[发明专利]一种基于机器学习的光频梳性能分析方法及系统

权利要求书

1.一种基于机器学习的光频梳性能分析方法，其特征在于效率高，响应快，包括以下步骤：

步骤1，通过仿真软件对微环谐振腔平台的波导类型建模仿真，并将仿真的二维数据导出备用；

步骤2，在上阶段模拟得到的仿真结果数据基础上计算高阶色散系数，在双色泵浦机制产生光频梳的模拟过程中，根据计算得到的色散数据输入泵浦波长处对应的色散值，得到理想的光频梳光谱；

步骤3，将上一阶段得到频谱各项性能数据记录并整理为输入参数列在前，输出参数列在后的训练数据和检测数据，通过建立神经网络模型对数据集进行训练，训练好的模型将用未包含在训练数据中的数据进行预测，并对模型预测性能进行评估，实现整个GUI界面的具体分布和排版。

2.根据权利要求1所述的一种基于机器学习的光频梳性能分析方法，其特征在于效率高，响应快，步骤1中具体为：

结构建模方法得到验证后通过同样的方法准确地得到所需的设计结构仿真结果，该过程包含波导的模场分布和色散曲线的计算和方法验证工作；

使用波导截面为脊型的硅基微环谐振腔结构，在微米量级调整截面参数，通过有限元分析法得到对应泵浦波长处的模场分布，进一步利用Sellmeier公式计算获得色散曲线，针对不同结构参数下得到的色散曲线，选取平坦度较好同时使零色散波长点落在3.5μm曲线对应的设计参数，实现波导结构的参数优化；

在得到结构有效折射率的基础上，分别绘制传播常数与波长、有效折射率与波长的曲线图，并将对应的二维数据导出备用。

3.根据权利要求2所述的一种基于机器学习的光频梳性能分析方法，其特征在于效率高，响应快，步骤1中仿真软件为多物理场仿真软件COMSOL Multiphysic。

4.根据权利要求1所述的一种基于机器学习的光频梳性能分析方法，其特征在于效率高，响应快，步骤2中计算高阶色散数据：

利用MATLAB程序软件，依据高阶色散系数与波长的关系，在上阶段模拟得到的仿真结果数据基础上计算高阶色散系数，并得到高阶色散与波长的关系曲线图，将计算得到的数值进行整理。

5.根据权利要求1所述的一种基于机器学习的光频梳性能分析方法，其特征在于效率高，响应快，步骤2中光频梳光谱具体获得方法为：

根据改良的Lugiato-Lefever equation模型，采用分步傅里叶方法(SSFM)模拟硅基微环谐振腔中基于级联四波混频效应的光频梳产生过程，针对选择的泵浦波长，在已获得的色散数据中选取对应的色散值进行数值模拟仿真，最终得到理想的光频梳光谱。

6.根据权利要求1所述的一种基于机器学习的光频梳性能分析方法，其特征在于效率高，响应快，步骤3中建立神经网络模型：

神经网络模型的核心为前馈神经网络，由一个输入层，三个隐藏层和一个输出层以全连接形式组成，层间所用的激活函数为ReLU；前馈神经网络功能由Pycharm软件中的sklearn包实现；

前期收集的数据集总共为三组，分别为：训练集、验证集和测试集；其中训练集和验证集利用trans_test_split()函数将原始数据按照比例随机分割为“训练集”和“验证集”，其中样本占比为0.1；数据集中输入参数分别为：两个泵浦波长，泵浦功率和微环半径；输出参数为：光频梳的带宽，频率间隔，输出频谱第一个信号的功率以及模式数；

使用pytorch中的顺序容器torch.nn.Sequential来实现顺序连接模型，其中包括层与层之间的线性连接以及ReLU非线性激活函数作用。

7.根据权利要求1所述的一种基于机器学习的光频梳性能分析方法，其特征在于效率高，响应快，步骤3中GUI界面的实现：在网络模型训练并验证后，训练好的模型将用未包含在训练数据中的数据进行预测，并引入均方误差mean_squared_error函数对模型的预测性能进行评估，通过图形用户界面开发工具PySimpleGUI，实现整个GUI界面的具体分布和排版。

8.一种基于机器学习的光频梳性能分析系统，其特征在于效率高，响应快，基于权利要求1至7任意一项所述的一种基于机器学习的光频梳性能分析方法，包括：

仿真模块：用于对微环谐振腔平台的波导类型建模仿真，得到模场分布和有效折射率数据，并将仿真的二维数据导出备用；

光频梳光谱获得模块：用于计算高阶色散数据，并模拟四波混频效应产生光频梳过程；其中将泵浦波长对应的色散数据输入仿真程序中，从而得到理想的光频梳光谱；

分析评估模块：用于将上一阶段得到的数据整理为输入参数列在前，输出参数列在后的训练数据和检测数据，通过建立神经网络模型对数据集进行训练，训练好的模型将用未包含在训练数据中的数据进行对光频梳的带宽，频率间隔，输出梳状频谱第一个信号的功率以及模式数四个光频梳性能参数的预测，并对模型预测性能进行评估，最终实现整个GUI界面的具体分布和排版。