一种基于深度学习的激光线宽预测方法及系统技术方案

本发明专利技术提供一种基于深度学习的激光线宽预测方法及系统，所述方法包括以下步骤：

【技术实现步骤摘要】
一种基于深度学习的激光线宽预测方法及系统


[0001]本专利技术属于激光线宽测量领域，具体涉及一种基于深度学习的激光线宽预测方法及系统
。

技术介绍

[0002]激光线宽属于激光器的光谱特性，是激光功率函数由峰值下降到一半处时对应的频率宽度，即光谱线性函数的半峰全宽
。
在理想状态下，单模激光器的线宽为0，激光具有良好的相干性和单色性
。
但在实际应用中，由于量子相干噪声和不相干自发辐射的存在，输出激光存在一定的线宽
。
[0003]激光线宽的测量是表征单频窄线宽激光器特性的重要手段，在实际操作中，人们往往根据激光器线宽的测量值来判断激光器的性能，因此，实现激光器线宽的精确测量，特别是准确表征和测量窄线宽激光器的线宽就显得格外重要
。
随着外腔技术的引入以及调
Q
和锁模技术的发展，目前激光器的线宽测量已发展到
kHz
量级，有的甚至达到几赫兹
。
目前测量激光线宽的方法主要有光谱仪法
、
拍频法
、F
‑
P
扫描法
、F
‑
P
标准具结合光束质量分析仪
(CMOS Beam Profiler
，
CBP)
法
、
双边缘滤波检测法
、
基于互相关方法和
β
算法的线宽测量方法
。
[0004]上述中的现有技术存在以下缺陷：例如光谱仪一般只能测到
GHz
量级的激光线宽，且很难对于单个短脉冲实现信号的采集
。
当待测激光重复频率较低且脉冲时间较短时，很难让待测信号与参考信号耦合来实现拍频
。
测量低重复频率短脉冲激光的线宽时，
F
‑
P
扫描法需要很长的扫描时间
。
双边缘滤波检测法结构复杂，且对带通滤波器的灵敏度有很高的要求
。
基于互相关方法和
β
算法的线宽测量方法计算较为复杂
。

技术实现思路

[0005]本专利技术的目的在于克服现有技术中的缺陷，本专利技术提供一种基于深度学习的激光线宽预测方法及其系统
。
[0006]在阐述本
技术实现思路
之前，定义本文中所使用的术语如下：
[0007]术语“CNN”是指：卷积神经网络
(Convolutional Neural Network)。
[0008]术语“PSD”是指：功率谱密度
(Power Spectral Density)。
[0009]术语“ISO”是指：隔离器
。
[0010]术语“VOA”是指：可调光衰减器
(Variable Optical Attenuator)。
[0011]术语“AOM”是指：声光调制器
(Acoustic optical modulator)。
[0012]术语“PD”是指：光电探测器
。
[0013]术语“ESA”是指：电磁频谱分析仪
(Electromagnetic Spectrum Analyzer)。
[0014]本专利技术的技术方案如下：
[0015]本专利技术的第一方面提供了一种基于深度学习的激光线宽预测方法，所述方法包括以下步骤：
[0016]S1
获取训练数据；
[0017]S2
建立
CNN
深度学习神经网络模型，设置模型参数；
[0018]S3
基于所述
S1
得到的数据对所述
CNN
深度学习神经网络模型进行训练和优化并且测试网络；
[0019]S4
将待测激光的拍频电信号信息导入
S3
得到的
CNN
深度学习神经网络模型中，预测待测激光的线宽
。
[0020]进一步的，所述
S1
包括以下步骤：
[0021]S11
搭建激光线宽测量系统，根据待测激光线宽范围确定声光调制器参数和延时光纤长度；
[0022]S12
根据维纳
‑
辛钦定理，通过仿真获得理论线宽测量数据；
[0023]S13
使用不同线宽的激光，通过线宽测量装置测量线宽，获得多组实验数据；
[0024]S14
将步骤
S12
获得的理论数据及步骤
S13
获得的实验数据进行分组获得训练过程中的训练数据集和校验数据集
。
[0025]进一步的，所述步骤
S13
包括：
[0026]S131
将已知线宽的激光通过经耦合器分成两路，一路经过延时光纤，另一路则经过声光调制器，进行移频和延时，得到延时光信号和移频光信号；
[0027]S132
延时光和移频光会聚到另一个耦合器上进行干涉拍频，之后利用光电探测器对其进行光电转换，产生的电信号经过中频放大器，得到拍频电信号；
[0028]S133
将拍频电信号接入频谱仪，得到拍频电信号的功率谱并对其进行采样，获得拍频电信号功率谱图和对应的线宽信息
。
[0029]进一步的，所述步骤
S3
包括以下步骤：
[0030]S31
初始化
CNN
神经网络的训练参数，获取用户预设的神经网络的学习率
、
最大迭代次数
、
观察间隔
、
动量
、
数据集以及均方根误差阈值；
[0031]S32
从训练数据集中选取批量数据集进行
CNN
神经网络训练，使用优化函数更新
CNN
神经网络的参数；
[0032]S33
反复迭代步骤
S32
，直到达到预定的停止条件
。
通过
S14
得到的校验数据集对
CNN
神经网络进行测试，对模型的性能
、
拟合情况和泛化能力进行评估
。
[0033]进一步的，所述优化函数选自以下一种或多种
:
梯度下降
GD、
随机梯度下降
SGD、
动量优化算法
MOM、
自适应学习率优化算法
AG、
自适应学习率和动量的优化算法
Adam。
[0034]进一步的，激活函数选自以下一种或多种：逻辑函数
Sigmoid
，双曲正切函数
tanh
，线性整流函数
ReLU
，指数线性函数
ELU
，三角函数
SIREN
；优选为线性整流函数
Re本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于深度学习的激光线宽预测方法，其特征在于，包括以下步骤：
S1
获取训练数据；
S2
建立
CNN
深度学习神经网络模型，设置模型参数；
S3
基于所述
S1
得到的数据对所述
CNN
深度学习神经网络模型进行训练和优化并且测试网络；
S4
将待测激光的拍频电信号信息导入
S3
得到的
CNN
深度学习神经网络模型中，预测待测激光的线宽
。2.
根据权利要求1所述的基于深度学习的激光线宽预测方法，其特征在于，所述
S1
包括以下步骤：
S11
搭建激光线宽测量系统，根据待测激光线宽范围确定声光调制器参数和延时光纤长度；
S12
根据维纳
‑
辛钦定理，通过仿真获得理论线宽测量数据；
S13
使用不同线宽的激光，通过线宽测量装置测量线宽，获得多组实验数据；
S14
将步骤
S12
获得的理论数据及步骤
S13
获得的实验数据进行分组获得训练过程中的训练数据集和校验数据集
。3.
根据权利要求2所述的基于深度学习的激光线宽预测方法，其特征在于，所述步骤
S13
包括：
S131
将已知线宽的激光通过耦合器分成两路，一路经过延时光纤，另一路则经过声光调制器，进行移频和延时，得到延时光信号和移频光信号；
S132
延时光和移频光会聚到另一个耦合器上进行干涉拍频，之后利用光电探测器对其进行光电转换，产生的电信号经过中频放大器，得到拍频电信号；
S133
将拍频电信号接入频谱仪，得到拍频电信号的功率谱并对其进行采样，获得拍频电信号功率谱图和对应的线宽信息
。4.
根据权利要求1所述的基于深度学习的激光线宽预测方法，其特征在于，所述模型激活函数选自以下一种或多种：逻辑函数
Sigmoid、
双曲正切函数
tanh、
线性整流函数
ReLU、
指数线性函数
ELU
和三角函数
SIREN。5.
根据权利要求1所述的基于深度学习的激光线宽预测方法，其特征在于，所述步骤
S3
包括以下步骤：
S31
初始化
CNN
神经网络的训练参数，获取用户预设的神经网络的学习率
、
最大迭代次数

【专利技术属性】
技术研发人员：吕志伟，张杰辉，白振旭，王雨雷，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：