一种SGDBR可调谐半导体激光器的波长调谐方法转让专利
申请号 : CN202110275752.9
文献号 : CN112989701B
文献日 : 2022-03-18
发明人 : 张敏明 , 周宏伟 , 刘德明
申请人 : 华中科技大学
摘要 :
权利要求 :
1.一种SGDBR可调谐半导体激光器的波长调谐方法,其特征在于,包括如下步骤:第一拟合步骤:初始化多组前、后光栅区电流,分别测试待测激光器在各组前、后光栅区电流下对应的输出波长,由此得到第一电流‑波长对应关系;
第二拟合步骤:将所述待测激光器的结构参数与所述第一拟合步骤中的各组前、后光栅区电流分别组合后,输入已训练好的波长预测神经网络,得到对应的输出波长,由此得到第二电流‑波长对应关系;所述波长预测神经网络用于以SGDBR可调谐半导体激光器的结构参数和前、后光栅区电流为输入,预测SGDBR可调谐半导体激光器的输出波长;
优化步骤:初始化所述待测激光器的结构参数,并利用预设的优化算法更新所述待测激光器的结构参数,以使得执行所述第二拟合步骤后,第二电流‑波长对应关系与所述第一电流‑波长对应关系间的误差最小化,并将使所述误差最小的结构参数确定为目标结构参数;
波长调谐步骤:将多组前、后光栅区电流分别与所述目标结构参数组合后,输入所述波长预测神经网络,以得到对应的输出波长,由此得到所述待测激光器实际的电流‑波长对应关系。
2.如权利要求1所述的SGDBR可调谐半导体激光器的波长调谐方法,其特征在于,所述波长预测神经网络的训练方法包括:建立SGDBR仿真模型,用于根据SGDBR可调谐半导体激光器的结构参数以及前、后光栅区电流预测SGDBR可调谐半导体激光器的输出波长;
随机多组SGDBR可调谐半导体激光器的结构参数以及前、后光栅区电流,利用所述SGDBR仿真模型获得各组参数对应的输出波长,并以每一组参数作为输入,以对应的输出波长作为输出,构建训练数据集;
利用所述训练数据集训练神经网络,在训练结束后,得到所述波长预测神经网络。
3.如权利要求2所述的SGDBR可调谐半导体激光器的波长调谐方法,其特征在于,建立SGDBR仿真模型时,SGDBR可调谐半导体激光器的有源区的前向光场强度和后向光场强度由时域行波法求解得到,SGDBR可调谐半导体激光器的前光栅区的反射谱和透射谱由传输矩阵法得到,SGDBR可调谐半导体激光器的后光栅区的反射谱和透射谱由传输矩阵法得到。
4.如权利要求2所述的SGDBR可调谐半导体激光器的波长调谐方法,其特征在于,利用所述SGDBR仿真模型获得各组参数对应的输出波长时,由matlab软件的并行计算加速仿真完成。
5.如权利要求2所述的SGDBR可调谐半导体激光器的波长调谐方法,其特征在于,所述神经网络为级联神经网络。
6.如权利要求1所述的SGDBR可调谐半导体激光器的波长调谐方法,其特征在于,所述预设的优化算法为粒子群算法。
7.如权利要求6所述的SGDBR可调谐半导体激光器的波长调谐方法,其特征在于,所述优化步骤包括:
(S1)以每一个所述待测激光器的结构参数为一个粒子,并在预设范围内初始化多个粒子,构成粒子群;
(S2)对每一个粒子,分别执行所述第二拟合步骤,得到对应的第二电流‑波长对应关系,由此得到粒子群的最优位置;
(S3)计算所述最优位置处的粒子对应的第二电流‑波长对应关系与所述第一电流‑波长对应关系之间的误差,若所计算的误差小于预设的阈值或者达到最大迭代次数,则转入步骤(S4);否则,更新每个粒子后,转入步骤(S2),以开始下一次迭代;
(S4)将最后一次迭代中,最优位置处的粒子所对应的结构参数确定为所述目标结构参数;
其中,所述待测激光器的结构参数的标称值属于所述预设范围。
8.如权利要求1‑7任一项所述的SGDBR可调谐半导体激光器的波长调谐方法,其特征在于,所述结构参数为前、后光栅区的结构参数。
9.如权利要求8所述的SGDBR可调谐半导体激光器的波长调谐方法,其特征在于,所述结构参数包括:前光栅区的耦合系数、后光栅区的耦合系数、前光栅区的占空比、后光栅区的占空比、前光栅区的周期和后光栅区的周期。
10.一种计算机可读存储介质,其特征在于,包括存储的计算机程序;所述计算机程序被处理器执行时,控制所述计算机可读存储介质所在设备执行权利要求1‑9任一项所述的SGDBR可调谐半导体激光器的波长调谐方法。
说明书 :
一种SGDBR可调谐半导体激光器的波长调谐方法
技术领域
背景技术
波长转换、波长路由等功能,大大增加了光网络的灵活性。单片集成结构的可调谐半导体激
光器具有调谐范围宽、体积小、波长调谐速度快、容易与其他器件相结合等优点,是光子集
成和动态光网络应用的首选方案。
其他半导体器件进行单片集成的优点而受到广泛的关注和研究。SGDBR可调谐半导体激光
器的基本结构如图1所示,依次包括前光栅区(FSG)、有源区(Active)、相位区(Phase)和后
光栅区(RSG)。取样光栅是在均匀光栅中周期性地去除一些区域而构成的一种特殊周期性
光栅结构,这种周期性调制导致光栅具有梳状的反射谱。在前、后光栅区中选用不同的取样
周期,则相应的梳状反射谱序列的周期将会错开一定的距离,当两个梳状反射谱序列中的
一对谱峰发生重合时,就能选择出单一的输出波长。当在前、后光栅区中注入电流时,就可
以利用自由载流子的等离子效应来改变无源波导区的有效折射率从而达到控制梳状反射
谱峰的位置;相位区的作用是改变激光器的腔模;通过同时改变前、后光栅区以及相位区的
调谐电流,可以使不同的光栅反射峰和腔模对准,这种类似于游标效应的调谐方式可以在
注入电流很小的情况下实现较大的波长调谐范围。
器的波长自动扫描控制系统,该系统能对激光器进行自动电流扫描,采集、分析其输出光
谱,生成激光器的“电流‑波长”数据查询表,这种方法依靠实验找到电流与波长的关系耗费
时间较长。SGDBR实际制作时的工艺误差导致激光器结构参数的变化,所以即使是同一批
SGDBR可调谐半导体激光器的电流‑波长对应关系都会有较大的差别,因此,针对一台SGDBR
可调谐半导体激光器生成的“电流‑波长”数据查询表,并不适用于另一台SGDBR可调谐半导
体激光器,当SGDBR可调谐半导体激光器发生变化时,若直接根据已有的“电流‑波长”数据
查询表预测输出波长,预测精度得不到保障,而若重新进行扫描分析,又将耗费大量的时
间,效率不高。
发明内容
测精度和效率。
电流‑波长对应关系;波长预测神经网络用于以SGDBR可调谐半导体激光器的结构参数和
前、后光栅区电流为输入,预测SGDBR可调谐半导体激光器的输出波长;
应关系间的误差最小化,并将使误差最小的结构参数确定为目标结构参数;
经网络进行输出波长的预测,能够保证预测精度,并且相比于传统的扫描分析以生成“电
流‑波长”数据查询表的方法,能够快速完成预测;在此基础上,本发明实测待测SGDBR可调
谐半导体激光器的电流‑波长对应关系,并借助波长预测神经网络和优化算法确定使利用
波长预测神经网络得到的电流‑波长对应关系与实测的电流‑波长对应关系的误差最小的
激光器结构参数作为待测SGDBR可调谐半导体激光器的结构参数,结合所确定的参数,利用
波长预测神经网络重新获得待测SGDBR可调谐半导体激光器的多组前、后光栅区电流对应
的输出波长,可以准确得到待测SGDBR可调谐半导体激光器实际的电流‑波长对应关系;实
测激光器的电流‑波长对应关系时,仅需测量较少组(例如数十组)电流及对应的输出波长,
即可保证准所确定的结构参数的准确性,并且由于波长预测神经网络能够快速完成波长预
测,因此,本发明能够快速确定待测激光器的结构参数,并快速找到待测激光器实际的电
流‑波长对应关系;本发明考虑了激光器的结构参数对输出波长的影响,因此,本发明能够
有效提高输出波长的预测精度。
长作为输出,构建训练数据集;
不依赖于实际的SGDBR可调谐半导体激光器,能够保证获取到丰富的训练数据并且有效减
少训练数据的获取时间,提高神经网络的训练效果和训练效率。
反射谱和透射谱由传输矩阵法得到,SGDBR可调谐半导体激光器的后光栅区的反射谱和透
射谱由传输矩阵法得到。
阵法计算前、后光栅区的频域传输特性,即反射谱和透射谱,不需要求解复杂的耦合方程,
只需要得到扫描激光器光场的传输矩阵形式即可,求解较为方便;因此,本发明利用时域分
析法求解有源区的光场强度,利用传输矩阵法求解前、后光栅区的频域传输特性,有效提高
了SGDBR可调谐半导体激光器的仿真模型的建立效率和适用性。
(S4);否则,更新每个粒子后,转入步骤(S2),以开始下一次迭代;
虑激光器结构参数中的主要影响因素,即前、后光栅区的结构参数,能够在提高预测精度的
同时,避免影响预测效率。
心的结构参数,本发明在预测激光器的输出波长时,具体考虑这些结构参数,能够最大程度
上保证波长预测的精度和效率。
发明提供的SGDBR可调谐半导体激光器的波长调谐方法。
长的准确预测;对于结构未知的激光器,先实测其电流‑波长对应关系,而后借助于波长预
测神经网络和优化算法确定该激光器的结构参数,结合所确定的结构参数,利用波长预测
神经网络能够快速找到该激光器完整的电流‑波长对应关系,有效提高波长预测的精度和
效率。
光器的情况下获得大量的训练数据,保证获取到丰富的训练数据并且有效减少训练数据的
获取时间,提高神经网络的训练效果和训练效率。
用性。
附图说明
具体实施方式
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
彼此之间未构成冲突就可以相互组合。
关系的技术问题,本发明提供了一种SGDBR可调谐半导体激光器的波长调谐方法,其整体思
路在于:利用神经网络以激光器结构参数、前光栅区电流和后光栅区电流为输入,对输出波
长进行预测,从而在预测输出波长时考虑激光器结构参数的影响,快速、准确地完成波长预
测;对于结构未知的SGDBR可调谐半导体激光器,先实测其电流‑波长对应关系,而后借助于
波长预测神经网络和优化算法确定该激光器的结构参数,结合所确定的结构参数,利用波
长预测神经网络快速找到该激光器完整的电流‑波长对应关系,有效提高波长预测的精度
和效率。
电流‑波长对应关系;波长预测神经网络用于以SGDBR可调谐半导体激光器的结构参数和
前、后光栅区电流为输入,预测SGDBR可调谐半导体激光器的输出波长;
应关系间的误差最小化,并将使误差最小的结构参数确定为目标结构参数;
对应关系;
和后光栅区电流与某一组电流一致,即可由待测激光器输出该组电流对应的输出波长。
长作为输出,构建训练数据集;
光器,能够保证获取到丰富的训练数据并且有效减少训练数据的获取时间,提高神经网络
的训练效果和训练效率;
可调谐半导体激光器的有源区的前向光场强度和后向光场强度由时域行波法求解得到,
SGDBR可调谐半导体激光器的前光栅区的反射谱和透射谱由传输矩阵法得到,SGDBR可调谐
半导体激光器的后光栅区的反射谱和透射谱由传输矩阵法得到;
为群折射率,δ为失谐因子,G0代表净增益,κrf和κfr分别表示前光栅区和后光栅区的耦合系
数;
和透射谱转换至时域,并与有源区的前向光场强度的前向光场强度做卷积运算,即可得到
通过前光栅区的光场;将后光栅区的反射谱和透射谱转换至时域,并与有源区的后向光场
强度做卷积运算,即可得到通过后光栅区的光场;
长。本实施例利用传输矩阵法计算前、后光栅区的频域传输特性,即反射谱和透射谱,不需
要求解复杂的耦合方程,只需要得到扫描激光器光场的传输矩阵形式即可,求解较为方便;
因此,本实施例利用时域分析法求解有源区的光场强度,利用传输矩阵法求解前、后光栅区
的频域传输特性,有效提高了SGDBR可调谐半导体激光器的仿真模型的建立效率和适用性;
应当说明的是,此处仅为优选的实施方式,其他可以根据前、后光栅区电流组合预测激光器
输出波长的仿真模型,也可以用于本发明。
应的输出波长时,由matlab软件的并行计算加速仿真完成;最终所构建的用于训练神经网
络的训练数据集如图3所示,其中,Ia和Ib分别表示前光栅区电流和后光栅区电流,Lambda
表示输出波长。
图4所示,其中包含5个隐藏层,分别包含神经元15个,60个,160个,30个,10个,同时神经网
络的每两层之间还加了一个ReLu的激活函数层和一个BatchNormalization的批量标准化
层,使用的优化器为Adam优化器,损失函数为均方差损失函数;应当说明的是,此处关于波
长预测模型结构的描述,仅为本发明一种可选的实施方式,在本发明其他的一些实施例中,
也可根据实际需要,选用其他的神经网络。
数与标称的结构参数之间的误差往往不会太大,在结构参数标称值所属范围内设定初始
值,能够快速在优化过程中确定实际的结构参数;
(S4);否则,更新每个粒子后,转入步骤(S2),以开始下一次迭代;
前光栅区的占空比、后光栅区的占空比、前光栅区的周期和后光栅区的周期;
说明的是,在本发明其他的一些实施例中,在速度和精度可满足要求的情况下,也可以使用
遗传算法、直接二元搜索算法(direct binary search,DBS)等其他的优化算法;
数、前光栅区的占空比、后光栅区的占空比、前光栅区的周期和后光栅区的周期),粒子数目
Y取24个,最大迭代次数设置为3000次,学习因子c1=c2=2,目标精度为2e‑10(即神经网络
预测得到的电流‑波长对应关系与测试的电流‑波长对应关系之间的均方差低于2e‑10)。
半导体激光器波长预测的精度和效率。
体激光器的波长调谐方法。
在本发明的保护范围之内。