[发明专利]基于带动量项神经网络的光互连模块耦合效率预测方法

说明书

本发明公开了一种基于带动量项神经网络的光互连模块耦合效率预测方法，包括建立光互连模块有限元模型，施加温度和振动载荷，基于单因子法分析影响光互连模块耦合效率的影响因素，对影响光耦合的主要因素进行正交实验组建多组不同水平的实验组，对其进行仿真实验得到其光互连模块耦合效率，将得到的多组合的数据作为训练样本来训练神经网络，训练好的网络可以较准确地预测光耦合效率。本发明避免了标准BP神经网络存在学习收敛慢，易陷入局部最小等缺点，实现高效和准确地预测温振复合载荷下的光互连模块耦合效率，为实际工程化应用中设计并制造高耦合效率的高速光互连模块提供一种科学而有效的快速手段。

技术领域

本发明涉及光互连耦合效率预测技术领域，具体是一种基于带动量项神经网络的光互连模块耦合效率的预测方法。

背景技术

面对未来大容量、高速率和低能耗的数据交换要求，拥有高带宽和低时延等优点的光互连是非常有前途的互连方式。但是，因光路对准偏移造成光耦合损耗仍是光互连面临的众多困难和挑战之一。在光互连中，要实现光通信就要保证足够功率的信号到达探测器，因此，对整个光链路过程中的损耗研究有重要意义。判断光链路优劣的重要指标之一是光耦合效率。现在，光电产品运用领域越来越广泛，从大型的通信服务器、超级计算机到越来越电子化和智能化的飞机。因此，韦何耕、黄春跃、梁颖、ZHOU B，QIU B J等人研究表明光电产品中的光互连模块不可避免地受到电子产品工作产热、天气温度、飞机的振动等环境因素的影响。光互连模块在温度变化时其各结构材料热膨胀系数失配和振动下PCB发生变形将导致关键位置处产生对准偏移，虽然这些影响造成的对准偏移可能只在微米量级，但是，光耦合损耗甚至会超过30％。正是由于光互连模块不可避免的需要工作于包括温度变化和振动冲击等在内的复杂环境中并且由此所产生的对准偏移对光耦合损耗影响巨大，因此对复杂环境下光互连模块耦合效率进行研究尤其重要。因此，本发明在对温度和振动复合加载下光互连模块的对准偏移和耦合效率研究后，提出了基于神经网络的高速光互连模块光耦合效率预测方法，实现高效、准确地预测光耦合效率。

近年来已有学者对预测领域展开研究。BP(Back Propagation，神经网络)是一种误差是反向传播的前馈式网络。由于它结构简单易掌握，能实现n维输入到m维输出的非线性映射关系，在事物预测领域被广泛地采用。但是，标准BP神经网络也存在学习收敛慢，易陷入局部最小等缺点。为了解决这些问题，人们提出各种改进算法。带动量项法可以加快学习，缩短网络学习训练至收敛的时间；同时，在BP算法中增加惩罚函数项，可以让网络在学习训练中避免陷入局部最小。本发明构建了一个标准BP神经网络，在焊点材料和形态参数与光互连耦合效率之间建立起一个非线性映射关系，实现对温振复合载荷下光互连模块耦合效率的预测。采用了带动量项和带惩罚函数的方法改进BP神经网络算法，加快了网络的学习训练，使耦合效率的预测更精准。

发明内容

本发明的目的在于解决现有技术的不足，而提供一种基于带动量项神经网络的光互连模块耦合效率预测方法；该方法采用基于带动量项神经网络预测光互连模块预测光耦合效率，避免标准BP神经网络存在学习收敛慢，易陷入局部最小等缺点，实现高效和准确地预测温振复合载荷下的光互连模块耦合效率，为实际工程化应用中设计并制造高耦合效率的高速光互连模块提供一种科学而有效的快速手段。

实现本发明目的的技术方案是：

一种基于带动量项神经网络的光互连模块耦合效率预测方法，包括建立光互连模块有限元模型，施加温度和振动载荷，基于单因子法分析影响光互连模块耦合效率的因素，对这些影响光耦合的主要因素进行正交实验组建多组不同水平的实验组，对其进行仿真实验得到其光互连模块耦合效率，将由此得到的众多组合的数据作为训练样本来训练神经网络，训练好的网络可以较为准确地预测光耦合效率，具体包括如下步骤：

1)建立光互连模块有限元模型；

2)对步骤1)建立的光互连模块有限元模型施加热循环的温度载荷；

3)对经受温度载荷后的模型，进行有预应力的模态分析；