[發明專利]一種基于機器學習的光頻梳性能分析方法及系統

在審

• 申請號: 202111544862.7
• 申請日: 2021-12-16
• 公開（公告）號: CN114218834A
• 公開（公告）日: 2022-03-22
• 發明（設計）人: 文進;秦韋俊;何晨瑤;孫偉;梁伯值;熊科宇
• 申請（專利權）人: 西安石油大學
• 主分類號: G06F30/23
• 分類號: G06F30/23;G06F30/27;G06F111/10
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 馬貴香

1.一種基于機器學習的光頻梳性能分析方法，其特征在于效率高，響應快，包括以下步驟：

步驟1，通過仿真軟件對微環諧振腔平臺的波導類型建模仿真，并將仿真的二維數據導出備用；

步驟2，在上階段模擬得到的仿真結果數據基礎上計算高階色散系數，在雙色泵浦機制產生光頻梳的模擬過程中，根據計算得到的色散數據輸入泵浦波長處對應的色散值，得到理想的光頻梳光譜；

步驟3，將上一階段得到頻譜各項性能數據記錄并整理為輸入參數列在前，輸出參數列在后的訓練數據和檢測數據，通過建立神經網絡模型對數據集進行訓練，訓練好的模型將用未包含在訓練數據中的數據進行預測，并對模型預測性能進行評估，實現整個GUI界面的具體分布和排版。

2.根據權利要求1所述的一種基于機器學習的光頻梳性能分析方法，其特征在于效率高，響應快，步驟1中具體為：

結構建模方法得到驗證后通過同樣的方法準確地得到所需的設計結構仿真結果，該過程包含波導的模場分布和色散曲線的計算和方法驗證工作；

使用波導截面為脊型的硅基微環諧振腔結構，在微米量級調整截面參數，通過有限元分析法得到對應泵浦波長處的模場分布，進一步利用Sellmeier公式計算獲得色散曲線，針對不同結構參數下得到的色散曲線，選取平坦度較好同時使零色散波長點落在3.5μm曲線對應的設計參數，實現波導結構的參數優化；

在得到結構有效折射率的基礎上，分別繪制傳播常數與波長、有效折射率與波長的曲線圖，并將對應的二維數據導出備用。

3.根據權利要求2所述的一種基于機器學習的光頻梳性能分析方法，其特征在于效率高，響應快，步驟1中仿真軟件為多物理場仿真軟件COMSOL Multiphysic。

4.根據權利要求1所述的一種基于機器學習的光頻梳性能分析方法，其特征在于效率高，響應快，步驟2中計算高階色散數據：

利用MATLAB程序軟件，依據高階色散系數與波長的關系，在上階段模擬得到的仿真結果數據基礎上計算高階色散系數，并得到高階色散與波長的關系曲線圖，將計算得到的數值進行整理。

5.根據權利要求1所述的一種基于機器學習的光頻梳性能分析方法，其特征在于效率高，響應快，步驟2中光頻梳光譜具體獲得方法為：

根據改良的Lugiato-Lefever equation模型，采用分步傅里葉方法(SSFM)模擬硅基微環諧振腔中基于級聯四波混頻效應的光頻梳產生過程，針對選擇的泵浦波長，在已獲得的色散數據中選取對應的色散值進行數值模擬仿真，最終得到理想的光頻梳光譜。

6.根據權利要求1所述的一種基于機器學習的光頻梳性能分析方法，其特征在于效率高，響應快，步驟3中建立神經網絡模型：

神經網絡模型的核心為前饋神經網絡，由一個輸入層，三個隱藏層和一個輸出層以全連接形式組成，層間所用的激活函數為ReLU；前饋神經網絡功能由Pycharm軟件中的sklearn包實現；

前期收集的數據集總共為三組，分別為：訓練集、驗證集和測試集；其中訓練集和驗證集利用trans_test_split()函數將原始數據按照比例隨機分割為“訓練集”和“驗證集”，其中樣本占比為0.1；數據集中輸入參數分別為：兩個泵浦波長，泵浦功率和微環半徑；輸出參數為：光頻梳的帶寬，頻率間隔，輸出頻譜第一個信號的功率以及模式數；

使用pytorch中的順序容器torch.nn.Sequential來實現順序連接模型，其中包括層與層之間的線性連接以及ReLU非線性激活函數作用。

7.根據權利要求1所述的一種基于機器學習的光頻梳性能分析方法，其特征在于效率高，響應快，步驟3中GUI界面的實現：在網絡模型訓練并驗證后，訓練好的模型將用未包含在訓練數據中的數據進行預測，并引入均方誤差mean_squared_error函數對模型的預測性能進行評估，通過圖形用戶界面開發工具PySimpleGUI，實現整個GUI界面的具體分布和排版。

8.一種基于機器學習的光頻梳性能分析系統，其特征在于效率高，響應快，基于權利要求1至7任意一項所述的一種基于機器學習的光頻梳性能分析方法，包括：

仿真模塊：用于對微環諧振腔平臺的波導類型建模仿真，得到模場分布和有效折射率數據，并將仿真的二維數據導出備用；

光頻梳光譜獲得模塊：用于計算高階色散數據，并模擬四波混頻效應產生光頻梳過程；其中將泵浦波長對應的色散數據輸入仿真程序中，從而得到理想的光頻梳光譜；

分析評估模塊：用于將上一階段得到的數據整理為輸入參數列在前，輸出參數列在后的訓練數據和檢測數據，通過建立神經網絡模型對數據集進行訓練，訓練好的模型將用未包含在訓練數據中的數據進行對光頻梳的帶寬，頻率間隔，輸出梳狀頻譜第一個信號的功率以及模式數四個光頻梳性能參數的預測，并對模型預測性能進行評估，最終實現整個GUI界面的具體分布和排版。