一种基于神经网络光纤涡旋模式工程的方法

技术领域

本发明属于光纤通信领域，更具体地，类似光纤通信技术中的光纤色散工程，涉及一种基于神经网络光纤涡旋模式工程的方法。

背景技术

新兴高速数据通信业务的广泛应用产生了巨大的传输数据，这对未来通信技术提出了更高的容量要求。近年来，波分复用、偏振复用、时分复用、空分复用技术用于解决传输系统的信道容量危机已经被广泛研究。其中，空分复用通过增加空间并行信道数目来提升信道容量，仍然有待深度开发和利用。携带轨道角动量的光涡旋模式复用技术是一种很具前景的空分复用技术，为增加光通信带宽和容量提供了一种全新的解决方案。支持光涡旋模式传输的光纤设计研制是光涡旋模式复用技术的关键问题之一，环形光纤是一种能够支持多通道光涡旋模式传输的特殊设计光纤。光纤模式复用传输过程中，模式群延时、模式串扰和模式数量是影响光纤模式复用通信性能的重要因素，在模分复用结合波分复用的应用场景中，波长带宽也是影响复用通信性能的关键因素。对于接收端需要多进多出数字信号处理(MIMO-DSP)技术来补偿模式串扰影响的应用场景，MIMO-DSP的复杂度随着复用模式数目和模式群延时的增大而急剧增加，因此设计低涡旋模式群延时的涡旋环形光纤以降低MIMO-DSP的复杂度至关重要。对于接收端无需MIMO-DSP技术的光涡旋模式复用通信的应用场景，要求尽可能降低传输过程中光涡旋模式间的耦合串扰，通过优化涡旋环形光纤的结构参数，可以实现相邻光涡旋模式的有效折射率分离和重叠积分减小等模式性能调控，进而降低光涡旋模式间的模式耦合串扰，实现多通道光涡旋模式低串扰稳定传输。

传统的光纤设计方法是基于参数扫描的计算方法，这种方法十分耗时并且能够实现的光纤结构有限。尤其对于多参数优化的复杂光纤设计，需要非常精细的网格来实现高精度扫描，这使得传统设计方法的难度显著上升，并且每次设计具有不同目标模式性能参数的光纤，需要重新进行参数扫描，十分耗时。涡旋环形光纤设计需要优化环形芯中每层环的结构参数来实现目标光涡旋模式性能，优化的参数包括最内层环形芯的半径、每层环的宽度、每层环的折射率分布等，优化的参数数量随着层数的增加而增多，设计的难度与复杂度也随之显著上升。鉴于此，如何灵活高效设计涡旋环形光纤以获得特定目标的光纤涡旋模式性能参数，亦即光纤涡旋模式工程，是光涡旋模式复用通信系统中亟需解决的关键技术。

发明内容

针对现有技术的缺陷，本发明提供了一种基于神经网络光纤涡旋模式工程，旨在利用神经网络实现特定目标的光纤涡旋模式工程，灵活调节涡旋环形光纤结构参数以获得特定目标的光纤涡旋模式性能参数，突破传统涡旋光纤设计方法耗时且实现结构有限的局限，填补相关技术的空白。

为实现上述目的，本发明提供了一种基于神经网络光纤涡旋模式工程。利用数值仿真方法获得若干个涡旋环形光纤结构参数对应的光纤涡旋模式性能参数作为样本集，采用BP神经网络结构，将光纤涡旋模式性能参数作为神经网络的输入，涡旋环形光纤结构参数作为神经网络的输出，对神经网络进行训练、测试以及验证获得对应的神经网络模型。将特定目标的光纤涡旋模式性能参数输入神经网络模型，神经网络的输出预测所需对应的涡旋环形光纤结构参数。神经网络模型预测所得的涡旋环形光纤结构参数通过数值仿真计算，获得对应的光纤涡旋模式性能参数，将其与目标的光纤涡旋模式性能参数对比，若误差低于设定阈值，则优化完成，否则将这组涡旋环形光纤结构参数及其对应的光纤涡旋模式性能参数放入神经网络的样本集作为新增的补充样本，优化神经网络模型。如此反复迭代，直至神经网络模型预测的涡旋环形光纤结构参数经过数值仿真得到的光纤涡旋模式性能参数与目标的光纤涡旋模式性能参数高度吻合，误差低于设定阈值，从而实现基于神经网络的光纤涡旋模式工程。

优选地，涡旋环形光纤结构参数包括：环形芯的层数N、最内层环形芯的内径r

优选地，涡旋环形光纤结构参数中环形芯的层数N≥2，纤芯与包层的相对折射率差≤2％，最内层环形芯的内径r

优选地，根据用户自定义的光纤涡旋模式工程要求，灵活调节涡旋环形光纤结构参数，最终实现特定目标的光纤涡旋模式工程。光纤涡旋模式工程要求可以是模群有效折射率等间隔分布，可以是模式有效折射率等间隔分布，可以是模式间具有低串扰特性要求，也可以是模式间具有低差分群延时特性要求。

优选地，针对多通道模群复用传输应用场景，光纤涡旋模式分群，每个模群内的所有涡旋模式整体作为一个通道携带信息，模群间低串扰复用解复用，无需多输入多输出数字信号处理(MIMO-DSP)技术。光纤涡旋模式性能参数包括：模群数目≥2，模群间有效折射率差≥10

优选地，针对多通道模群复用和模群内多通道模式复用传输应用场景，光纤涡旋模式分群，每个模群内模式数目为2或4，每个模群内的每个模式分别作为一个通道携带信息，模群间低串扰复用解复用，无需MIMO-DSP技术，模群内复用解复用采用小规模(2×2或者4×4)MIMO-DSP技术。光纤涡旋模式性能参数包括：模群数目≥2，模群间有效折射率差≥10

优选地，针对多通道模式复用传输应用场景，每个模式分别作为一个通道携带信息，所有模式不区分模群一起进行模式复用解复用，需要使用大规模(M×M)MIMO-DSP技术，M为光纤涡旋模式总通道数。光纤涡旋模式性能参数包括：模式数目≥6，所有模式差分群延时≤600ps/km，所有涡旋模式抑制径向高阶模式，只支持径向1阶模式，波长范围是C波段，或是L波段，或是C+L波段。

优选地，针对包含少数阶径向高阶模式的多通道模式复用传输应用场景，允许出现少数阶径向高阶模式以进一步增加模式通道数，每个模式分别作为一个通道携带信息，所有模式不区分模群一起进行模式复用解复用，需要使用大规模(M×M)MIMO-DSP技术，M为光纤涡旋模式总通道数。光纤涡旋模式性能参数包括：模式数目≥6，所有模式差分群延时≤600ps/km，涡旋模式允许出现径向2阶或者3阶模式，波长范围是C波段，或是L波段，或是C+L波段。

优选地，涡旋环形光纤为多芯涡旋环形光纤，其包含多个纤芯，每个纤芯的结构参数根据特定目标的光纤涡旋模式性能参数利用神经网络学习预测获得。多芯涡旋环形光纤结构参数包括：纤芯数目、纤芯排布、纤芯与纤芯之间的间距、每个纤芯是一个环形芯，环形芯的层数N、最内层环形芯的内径r

通过本发明所构思的以上技术方案，与现有技术相比，本发明具有如下有益效果：

1、本发明公开了一种基于神经网络光纤涡旋模式工程的方法，根据特定目标的光纤涡旋模式工程要求，灵活调节涡旋环形光纤结构参数，最终实现特定目标的光纤涡旋模式性能参数，突破传统光纤设计耗时且实现结构有限的局限。

2、本发明利用神经网络构建光纤涡旋模式性能参数与涡旋环形光纤结构参数之间的复杂函数关系，其不需要求解它们之间的复杂公式，只需通过输入输出样本集完成对神经网络的训练，具有灵活、高效和普适的特点，为涡旋环形光纤设计和涡旋模式调控提供了一种全新的思路。

3、本发明适用的应用场景范围广泛，对于多种不同的空分复用通信系统对光纤涡旋模式性能的不同要求，都能够灵活调节涡旋环形光纤结构参数，最终实现特定目标的光纤涡旋模式工程。

4、本发明所限定涡旋环形光纤结构参数的范围，与现有光纤制作工艺具有很好的兼容性，非常有利于光纤的实际拉制。

附图说明

图1是本发明提供的一种基于神经网络光纤涡旋模式工程的方法示意图；

图2是本发明提供的一种神经网络结构示意图；

图3是本发明提供的一种涡旋环形光纤的横截面示意图；

图4是本发明提供的一种多芯涡旋环形光纤的横截面示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间不构成冲突就可以相互组合。

本发明提供了一种基于神经网络光纤涡旋模式工程的方法，通过调节涡旋环形光纤结构参数以获得特定目标的光纤涡旋模式性能参数。利用数值仿真方法获得若干个涡旋环形光纤结构参数对应的光纤涡旋模式性能参数作为样本集，采用BP神经网络结构，将光纤涡旋模式性能参数作为神经网络的输入，涡旋环形光纤结构参数作为神经网络的输出，对神经网络进行训练、测试以及验证获得对应的神经网络模型。将特定目标的光纤涡旋模式性能参数输入神经网络模型，神经网络的输出预测所需对应的涡旋环形光纤结构参数。神经网络模型预测所得的涡旋环形光纤结构参数通过数值仿真计算，获得对应的光纤涡旋模式性能参数，将其与目标的光纤涡旋模式性能参数对比，若误差低于设定阈值，则优化完成，否则将这组涡旋环形光纤结构参数及其对应的光纤涡旋模式性能参数放入神经网络的样本集作为新增的补充样本，优化神经网络模型。如此反复迭代，直至神经网络模型预测的涡旋环形光纤结构参数经过数值仿真得到的光纤涡旋模式性能参数与目标的光纤涡旋模式性能参数高度吻合，误差低于设定阈值，从而实现基于神经网络的光纤涡旋模式工程。

具体地，涡旋环形光纤结构参数包括：环形芯的层数N、最内层环形芯的内径r

具体地，涡旋环形光纤结构参数中环形芯的层数N≥2，纤芯与包层的相对折射率差≤2％，最内层环形芯的内径r

具体地，根据用户自定义的光纤涡旋模式工程要求，灵活调节涡旋环形光纤结构参数，最终实现特定目标的光纤涡旋模式工程。光纤涡旋模式工程要求可以是模群有效折射率等间隔分布，可以是模式有效折射率等间隔分布，可以是模式间具有低串扰特性要求，也可以是模式间具有低差分群延时特性要求。

具体地，针对多通道模群复用传输应用场景，光纤涡旋模式分群，每个模群内的所有涡旋模式整体作为一个通道携带信息，模群间低串扰复用解复用，无需多输入多输出数字信号处理(MIMO-DSP)技术。光纤涡旋模式性能参数包括：模群数目≥2，模群间有效折射率差≥10

具体地，针对多通道模群复用和模群内多通道模式复用传输应用场景，光纤涡旋模式分群，每个模群内模式数目为2或4，每个模群内的每个模式分别作为一个通道携带信息，模群间低串扰复用解复用，无需MIMO-DSP技术，模群内复用解复用采用小规模(2×2或者4×4)MIMO-DSP技术。光纤涡旋模式性能参数包括：模群数目≥2，模群间有效折射率差≥10

具体地，针对多通道模式复用传输应用场景，每个模式分别作为一个通道携带信息，所有模式不区分模群一起进行模式复用解复用，需要使用大规模(M×M)MIMO-DSP技术，M为光纤涡旋模式总通道数。光纤涡旋模式性能参数包括：模式数目≥6，所有模式差分群延时≤600ps/km，所有涡旋模式抑制径向高阶模式，只支持径向1阶模式，波长范围是C波段，或是L波段，或是C+L波段。

具体地，针对包含少数阶径向高阶模式的多通道模式复用传输应用场景，允许出现少数阶径向高阶模式以进一步增加模式通道数，每个模式分别作为一个通道携带信息，所有模式不区分模群一起进行模式复用解复用，需要使用大规模(M×M)MIMO-DSP技术，M为光纤涡旋模式总通道数。光纤涡旋模式性能参数包括：模式数目≥6，所有模式差分群延时≤600ps/km，涡旋模式允许出现径向2阶或者3阶模式，波长范围是C波段，或是L波段，或是C+L波段。

具体地，涡旋环形光纤为多芯涡旋环形光纤，其包含多个纤芯，每个纤芯的结构参数根据特定目标的光纤涡旋模式性能参数利用神经网络学习预测获得。多芯涡旋环形光纤结构参数包括：纤芯数目、纤芯排布、纤芯与纤芯之间的间距、每个纤芯是一个环形芯，环形芯的层数N、最内层环形芯的内径r

以下结合具体实施例及附图进行说明。

如图1所示，是本发明提供的一种基于神经网络光纤涡旋模式工程的方法的示意图。利用数值仿真方法获得若干个涡旋环形光纤结构参数对应的光纤涡旋模式性能参数作为样本集，将光纤涡旋模式性能参数作为神经网络的输入，涡旋环形光纤结构参数作为神经网络的输出，对神经网络进行训练、测试以及验证获得对应的神经网络模型。将特定目标的光纤涡旋模式性能参数输入神经网络模型，神经网络的输出预测所需对应的涡旋环形光纤结构参数。神经网络模型预测所得的涡旋环形光纤结构参数通过数值仿真方法，获得对应的光纤涡旋模式性能参数，将其与特定目标的光纤涡旋模式性能参数对比，若误差低于设定阈值，则优化完成，否则将这组涡旋环形光纤结构参数及其对应的光纤涡旋模式性能参数放入神经网络的样本集作为新增的补充样本，优化神经网络模型。如此反复迭代，直至神经网络模型预测的涡旋环形光纤结构参数经过数值仿真得到的光纤涡旋模式性能参数与特定目标的光纤涡旋模式性能参数高度吻合，误差低于设定阈值。

如图2所示，是本发明提供的一种神经网络结构示意图。确定神经网络的隐藏层层数，隐藏层神经元个数，非线性激活函数，误差函数等，输入层和输出层的神经元个数分别由输入输出变量个数决定。涡旋环形光纤结构参数通过数值仿真方法获得对应的光纤涡旋模式性能参数，光纤涡旋模式性能参数作为神经网络的输入，涡旋环形光纤结构参数作为神经网络的输出，获得神经网络的输入输出样本集，优化神经网络模型，最终构建能够通过光纤涡旋模式性能参数以预测涡旋环形光纤结构参数的神经网络模型。

如图3所示，是本发明提供的一种涡旋环形光纤的横截面示意图，环形芯层数为5，涡旋环形光纤的层数包括但不限于5层。内包层1和外包层2采用纯二氧化硅材料，内包层1和外包层2的折射率相同。最内层环形芯3的内径为r

如图4所示，是本发明提供的一种多芯涡旋环形光纤的横截面示意图，环形芯个数为2，涡旋环形芯的个数包括但不限于2个。环形芯1的层数为3，其包括但不限于3层；环形芯2的层数为3，其包括但不限于3层。环形芯1的内包层3和环形芯2的内包层4均采用纯二氧化硅材料。其中，环形芯1与环形芯2之间的间距L≥30μm，每个纤芯的最内层环形芯的内径r

本发明不仅局限于上述具体实施方式，本领域一般技术人员根据本发明公开的内容，可以采用其它多种具体实施方式实施本发明，因此，凡是采用本发明的设计结构和思路，做一些简单的变化或更改的设计，都落入本发明保护的范围。