一种基于BP神经网络的EDFA测试参数预测方法技术

本发明专利技术公开了一种基于BP神经网络的EDFA测试参数预测方法，涉及掺饵光纤放大器测试领域，该方法包括：获取EDFA数据集并划分成训练样本和测试样本，数据集包括多组增益、输入光功率、泵浦电流；设置BP神经网络的基本参数，并利用GSO算法对网络的权值和阈值进行寻优处理；利用优化后的网络对训练样本进行学习，建立参数学习模型；利用学习模型对测试样本进行测试，比较模型输出的理论数值与实际数值差异；利用参数学习模型预测EDFA测试参数，自动生成增益

【技术实现步骤摘要】
一种基于BP神经网络的EDFA测试参数预测方法


[0001]本专利技术涉及掺饵光纤放大器测试领域，尤其是一种基于BP神经网络的EDFA测试参数预测方法。

技术介绍

[0002]掺饵光纤放大器(Eribium
‑
Doped Optical Fiber Amplifier，EDFA)是对信号光放大的一种有源器件，在对EDFA模块的测试中，需要在极短时间内设置一个准确的电流值，电流值是否准确影响到EDFA模块的测试效率与成本。
[0003]目前国际上为解决设置电流值是否准确的问题，一般是采用内差法，该方法通过先给定一组泵浦电流值，将输出光接入至光谱仪中，接着根据光谱仪反馈的增益、噪声等指标再动态调节电流值直至满足所有光学指标条件。而在实际测试中往往并不局限于几个增益值和输入光功率，全增益测试情况的出现使得单个模块的测试时间大大增加，因此如何提高测试效率成为EDFA模块测试中亟需解决的难题。
[0004]现有实现方案一般为：根据光通信系统功能需求，确立好EDFA模块所需要测试的增益和输入光功率，建立增益
‑
输入光功率
‑
泵浦电流表格，根据每个增益值和输入光功率动态调节出准确的泵浦电流值，然后人为记录下增益值和输入光功率及对应泵浦电流值。在此过程中，测试人员需要花费大量的时间和精力在动态调节过程中，且在额外添加需要测试的增益值和输入光功率时，需要重复上述测试步骤，无法及时更新表格，给提高产品线效率带来了极大的困难。

技术实现思路

[0005]本专利技术人针对上述问题及技术需求，提出了一种基于BP神经网络的EDFA测试参数预测方法，本专利技术的技术方案如下：
[0006]一种基于BP神经网络的EDFA测试参数预测方法，包括如下步骤：
[0007]获取EDFA数据集并划分成训练样本和测试样本，EDFA数据集包括多组EDFA测试参数，每组参数包括增益、输入光功率、泵浦电流；
[0008]设置BP神经网络的基本参数，并利用GSO算法对BP神经网络的权值和阈值进行寻优处理；
[0009]利用优化后的BP神经网络对训练样本进行学习，建立参数学习模型；
[0010]利用参数学习模型对测试样本进行测试，比较模型输出的理论数值与实际数值间的差异；
[0011]利用参数学习模型预测EDFA测试参数，自动生成增益
‑
输入光功率
‑
泵浦电流表格文档并输出。
[0012]其进一步的技术方案为，利用GSO算法对BP神经网络的权值和阈值进行寻优处理，包括：
[0013]设置GSO算法的基本参数，包括最大迭代次数、初始步长、在设定限值范围内的随
机初始解，GSO算法的解为BP神经网络的权值和阈值组成的向量；
[0014]根据初始解计算得到的初始目标函数值作为初始最优适应度值，初始解作为初始最优解；
[0015]根据当前算法解的数值计算得到当前目标函数的数值，若小于最优适应度值，则将该数值更新为最优适应度值，对应当前算法解的数值更新为最优解，否则直接进入更新算法解；
[0016]通过更新步长来更新下一个算法解的数值，重复执行根据当前算法解的数值计算得到当前目标函数的数值的过程，直至达到最大迭代次数，输出最终的最优解，作为寻找到的BP神经网络的最优权值和阈值。
[0017]其进一步的技术方案为，通过更新步长来更新下一个算法解的数值，包括：
[0018]更新步长的表达式为：
[0019]step
′
＝G
·
step+c1·
cos(r1)
·
(p
best
‑
p
t
)+c2·
cos(r2)
·
(p
best
‑
p
t
)；
[0020]其中，step
′
为更新后的步长，step为上一次的步长，计算因子t为当前迭代次数，T为最大迭代次数，c1和c2是(0,2)之间的随机数，r1和r2是(0,1)之间的随机数，p
best
为最优解，p
t
为当前算法解；
[0021]更新下一个算法解为当前算法解与更新后步长的和。
[0022]其进一步的技术方案为，设置GSO算法的基本参数，还包括确认算法解的维度D＝m*h+h+h*n+n；其中，m、n和h分别为BP神经网络的输入层、输出层和隐含层的神经元个数，维度为权值和阈值组成的向量的长度。
[0023]其进一步的技术方案为，目标函数为计算BP神经网络对训练样本进行学习后得到的理论数值与实际数值的误差平方和。
[0024]其进一步的技术方案为，获取EDFA数据集并划分成训练样本和测试样本，包括：
[0025]对获取的EDFA数据集中的多组EDFA测试参数进行归一化处理，然后打乱排序并按预设比例划分成训练样本和测试样本。
[0026]其进一步的技术方案为，设置BP神经网络的基本参数，包括输入层、输出层和隐含层的神经元个数，训练最大迭代次数，学习率和误差目标。
[0027]其进一步的技术方案为，在比较模型输出的理论数值与实际数值间的差异中，采用相关系数R2作为评价指标。
[0028]本专利技术的有益技术效果是：
[0029]本申请采用BP神经网络对EDFA数据集进行学习，以此找出EDFA测试中增益、输入光功率与泵浦电流之间的隐含关系，并利用黄金搜索优化(Golden Search Optimization，GSO)算法优化BP神经网络中的权值和阈值，使得建立的参数学习模型更加准确，根据学习EDFA数据集后建立的参数学习模型预测出EDFA的其他增益值、输入光功率下的泵浦电流值，并建立增益
‑
输入光功率
‑
泵浦电流表格，自动生成文档输出，为EDFA生产提供了有力的技术支撑，同时又提升了EDFA测试参数预测水平。
附图说明
[0030]图1是本申请提供的基于BP神经网络的EDFA测试参数预测方法流程图。
[0031]图2是本申请提供的GSO算法对网络权值和阈值进行寻优处理流程图。
[0032]图3是本申请提供的增益为15时不同输入光功率下的泵浦电流理论结果与实际结果对比图。
[0033]图4是本申请提供的增益为20时不同输入光功率下的泵浦电流理论结果与实际结果对比图。
[0034]图5是本申请提供的自动生成的增益
‑
输入光功率
‑
泵浦电流表格部分截图。
具体实施方式
[0035]下面结合附图对本专利技术的具体实施方式做进一步说明。
[0036]如图1所示，本申请提供了一种基于BP神经网络的EDFA测试参数预测方法，该方法集成在笔记本电脑上的数据处理软件中，数据处理软件具有EDFA数据集预处理、BP神经网络参数调整本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于BP神经网络的EDFA测试参数预测方法，其特征在于，所述方法包括：获取EDFA数据集并划分成训练样本和测试样本，所述EDFA数据集包括多组EDFA测试参数，每组参数包括增益、输入光功率、泵浦电流；设置BP神经网络的基本参数，并利用GSO算法对所述BP神经网络的权值和阈值进行寻优处理；利用优化后的BP神经网络对所述训练样本进行学习，建立参数学习模型；利用所述参数学习模型对所述测试样本进行测试，比较模型输出的理论数值与实际数值间的差异；利用所述参数学习模型预测EDFA测试参数，自动生成增益
‑
输入光功率
‑
泵浦电流表格文档并输出。2.根据权利要求1所述的基于BP神经网络的EDFA测试参数预测方法，其特征在于，所述利用GSO算法对所述BP神经网络的权值和阈值进行寻优处理，包括：设置GSO算法的基本参数，包括最大迭代次数、初始步长、在设定限值范围内的随机初始解，所述GSO算法的解为所述BP神经网络的权值和阈值组成的向量；根据所述初始解计算得到的初始目标函数值作为初始最优适应度值，所述初始解作为初始最优解；根据当前算法解的数值计算得到当前目标函数的数值，若小于最优适应度值，则将该数值更新为所述最优适应度值，对应当前算法解的数值更新为最优解，否则直接进入更新算法解；通过更新步长来更新下一个算法解的数值，重复执行所述根据当前算法解的数值计算得到当前目标函数的数值的过程，直至达到所述最大迭代次数，输出最终的最优解，作为寻找到的所述BP神经网络的最优权值和阈值。3.根据权利要求2所述的基于BP神经网络的EDFA测试参数预测方法，其特征在于，所述通过更新步长来更新下一个算法解的数值，包括：更新步长的表达式为：step
′
＝G
·
step+c1·
cos(r1)
·
(p
...

【专利技术属性】
技术研发人员：臧益鹏，李现勤，吴松桂，顾文华，
申请(专利权)人：无锡市德科立光电子技术股份有限公司，
类型：发明
国别省市：