论文部分内容阅读
摘 要：在我国当下的光纤通信系统中，光纤是光波的主要传输介质。因此，光纤材料的传导性能对以光纤为主的通信系统的传输质量有着十分重要的影响。目前国内有着多种多样的光纤，截至目前在对光纤材料的传导性能进行评估时，我们已经掌握的评估方法有很多，不同的方法能够从不同侧重方面对光纤材料的传导性能进行评估。本文主要通过波动理论及射线光学理论对光纤中的模式和传光原理进行分析，再根据基于神经网络算法来对检测结果进行深度分析。
关键词：光纤材料；神经网络；传导性能
一、引言
随着我国进入信息化时代以来，通信系统得了长期有效的发展，从而通信系统的快速发展也带动了光纤材料的发展。在光纤通信系统中，光纤材料的传导性能将会从很大程度上决定通信系统的传输质量。因此，光纤材料的传导性能质量也就直接影响到国家的通信网络系统的发展和工业生产活动的发展。在对光纤材料的传导性能进行评估的过程中，我们需要对光纤材料的多项物理指标进行检测。另一方面，我国目前的光纤材料领域发展十分迅速，如何在国家的国防通信领域和工业通信领域更好地使用具有高效率传导性能的光纤，是一件很有重大意义的事情。
目前国内在对光纤材料的传导性能进行检测的方法多为物理层面的，物理层面的检测方法虽然较为有效，但是均为传统的检测方法，无法更好地对检测数据进行深度挖掘和智能化地分析。因此，如何从物理检测方法对光纤材料的传导性能进行检测，并且通过智能算法对检测结果进行信息挖掘，这也是目前国内外多个学者所研究的主要方向之一。本文讲述了一种基于神经网络算法的光纤材料传导性能研究方法。
二、基于神经网络算法的光纤材料的传导性能研究
2.1光纤材料的基本简介及光在光纤材料中的传导原理
光纤的基本结构有以下几部分组成：折射率（n1）较高的纤芯部分、折射率（n2）较低的包层部分以及表面涂覆层[1]，在常见的光纤材料中，为了更好地保护光纤，使其传导性能不受外界的破坏，在涂覆层外一般会有二次涂覆层（又称塑料套管）。
光纤的分类并不是统一化的，而是按照不同的分类方法进行分类。例如可以从折射率分布对光纤进行分类，可以把光纤分为阶跃型和渐变型；也可以从二次涂覆层结构对光纤进行分类，把光纤分为紧套结构型和松套结构型；还可以从传导模式对光纤进行分类，分为单模光纤和多模光纤。
我们在对光波在光纤中传输过程进行分析可应用两种理论，分别是波动理论和射线理论。波动理论主要是分析了光波在阶跃折射率光纤中传播的模式特性，属于一种定量性的分析，这种分析方法误差较小，但是其整体过程却并不简便直观。与波动理论不同的是，射线理论在分析光纤材料的传导性能时，采用的是一种近似的分析方法，属于一种定性分析的方法，这种方法虽然精确度不是很高，但是整体过程却十分简单直观，利用射线分析方法，可以较为直观地对光纤的传光原理进行说明，光在光纤材料中的传光原理.
2.2神经网络算法对光纤材料的传导性能分析的基本原理
典型的神经网络结构是一种具有三层或三层以上结构的无反馈的、层内无互连结构的前向网络，其中首尾两层分别称为输入层和输出层，中间各层为隐含层（也称中间层）。神经网络中各层之间的神经元为全连接关系，层内的各个神经元之间无连接。我国当下多个行业中所运用的神经网络算法是依据人体的神经元整体结构和大脑对神经元直接的双向调节和自动处理而形成的一种具有“人体生物特征”的智能算法。当我们通过这种针对具有多个神经元结构（突触）特征的单个神经元结构进行随机处理，即对光纤材料的物理属性的数据耦合分析以及多个传导性能指标组合的向量化处理，达到对多种光纤材料传导性能的归一化分析。从总的数据结果中找到与标准数据组（传导性能优良的光纤材料的物理属性数据）匹配度高的多项数据组，则这些数据组被选中进行二次或者多次优先匹配的概率就大，反之检测结果匹配度低的数据组被选中进行二次或者多次归一化处理的概率就会很低。多次对比分析产生的新一代具有标准化物理属性数据特征的光纤材料不仅继承了上一轮智能筛选之后的结果，而且其传导性能优良程度还优于标准组。这样经过几次双向信息交互循环聚类处理之后，最终筛选出传导性能符合要求的光纤材料。如此一来，不仅能够判断出到不同类型的光纤的传导性能，还可以对传导性能优良的光纤寻找相同特征，甚至可以进行反向分析，从而对不同光纤材料的传导性能优良程度进行预测。
2.3基于神经网络算法的光纤材料的传导性能研究的实现过程
由于神经网络算法会随着误差反向传播不断的进行修正，从而不断提高对目标光纤材料识别的正确率，因此，本神经网络算法采用的循环评估方法是误差反向传播算法，它是一种误差函数按梯度下降的算法。在具体实现过程中，在神经网络算法下，首先会利用已有的光纤材料传导性能数据库信息进行聚类处理得到所需要的目标光纤的传导性能指标数据的具体数值范围，再利用神经网络算法在待检测光纤样本中进行具体地归类处理，最终得到传导性能优良度高的最优解搜索，进而筛选出存在传导性能符合要求的光纤材料。
本文所使用的基于神经网络算法的光纤材料传导性能检测模型可以将传统的光纤传导性能检测方法与现有的人工智能化数据分析方法相结合，并且根据影响传导性能的物理属性进行不同程度的权重分析处理，这样一来，在实验过程中对不同光纤材料传导性能的优良程度的误差则会大大降低。
2.4基于神经网络算法的光纤材料传导性能研究过程的数学分析
本基于神经网络算法的光纤材料传导性能检测模型是采用神经网络算法进行自我循环式检测的，各个处理单元的阈值 是为模拟生物神经元的动作电位设置的，其相关的Sigmoid函数的一阶导数为：
将第一批目标光纤样本的分析结果进行归一化处理，其归一化方程为：
其中x是处理前的值，y是处理后的值，Xmin是样本最小值，Xmax是样本最大值。将输入层数据导入隐藏层第一个神经节点内进行运算：
其中Wij是權重，0.1θj是偏倚，0.2f（x）是激活函数X1=0，X2=0.08。
三、结束语
本文主要研究了光纤材料的传导性能，采用了基于神经网络算法与物理分析相结合的研究方法，并且对该研究方法的基本原理和基本实现步骤进行了简述。本研究中的所采用的分析模型能够对不同的光纤样本的传导性能的不同检测指标进行智能分析，并且能够在一定程度上对新型光纤材料的传导性能的优良程度进行预测。
参考文献
[1]张立永.国内外光纤技术研究进展[A].中国电子材料行业协会.光纤材料产业技术创新战略联盟（试点）推进暨学术研讨会论文集[C].中国电子材料行业协会：，2012：18.
[2]余重秀.光子晶体光纤非线性研究的新进展[A].中国电子材料行业协会.光纤材料产业技术创新战略联盟（试点）推进暨学术研讨会论文集[C].中国电子材料行业协会：，2012：11.
[3]刘蕾.长周期光纤光栅的光学特性分析及飞秒激光制造方法研究[D].中南大学，2012.
（作者单位：广东特发信息光缆有限公司）
关键词：光纤材料；神经网络；传导性能
一、引言
随着我国进入信息化时代以来，通信系统得了长期有效的发展，从而通信系统的快速发展也带动了光纤材料的发展。在光纤通信系统中，光纤材料的传导性能将会从很大程度上决定通信系统的传输质量。因此，光纤材料的传导性能质量也就直接影响到国家的通信网络系统的发展和工业生产活动的发展。在对光纤材料的传导性能进行评估的过程中，我们需要对光纤材料的多项物理指标进行检测。另一方面，我国目前的光纤材料领域发展十分迅速，如何在国家的国防通信领域和工业通信领域更好地使用具有高效率传导性能的光纤，是一件很有重大意义的事情。
目前国内在对光纤材料的传导性能进行检测的方法多为物理层面的，物理层面的检测方法虽然较为有效，但是均为传统的检测方法，无法更好地对检测数据进行深度挖掘和智能化地分析。因此，如何从物理检测方法对光纤材料的传导性能进行检测，并且通过智能算法对检测结果进行信息挖掘，这也是目前国内外多个学者所研究的主要方向之一。本文讲述了一种基于神经网络算法的光纤材料传导性能研究方法。
二、基于神经网络算法的光纤材料的传导性能研究
2.1光纤材料的基本简介及光在光纤材料中的传导原理
光纤的基本结构有以下几部分组成：折射率（n1）较高的纤芯部分、折射率（n2）较低的包层部分以及表面涂覆层[1]，在常见的光纤材料中，为了更好地保护光纤，使其传导性能不受外界的破坏，在涂覆层外一般会有二次涂覆层（又称塑料套管）。
光纤的分类并不是统一化的，而是按照不同的分类方法进行分类。例如可以从折射率分布对光纤进行分类，可以把光纤分为阶跃型和渐变型；也可以从二次涂覆层结构对光纤进行分类，把光纤分为紧套结构型和松套结构型；还可以从传导模式对光纤进行分类，分为单模光纤和多模光纤。
我们在对光波在光纤中传输过程进行分析可应用两种理论，分别是波动理论和射线理论。波动理论主要是分析了光波在阶跃折射率光纤中传播的模式特性，属于一种定量性的分析，这种分析方法误差较小，但是其整体过程却并不简便直观。与波动理论不同的是，射线理论在分析光纤材料的传导性能时，采用的是一种近似的分析方法，属于一种定性分析的方法，这种方法虽然精确度不是很高，但是整体过程却十分简单直观，利用射线分析方法，可以较为直观地对光纤的传光原理进行说明，光在光纤材料中的传光原理.
2.2神经网络算法对光纤材料的传导性能分析的基本原理
典型的神经网络结构是一种具有三层或三层以上结构的无反馈的、层内无互连结构的前向网络，其中首尾两层分别称为输入层和输出层，中间各层为隐含层（也称中间层）。神经网络中各层之间的神经元为全连接关系，层内的各个神经元之间无连接。我国当下多个行业中所运用的神经网络算法是依据人体的神经元整体结构和大脑对神经元直接的双向调节和自动处理而形成的一种具有“人体生物特征”的智能算法。当我们通过这种针对具有多个神经元结构（突触）特征的单个神经元结构进行随机处理，即对光纤材料的物理属性的数据耦合分析以及多个传导性能指标组合的向量化处理，达到对多种光纤材料传导性能的归一化分析。从总的数据结果中找到与标准数据组（传导性能优良的光纤材料的物理属性数据）匹配度高的多项数据组，则这些数据组被选中进行二次或者多次优先匹配的概率就大，反之检测结果匹配度低的数据组被选中进行二次或者多次归一化处理的概率就会很低。多次对比分析产生的新一代具有标准化物理属性数据特征的光纤材料不仅继承了上一轮智能筛选之后的结果，而且其传导性能优良程度还优于标准组。这样经过几次双向信息交互循环聚类处理之后，最终筛选出传导性能符合要求的光纤材料。如此一来，不仅能够判断出到不同类型的光纤的传导性能，还可以对传导性能优良的光纤寻找相同特征，甚至可以进行反向分析，从而对不同光纤材料的传导性能优良程度进行预测。
2.3基于神经网络算法的光纤材料的传导性能研究的实现过程
由于神经网络算法会随着误差反向传播不断的进行修正，从而不断提高对目标光纤材料识别的正确率，因此，本神经网络算法采用的循环评估方法是误差反向传播算法，它是一种误差函数按梯度下降的算法。在具体实现过程中，在神经网络算法下，首先会利用已有的光纤材料传导性能数据库信息进行聚类处理得到所需要的目标光纤的传导性能指标数据的具体数值范围，再利用神经网络算法在待检测光纤样本中进行具体地归类处理，最终得到传导性能优良度高的最优解搜索，进而筛选出存在传导性能符合要求的光纤材料。
本文所使用的基于神经网络算法的光纤材料传导性能检测模型可以将传统的光纤传导性能检测方法与现有的人工智能化数据分析方法相结合，并且根据影响传导性能的物理属性进行不同程度的权重分析处理，这样一来，在实验过程中对不同光纤材料传导性能的优良程度的误差则会大大降低。
2.4基于神经网络算法的光纤材料传导性能研究过程的数学分析
本基于神经网络算法的光纤材料传导性能检测模型是采用神经网络算法进行自我循环式检测的，各个处理单元的阈值 是为模拟生物神经元的动作电位设置的，其相关的Sigmoid函数的一阶导数为：
将第一批目标光纤样本的分析结果进行归一化处理，其归一化方程为：
其中x是处理前的值，y是处理后的值，Xmin是样本最小值，Xmax是样本最大值。将输入层数据导入隐藏层第一个神经节点内进行运算：
其中Wij是權重，0.1θj是偏倚，0.2f（x）是激活函数X1=0，X2=0.08。
三、结束语
本文主要研究了光纤材料的传导性能，采用了基于神经网络算法与物理分析相结合的研究方法，并且对该研究方法的基本原理和基本实现步骤进行了简述。本研究中的所采用的分析模型能够对不同的光纤样本的传导性能的不同检测指标进行智能分析，并且能够在一定程度上对新型光纤材料的传导性能的优良程度进行预测。
参考文献
[1]张立永.国内外光纤技术研究进展[A].中国电子材料行业协会.光纤材料产业技术创新战略联盟（试点）推进暨学术研讨会论文集[C].中国电子材料行业协会：，2012：18.
[2]余重秀.光子晶体光纤非线性研究的新进展[A].中国电子材料行业协会.光纤材料产业技术创新战略联盟（试点）推进暨学术研讨会论文集[C].中国电子材料行业协会：，2012：11.
[3]刘蕾.长周期光纤光栅的光学特性分析及飞秒激光制造方法研究[D].中南大学，2012.
（作者单位：广东特发信息光缆有限公司）