1.一种增益及平坦度可调谐的光纤拉曼放大器的泵浦配置方法,其特征在于,具体包括如下步骤:步骤A:建立三种结构的二阶拉曼放大器数学模型,分别为第一结构模型、第二结构模型及第三结构模型;其中,所述第一结构模型包括1个二阶泵浦源和3个一阶泵浦源的拉曼放大器,所述第二结构模型包括1个二阶泵浦源和4个一阶泵浦源的拉曼放大器,第三结构模型包括1个二阶泵浦源和5个一阶泵浦源的拉曼放大器;
步骤B:对三种结构的二阶拉曼放大器数学模型分别建立三个不同的神经网络模型,进行系统的反向设计,具体包括:步骤B1:根据设定的泵浦光参数取值范围,采用粒子群优化算法对泵浦光参数进行寻优,寻优过程中获得不同增益条件下、不同泵浦参数对应的信号增益谱;
步骤B2:将不同增益条件下的信号增益谱作为输入量,不同增益条件下的泵浦参数作为输出量构成新的数据集,并进行数据处理;
步骤B3:利用新的数据集训练神经网络模型,获得训练好的神经网络模型;
步骤C:利用训练好的神经网络模型生成测试模型,进行需求增益及平坦度下的最小泵浦数配置预测;
步骤B1中,对步骤A中建立的三种结构的二阶拉曼放大器数学模型采用龙格库塔算法加打靶法进行求解,再分别结合粒子群优化算法通过迭代泵浦参数优化信号增益谱的平坦度,具体如下:首先,通过后向多泵浦光纤拉曼放大器简化的非线性拉曼耦合微分方程求得信号增益谱;
然后,在不同增益水平下,从m1db到m2db之间,以每间隔2db作为目标增益,采用粒子群优化算法寻优该目标增益下最小的增益平坦度;
最后,对于每个目标增益,设置相同的粒子个数和迭代次数,以此迭代过程中就会产生不同泵浦参数下对应的不同增益谱下的小数据集,且数量相同;
所述通过后向多泵浦光纤拉曼放大器简化的非线性拉曼耦合微分方程求得信号增益谱,具体如下:;
式中,±对应泵浦光源正向或逆向注入,Pi、Pj、Pk分别表示第i、j、k信道的光功率,vi、vj、vk分别表示第i、j、k信道的光频率,gR(vi - vj)表示第i和第j信道两路光之间的拉曼增益系数,gR(vj-vk)表示第j和第k信道两路光之间的拉曼增益系数,Γ表示偏振因子,Aeff表示光纤有效纤芯面积,αj表示第j信道的光波在光纤中传输的衰减系数;
步骤B2中,具体如下:
首先,将步骤B1中不同增益水平下的小数据集整合成大数据集,其中,小数据集为m2/2-m1/2个;可防止数量多的数据过拟合MLP网络的训练,数量少的数据欠拟合MLP网络的训练;
然后,以大数据集的信号增益谱作为输入量,大数据集的泵浦参数作为输出量生成数据集,按泵浦波长升序对每组数据进行排列,其中,功率的对应关系随泵浦波长的改变而改变;
最后,对排列后的数据集进行异常值处理得到新的数据集,提升数据集的质量;
步骤B3中,具体如下:
首先,对步骤B2中所述的新的数据集进行归一化处理,并按照8:2的比例分成训练集和测试集;
然后,加入TPE和MedianPruner超参数优化机制训练神经网络,最大迭代100次;其中,超参数的搜索范围为:层数范围设置为2~6层、每层包含神经元个数范围设置为100~1000个、学习率范围设置为10-5~10-1、dropout层的丢弃率范围设置为0.1~0.5;当神经网络迭代到最大次数,输出适合新的数据集的最优超参数;
最后,将上述最优超参数输入到全连接的多层感知机中,采用5折交叉验证的方式训练神经网络,保存5个训练好的神经网络模型,取所有模型预测值的平均来实现预测输出;
步骤B3中,采用的神经网络模型基础结构为全连接的多层感知机,每两个隐藏层之间加入dropout层来防止过拟合,relu为激活函数,Adam为优化器,BCE为损失函数。