[发明专利]一种光纤拉曼放大器动态增益调控方法及设备

权利要求书

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。