一种SGDBR可调谐半导体激光器的波长调谐方法

摘要

本发明公开了一种SGDBR可调谐半导体激光器的波长调谐方法，属于半导体光电子技术领域，包括：直接测试待测激光器的第一电流‑波长对应关系；初始化激光器结构参数，并利用优化算法进行更新，使执行第二拟合步骤得到的电流‑波长对应关系与第一电流‑波长对应关系间的误差最小化，将此时的结构参数作为目标结构参数；第二拟合步骤为：将激光器结构参数与各组前、后光栅区电流分别组合后输入波长预测神经网络，得到对应的输出波长，由此得到第二电流‑波长对应关系；将多组前、后光栅区电流分别与目标结构参数组合后，输入波长预测神经网络，得到实际的电流‑波长对应关系。本发明能够快速找到SGDBR激光器的电流‑波长对应关系，提高波长预测精度和效率。

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

[0001] 本发明属于半导体光电子技术领域，更具体地，涉及一种SGDBR可调谐半导体激光器的波长调谐方法。

背景技术

[0002] 可调谐半导体激光器是下一代全光动态光网络中的关键器件之一，既可用作波长备份和库存管理，降低系统成本，又可以在可重构的光网络中提供自动波长配置、可调谐的
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。

[0003] SGDBR(Sampled Grating Distributed Bragg Reflector，可调谐取样光栅分布布拉格反射式)可调谐半导体激光器因其调谐范围宽，体积小，波长切换速度快以及易于和
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。

[0004] SGDBR可调谐半导体激光器的输出波长和前、后光栅区的注入电流的对应关系非常复杂，无法通过基本的算法表达。目前研究人员主要利用LabVIEW软件设计了SGDBR激光
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

[0005] 针对现有技术的缺陷和改进需求，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，其目的在于，快速找到SGDBR激光器的电流‑波长对应关系，以提高波长预
测精度和效率。

[0006] 为实现上述目的，按照本发明的一个方面，提供了一种SGDBR可调谐半导体激光器的波长调谐方法，包括如下步骤：

[0007] 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；

[0008] 第二拟合步骤：将待测激光器的结构参数与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；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；

[0009] 优化步骤：初始化待测激光器的结构参数，并利用预设的优化算法更新待测激光器的结构参数，以使得执行第二拟合步骤后，第二电流‑波长对应关系与第一电流‑波长对
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；

[0010] 波长调谐步骤：将多组前、后光栅区电流分别与目标结构参数组合后，输入波长预测神经网络，以得到对应的输出波长，由此得到待测激光器实际的电流‑波长对应关系。

[0011] 本发明考虑到除了前、后光栅区电流外，结构参数也会对SGDBR可调谐半导体激光器的输出波长产生影响，利用同时以前、后光栅区电流以及结构参数为输入的波长预测神
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。

[0012] 进一步地，波长预测神经网络的训练方法包括：

[0013] 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；

[0014] 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；

[0015] 利用训练数据集训练神经网络，在训练结束后，得到波长预测神经网络。

[0016] 保证波长预测神经网络的训练效果，需要大量的训练数据；本发明利用SGDBR仿真模型通过仿真获得多组结构参数以及前、后光栅区电流对应的输出波长，作为训练数据，而
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。

[0017] 进一步地，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。

[0018] 传统的仿真模型建立方法往往只采用时域行波法，但由于SGDBR可调谐半导体激光器为分段式激光器，其光栅区采用行波法编程复杂，且计算效率不高；本发明利用传输矩
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。

[0019] 进一步地，利用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。

[0020] 本发明利用matlab软件的并行计算加速仿真功能完成训练数据集的构成，能够有效加快计算速度。

[0021] 进一步地，神经网络为级联神经网络。

[0022] 本发明使用级联神经网络作为波长预测神经网络，由于级联神经网络结构简单，能够在保证预测精度的基础上能够简化模型的训练过程。

[0023] 进一步地，预设的优化算法为粒子群算法。

[0024] 本发明利用粒子群算法(PSO)作为确定激光器结构参数过程中的优化算法，能够有效提高该过程的速度和精度。

[0025] 进一步地，优化步骤包括：

[0026] (S1)以每一个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；

[0027] (S2)对每一个粒子，分别执行第二拟合步骤，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；

[0028] (S3)计算最优位置处的粒子对应的第二电流‑波长对应关系与第一电流‑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；

[0029] (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目标结构参数；

[0030] 其中，待测激光器的结构参数的标称值属于预设范围。

[0031] 进一步地，结构参数为前、后光栅区的结构参数。

[0032] 由于SGDBR可调谐半导体激光器的调谐功能具体是由前光栅区和后光栅区完成，对输出波长产生影响的也主要是前、后光栅区的结构参数；本发明在进行波长预测时，只考
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。

[0033] 进一步地，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。

[0034] 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是影响SGDBR可调谐半导体激光器输出波长的最核
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。

[0035] 按照本发明的另一个方面，提供了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；计算机程序被处理器执行时，控制计算机可读存储介质所在设备执行本
发明提供的SGDBR可调谐半导体激光器的波长调谐方法。

[0036] 总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：

[0037] (1)本发明在预测SGDBR可调谐半导体激光器的输出波长时，考虑SGDBR可调谐半导体激光器的结构参数，并具体利用神经网络完成输出波长的预测，能够快速完成输出波
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。

[0038] (2)本发明利用SGDBR仿真模型获得多组结构参数及前、后光栅区电流所对应的输出波长，作为用于训练神经网络的训练数据，能够在不依赖于实际的SGDBR可调谐半导体激
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。

[0039] (3)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。

附图说明

[0040] 图1为现有的SGDBR可调谐半导体激光器的结构示意图；

[0041] 图2为本发明实施例提供的SGDBR可调谐半导体激光器的波长调谐方法流程图；

[0042] 图3为本发明实施例提供的利用SGDBR仿真模型获取的训练数据集示意图；

[0043] 图4为本发明实施例提供的波长预测神经网络示意图；

[0044] 图5为本发明实施例提供的优化步骤示意图。

具体实施方式

[0045] 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
彼此之间未构成冲突就可以相互组合。

[0046] 在本发明中，本发明及附图中的术语“第一”、“第二”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

[0047] 为了解决现有的依靠实验查找SGDBR可调谐半导体激光器的电流‑波长对应关系耗费时间长，且对于新的SGDBR可调谐半导体激光器，需花费大量时间重建电流‑波长对应
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。

[0048] 以下为实施例。

[0049] 实施例1：

[0050] 一种SGDBR可调谐半导体激光器的波长调谐方法，如图2所示，包括如下步骤：

[0051] 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；

[0052] 第二拟合步骤：将待测激光器的结构参数与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；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；

[0053] 优化步骤：初始化待测激光器的结构参数，并利用预设的优化算法更新待测激光器的结构参数，以使得执行第二拟合步骤后，第二电流‑波长对应关系与第一电流‑波长对
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；

[0054] 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；

[0055] 作为一种可选的实施方式，本实施例的第一拟合步骤中，具体初始化了20组电流，每一组电流包含一个前光栅区电流和一个后光栅区电流，设置待测激光器的前光栅区电流
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。

[0056] 作为一种可选的实施方式，本实施例中，波长预测神经网络的训练方法包括：

[0057] 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；

[0058] 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；

[0059] 利用训练数据集训练神经网络，在训练结束后，得到波长预测神经网络；

[0060] 本实施例利用SGDBR仿真模型通过仿真获得多组结构参数以及前、后光栅区电流对应的输出波长，作为训练神经网络的训练数据，而不依赖于实际的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；

[0061] 考虑到SGDBR可调谐半导体激光器为分段式激光器，其光栅区采用行波法编程复杂，且计算效率不高，作为一种可选的实施方式，本实施例中，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；

[0062] 有源区采用时域行波法是基于求解腔内前向和后向传输光场的时域耦合波方程，具体如下：

[0063]

[0064] 其中，F(t,z)和R(t,z)分别为前向光场和后向光场， 和 的含义分别是前向光场F(t,z)和后向光场R(t,z)对应的自发辐射噪声， 为群速度(波包的传播速度),ng
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；

[0065] 利用时域行波法求得有源区的前向光场强度和后向光场强度，并且利用传输矩阵法求解得到前光栅区和后光栅区的传输特性，即反射谱和透射谱后，将前光栅区的反射谱
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；

[0066] 随着光在激光器腔内的来回传输，迭代执行上述过程至激光器处于稳定状态，此时对通过前光栅的光场做离散傅立叶变换可以得到激光器的输出光谱，即可得到输出波
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。

[0067] 为了保证模型的训练效果，本实施例中，所构建的训练数据集中，共包含20000组参数及对应的输出波长，为了进一步加快计算速度，在利用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；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。

[0068] 为了简化模型训练，且便于后续用于前、后光栅区电流的逆向设计，可选地，本实施例中，波长预测模型具体为级联神经网络；且训练结束后，所建立的波长预测模型具体如
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。

[0069] 可选地，本实施例中，优化步骤中所预设的优化算法为粒子群算法，以有效提高确定激光器结构参数的过程的速度和精度；

[0070] 相应地，优化步骤如图5所示，具体包括：

[0071] (S1)以每一个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；待测激光器的结构参数的标称值属于所述预设范围；激光器的实际结构参
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；

[0072] (S2)对每一个粒子，分别执行第二拟合步骤，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；

[0073] (S3)计算最优位置处的粒子对应的第二电流‑波长对应关系与第一电流‑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；

[0074] (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目标结构参数；

[0075] 本实施例中，在进行SGDBR可调谐半导体激光器的输出波长预测时，具体考虑的结构参数是前、后光栅区的结构参数，具体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；

[0076] 本实施例利用粒子群算法作为逆向设计过程中的优化算法，相比于遗传算法，粒子群算法没有“交叉”(Crossover)和“变异”(Mutation)操作，其速度更快，精度更高；应当
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；

[0077] 本实施例中，优化步骤具体是利用Matlab中的粒子群算法工具箱完成，粒子群算法的常规参数设置如下：粒子维数为6(分别对应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)，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)。

[0078] 总体而言，本实施例先确定SGDBR可调谐半导体激光器的结构参数，然后利用神经网络根据前、后光栅区电流及结构参数预测激光器的输出波长，能够有效提高SGDBR可调谐
半导体激光器波长预测的精度和效率。

[0079] 实施例2：

[0080] 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；计算机程序被处理器执行时，控制计算机可读存储介质所在设备执行上述实施例1提供的SGDBR可调谐半导
体激光器的波长调谐方法。

[0081] 本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含
在本发明的保护范围之内。