DWDM系統(tǒng)中光纖布拉格光柵濾波器與拉曼放大器的智能優(yōu)化研究.pdf

1、隨著網(wǎng)絡(luò)化大數(shù)據(jù)時(shí)代的到來，互聯(lián)網(wǎng)應(yīng)用和數(shù)據(jù)通訊業(yè)務(wù)的日益劇增，對通信網(wǎng)絡(luò)的傳輸容量、速率和帶寬提出了更高的需求。為了適應(yīng)光纖通信系統(tǒng)對高速、大容量、超長距離的傳輸要求，密集波分復(fù)用(DWDM)技術(shù)成為一種能夠有效挖掘和擴(kuò)充光纖網(wǎng)絡(luò)帶寬資源并被廣泛應(yīng)用的技術(shù)方案。DWDM系統(tǒng)中新型器件的研究和開發(fā)進(jìn)一步推動了光纖傳輸系統(tǒng)性能的提升。多信道光濾波技術(shù)和全波長光放大技術(shù)是DWDM突破網(wǎng)絡(luò)容量瓶頸的兩項(xiàng)最核心的技術(shù)支撐。其中，多信道光纖布拉格

2、光柵(FBG)濾波器憑借其靈活的波長選擇和優(yōu)良的窄帶傳輸特性在波長復(fù)用解復(fù)用和增加系統(tǒng)容量中發(fā)揮重要作用;多泵浦拉曼光纖放大器特有的分布式全波長放大，可有效降低非線性效應(yīng)和噪聲，在實(shí)現(xiàn)寬帶放大和延伸光傳輸距離方面具備巨大的優(yōu)勢。本文主要關(guān)注這兩種關(guān)鍵光纖器件在設(shè)計(jì)層面存在的優(yōu)化問題。從智能優(yōu)化角度，將FBG濾波器和拉曼放大器的逆向工程設(shè)計(jì)問題轉(zhuǎn)化為優(yōu)化問題，運(yùn)用智能計(jì)算的理論方法和技術(shù)手段，提出解決方案提升器件性能。主要研究工作如下。<

3、br>　　（一）多信道FBG濾波器的優(yōu)化研究
　　FBG憑借其尺寸小、成本低、插入損耗低、系統(tǒng)兼容性好等優(yōu)點(diǎn)可以構(gòu)成有良好的波長選擇特性和波長精度的多信道濾波器。但是隨著信道數(shù)的遞增，其設(shè)計(jì)和制備工藝都會變得更加復(fù)雜和困難。針對這方面的研究，本文進(jìn)行了以下工作。
　　(1)針對多信道FBG濾波器設(shè)計(jì)過程中存在折射率調(diào)制峰值容易超過物理可實(shí)現(xiàn)范圍的問題，詳細(xì)剖析了造成折射率調(diào)制峰值過高的原因，提出了群延遲變量的多信道反射光譜的

4、濾波器模型，結(jié)合離散層析法對折射率調(diào)制分布進(jìn)行調(diào)整和降低。在此基礎(chǔ)上建立了以最小化折射率調(diào)制峰值和色散誤差為目標(biāo)的優(yōu)化模型，將FBG參數(shù)重構(gòu)問題轉(zhuǎn)化為群延遲變量尋優(yōu)問題。本文采用了差分進(jìn)化算法對模型進(jìn)行求解，通過實(shí)驗(yàn)分別給出不同信道數(shù)不同光柵長度的FBG濾波器的設(shè)計(jì)方案，證明了該方法的有效性。
　　(2)針對FBG的折射率調(diào)制峰值和色散指標(biāo)之間的優(yōu)化矛盾瓶頸，以Pareto多目標(biāo)優(yōu)化理論為指導(dǎo)，建立了一種更為合理有效的多信道FBG

5、濾波器的多目標(biāo)模型，提出一種將多目標(biāo)進(jìn)化遺傳算法(NSGA-Ⅱ)和逼近理想解排序法(TOPSIS)相結(jié)合的求解思路。采用NSGA-Ⅱ求解出一系列Pareto最優(yōu)解，再利用TOPSIS做進(jìn)一步最優(yōu)解的決策。設(shè)計(jì)結(jié)果表明了該方法能夠合理地處理折射率調(diào)制峰值和色散之間的權(quán)衡，具有一定的參考價(jià)值。
　　（二）多泵浦拉曼放大器的優(yōu)化研究
　　拉曼光纖放大器(RFA)在光纖通信系統(tǒng)中不僅要滿足大帶寬、高功率等特性，還要考慮的一個(gè)關(guān)鍵問題

6、就是其增益譜的平坦化。多泵浦技術(shù)是實(shí)現(xiàn)RFA增益平坦度控制的一種有效途徑。但是，如何高效地選取最優(yōu)的泵浦波長功率配置成為多泵浦RFA設(shè)計(jì)的難點(diǎn)。針對這方面的研究，本文進(jìn)行了以下工作。
　　(1)為了解決多泵浦RFA在數(shù)學(xué)模型計(jì)算中的效率問題，本文提出了一種基于機(jī)器學(xué)習(xí)技術(shù)的解決思路。將拉曼耦合方程的非線性求解過程等價(jià)于以泵浦波長和泵浦功率作為輸入、增益作為輸出的多輸入多輸出回歸問題。離線訓(xùn)練階段，利用機(jī)器學(xué)習(xí)算法完成樣本訓(xùn)練和建立

7、RFA回歸模型;在線優(yōu)化階段，將回歸模型融入進(jìn)化算法的優(yōu)化過程，完成泵浦參數(shù)的優(yōu)化配置。本文分別采用了最小二乘支持回歸機(jī)(LSSVR)和極限學(xué)習(xí)機(jī)(ELM)算法進(jìn)行模型構(gòu)建。實(shí)驗(yàn)從模型精度驗(yàn)證、RFA增益分析和不同算法的性能對比等方面驗(yàn)證了該方法的高效性。
　　(2)為了平衡多泵浦RFA設(shè)計(jì)中不同性能需求，本文提出了同時(shí)以最大化拉曼開關(guān)增益和最小化增益波動為優(yōu)化目標(biāo)的多目標(biāo)模型。在上述基于機(jī)器學(xué)習(xí)的RFA模型的基礎(chǔ)上，利用改進(jìn)的強(qiáng)