【技术实现步骤摘要】
本专利技术属于微结构光纤领域，具体涉及一种微结构光纤内结构的预测方法、系统、设备和介质。
技术介绍
1、自1996年微结构光纤(microstructure optical fiber，mof)的开发以来，这种新型光纤因其独特的光学特性和灵活的设计方法极大地促进了光纤激光技术、光纤传感技术、光通信技术、激光传输技术、光电子集成技术的发展。常规的微结构光纤包括光子晶体、反谐振空芯光纤(photonic crystal fiber,pcf)、空芯光子带隙光纤(photonic bandgapfiber,pbgf)等等。引入包层周期性结构、纤芯中缺陷结构等以获得不同于传统光纤的性能。引入的微小结构极大地增加了光纤的设计自由度，通过调整结构，可以得到传统光纤不具备的优良特性，因此被广泛应用于光纤通信、光纤传感、非线性光纤光学及新型光纤功能器件等领域。这些复杂的孔洞图案调节了包层的折射率，从而基于全内反射原理实现光的引导。因此，微结构光纤的光学特性与其微观结构的几何形状紧密相关。在制造过程中引入的任何缺陷，例如孔径、壁厚以及孔间距等等的变化，都可能对光纤的最终性能和质量产生重大影响。在制造过程中方便且非破坏性地监测微结构光纤的内结构是非常必要的。不同于传统光纤，微结构光纤的制造是一个复杂过程，需要严格监控拉丝参数，如气压、温度、拉丝速度和张力。然而，对于高质量的微结构光纤，需要更为复杂和精准的拉丝过程控制。例如，在传统的阶梯折射率光纤中，有不同的折射率分布方法可以在光纤制造过程中提供实时反馈。然而，这些方法不适用于微结构光纤中具有高折射率
2、目前尚未开发出在制造过程中实时监控微结构光纤内结构的实用方案。相反，研究人员不得不移除一段已制造好的光纤，并使用光学或电子显微镜来检查其内结构。每次调整拉丝参数(如气压、温度等)时，都必须重复此检查过程，这将导致数米长、几何尺寸不符合要求的光纤最终被废弃。此外，即便使用扫描电子显微镜，也难以检测纳米级或基于方向的缺陷，并且检测过程耗时较长。更为重要的是，拉丝过程无法暂停，由于光纤的最小切割距离仅限于毫米范围，光纤结构的任何快速变化都难以被简单识别。
技术实现思路
1、本专利技术提出一种微结构光纤内结构的预测方法、系统、设备和介质，以解决现有技术中耗时长且对材料存在损耗的问题。
2、为达上述目的，本专利技术提出技术方案如下：
3、一种微结构光纤内结构的预测方法，包括如下步骤：
4、步骤1，获取训练样本和待测光强分布数据；
5、步骤2，对获取的数据进行预处理，得到处理后数据；所述处理后数据包括处理后训练样本数据和处理后待测光强分布数据；
6、步骤3，建dnn深度学习网络模型；
7、步骤4，基于处理后训练样本数据对所述的dnn神经网络模型进行训练，得到训练后模型；
8、步骤5，将处理后待测光强分布数据输入到训练后模型中，完成微结构光纤内结构的预测。
9、优选的，所述训练样本中包括前向散射光强分布数据及其对应的微结构光纤内部结构参数真值。
10、优选的，所述步骤2的预处理为归一化处理。
11、优选的，所述dnn神经网络模型包括输入层、隐藏层、输出层、激活函数层、正则化方法层。
12、优选的，所述dnn神经网络模型的损失函数具体为：
13、
14、lloss表示的是损失函数，yij分别表示真实的所述微结构光纤空气孔直径、层数、孔间距和方位角的值，分别表示所述微结构光纤空气孔直径、层数、孔间距和方位角预测的值，m表示训练集的总个数，n表示每个样本的特征数。
15、优选的，所述dnn深度神经网络的学习率为0.0001。
16、优选的，步骤2中，在对所述训练样本进行预处理后，将处理后训练样本数据随机打乱，打乱后的样本数据的80％分作训练集、15％分作验证集、5％分作测试集。
17、一种微结构光纤内结构的预测系统，包括如下模块：数据获取模块、数据预处理模块、模型构建模块、训练模块和预测模块；
18、所述数据获取模块用于获取训练样本数据和待测光强分布数据；
19、所述数据预处理模块用于将所述的训练样本数据和待测光强分布数据进行归一化处理；
20、所述模型构建模块用于构建dnn神经网络；
21、所述训练模块用于将处理后训练样本数据输入dnn神经网络；
22、所述预测模块用于将所述的处理后待测光强分布数据输入到所述dnn神经网络，得到微结构光纤内结构预测结果。
23、一种电子设备，包括存储器和处理器；
24、存储器，用于存储计算机程序；
25、处理器，用于执行所述计算机程序，所述计算机程序被处理器执行时实现所述的一种微结构光纤内结构的预测方法的步骤。
26、一种计算机可读存储介质，所述存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现一种微结构光纤内结构的预测方法的步骤。
27、本专利技术的有益之处在于：
28、本专利技术提出一种微结构光纤内结构的预测方法，包括获取数据、处理数据、构建和训练网络模型并通过网络模型进行预测，以得到微结构光纤内结构，在这一过程中，避免了传统光学显微镜的使用，进一步的也不会导致光纤的破坏，确定内结构的时间得到了缩短、光纤得以保全，整体光路简单可控，能够达成实时、无损的微结构光纤内结构参数检测效果。
本文档来自技高网...【技术保护点】
1.一种微结构光纤内结构参数的预测方法，其特征在于，包括如下步骤：
2.如权利要求1所述的一种微结构光纤内结构的预测方法，其特征在于，所述训练样本中包括前向散射光强分布数据及其对应的微结构光纤内结构参数真值。
3.如权利要求1所述的一种微结构光纤内结构的预测方法，其特征在于，所述步骤2的预处理为归一化处理。
4.如权利要求1所述的一种微结构光纤内结构的预测方法，其特征在于，所述DNN神经网络模型包括输入层、隐藏层、输出层、激活函数层、正则化方法层。
5.如权利要求4所述的一种微结构光纤内结构的预测方法，其特征在于，所述DNN神经网络模型的损失函数具体为：
6.如权利要求1所述的一种微结构光纤内结构的预测方法，其特征在于，所述DNN深度神经网络的学习率为0.0001。
7.如权利要求1所述的一种微结构光纤内结构的预测方法，其特征在于，步骤2中，在对所述训练样本进行预处理后，将处理后训练样本数据随机打乱，打乱后的样本数据的80％分作训练集、15％分作验证集、5％分作测试集。
8.一种微结构光纤内结构的
9.一种电子设备，其特征在于，包括存储器和处理器；
10.一种计算机可读存储介质，其特征在于，
...【技术特征摘要】
1.一种微结构光纤内结构参数的预测方法，其特征在于，包括如下步骤：
2.如权利要求1所述的一种微结构光纤内结构的预测方法，其特征在于，所述训练样本中包括前向散射光强分布数据及其对应的微结构光纤内结构参数真值。
3.如权利要求1所述的一种微结构光纤内结构的预测方法，其特征在于，所述步骤2的预处理为归一化处理。
4.如权利要求1所述的一种微结构光纤内结构的预测方法，其特征在于，所述dnn神经网络模型包括输入层、隐藏层、输出层、激活函数层、正则化方法层。
5.如权利要求4所述的一种微结构光纤内结构的预测方法，其特征在于，所述dnn神经网络模型的损失函数具体为：...
【专利技术属性】
技术研发人员：周桂耀，甘洋，蔡嘉诚，侯峙云，夏长明，
申请(专利权)人：华南师范大学，
类型：发明
国别省市：
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。