课程文献中心 更多>>

关键词： 光频梳   色散调控氟碲酸盐玻璃光纤   腔外扩谱   O-U波段平坦   噪声分析   量子郎之万方程  

摘要： 光学频率梳（简称光频梳）作为一种优秀的多波长光源在通信领域具有巨大的应用潜力。通过将光频梳光源与波分复用技术（WDM）、空分复用技术（SDM）结合,通信系统可以具有百Tbit/s量级的传输速率,在5G/6G通信、物联网、自动驾驶等方面具有重要的应用价值。目前实现光频梳的方法主要有以下四种,分别为基于锁模激光器产生飞秒光频梳、基于光学微腔产生光频梳、基于电光调制器产生光频梳以及基于行波四波混频产生光频梳。它们各具特点,但所产生的光频梳均难以同时实现宽带宽、高信噪比、高平坦度、高梳齿功率以及梳齿频率间隔大范围可调谐,这在一定程度上限制了光频梳在光通信领域的广泛应用。针对这些问题,本文设计了基于色散调控氟碲酸盐玻璃光纤的宽带平坦光频梳产生方法,并研究了该方法所产生光学频率梳在光通信领域应用的潜力,具体研究成果如下: （1）提出了一种受激布里渊激光腔与腔外光纤扩谱技术相结合产生宽带平坦光频梳的方法。首先,利用双波长受激布里渊激光腔产生高质量的光频梳作为种子光,所产生的种子光通过腔外负色散光纤进行脉冲压缩,而后利用高非线性氟碲酸盐光纤进行光谱展宽。为提升所产生光学频率梳的光谱带宽和平坦性,对上述氟碲酸盐光纤的色散进行了精细的设计。数值计算结果表明,通过调节脉冲压缩光纤的长度以及氟碲酸盐光纤的结构色散,可获得光谱范围覆盖整个O-U波段,且在O-U波段梳齿强度标准差小于5 d B的平坦光频梳,此外,通过改变双波长布里渊激光间的频率间隔,所产生的宽带平坦光频梳的梳齿间隔可在50GHz～250 GHz之间大范围调谐。 （2）研究了宽带平坦光频梳的噪声特性,论证了上述光频梳在梳齿线宽与频率噪声上的优势。计算了光频梳不同通信波段梳齿的线宽,得益于布里渊激光窄线宽的优势,扩谱后得到的光频梳具有窄梳齿线宽,不同波段梳齿的3 d B线宽均小于1 MHz。同时,计算了不同梳齿的频率噪声,计算结果表明,系统对输入噪声表现出了明显的低通滤波性质,在1 k Hz处,梳齿的噪声频率起伏谱密度小于1000 Hz/Hz1/2;而在1 MHz处与4 MHz处,噪声频率起伏谱密度分别降低至100 Hz/Hz1/2与30 Hz/Hz1/2。进一步,利用量子郎之万方程,建立了系统中受激布里渊激光腔的滤波模型并进行了仿真分析,结果表明,由于腔内受激布里渊激光自动位于谐振腔的谐振频率,与腔外泵浦方式相比,受激布里渊腔产生的光频梳具有更低的噪声截止频率,对更大范围内的频率噪声体现出截止特性。

关键词： 光纤布拉格光栅   阵列波导光栅   光纤法布里-珀罗标准具   传感技术   解调系统  

摘要： 近年来,光纤布拉格光栅(Fiber Bragg Grating,FBG)以其传输损耗低、抗电磁干扰、电隔离、重量轻等优点,被广泛用于工程、航空航天、医学等领域,基于光纤布拉格光栅的传感器可用于温度、压力、应变、加速度等物理量的测量。例如,光纤布拉格光栅可用于桥梁、隧道、建筑等结构的变形和应力,实现对结构健康状态的实时监测;也可以用于测量医学设备中的温度和压力,提高医疗设备的安全性和稳定性。同时,由于光纤布拉格光栅的高信噪比、结构紧凑性、高线性度、高灵敏度、抗电磁干扰性等优点,使得它们在恶劣环境如高温、极寒、高湿度、电磁环境复杂等情况下对比传统电学传感器有着巨大优势,在现代工业社会中有着举足轻重的地位。基于FBG的传感器通常是通过其反射谱的中心波长变化来反映外界物理量的变化,因此获取传感器中FBG的中心反射波长即FBG的解调技术是传感系统中的重要步骤,国内外学者对FBG的解调技术进行了深入的研究,提出了多种方法,它们都有各自的优势和劣势,除了环境适应性的问题外,还难以做到解调速度和解调精度的兼顾。 针对上述问题,本文基于阵列波导光栅(Array Wave guide Grating,AWG)设计搭建了一套FBG解调系统,在此过程中,除了提出基本的设计考虑因素之外,还在算法上进行了改进,解决了部分基于AWG对FBG进行解调的实际问题,并提出了一种方法对阵列波导光栅的温度敏感性进行了校正研究。 本文的主要研究工作如下: (1)简要介绍了基于光纤布拉格光栅的传感器的国内外研究概况,对光纤布拉格光栅的传感原理进行理论上的分析介绍。之后罗列了几种常见的光线布拉格光栅解调技术,介绍了它们的基本原理和研究现状,并对其优缺点进行对比分析。在此基础上提出了阵列波导光栅,简要介绍了基于阵列波导光栅的FBG解调技术研究概况。 (2)利用ASE宽带光源和阵列波导光栅解调FBG的原理验证,证明了该方案的可行性后将解调系统的整体构造分为了光学、电学、机械、上位机四个部分,对所需的光学器件和电子器件进行了详细的选型考虑;确定了机箱内部的具体布局和底板、侧板的设计制造;完成了基于Lab VIEW环境下的上位机程序开发,并针对大范围连续解调过程中的波长不连续问题进行了算法改进,经实验证明有效解决了动态信号解调种的信号失真问题。 (3)展示了解调仪实物图与上位机显示面板,并利用该解调系统与现有的两款FBG解调产品进行了多种应用场合下的性能对比测试,测试场景包括温度解调、蜂鸣片振动频率解调、气瓶压力信号解调、柴油发动机缸压解调。测试结果显示该解调系统的多项性能参数如波长稳定性、解调精度、解调速度、波长分辨率等优于同类产品,能够用于实际工业应用。 (4)简要介绍了F-P标准具的特性、基本结构以及跳峰F-P标准具的组成方式、工作原理。通过对跳峰F-P标准具和AWG的升温实验证明了前者的温度稳定性和后者的温度敏感性,阐述了了利用跳峰F-P标准具和可调窄带光源计算AWG通道波长的原理并进行了相关实验,实验结果表明当AWG的温度上升到35℃以后,利用该校正方法得到通道波长值能显著减小与实际波长值之间的偏差,具有良好的波长校正效果。

关键词： 张量分解   神经网络   紧致模型   模型压缩   模型初始化   训练加速  

摘要： 近年来,深度神经网络模型对社会产生了极大的影响,更是在各种任务上取得了突破性的成功。然而,在取得各种成功的同时,深度模型的训练确存在两大挑战:1)模型体积庞大导致对资源需求的增加,不仅仅是增加存储资源,对运行内存的使用量也急剧增加;2)训练的计算成本也在日益扩增,导致深度模型的训练不仅需求庞大的计算力,还很耗时。基于此,为了实现深度学习模型在参数压缩、训练加速方面的目标,本文着眼于张量模型紧致的特点,介绍了一系列结合紧致张量网络和深度模型的研究工作。本文的研究集中在四个关键领域:张量卷积神经网络的通用初始化方法、张量环网络的优化秩搜索、Transformer模型的张量环高效训练策略、以及从零开始训练的3渐进式深度扩展方法。这些研究工作共同推进了深度学习领域的发展,特别是在处理模型复杂性和计算资源限制方面。本文提出的方法具体如下: 第一,针对张量卷积神经网络（Tensorial Convolutional Neural Network,TCNN）的初始化问题,本文提出了一种考虑其拓扑结构的通用初始化方案。该方案首先将TCNN表示为一个由Dummy张量和超边构成的张量图,从而提取出一个核心的骨干图,进一步将其编码为邻接矩阵。通过这一邻接矩阵,能够计算出一个适宜的初始方差,为TCNN的权重初始化提供一个稳定的起点。这种方法充分考虑了TCNN中的信息流动特性,能够适配不同的数据流类型,如前向传播中的特征传递和后向传播中的梯度流动,从而为TCNN提供了一个更为稳定且高效的初始化方案。 第二,为了实现更好的压缩率和性能的平衡,本文提出了一种渐进式张量环网络搜索策略,称为PSTRN。该策略核心在于采用多目标遗传算法（NSGA-II）来平衡参数压缩比与模型性能之间的关系,从而自动寻找最优的张量环秩配置。PSTRN方法通过定义一个全面的秩元素候选组合搜索空间,并在进化过程中逐步推导出最优秩配置。为了提升搜索效率,采用了一种权重继承策略,这一策略能够通过重用先前训练模型的权重来减少新模型的训练时间。通过这种交替的进化和渐进阶段,PSTRN有效地探索了秩配置空间,实现了在模型压缩和性能之间的最佳平衡。 第三,在提升Transformer模型训练效率方面,通过深入分析不同预训练模型之间的内在联系,本文提出了一种基于全映射转换的策略Mango。该策略不仅利用了预训练模型的权重,还通过设计一种创新的多线性结构来优化权重映射过程。Mango方法将大型的映射张量分解为多个较小的张量,从而大幅降低了参数空间的需求,同时保留了模型间权重转移的高表达力。这一策略不仅显著提升了训练效率,还维持了模型性能,展示了利用预训练模型权重在加速新模型训练中的巨大潜力。 第四,在从零开始高效训练深度模型方面,提出了Apollo方法。Apollo通过对Tensor Train Time（3）分解的建模,实现了模型深度的逐步扩展,并通过采样因子进行深层预学习,有效加速了训练过程。利用低值优先采样LVPS技术,Apollo优先训练较浅层,从而在整个训练过程中降低了资源消耗。同时,通过深层预学习为模型后续扩展提供了坚实的基础。此外,Apollo还采用了一种插值技术来平滑地扩展模型深度,有效避免了直接层叠可能引起的训练不稳定问题。结果显示,Apollo能有效加速模型训练,并超过一些通过预训练加速的模型（如bert2BERT）。 综上所述,本文围绕紧致张量化神经网络的课题进行了低秩模型和模型加速的探究,成功实现了模型的压缩,并实现有效的初始化,以及为继承加速和从零加速提供有效的解决思路。这些成果展现了本文在理论和实践上的创新,对深度学习领域的发展具有重要的贡献。在未来,预计这些方法能够进一步优化,以适应更广泛的应用场景和更复杂的数据类型,期待这些方法在未来能够促进深度学习技术的进一步发展,特别是在资源受限的环境下,实现高效而强大的深度学习模型。