[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

摘要

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。

主权项

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，其特征在于，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；4)对模型再进行随机振动分析；5)由振动分析后得到的光互连模块关键位置处的位移计算出对准偏移；6)基于ZEMAX光学软件仿真分析出在相应对准偏移下的光互连模块耦合效率；7)基于正交实验设计分析出影响光互连模块耦合效率的重要因素；8)将对光耦合效率有重要影响的因素在多水平下随机组合若干组建立光互连模块有限元模型，然后重复步骤2)～步骤6中，得到若干组光互连模型的耦合效率；9)将多因素不同水平组合实验设计及其耦合效率作为神经网络的训练样本，对网络进行学习训练；10)当网络满足条件收敛，光耦合效率预测精度满足要求为止；经过上述步骤，高效和准确地完成光互连模块耦合效率的预测。