用于检测激光发射器稳定性的方法、设备和介质

摘要

本公开的实施例涉及一种用于检测激光发射器稳定性的方法，包括：获取用于检测所述激光发射器的第一参数和第二参数；根据第一检测模型，调整所述第一参数，从而确定多个第一检测模型检测采样点；在多个第一检测模型检测采样点中的每个采样点上，步进变化所述第二参数，从而在每个采样点上获取对应于第二参数的多个第一边模抑制比；根据第二检测模型，调整所述第二参数，从而确定多个第二检测模型检测采样点；在多个第二检测模型检测采样点中的每个采样点上，步进变化所述第一参数，从而在每个采样点上获取对应于第一参数的多个第二边模抑制比；以及基于第一边模抑制比和第二边模抑制比，确定所述激光发射器的稳定性。

权利要求

1.用于检测激光发射器稳定性的方法，包括：

获取用于检测所述激光发射器的第一参数和第二参数，其中所述第一参数为激光发射器运行的电流值并且第二参数为激光发射器运行的温度值；

根据第一检测模型，调整所述第一参数，从而确定多个第一检测模型检测采样点，其中所述第一检测模型是反应电流变化的预测模型；

在多个第一检测模型检测采样点中的每个采样点上，步进变化所述第二参数，从而在每个采样点上获取对应于第二参数的多个第一边模抑制比，其中步进变化所述第二参数包括：基于所确定的所述激光发射器的稳态温度‑电流‑边模抑制比曲线，确定所述第二参数的步进变化率；

根据第二检测模型，调整所述第二参数，从而确定多个第二检测模型检测采样点，其中所述第二检测模型是反应温度变化的预测模型；

在多个第二检测模型检测采样点中的每个采样点上，步进变化所述第一参数，从而在每个采样点上获取对应于第一参数的多个第二边模抑制比，其中步进变化所述第一参数包括：基于所确定的所述激光发射器的稳态电流‑温度‑边模抑制比曲线，确定所述第一参数的步进变化率；

将所获取的第一边模抑制比作为输入特征，训练所述第一检测模型，将所获取的第二边模抑制比作为输入特征，训练所述第二检测模型，基于所训练的第一检测模型，确定所述激光发射器的稳态温度‑电流‑边模抑制比曲线，基于所训练的第二检测模型，确定所述激光发射器的稳态电流‑温度‑边模抑制比曲线；以及基于第一边模抑制比和第二边模抑制比，确定所述激光发射器的稳定性。

2.根据权利要求1所述的方法，其中基于第一边模抑制比和第二边模抑制比，确定所述激光发射器的稳定性包括：响应于所述第一边模抑制比和所述第二边模抑制比中任一边模抑制比低于边模抑制比阈值，则所述激光发射器不稳定。

3.根据权利要求1所述的方法，还包括：

基于所确定的稳态TIS曲线，确定第一边模抑制比阈值；

基于所确定的稳态ITS曲线，确定第二边模抑制比阈值；

基于所确定的第一边模抑制比阈值和第二边模抑制比阈值，确定指示所述激光发射器不稳定的边模抑制比阈值。

4.根据权利要求1‑3中任一项所述的方法，其中所述第一检测模型或第二检测模型包括：卷积层、池化层、随机失活层和全连接层。

5.根据权利要求1‑3中任一项所述的方法，其中所述第一参数包括所述激光发射器运行的起始电流值和结束电流值，所述第二参数包括所述激光发射器运行的起始温度值和结束温度值。

6.一种计算设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1‑5中任一项所述的方法。

7.一种存储有计算机指令的非瞬时计算机可读存储介质，其中所述计算机指令用于使所述计算机执行权利要求1‑5中任一项所述的方法。

说明书

用于检测激光发射器稳定性的方法、设备和介质

技术领域

[0001] 本公开的实施例总体涉及光通信领域，并且更具体地涉及一种用于检测激光发射器稳定性的方法、设备和介质。

背景技术

[0002] 随着5G商用的大规模推广和光传感器在物联网领域的大量应用，对信息传输速率要求越来越高，因此对半导体激光发射器件（以下简称激光发射器）的波长稳定性要求非常严格。激光发射器尤其不能出现跳模和边模抑制比（SMSR）异常，这就需要激光发射器在工厂生产环节就能筛选出波长不稳定产品。

[0003] 传统基于固定温度或固定电流测试激光发射器波长的检测方法不能完全检出波长不良产品。

[0004] 综上所述传统的用于检测激光发射器稳定性的方案所存在的不足之处在于：依赖固定环境参数，在单个测试条件下不能完全检出波长不良的激光发射器。

发明内容

[0005] 针对上述问题，本公开提供了一种用于检测激光发射器稳定性的方法、设备和介质。基于以上方案，可以基于不同环境参数，在动态调整的测试条件下检测激光发射器，从而检出所有波长不良或边模抑制比异常的激光发射器。

[0006] 根据本公开的第一方面，提供了用于检测激光发射器稳定性的方法，包括：获取用于检测所述激光发射器的第一参数和第二参数；根据第一检测模型，调整所述第一参数，从而确定多个第一检测模型检测采样点；在多个第一检测模型检测采样点中的每个采样点上，步进变化所述第二参数，从而在每个采样点上获取对应于第二参数的多个第一边模抑制比；根据第二检测模型，调整所述第二参数，从而确定多个第二检测模型检测采样点；在多个第二检测模型检测采样点中的每个采样点上，步进变化所述第一参数，从而在每个采样点上获取对应于第一参数的多个第二边模抑制比；以及基于第一边模抑制比和第二边模抑制比，确定所述激光发射器的稳定性。

[0007] 根据本公开的第二方面，提供了一种计算设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本公开的第一方面的方法。

[0008] 在本公开的第三方面中，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中计算机指令用于使计算机执行本公开的第一方面的方法。

[0009] 应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

[0010] 结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标注表示相同或相似的元素。

[0011] 图1示出了用于实现根据本发明的实施例的用于检测激光发射器稳定性的方法的系统的示意图。

[0012] 图2示出了用于实现根据本发明的实施例的用于检测激光发射器稳定性的系统的示意图。

[0013] 图3示出了根据本公开的实施例的用于检测激光发射器稳定性的方法300的流程图。

[0014] 图4示出了根据本公开的实施例的用于检测激光发射器稳定性的方法400的流程图。

[0015] 图5示出了可以用来实施本公开内容的实施例的示例电子设备500的示意性框图。

具体实施方式

[0016] 以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

[0017] 在本文中使用的术语“包括”及其变形表示开放性包括，即“包括但不限于”。除非特别申明，术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。

[0018] 传统基于固定温度或固定电流测试激光发射器波长的检测方法不能完全检出波长不良产品。

[0019] 综上所述传统的用于检测激光发射器稳定性的方案所存在的不足之处在于：依赖固定环境参数，在单个测试条件下不能完全检出波长不良的激光发射器。

[0020] 为了至少部分地解决上述问题以及其他潜在问题中的一个或者多个，本公开的示例实施例提出了一种用于检测激光发射器稳定性的方案。本发明提出的检测激光发射器稳定性的方案可以基于不同环境参数，在动态调整的测试条件下检测激光发射器，从而检出所有波长不良或边模抑制比异常的激光发射器。

[0021] 图1示出了用于实现根据本发明的实施例的用于检测激光发射器稳定性的方法的系统的示意图。如图1中所示，系统包括计算设备110和激光发射器运行管理设备130和网络140。计算设备110、激光发射器运行管理设备130可以通过网络140（例如，因特网）进行数据交互。

[0022] 激光发射器运行管理设备130，其例如可以存储有一份或多份激光发射器环境数据。激光发射器运行管理设备例如而不限于是：电子计算机、网络服务器、存储计算器等。计算设备110可以接收来自用户或者激光发射器运行管理设备130的激光发射器环境数据。通过应用本公开公开提供的方法，计算设备110可以对激光发射器进行测试。

[0023] 计算设备110可以具有一个或多个处理单元，包括诸如GPU、FPGA和ASIC等的专用处理单元以及诸如CPU的通用处理单元。另外，在每个计算设备110上也可以运行着一个或多个虚拟机。在一些实施例中，计算设备110与激光发射器运行管理设备130可以集成在一起，也可以是彼此分立设置。在一些实施例中，计算设备110例如包括获取模块112、预处理模块114、绘制模块116、控制点模块118、平滑处理模块120。

[0024] 获取模块112，获取模块112配置成获取用于检测所述激光发射器的第一参数和第二参数。

[0025] 调整模块114，调整模块114配置成根据第一检测模型，调整所述第一参数，从而确定多个第一检测模型检测采样点。

[0026] 变化模块116，调整模块116配置成在多个第一检测模型检测采样点中的每个采样点上，步进变化所述第二参数，从而在每个采样点上获取对应于第二参数的多个第一边模抑制比。

[0027] 调整模块114还配置成根据第二检测模型，调整所述第二参数，从而获取多个第二检测模型检测采样点。

[0028] 调整模块116还配置成在多个第二检测模型检测采样点中的每个采样点上，步进变化所述第一参数，从而在每个采样点上获取对应于第一参数的多个第二边模抑制比。

[0029] 确定模块118，确定模块118配置成基于第一边模抑制比和第二边模抑制比，确定所述激光发射器的稳定性。

[0030] 图2示出了用于实现根据本发明的实施例的用于检测激光发射器稳定性的检测系统200的示意图。如图2中所示，检测系统200包括半导体激光控制器202、被测产品半导体激光器（下称半导体激光器）204、光谱分析仪206以及控制设备208。

[0031] 控制设备208可以动态控制半导体激光控制器202以不同的温度或不同的电流条件检测半导体激光器204，并且由光谱分析仪206扫描激光控制器光谱，从而读取激光控制器的边模抑制比。半导体激光控制器202以不同的条件检测半导体激光器204的具体检测方式将在下文中具体介绍。

[0032] 图3示出了根据本公开的实施例的用于检测激光发射器稳定性的方法300的流程图。方法300可由如图1所示的计算设备110执行，也可以在图4所示的电子设备400处执行。应当理解的是，方法300还可以包括未示出的附加框和/或可以省略所示出的框，本公开的范围在此方面不受限制。

[0033] 在步骤302中，计算设备110配置成获取用于检测所述激光发射器的第一参数和第二参数。

[0034] 在一个实施例中，第一参数包括激光发射器运行的电流值，具体可以包括激光发射器的起始电流值例如10毫安、结束电流值例如100毫安和步进调整电流值例如1毫安，相应地第二参数包括激光发射器运行的温度值，具体包括激光发射器运行的起始温度值30°、结束温度值60°和步进调整温度值1°。

[0035] 注意的是，可以根据激光发射器的需求动态调整以上起始电流值、结束电流值、步进调整电流值、起始温度值、结束温度值和步进调整温度值。计算设备110将在获取的电流区间和温度区间内对激光发射器进行检测。

[0036] 在步骤204中，计算设备110配置成根据第一检测模型，调整所述第一参数，从而确定多个第一检测模型检测采样点。

[0037] 在一个实施例中，计算设备110根据对应于电流变化的第一检测模型调整第一参数电流值，从而确定多个第一检测模型检测采样点。第一检测模型可以是反应电流变化的预测模型，其例如是基于深度学习神经网络模型所构建的，例如包括：三层卷积层、两层池化层、一层随机失活（dropout）层和一层全连接层。卷积层实际上能达到傅里叶变换的效果，同时，池化层和神经网络的结构能保留时域的信息，从而能更好地学习到激光发射器运行环境的电流变化。通过在检测模型中配置随机失活（dropout）层，容易近似平均稀疏网络的预测的效果，进而可以显著减少神经网络过拟合问题，提高预测模型的性能。

[0038] 通过对输入特征（在下面步骤中获取的TIS曲线或ITS曲线）形成的输入矩阵与卷积核进行卷积运算（进行对应元素相乘并求和），一次卷积运算的结果的输出是一个数，对整个输入矩阵进行遍历，最终得到一个结果矩阵以用于输入下一网络层。然后经由连续的卷积及池化操作，最终由输出层输出所预测的故障类型。卷积核实际上为权值（weights）矩阵。应当理解，在卷积神经网络中，卷积核越大，感受野（receptive field）越大。本公开的卷积核的宽度例如与输入矩阵的宽度相同，例如为3，卷积核的长度例如可以指定。在一些实施例中，本公开可以确定不同尺度的卷积核，以便提取更多不同尺度的输入特征信息，进而提高预测模型的敏感性。在一些实施例中，本公开可以使得卷积核的尺寸大于预定值，以便提高所提取特征信息的全局性。

[0039] 计算设备110也可以应用简化的第一检测模型调整第一参数电流值。例如在设定的电流的全范围内，按电流值的设定调整步进（步距），控制激光发射器，使激光发射器在每个电流步距上接受检测，从而获取多个采样点。例如，起始电流值例如10毫安、结束电流值例如100毫安和步进调整电流值例如1毫安，则可以获取从11毫安、12毫安到100毫安的90个采样点。

[0040] 在步骤306中，计算设备110配置成在多个第一检测模型检测采样点中的每个采样点上，步进变化所述第二参数，从而在每个采样点上获取对应于第二参数的多个第一边模抑制比。

[0041] 在一个实施例中，计算设备110在设定的每一个电流采样点，根据对应于温度的第二参数控制光谱分析仪扫描激光发射器光谱读取第一边模抑制比。具体包括在起始温度控制光谱分析仪扫描激光发射器光谱读取边模抑制比，然后根据步进调整值调整到下一个温度，直至完成所有温度条件下的光谱测试，从而在每个电流采样点上获取对应于多个第二参数（温度参数）的多个第一边模抑制比。

[0042] 注意的是，第二参数的步进调整也可以根据下文的第二检测模型，即应用神经网络模型调整。

[0043] 边模抑制比指的是激光发射器主模光功率M1和次模光功率M2的最大值之比。公式(1)示出了边模抑制比的计算方式：

[0044]             (1)

[0045] 其中，M1指的是主模光功率最大值，单位毫瓦，M2指的是次模光功率最大值，单位毫瓦，SMSR指的是边模抑制比，单位dB。

[0046] 不良的激光发射器在特定温度和电流条件下，主模和次模会发生变化，严重时主模和次模会发生逆转，从而边摸抑制比也会发生变化。因此可以用边模抑制比检测激光发射器的稳定性，从而找出良品以及不良品。

[0047] 计算设备110可以根据提取该固定温度、电流变化条件下的第一边模抑制比，形成温度‑电流‑边模抑制比（SMSR）曲线，简称TIS曲线。

[0048] 在步骤308中，计算设备110配置成根据第二检测模型，调整所述第二参数，从而获取多个第二检测模型检测采样点。

[0049] 在一个实施例中，计算设备110根据对应于温度变化的第二检测模型调整第二参数温度值，从而获取多个第二检测模型检测采样点。第二检测模型可以是反应温度变化的预测模型，其例如是基于深度学习神经网络模型所构建的，例如包括：三层卷积层、两层池化层、一层随机失活（dropout）层和一层全连接层。卷积层实际上能达到傅里叶变换的效果，同时，池化层和神经网络的结构能保留时域的信息，从而能更好地学习到激光发射器运行环境的电流变化。通过在检测模型中配置随机失活（dropout）层，容易近似平均稀疏网络的预测的效果，进而可以显著减少神经网络过拟合问题，提高预测模型的性能。

[0050] 通过对输入特征（在下面步骤中获取的TIS曲线或ITS曲线）形成的输入矩阵与卷积核进行卷积运算（进行对应元素相乘并求和），一次卷积运算的结果的输出是一个数，对整个输入矩阵进行遍历，最终得到一个结果矩阵以用于输入下一网络层。然后经由连续的卷积及池化操作，最终由输出层输出所预测的故障类型。卷积核实际上为权值（weights）矩阵。应当理解，在卷积神经网络中，卷积核越大，感受野（receptive field）越大。本公开的卷积核的宽度例如与输入矩阵的宽度相同，例如为3，卷积核的长度例如可以指定。在一些实施例中，本公开可以确定不同尺度的卷积核，以便提取更多不同尺度的输入特征信息，进而提高预测模型的敏感性。在一些实施例中，本公开可以使得卷积核的尺寸大于预定值，以便提高所提取特征信息的全局性。

[0051] 计算设备110也可以应用简化的第二检测模型调整第二参数温度值。例如在设定的温度的全范围内，按温度值的设定调整步距，控制激光发射器，使激光发射器在每个温度步距上接受检测，从而获取多个采样点。例如，起始温度值例如30°、结束温度值例如60°和步进调整温度值例如1°，则可以获取从31°、32°到60°的30个采样点。

[0052] 在步骤310中，计算设备110配置成在多个第二检测模型检测采样点中的每个采样点上，步进变化所述第一参数，从而在每个采样点上获取对应于第一参数的多个第二边模抑制比。

[0053] 在一个实施例中，计算设备110在设定的每一个温度采样点，根据对应于电流的第一参数控制光谱分析仪扫描激光发射器光谱读取边模抑制比。具体包括在起始电流控制光谱分析仪扫描激光发射器光谱读取边模抑制比，然后根据步进调整值调整到下一个电流，直至完成所有电流条件下的光谱测试，从而在每个采样点上获取对应于第一参数的多个第二边模抑制比。

[0054] 注意的是，第二参数的步进调整也可以根据上文的第一检测模型，即应用神经网络模型调整。

[0055] 计算设备110可以根据提取该固定电流、温度变化条件下的第二边模抑制比，形成电流‑温度‑边模抑制比（SMSR）曲线，简称ITS曲线。

[0056] 在步骤312中，计算设备110配置成基于第一边模抑制比和第二边模抑制比，确定所述激光发射器的稳定性。

[0057] 在一个实施例中，计算设备110基于在上述步骤中获取的对应于第一边模抑制比的TIS曲线和对应于第二边模抑制比的ITS曲线确定所述激光发射器的稳定性。

[0058] 计算设备110可以获取第一边模抑制比阈值和第二边模抑制比阈值。响应于所述第一边模抑制比和所述第二边模抑制比中任一边模抑制比低于边模抑制比阈值，则所述激光发射器不稳。具体来说，如果TIS曲线中有任何第一边模抑制比低于第一边模抑制比阈值，则认定激光发射器不稳定。或者如果ITS曲线中有任何第二边模抑制比低于第二边模抑制比阈值，则认定激光发射器不稳定。

[0059] 第一边模抑制比阈值和第二边模抑制比阈值可以根据激光发射器的需求设置或者也可以根据稳定的激光发射器来测定。在确定稳定的激光发射器后，可以获取其TIS曲线，基于确定所述激光发射器的稳态TIS曲线，确定第一边模抑制比阈值或第二参数的步进变化率。

[0060] 在确定稳定的激光发射器后，可以获取其ITS曲线，基于确定所述激光发射器的稳态ITS曲线，确定第二边模抑制比阈值或第一参数的步进变化率。

[0061] 可选地，还可以基于所确定的第一边模抑制比阈值和第二边模抑制比阈值，确定指示所述激光发射器不稳定的总边模抑制比阈值。利于基于权重参数组合第一边模抑制比阈值和第二边模抑制比阈值，从而确定指示所述激光发射器不稳定的总边模抑制比阈值。

[0062] 利用以上技术手段，可以在动态二维调整两个参数的情况下测试激光发射器，从而找出波长不稳定的激光发射器，确定激光发射器在涉及电流和温度的多重复杂环境中的稳定性。

[0063] 图4示出了根据本公开的实施例的用于检测激光发射器稳定性的方法400的流程图。方法400可由如图1所示的计算设备110执行，也可以在图5所示的电子设备500处执行。应当理解的是，方法300还可以包括未示出的附加框和/或可以省略所示出的框，本公开的范围在此方面不受限制。

[0064] 在步骤402，计算设备110配置成将所获取的第一边模抑制比作为输入特征，训练所述第一检测模型。

[0065] 在一个实施例中，计算设备110可以将在方法300中获取的多个第一边模抑制比或TIS曲线作为输入特征，训练所述第一检测模型。第一检测模型可以是反应电流变化的预测模型，其例如是基于深度学习神经网络模型所构建的，例如包括：三层卷积层、两层池化层、一层随机失活（dropout）层和一层全连接层。卷积层实际上能达到傅里叶变换的效果，同时，池化层和神经网络的结构能保留时域的信息，从而能更好地学习到激光发射器运行环境的电流变化。通过在检测模型中配置随机失活（dropout）层，容易近似平均稀疏网络的预测的效果，进而可以显著减少神经网络过拟合问题，提高预测模型的性能。

[0066] 通过对输入特征（第一边模抑制比或TIS曲线）形成的输入矩阵与卷积核进行卷积运算（进行对应元素相乘并求和），一次卷积运算的结果的输出是一个数，对整个输入矩阵进行遍历，最终得到一个结果矩阵以用于输入下一网络层。然后经由连续的卷积及池化操作，最终由输出层输出所预测的故障类型。卷积核实际上为权值（weights）矩阵。应当理解，在卷积神经网络中，卷积核越大，感受野（receptive field）越大。本公开的卷积核的宽度例如与输入矩阵的宽度相同，例如为3，卷积核的长度例如可以指定。在一些实施例中，本公开可以确定不同尺度的卷积核，以便提取更多不同尺度的输入特征信息，进而提高预测模型的敏感性。在一些实施例中，本公开可以使得卷积核的尺寸大于预定值，以便提高所提取特征信息的全局性。

[0067] 在步骤404，计算设备110配置成将所获取的第二边模抑制比作为输入特征，训练所述第二检测模型；

[0068] 在一个实施例中，计算设备110可以将在方法300中获取的多个第二边模抑制比或ITS曲线作为输入特征，训练所述第二检测模型。第二检测模型可以是反应温度变化的预测模型，其例如是基于深度学习神经网络模型所构建的，例如包括：三层卷积层、两层池化层、一层随机失活（dropout）层和一层全连接层。卷积层实际上能达到傅里叶变换的效果，同时，池化层和神经网络的结构能保留时域的信息，从而能更好地学习到激光发射器运行环境的温度变化。通过在检测模型中配置随机失活（dropout）层，容易近似平均稀疏网络的预测的效果，进而可以显著减少神经网络过拟合问题，提高预测模型的性能。

[0069] 通过对输入特征（第二边模抑制比或ITS曲线）形成的输入矩阵与卷积核进行卷积运算（进行对应元素相乘并求和），一次卷积运算的结果的输出是一个数，对整个输入矩阵进行遍历，最终得到一个结果矩阵以用于输入下一网络层。然后经由连续的卷积及池化操作，最终由输出层输出所预测的故障类型。卷积核实际上为权值（weights）矩阵。应当理解，在卷积神经网络中，卷积核越大，感受野（receptive field）越大。本公开的卷积核的宽度例如与输入矩阵的宽度相同，例如为3，卷积核的长度例如可以指定。在一些实施例中，本公开可以确定不同尺度的卷积核，以便提取更多不同尺度的输入特征信息，进而提高预测模型的敏感性。在一些实施例中，本公开可以使得卷积核的尺寸大于预定值，以便提高所提取特征信息的全局性。

[0070] 在步骤406，计算设备110配置成基于所训练的第一检测模型，确定所述激光发射器的稳态TIS曲线。

[0071] 在一个实施例中，基于确定所述激光发射器的稳态TIS曲线，确定所述第二参数的步进变化率。

[0072] 在步骤408，计算设备110配置成基于所训练的第二检测模型，确定所述激光发射器的稳态ITS曲线。

[0073] 在一个实施例中，基于确定所述激光发射器的稳态ITS曲线，确定所述第一参数的步进变化率。

[0074] 图5示出了可以用来实施本公开内容的实施例的示例电子设备500的示意性框图。例如，如图1所示的计算设备110可以由电子设备500来实施。如图所示，电子设备500包括中央处理单元（CPU）501，其可以根据存储在只读存储器（ROM）502中的计算机程序指令或者从存储单元508加载到随机存取存储器（RAM）503中的计算机程序指令，来执行各种适当的动作和处理。在随机存取存储器503中，还可存储电子设备500操作所需的各种程序和数据。中央处理单元501、只读存储器502以及随机存取存储器503通过总线504彼此相连。输入/输出（I/O）接口505也连接至总线504。

[0075] 电子设备500中的多个部件连接至输入/输出接口505，包括：输入单元506，例如键盘、鼠标、麦克风等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

[0076] 上文所描述的各个过程和处理，例如方法300、400可由中央处理单元501执行。例如，在一些实施例中，方法400、400可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由只读存储器502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序被加载到随机存取存储器503并由中央处理单元501执行时，可以执行上文描述的方法300、400的一个或多个动作。

[0077] 本公开涉及方法、装置、系统、电子设备、计算机可读存储介质和/或计算机程序产品。计算机程序产品可以包括用于执行本公开的各个方面的计算机可读程序指令。

[0078] 计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、静态随机存取存储器（SRAM）、便携式压缩盘只读存储器（CD‑ROM）、数字多功能盘（DVD）、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波（例如，通过光纤电缆的光脉冲）、或者通过电线传输的电信号。

[0079] 这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘计算设备。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

[0080] 用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构（ISA）指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列（FPGA）或可编程逻辑阵列（PLA），该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

[0081] 这里参照根据本公开实施例的方法、装置（系统）和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

[0082] 这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理单元，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

[0083] 也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

[0084] 附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

[0085] 以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。