【技术实现步骤摘要】
一种微环谐振腔时延带宽积最大化方法及系统
[0001]本专利技术涉及微纳光学
,尤其涉及一种微环谐振腔时延带宽积最大化方法。
技术介绍
[0002]集成光子学有助于减少占地面积,重量和功耗,提高稳定性和性能。微环谐振腔(MRR)作为一种重要的光子学元件,其具有大时延、高Q值、高精细度、极易加工、适合大规模集成等优点,因此非常适合蓄水池网络的搭建。微环谐振腔一个很重要的参数——时延带宽积(Delay
‑
Bandwidth Product,DBP),其定义为:具有一定带宽的光信号通过微环谐振腔后,可从其群时延-频率谱上观察到谐振波长(即中心频率)处比非谐振波长处群时延更大,随着波长逐渐远离中心波长,群时延也逐渐降低,可以计算出群时延降低到原来一半时对应的频率宽度,用该频率带宽乘以中心频率处的最大群时延值即为时延带宽积。在微环谐振腔(MRR)应用于光纤通信时,当群时延确定,则需要考虑其能承载的信号带宽,因此获取最大时延带宽积具有重要意义。现有的解决办法是利用电磁诱导透明(EIT)效应计算谐振腔的时延带宽积,但EIT效应所计算获得的时延带宽积并不是微环谐振腔系统的最大时延带宽积;还可以采用遗传算法(GA)优化单微环形谐振腔结构计算最大时延带宽积,但遗传算法优化时间长,且容易得到局部最优解,并非全局最优解。此外,双微环谐振腔和多微环谐振腔具有更大的时延带宽积,但针对双微环谐振腔的时延带宽积并未被研究过。
[0003]因此,现有技术还有待改进。
技术实现思路
[0004]本专利技术 ...
【技术保护点】
【技术特征摘要】
1.一种微环谐振腔时延带宽积最大化方法,其特征在于,所述方法包括:获取微环谐振腔模型,根据所述微环谐振腔模型获取所述微环谐振腔的系统参数;将所述微环谐振腔的系统参数输入DRRs
‑
A3C算法模型并运行所述DRRs
‑
A3C算法模型;根据所述DRRs
‑
A3C算法模型获得所述微环谐振腔的最大时延带宽积及所述最大时延带宽积所对应的优化参数值。2.根据权利要求1所述微环谐振腔时延带宽积最大化方法,其特征在于,所述获取微环谐振腔模型,根据所述微环谐振腔模型获取所述微环谐振腔的系统参数包括:根据耦合模理论通过有限元仿真软件和数值计算软件建立微环谐振腔模型;运行所述微环谐振腔模型获取所述微环谐振腔模型的系统参数。3.根据权利要求1所述微环谐振腔时延带宽积最大化方法,其特征在于,所述DRRs
‑
A3C算法模型的运行过程具体为:初始化所述DRRs
‑
A3C算法模型的全局神经网络参数和工人神经网络参数;将状态值S输入所述DRRs
‑
A3C算法模型的工人神经网络,获得所述工人神经网络中Actor神经网络的动作值A,将所述动作值A输入环境,获取奖励R和新的状态值S
’
,得到训练集(S,A,R,S
’
);将所述训练集中的状态值S和新的状态值S
’
输入至所述工人神经网络中的Critic神经网络,获得所述状态值S对应的评价值V(S)和所述新的状态值S
’
对应的新的评价值V(S
’
),并计算TD误差δ=R+γ
·
V(S
’
)
‑
V(S);迭代所述工人神经网络的参数;当迭代至预设次数时停止,并更新全局神经网络参数;根据所述全局神经网络参数更新所述工人神经网络参数;重复迭代训练所述工人神经网络和所述全局神经网络;当所述全局神经网络收敛,输出所述DRRs
‑
A3C算法模型;其中,所述δ为TD误差,所述R为Critic神经网络对奖励的估计,所述γ为衰减因子;所述全局神经网络和所述工人神经网络均包括Actor网络和Critic网络,所述全局神经网络与所述工人神经网络结构一致,所述全局神经网络和所述工人神经网络均为全连接神经网络。4.根据权利要求3所述微环谐振腔时延带宽积最大化方法,其特征在于,所述DRRs
‑
A3C算法模型中环境为微环谐振腔系统,所述状态值为微环谐振腔系统的耦合系数,所述动作为微环谐振腔系统的耦合系数改变量,所述奖励为微环谐振腔的时延带宽积和正则化项。5.根据权利要求1所述微环谐振腔时延带宽积最大化方法,其特征在于,所述根据所述DRRs
‑
A3C算法模型获得所述微环谐振腔的最大时延带宽积及所述最大时延带宽积所对应的优化参数值包括:根据所述微环谐振腔的系统参数初始化所述DRRs
‑
A3C算法模型参数;输入状态值至所述DRRs
‑
A3C算法模型的工人神经网络,所述工人神经网络输出新的状态值;根据所述工人神经网络参数更新所述DRRs
‑
A3C算法模型的全局神经网络参数,所述全局神经网络训练所述新的状态值,并获得所述微环谐振腔的最大时延带宽积及所述最大时延带宽积所对应的优化参数。
6....
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。