具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施方式和附图，对本发明做进一步详细说明。在此，本发明的示意性实施方式及其说明用于解释本发明，但并不作为对本发明的限定。

在此，还需要说明的是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与根据本发明的方案密切相关的结构和/或处理步骤，而省略了与本发明关系不大的其他细节。

应该强调，术语“包括/包含”在本文使用时指特征、要素、步骤或组件的存在，但并不排除一个或更多个其它特征、要素、步骤或组件的存在或附加。

在此，还需要说明的是，如果没有特殊说明，术语“连接”在本文不仅可以指直接连接，也可以表示存在中间物的间接连接。

光纤拉曼放大器的工作原理是居于石英光纤中的受激拉曼散射效应，在形式上表现为处于泵浦光的拉曼增益带宽内的弱信号与强泵浦光在光纤中传输，从而使弱信号光得到放大。光线拉曼放大器的增益波长由泵浦光波长决定，理论上可以对光纤窗口内的任意波长的信号进行放大，增益频谱比较宽。而在实际应用过程中，为了扩大拉曼放大器的增益范围，常将若干个拉曼泵浦集成于一个模块中来对信号进行放大。在放大时，由于接收机灵敏度的要求，需要所放大的信号在不同波长上具有相同的功率，即对于增益平坦度有较高的要求，因此实现拉曼放大器的增益平坦是一个十分必要的问题。

为了在多个波长上实现平坦的增益，本发明提供一种光纤拉曼放大器动态增益调控方法，如图1所示，包括步骤S101~S105：

需要明确的是，本实施例中所述的步骤S101~S105并不是对步骤先后顺序的限定，应当理解为在特定应用场景下各步骤的可以调换顺序或并行。进一步的，本实施例所述光纤拉曼放大器动态增益调控方法是用于在多泵浦光的光线拉曼放大器上运行。用于调节泵浦参数以实现待放大信号增益谱的平坦。

步骤S101：接收待放大信号光，并获取待放大信号光的状态参数，状态参数至少包括：待放大信号光的光强、频率和中心波长。

步骤S102：获取目标参数，目标参数至少包括：理想增益谱的平坦度和带宽；获取设备参数，设备参数至少包括：光纤拉曼放大器的工作波长范围和工作温度范围。

步骤S103：获取预设神经网络模型，预设神经网络模型用于将状态参数、目标参数和设备参数映射至达到理想增益谱所需的泵浦个数、泵浦功率和泵浦波长。

步骤S104：将状态参数、目标参数和设备参数输入预设神经网络以输出实现理想增益谱的预测泵浦个数、预测泵浦功率和预测泵浦波长；根据预测泵浦个数、预测泵浦功率和预测泵浦波长调节光纤拉曼放大器对待放大信号光进行放大，并检测实际增益谱。

步骤S105：计算实际增益谱与理想增益谱的均方误差，若均方误差大于设定门限值，则利用预设神经网络模型结合梯度下降法调整预测泵浦个数、预测泵浦功率和预测泵浦波长，并基于调整后的预测泵浦个数、预测泵浦功率和预测泵浦波长检测得到调整后的实际增益谱，并计算调整后的均方误差；直至调整后的均方误差小于设定门限值并输出调整后的预测泵浦个数、预测泵浦功率和预测泵浦波长。

在本实施例步骤S101中，待放大信号光是由传输光纤输入的，在实际应用过程中，可以通过待放大信号光的发生器获取相应的光强、频率和中心波长信息，也可以单独设置检测设备检测获取。

在步骤S102中，根据实际应用场景的需求确定期望得到的信号放大效果，获取相应的目标参数，即根据实际的光纤耗损、期望的拉曼增益系数、泵浦光相互作用、泵浦衰竭、放大的自发辐射噪声与瑞利散射等特性，确定待放大信号光的理想增益谱，并获取相应的平坦度和带宽，该理想增益谱为理论值。为了更加符合实际，可以为理想增益篇设置一定程度的增益抖动。其中，泵浦波长还根据信道的灵活栅格进行动态调整。

在步骤S103中，预设神经网络模型是经过预训练的得到的，用于建立状态参数、目标参数和设备参数与达到理想增益谱所需的泵浦参数的映射关系，泵浦参数至少包括泵浦个数、泵浦功率和泵浦波长。也即，本实施例中的预设神经网络模型是基于已知的待放大信号光的状态参数、设备参数和目标参数去反推泵浦参数，用于指导控制调节。

在一些实施例中，将理想增益谱的带宽、平坦度及待放大信号的波长、功率等参数输入至已经训练好的预设神经网络模型中，同时将拉曼放大器的工作波长（1528~1605nm）、工作温度（-20~+65℃）、输入输出尾纤类型（普通单模光纤SMF-28）等参数以条件参数的形式输入至模型中，得到该增益谱对应的泵浦个数、泵浦功率及泵浦波长等参数。

在一些实施例中，预设神经网络模型采用训练样本集对卷积神经网络初始网络或全连接神经网络初始网络进行训练得到。其中，训练样本集是基于以往光放大过程中的实际泵浦参数、待放大信号光的状态参数、拉曼放大器的设备参数以及最终得到的实际增益谱建立的，在建立训练样本集的过程中，将现有数据中的实际增益谱、待放大信号光的状态参数和拉曼放大器的设备参数，将对应的泵浦参数作为输出标签，形成样本，构成训练样本集。

在实际应用过程中，可能存在现有数据较少的情况，在一些实施例中，可以基于微扰理论构建计算得到不同待放大信号光的状态参数、拉曼放大器的设备参数和泵浦波长组合条件下，不同泵浦功率和理想增益谱的相关矩阵，并基于相关矩阵中的数据，构建数据量更大的训练样本集，以获得更优的拟合效果。

具体的，不同待放大信号光的状态参数、拉曼放大器的设备参数和泵浦波长组合条件下，不同泵浦功率和理想增益谱的相关矩阵的构建方式包括步骤S201~S203：

步骤S201：在不同待放大信号光的状态参数、拉曼放大器的设备参数和泵浦波长组合条件下，获取各波长泵浦光的泵浦光功率关于单位长度光纤分布情况的微分方程，以表示传输状态。

步骤S202：在微分方程中通过微扰理论引入泵浦光功率变量，并构建线性齐次微分方程组，采用正向欧拉法对线性齐次微分方程组求解，得到各波长泵浦光在光纤内传输过程中各单位长度光纤内的泵浦光功率变量，并计算泵浦光功率在光纤内的积分变量。

步骤S203：根据泵浦光功率在光纤内的积分变量计算微扰后的泵浦功率积分，计算微扰后得到的光纤拉曼放大器增益谱，对多个预设泵浦波长组合进行微扰并构建相关矩阵。

在一些实施例中，步骤S201中，对于预设泵浦波长组合的光纤拉曼放大器，获取各波长泵浦光的泵浦光功率关于单位长度光纤分布情况的微分方程，包括：

对有N个泵浦波长的光纤拉曼放大器建立各泵浦光功率关于单位长度光纤的微分方程，如下式1：

； （1）

其中，为表示泵浦光功率的N×1向量；为表示泵浦光损耗的N×1向量；为表示各泵浦光波长间拉曼增益系数的N×N矩阵；z表示光纤长度。

在本实施例中，通过式1表现泵浦光的传输规律，由于光纤拉曼放大器通常工作在小信号或近小信号状态，泵浦光功率沿光纤的分布主要取决于泵浦光间的相互作用。进一步地，定义一个代表泵浦光功率沿光纤积分（简称泵浦积分）的N×1向量；其中，泵浦积分I的表达式如下式2：

； （2）

其中，为表示泵浦光功率的N×1向量，dz为光纤长度的微分，L为光纤长度。

步骤S202中，在微分方程中通过微扰理论引入泵浦光功率变量，并构建线性齐次微分方程组，包括：

对输入泵浦光功率引入变量，变为 ，忽略的二阶项，构建线性齐次偏微分方程组，如下式3：

；（3）

其中，为表示光纤特性对泵浦光功率沿光纤分布影响的N×N矩阵。这里的矩阵是通过提取公因式得到的。

采用正向欧拉法对所述线性齐次微分方程组求解，得到各波长泵浦光在光纤内传输过程中各单位长度光纤内的泵浦光功率变量，包括：

采用正向欧拉法数值求解所述线性齐次偏微分方程组（式3），取为步长，则有：

； （4）

； （5）

……

； （6）

……

于是，步骤S202中，泵浦光功率在光纤内的积分变量，即泵浦积分的变量，可以由下式7计算得到：

； （7）

其中，H为N×N矩阵,表示输入泵浦光功率变化和泵浦光功率在光纤内的积分变量之间的线性关系；k为第k段步长，为步长，L为光纤的泵浦长度。

光纤拉曼放大器的增益由泵浦积分I决定，对于M个输入信道的情况，计算微扰后得到的光纤拉曼放大器增益谱如下式8：

； （8）

其中，为表示微扰后的光纤拉曼放大器各信道增益谱的M×1向量；是各信道的损耗，为表示信号光波长与泵浦光波长间拉曼增益系数的M×N矩阵；是表示信道间SRS效应所致信道功率谱倾斜的M×1向量；为泵浦积分，即当前状态泵浦光功率在光纤内的积分，计算式如下：

； （9）

其中，为第k-1状态的泵浦积分，为第k状态的泵浦积分，为式7中计算得到的泵浦积分的变量。

因此，通过围绕理论计算得到不同待放大信号光的状态参数、拉曼放大器的设备参数和泵浦波长组合条件下，不同泵浦功率和理想增益谱的相关矩阵，从而在现有数据数量有限的情况下，对训练样本集进行扩充。提高训练预设神经网络模型的准确性。

在一些实施例中，获取预设神经网络模型之前，还包括步骤S301~S303：

步骤S301：获取全连接神经网络初始模型。

步骤S302：获取训练样本集，训练样本集包括设定数量个样本，每个样本包括一次光纤拉曼放大过程中待放大样本信号光的光强、待放大样本信号光的频率、待放大样本信号光的中心波长、泵浦个数、泵浦功率、泵浦波长、实际泵浦增益谱的平坦度和所述实际泵浦增益谱的带宽。

步骤S303：以待放大样本信号光的光强、待放大样本信号光的频率、待放大样本信号光的中心波长、实际泵浦增益谱的平坦度和实际泵浦增益谱的带宽作为输入，并以泵浦个数、泵浦功率和泵浦波长作为输出，采用训练样本集对全连接神经网络初始模型进行训练，得到预设神经网络模型。

在本实施例中，全连接神经网络包括一个输入层、一个输出层以及一个或多个隐藏层。全连接神经网络初始模型（DNN）的结构不固定，一般神经网络包括输入层、隐藏层和输出层，一个DNN结构只有一个输入层，一个输出层，输入层和输出层之间的都是隐藏层。每一层神经网络有若干神经元，层与层之间神经元相互连接，层内神经元互不连接，而且下一层神经元连接上一层所有的神经元。由于DNN几乎可以拟合任何函数，所以DNN的非线性拟合能力非常强。往往深而窄的网络要更节约资源。但是，DNN不太容易训练，需要大量的数据才能训练好一个深层网络，因此，在现有数据有限的情况下，可以基于步骤S201~S203中的步骤，获取不同待放大信号光的状态参数、拉曼放大器的设备参数和泵浦波长组合条件下，不同泵浦功率和理想增益谱的相关矩阵，并基于相关矩阵中的数据，构建数据量更大的训练样本集。

在一些实施例中，将训练样本集中第一设定比例的样本用于训练全连接神经网络初始模型得到预设神经网络模型，剩余的样本用于测试预设神经网络模型。

在一些实施例中，获取预设神经网络模型之前，还包括步骤S301~S303：

步骤S301：获取卷积神经网络初始网络模型；卷积神经网络初始网络包括特征提取层和特征映射层，特征提取层包括卷积层、激活函数层和池化层，卷积层中每个神经元的输入连接前一层的局部接受域，用于提取该局部的特征并确定位置关系，特征映射层作为分类器用于对结果进行识别分类。

步骤S302：获取训练样本集，训练样本集包括设定数量个样本，每个样本包括一次光纤拉曼放大过程中待放大样本信号光的光强、待放大样本信号光的频率、待放大样本信号光的中心波长、泵浦个数、泵浦功率、泵浦波长、实际泵浦增益谱的平坦度和实际泵浦增益谱的带宽。

步骤S303：以待放大样本信号光的光强、待放大样本信号光的频率、待放大样本信号光的中心波长、实际泵浦增益谱的平坦度和所述实际泵浦增益谱的带宽作为输入，并以泵浦个数、泵浦功率和泵浦波长作为输出，采用训练样本集对卷积神经网络初始网络模型进行训练，得到预设神经网络模型。

同理，步骤S301~S303中，在现有数据有限的情况下，可以基于步骤S201~S203中的步骤，获取不同待放大信号光的状态参数、拉曼放大器的设备参数和泵浦波长组合条件下，不同泵浦功率和理想增益谱的相关矩阵，并基于相关矩阵中的数据，构建数据量更大的训练样本集。

在步骤S104中，通过训练好的预设神经网络模型，根据当前状态参数、目标参数和设备参数计算得到预测的泵浦参数。并基于预测的泵浦参数调节光线拉曼放大器进行放大，并得到实际增益谱。由于一次预测得到的实际增益谱相比于理想增益谱还有差距，因此，为了获得更优的效果，还需要对实际增益谱平坦度进行判断和优化。

在步骤S105中，当实际增益谱与理想增益谱的均方误差大于门限值时，就结合训练好的预设神经网络模型利用梯度下降法调整更新预测泵浦个数、预测泵浦功率和预测泵浦波长。利用更新后的预测泵浦个数、预测泵浦功率和预测泵浦波长调节光纤拉曼放大器得到更新后的实际增益谱，重复计算更新后实际增益谱与理想增益谱的均方误差，重复循环，直至调整后的均方误差小于设定门限值并输出调整后的预测泵浦个数、预测泵浦功率和预测泵浦波长。

在一些实施例中，步骤S105中，利用预设神经网络模型结合梯度下降法调整预测泵浦个数、预测泵浦功率和预测泵浦波长，包括步骤S401~S402：

步骤S401：获取当前预测泵浦个数、预测泵浦功率和预测泵浦波长，记为泵浦参数向量。

步骤S402：获取当前实际增益谱与理想增益谱的差值，并基于预设神经网络模型的参数求梯度，并对预测泵浦个数、预测泵浦功率和预测泵浦波长进行更新，计算式如下：

； （10）

其中，为更新后的泵浦参数向量，为当前的泵浦参数向量，i表述迭代次数，表示学习率，表示求梯度，表示当前实际增益谱与理想增益谱的差值。

一方面，本发明提供一种基于灵活栅格网络的光纤拉曼放大器，如图2所示，包括：泵浦激光器、波分复用器、分光器、输出监测器和信号处理单元。

泵浦激光器，用于按照设定泵浦波长、泵浦功率和泵浦个数产生泵浦光；

波分复用器，用于将待放大信号光与泵浦光导入光纤的第一端，所述波分复用器设有灵活栅格；

分光器，设置在所述光纤的第二端，用于导出经光纤拉曼放大后的待放大信号光，并对经光纤拉曼放大后的待放大信号光分出一子光束；

输出监测器，用于测量子光束得到经光纤拉曼放大后的待放大信号光的实际增益谱；

信号处理单元，获取实际增益谱，并采用如上述步骤S101~S105所述光纤拉曼放大器动态增益调控方法计算预测泵浦个数、预测泵浦功率和预测泵浦波长，并根据预测泵浦个数、预测泵浦功率和预测泵浦波长调节泵浦激光器。

基于光纤拉曼放大器的工作原理，泵浦光与待放大信号光的波长间隔需要达到斯托克斯频率。因此，在光线拉曼放大过程中，如果待放大信号光出现微变动就必然导致增益谱平坦度变化，现有技术中光纤拉曼放大器通常只能针对固定波长、功率的待放大信号进行处理，如果需要对不同波长的信号进行处理则需要改变硬件结构。但是，实际应用过程中，待放大信号光由于业务调整变化通常会出现扰动，为了应对这种动态变化，并且使本实施例所述基于灵活栅格网络的光纤拉曼放大器能够对变化的待放大信号光进行动态调控，则通过灵活栅格对泵浦光进行调整，以实现动态调控，保证增益谱的稳定和平坦。

在一些实施例中，灵活栅格以6.25GHz、12.5GHz、25GHz、50GHz和/或100GHz作为栅格间距。

一方面，本发明提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如上述方法的步骤。

一方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现上述方法的步骤。

下面结合一具体实施例对本发明进行说明：

本实施例提出一种能够实现灵活栅格动态泵浦增益控制的拉曼放大器，该装置包含传输光纤、拉曼泵浦源、输出检测器和信号处理单元。拉曼泵浦源用于为传输信号提供泵浦光来产生增益，该装置可以发出灵活泵浦信号光源；输出检测器用于检测输出信号并转换为电信号；信号处理单元包括增益谱检测模块和神经网络优化控制模块，增益谱检测模块用于根据电信号计算输出信号增益谱，计算平均增益、增益平坦度以及平坦带宽等，通过神经网络优化控制模块对泵浦光的多参数进行优化，从而实现增益平坦。该放大器能够自动实现栅格信号的最佳分布，减少了增益波动，具有高度的灵活性。

本实施例以待放大信号的中心波长为193.1THz、泵浦个数为2、泵浦功率为1W、泵浦波长为179.9THz~206.3THz为例。构建一个训练数据为3000规模、测试数据为500规模的训练样本集，并对初始神经网络模型进行训练。利用训练好的神经网络模型将所述状态参数、所述目标参数和所述设备参数映射至达到所述理想增益谱所需的泵浦个数、泵浦功率和泵浦波长。利用与预测的泵浦个数、泵浦功率和泵浦波长调节光线拉曼放大器，得到实际增益谱，计算实际增益谱与理想增益谱的均方误差，若所述均方误差大于设定门限值，则利用所述预设神经网络模型结合梯度下降法调整预测泵浦个数、预测泵浦功率和预测泵浦波长，并基于调整后的预测泵浦个数、预测泵浦功率和预测泵浦波长检测得到调整后的实际增益谱，并计算调整后的均方误差；直至调整后的均方误差小于所述设定门限值并输出调整后的预测泵浦个数、预测泵浦功率和预测泵浦波长，使对上述参数进行优化。

参见图3和图4所示，该优化过程包括：

1. 构造初始神经网络模型；初始神经网络模型采用卷积神经网络（CNN）结构，CNN的基本结构包括特征提取层和特征映射层。特征提取层包括卷积层、激活函数层和池化层，每个神经元的输入连接前一层的局部接受域，可以提取该局部的特征并确定位置关系；特征映射层起到分类器的作用，即对结果进行识别分类。以待放大样本信号光的光强、待放大样本信号光的频率、待放大样本信号光的中心波长、实际泵浦增益谱的平坦度和实际泵浦增益谱的带宽作为输入，并以泵浦个数、泵浦功率和泵浦波长作为输出，采用训练样本集对初始神经网络模型进行训练，得到预设神经网络模型。

2. 接收待放大的信号光，并检测信号光的波长和功率。

3. 将理想增益谱的带宽、平坦度及待放大信号的波长、功率等参数输入至已经训练好的预设神经网络模型中，得到该增益谱对应的泵浦参数。

4. 通过调整泵浦控制单元来调整泵浦波参数，将预测得到的泵浦参数应用至实际的系统，测量得到实际增益谱。

将理想增益谱与实际增益谱的MSE与理想精度进行比较并反馈到泵浦信号的模块中，具体的循环步骤包括：

S1：设定门限值δ。

S2：获取理想增益谱与实际增益谱的MSE。

S3：将理想增益谱与实际增益谱的MSE与目标门限值δ进行比较，检测是否达到目标精度。

S4：若MSE≤δ，则结束循环，输出此时预测所使用的泵浦个数、泵浦功率及泵浦波长。

S5：若MSE＞δ，则采用梯度下降法对泵浦个数、泵浦功率及泵浦波长等参数进行更新，将上一步神经网络输出的泵浦波参数记为，对应的实际增益谱与理想增益谱的均分误差MSE记为，根据下列公式对泵浦波参数进行更新：

其中，为更新后的泵浦参数向量，为当前的泵浦参数向量，i表述迭代次数，表示学习率，表示求梯度，表示当前所述实际增益谱与所述理想增益谱的差值。将更新后的参数再次输入神经网络，获得新的测量增益谱并再次计算其与理想增益谱的MSE与门限值进行比较，直到达到所需的精度；

以此方案进行优化前后的信号增益谱示意图如图4所示，可以看出该方案可以达到增益谱平坦的效果。

综上所述，本发明所述光纤拉曼放大器动态增益调控方法及设备，所述方法通过训练得到的预设神经网络模型，将待放大信号光的状态参数、理想增益谱的目标参数和设备参数映射得到包含泵浦个数、泵浦功率和泵浦波长的泵浦参数，自动化生成包含预测泵浦个数、预测泵浦功率和预测泵浦波长的泵浦参数以控制光线拉曼放大器工作，在计算实际增益谱和理想增益谱的均方误差后，利用预设神经网络进行梯度下降法调节泵浦参数，进行优化，直至调整后的实际增益谱与理想增益谱的均方误差小于设定门限值，能够快速自动调节泵浦参数，达到平坦的理想增益谱。

本领域普通技术人员应该可以明白，结合本文中所公开的实施方式描述的各示例性的组成部分、系统和方法，能够以硬件、软件或者二者的结合来实现。具体究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。当以硬件方式实现时，其可以例如是电子电路、专用集成电路（ASIC）、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM（EROM）、软盘、CD-ROM、光盘、硬盘、光纤介质、射频（RF）链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。

还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。

本发明中，针对一个实施方式描述和/或例示的特征，可以在一个或更多个其它实施方式中以相同方式或以类似方式使用，和/或与其他实施方式的特征相结合或代替其他实施方式的特征。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。