实际泵浦增益谱的带宽；以待放大样本信号光的光强、所述待放大样本信号光的频率、所述待放大样本信号光的中心波长、实际泵浦增益谱的平坦度和所述实际泵浦增益谱的带宽作为输入，并以泵浦个数、泵浦功率和泵浦波长作为输出，采用所述训练样本集对所述卷积神经网络初始网络模型进行训练，得到所述预设神经网络模型。
[0010]在一些实施例中，利用所述预设神经网络模型结合梯度下降法调整预测泵浦个数、预测泵浦功率和预测泵浦波长，包括：获取当前所述预测泵浦个数、所述预测泵浦功率和所述预测泵浦波长，记为泵浦参数向量；
获取当前所述实际增益谱与所述理想增益谱的差值，并基于所述预设神经网络模型的参数求梯度，并对所述预测泵浦个数、所述预测泵浦功率和所述预测泵浦波长进行更新，计算式如下：；其中，为更新后的泵浦参数向量，为当前的泵浦参数向量，i表述迭代次数，表示学习率，表示求梯度，表示当前所述实际增益谱与所述理想增益谱的差值。
[0011]在一些实施例中，所述方法还采用微扰理论对所述训练样本集进行扩充，包括：获取仅包含现有数据的初始训练样本集，在不同待放大信号光的状态参数、拉曼放大器的设备参数和泵浦波长组合的条件下，获取各波长泵浦光的泵浦光功率关于单位长度光纤分布情况的微分方程，以表示传输状态；在所述微分方程中通过微扰理论引入泵浦光功率变量，并构建线性齐次微分方程组，采用正向欧拉法对所述线性齐次微分方程组求解，得到各波长泵浦光在光纤内传输过程中各单位长度光纤内的泵浦光功率变量，并计算泵浦光功率在光纤内的积分变量；根据泵浦光功率在光纤内的积分变量计算微扰后的泵浦功率积分，并计算微扰后得到的光纤拉曼放大器增益谱，对多个预设泵浦波长组合进行微扰并构建相关矩阵；根据所述相关矩阵以及其中各元素对应的待放大信号光的状态参数、拉曼放大器的设备参数和泵浦波长组合，对训练样本集进行扩充。
[0012]一方面，本专利技术提供一种基于灵活栅格网络的光纤拉曼放大器，包括：泵浦激光器，用于按本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种光纤拉曼放大器动态增益调控方法，其特征在于，包括：接收待放大信号光，并获取所述待放大信号光的状态参数，所述状态参数包括：所述待放大信号光的光强、频率和中心波长；获取目标参数，所述目标参数至少包括：理想增益谱的平坦度和带宽；获取设备参数，所述设备参数至少包括：光纤拉曼放大器的工作波长范围和工作温度范围；获取预设神经网络模型，所述预设神经网络模型用于将所述状态参数、所述目标参数和所述设备参数映射至达到所述理想增益谱所需的泵浦个数、泵浦功率和泵浦波长；将所述状态参数、目标参数和设备参数输入所述预设神经网络以输出实现理想增益谱的预测泵浦个数、预测泵浦功率和预测泵浦波长；根据所述预测泵浦个数、所述预测泵浦功率和所述预测泵浦波长调节所述光纤拉曼放大器对所述待放大信号光进行放大，并检测实际增益谱；计算实际增益谱与理想增益谱的均方误差，若所述均方误差大于设定门限值，则利用所述预设神经网络模型结合梯度下降法调整预测泵浦个数、预测泵浦功率和预测泵浦波长，并基于调整后的预测泵浦个数、预测泵浦功率和预测泵浦波长检测得到调整后的实际增益谱，并计算调整后的均方误差；直至调整后的均方误差小于所述设定门限值并输出调整后的预测泵浦个数、预测泵浦功率和预测泵浦波长。2.根据权利要求1所述的光纤拉曼放大器动态增益调控方法，其特征在于，所述预设神经网络模型采用训练样本集对卷积神经网络初始网络或全连接神经网络初始网络进行训练得到。3.根据权利要求2所述的光纤拉曼放大器动态增益调控方法，其特征在于，获取预设神经网络模型之前，还包括：获取全连接神经网络初始模型；获取所述训练样本集，所述训练样本集包括设定数量个样本，每个样本包括一次光纤拉曼放大过程中待放大样本信号光的光强、所述待放大样本信号光的频率、所述待放大样本信号光的中心波长、泵浦个数、泵浦功率、泵浦波长、实际泵浦增益谱的平坦度和所述实际泵浦增益谱的带宽；以待放大样本信号光的光强、所述待放大样本信号光的频率、所述待放大样本信号光的中心波长、实际泵浦增益谱的平坦度和所述实际泵浦增益谱的带宽作为输入，并以泵浦个数、泵浦功率和泵浦波长作为输出，采用所述训练样本集对所述全连接神经网络初始模型进行训练，得到所述预设神经网络模型。4.根据权利要求3所述的光纤拉曼放大器动态增益调控方法，其特征在于，所述泵浦波长还通过灵活栅格进行调整。5.根据权利要求2所述的光纤拉曼放大器动态增益调控方法，其特征在于，获取预设神经网络模型之前，还包括：获取所述卷积神经网络初始网络模型；所述卷积神经网络初始网络包括特征提取层和特征映射层，所述特征提取层包括卷积层、激活函数层和池化层，卷积层中每个神经元的输入连接前一层的局部接受域，用于提取该局部的特征并确定位置关系，所述特征映射层作为分类器用于对结果进行识别分类；获取所述训练样本集，所述训练样本集包括设定数量个样本，每个样本包括一次光纤
拉曼放大过程中待放大样本信号光的光强、所述待放大样本信号光的频率、所述待放大样本信号光的中心波长、泵浦个数、泵浦功率、泵浦波长、实际泵浦增益谱的平坦度和所述实际泵浦增益谱的带宽；以待放大样...

【专利技术属性】
技术研发人员：忻向军，常天海，王光全，毛正，田凤，张琦，刘博，姚海鹏，田清华，高然，王拥军，王珏，王富，李志沛，郭栋，常欢，于超，
申请(专利权)人：中国联合网络通信有限公司研究院，
类型：发明
国别省市：