基于机器学习的高速光通信系统光纤设计开题报告

1. 研究目的与意义

近年来，随着第五代移动通信技术、流媒体、大数据、物联网、云计算、虚拟现实等技术、应用的急速发展，网络流量出现指数型增长，进入了信息爆炸的时代。为了解决信息量日益增长的问题，光纤通信网络被广泛应用。光纤通信是一种高速、高带宽、低损耗的通信方式，其核心技术是光纤。光纤是一种用于传输光信号的细长玻璃或塑料管道，其内部光滑平整，可以将光信号传输到很远的距离。然而，在光纤传输过程中，由于各种环境因素的影响，光信号在传输过程中会发生损耗。

另一方面，人工智能自上世纪以来取得了长远的发展。现如今，机器学习技术已经在计算机视觉，自然语言处理等方面取得了卓有成效的应用，例如在人工学习，机器学习，神经网络，和深度学习中，人工智能作为计算机科学的子领域，被广泛应用于对人类简单但却计算机处理困难的任务，例如语音转文字输出。而对于机器学习，是为了实现人工智能，通过给定的数据集构造出相对应的函数映射关系。神经网络是一种属于机器学习的技术，得益于多层多神经元结构及非线性激活函数的应用，其在解决非线性问题上具有很大的优势。具有多隐藏层的神经网络就是深度学习的一种结构，为了提升深度学习的性能及简化网络参量，多种新型网络结构如卷积神经网络（cnn)、循环神经网络(rnn)等应运而生。得益于训练数据的大幅增加及计算资源的飞速提升，深度学习在图像识别领域取得了重大发展，是目前最热门的机器学习方法。人工智能作为第四次工业革命的关键技术，在各个行业中都得到了极大关注。

机器学习的快速发展，使得越来越多的研究人员将机器学习应用于光纤设计中。2022年，秦海波等人提出了一种基于机器学习和优化算法的光学特性预测方法，通过逆向设计的方法，来设计出具有理想损耗系数的光纤。本文将要用神经网络设计出一种抗弯曲低损耗的光纤。

2. 研究内容和预期目标

为了解决信息量日益增长的问题，光纤通信被应用到各种领域。但是受制于复杂的环境因素，导致光纤信号在传输中会受到不可控的损耗，因此需要设计抗弯曲低损耗光纤。传统的光纤设计方法难以取得较低的弯曲损耗，而神经网络的快速发展为低损耗的光纤设计提出了新的解决方案，本课题研究基于神经网络的抗弯曲低损耗光纤的设计方法：了解低损耗光纤和机器学习的基本知识和发展现状；掌握光纤设计基本方法和基于机器学习的反向设计流程；设计一种抗弯曲低损耗的光纤；使用数据集训练神经网络，使用经过训练的数据集反向设计抗弯曲低损耗光纤。

预期目标：

1、查阅相关的文献资料，确定整体的设计框架

3. 研究的方法与步骤

课题使用有限元仿真软件通过输入光纤结构参数来得到基模弯曲损耗，通过在一定区间内改变光纤的结构参数来得到基模弯曲损耗的集合，以此作为数据集用于神经网络训练。采用神经网络逆设计的方法，输入基模弯曲损耗，可得到光纤的结构参数。通过计算逆设计得到的结构参数与传统设计方法的结构参数的正相关系数，可由此判断机器学习逆设计的准确性。

研究步骤：

1、查阅资料，学习光纤、机器学习相关知识，明确研究内容、目标；

4. 参考文献

[1] 苗效方，吴鹏，赵保银，梳状大模场光纤结构的优化设计，红外与激光工程，2019，48(9):;

[2] 叶玉儿，李军依，曹萌等，双模式涡旋光束的轨道角动量的精确识别，激光与光电子学进展，2021，58(18):384-391；

[3] 秦海波，基于机器学习和优化算法的光纤光学特性预测与逆向设计研究，天津理工大学，2022；

5. 计划与进度安排

1、2月20日~3月20日 查阅文献、收集资料；

2、3月21日~4月16日 完成开题报告，学习有限元仿真软件的使用并设计光纤；

3、4月17日~4月27日 学习神经网络与机器学习，搭建神经网络开发环境