[发明专利]基于BP神经网络的光栅入射参数反演模型的构建方法

说明书

本发明涉及一种基于BP神经网络的光栅入射参数反演模型的构建方法，包括：S1：采集光栅耦合器的若干组入射参数数据和输出耦合效率数据作为训练样本；S2：构建光栅入射参数反演神经网络模型结构；S3：根据所述训练样本对所述光栅入射参数反演神经网络模型进行训练和优化，以得到所述光栅入射参数反演模型。本发明的基于BP神经网络的光栅入射参数反演模型的构建方法，利用于BP神经网络构建了网络拓扑结构为4‑8‑3的光栅入射参数反演模型，该光栅入射参数反演模型具有良好的学习能力和预测能力，能够为光信号和光学天线接收器的对准提供较为准确的入射角度信息。

技术领域

本发明属于光栅耦合器技术领域，具体涉及一种基于BP神经网络的光栅入射参数反演模型的构建方法。

背景技术

随着现代信息科技的不断进步，现代通信设备不但要提高通信质量和效率，朝着微型化，小型化的目标发展，而且在卫星通信、舰船通信和雷达隐身等军用设备中，对天线接收端的尺寸提出了更高的要求。天线作为通信设备中的前端部件，对通信质量起着至关重要的作用。目前，小型卫星、小型激光器的自由空间激光通信天线一般采用望远镜来收集光波能量。

随着科技的发展，人们提出一种新构型——芯片式光学天线，是将硅基光栅耦合器作为光学天线的信号接收器，其外形符合集成电路芯片的规范，在功能方面与望远镜可互换。用芯片天线取代望远镜，意味着光学器件和电子器件在芯片层次融为一体，最大的收益在于消除分立元件的弊端，大大减小光学天线体积，提升了整机性能。

光栅耦合器对于光信号的入射角度的变化非常敏感，在最佳入射角度附近微小的变化都会引起耦合效率急剧下降，所以若要把光栅耦合器作为接收端应用于光学天线，通讯光信号与接收端耦合器的对准(即通讯光入射后耦合效率达到峰值)尤为重要。那么，为光信号发射器和接收端耦合器的对准提供参考旋转角度，建立光栅入射参数反演模型用于研究光栅耦合效率与入射参数是尤为重要的。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种基于BP神经网络的光栅入射参数反演模型的构建方法。本发明要解决的技术问题通过以下技术方案实现：

本发明提供了一种基于BP神经网络的光栅入射参数反演模型的构建方法，包括：

S1：采集光栅耦合器的若干组入射参数数据和输出耦合效率数据作为训练样本；

S2：构建光栅入射参数反演神经网络模型结构；

S3：根据所述训练样本对所述光栅入射参数反演神经网络模型进行训练和优化，以得到所述光栅入射参数反演模型。

在本发明的一个实施例中，所述入射参数包括光信号的入射角度、入射波长和入射偏振态；所述输出耦合效率包括Z正向光栅耦合效率、Z反向光栅耦合效率和光栅总耦合效率。

在本发明的一个实施例中，所述光栅入射参数反演神经网络模型结构，包括输入层、隐含层和输出层，其中，所述输入层设置有4个神经元，所述隐含层设置有8个神经元，所述输出层设置有3个神经元。

在本发明的一个实施例中，所述S3包括：

S301：初始化所述光栅入射参数反演神经网络模型的权值；

S302：设置所述光栅入射参数反演神经网络模型的学习次数M、误差精度ε；

S303：输入所述训练样本，计算所述光栅入射参数反演神经网络模型的各层的输入和输出；

S304：根据所述输入和输出结果，计算所述光栅入射参数反演神经网络模型的训练误差；

S305：根据所述训练误差，计算得到所述权值的调整值并更新所述权值；

S306：重复步骤S303-S305，直到所述训练样本用尽完成一次学习，执行步骤S307；