[发明专利]一种激光脉宽的优化神经网络提取方法

说明书

本发明公开一种激光脉宽的优化神经网络提取方法，属于光学测量技术领域。本发明的技术方案如下：利用非平衡式迈克尔逊干涉光路及半导体双光子吸收效应进行强度自相关测量，得到光电信号；将采集到的带有电噪声的强度自相关信号分离出时间序列t和信号值序列s；利用第三方深度学习工具包(Numpy，Pandas，Matplotlib)构建一个优化的神经网络模型，以时间序列t作为模型训练的输入，I作为模型训练的标签值，强度自相关信号数据是一个二元组(t,u)，分别表示时间序列和信号值序列，S＝(t，I),记作强度自相关信号中的第i对时间和信号值，表示预测信号与真实信号数据之间的偏差(第i次)；对I’进行隔直处理，得到纯交流信号I”，再对其进行半高宽分析。

技术领域

本发明涉及一种激光脉宽的优化神经网络提取方法，属于光学测量技术领域。

背景技术

激光脉宽的测量通常采用众所周知的光学自相关技术。通常基于光学非线性效应来构建光学自相关仪。最近，由于与二次谐波生成(SHG)晶体自相关器相似的灵敏度和潜在的低成本，半导体中的双光子吸收(TPA)效应被用于测量光学自相关。有研究表明，硅(Si)和砷化镓(GaAs)光电二极管均可以用作红外波段的TPA器件，用于对激光脉冲在通信频带中进行自相关测量。Si和GaAs之间的差异主要在于对色散脉冲的测量。与硅相比，砷化镓是一种直接带隙半导体材料，其电子能级跃迁不涉及声子的同时发射或吸收，可以避免环境的影响。而且目前已通过实验观察到，在砷化镓光电二极管中，TPA效应会更为强烈。因此，对于自相关测量，GaAs光电二极管优于Si。

由于强度和干涉自相关都无法完全获取脉冲信息(强度和相位)，它们不足以确定脉冲的时间分布，但是我们可以对自相关信号进行曲线拟合以测量脉宽。对于传统的拟合方法，例如Levenberg-Marquardt方法(L-M)，我们需要预先设置脉冲函数。由于电子噪声的影响，所测得的自相关信号无法达到理想的高斯或双曲正割形状，这可能会导致拟合失败。近年来，随着深度学习的发展，神经网络(NN)在人工智能领域大放异彩。万能近似定理表明，理论上，任何函数都可以由具有至少一个隐藏层的神经网络逼近。这显示了其在曲线拟合中的独特优势。

发明内容

本发明目的在于针对上述现有技术的不足，提出了一种激光脉宽的优化神经网络提取方法，该方法基于神经网络拟合出适合脉宽分析的函数，利用半导体的双光子吸收效应产生飞秒激光的强度自相关，然后对强度自相关信号进行神经网络拟合，以此进行信号分析提取脉宽。

本发明解决其技术问题所采取的技术方案步骤如下：一种激光脉宽的优化神经网络提取方法，该方法包括如下步骤：

步骤1：利用非平衡式迈克尔逊干涉光路及半导体双光子吸收效应进行强度自相关测量，得到光电信号。

步骤2：将采集到的带有电噪声的强度自相关信号分离出时间序列t和信号值序列s。

步骤3：利用第三方深度学习工具包(Numpy，Pandas，Matplotlib)构建一个优化的神经网络模型，以时间序列t作为模型训练的输入，I作为模型训练的标签值。

强度自相关信号数据是一个二元组(t,u)，分别表示时间序列和信号值序列，

S＝(t，I),,记作强度自相关信号中的第i对时间和信号值；

表示预测信号与真实信号数据之间的偏差(第i次)。

步骤4：对I’进行隔直处理，得到纯交流信号I”。再对其进行半高宽分析，最后利用置零算法精确提取脉宽。

本发明上述步骤3构建的优化神经网络模型包括如下步骤：