环形光纤声光耦合器构成的光时分复用器的理论研究

该文根据声光耦合理论,提出一种由环形光纤声光耦合器构成的新型全光时分复用器.从理论上分析了环形光纤声光耦合器的移频耦合特性,由该种耦合器的级联可实现8×2.5Gbs光时分复用(OTDM),并利用光纤声光耦合器分光比与工作波长可调性,避免了常规OTDM方法对器件性能的高要求.最后指出采用多个射频源作用于光纤声光耦合器可同时对多波长光脉冲时分复用产生高码率光脉冲信号.理论上的分析和仿真,表明了实现该器件的可行性.     

基于二维光栅的四通道完全垂直光学接口

作为单模光纤与硅基光电子芯片之间的光耦合接口,光栅耦合器具有强对准容差能力、可随意放置以及晶圆级测试能力等一系列优点,因此被广泛应用于硅基光耦合和光封装.然而为了减小二次反射,传统光栅耦合器通常设计为具有一定光耦合倾角,这个耦合倾角会给测试和封装带来不便.完全垂直光栅耦合器可以避免在光学封装中用到昂贵的角度抛光工艺,这个优点使得它们在多核芯光纤和光纤阵列的耦合应用中非常具有吸引力.本文提出并实验验证了一种基于二维光栅和四通道波导设计的完全垂直光耦合接口,器件仿真耦合效率最高可达54%,耦合中心波长在1555nm附近,向上的光反射损耗为14%(-8.5dB).为了实验验证器件功能,我们基于CMOS兼容工艺对器件进行了加工制造,器件光学输入为四通道垂直耦合二维光栅,通过两个1×2MMI光学合束器将四个通道合为两输出通道并通过光栅耦合器输出.器件实验测试结果显示器件总耦合效率可达40%(单端输出耦合损耗为-7dB),同时我们还测试了具有臂长差的器件,光谱呈现出较强的干涉波形,这说明器件具有类马赫曾德干涉仪的性质,有望在电光调制和光学滤波等领域获得应用.     

光纤耦合器的光功率分配精确校正

以3端口光纤耦合器(分路器)为例分析讨论了光纤耦合器的光功率分配精确校正方法,该思想方法可用于其他类型光耦合器及其他光器件的校正.     

窄带高隔离度光纤光栅反射滤波器的理论分析

利用光振幅传输矩阵和耦合模理论 .对光纤方向耦合器各臂中都含有光纤光栅的模型特性进行了理论分析 ,导出了模型任意一个端口作为光输入口时 ,四端口的光场输出解析表达式 .在此基础上 ,提出了一种窄带高隔离度光纤光栅反射滤波器的理论模型 ,分析了该模型的特性与其结构参数之间的关系 ,并给出了模型结构的理论参数     

高效率低向上反射的氮化硅光栅耦合器

氮化硅材料相比硅材料具有插入损耗低、热稳定性好、制作容差大及相对误差容忍度高的优点,引起了人们广泛的关注和极大的研究兴趣.光栅耦合器作为光芯片与片外光源的接口,以其优良的光耦合性能、放置位置灵活和便于晶圆级在线测试等诸多优点,在很多应用领域已经占据了越来越重要的位置.本文设计了一种基于氮化硅材料的垂直耦合的光栅耦合器,采用变迹光栅结构,实现了对入射光的垂直耦合.在1 550nm波长处,在带有衬底金属反射镜的情况下单向传输的耦合效率达到了79.5%,不引入金属反射镜的器件仍然能达到57.8%的耦合效率值,能很好地实现单向垂直光耦合的性能.对比同类型的硅材料的光栅耦合器,本设计在垂直输入耦合时向上反射的光损耗极低仅为0.29%,大大减弱了器件的负二阶上反射对光纤中入射光引起的串扰.这个设计对氮化硅光栅耦合器的实际制作有一定的参考价值.     

耦合器对掺铒光纤放大器增益谱的修正及模拟

根据陷波滤波器均衡法的原理，用光无源器件耦合器来修正掺铒光纤放大器增益谱线的不平坦，并探索出一种可以方便快捷地得到耦合器相关参数的方法。利用该方法可以对任何一个掺铒光纤放大器的增益谱进行优化设计，从而得到耦合器的相关参数，使得通过耦合器后的掺铒光纤放大器增益谱线的起伏小于给定阈值。     

以光子晶体光纤为基质的光纤耦合器的设计

设计了以光子晶体光纤为基质的1550nm波段的双芯光纤耦合器。耦合器双纤芯间距为4μm,空气孔孔径为1μm,孔间距为2μm,一个周期的耦合区长度为900μm。数值计算了光场在该光纤耦合器中的模场演化情况。数值计算结果表明,以光子晶体光纤为基质的光纤耦合器实现了常规光纤耦合器的功能。     

新型2×2单模光纤耦合器研究

本文利用熔融拉锥系统,只熔融不拉锥,获得了新型光纤耦合器的制作方法,并对其进行了性能测试和理论分析。通过大量的实验表明,该种新型光纤耦合器的性能均达到了熔融拉锥型光纤耦合器的性能指标,由于前者耦合区的直径相对于后者明显增粗。故其可靠性得到了大大的改善。此种方法还可用于其他各种光无源器件的制作。是一种值得探究和发展的新方法。     

光纤干涉器中的微波频率响应

根据非相干光传输理论,对光强调制信号在光纤干涉器中的传输过程进行较系统理论分析和计算机仿真,得到了微波信号在光纤Mach-Zenhder光纤滤波器、单耦合器光纤谐振环和双耦合器光纤谐振环中的传递函数,采用数字滤波器的理论方法,给出了相应器件取得零点、极点所需要的条件,并据此详细分析了光纤干涉器中的微波频谱特性,为不同类型微波光子滤波器的设计提供了结构和理论基础.     

长耦合区光纤熔锥型温度传感器

全光纤温度传感器是超高电压下测量温度的急需器件.用增长光纤耦合区长度的方法使得对温度不很敏感的光纤熔锥型耦合器其分束比对温度变得比较敏感,从而达到对温度传感的目的,由于没有附加敏感材料,其长期重复性和可靠性较好.对不同拉锥长度的耦合器在温度的敏感性和线性度等方面进行了研究,目前实验样品在－40～90℃范围内,输出分光可见度已达到0.7%/℃,并有较好的线性度和重复性.     

光纤耦合器对光谱响应的研究

 通过对耦合的理论分析,模拟了实际的拉锥过程,构建了光纤耦合器对光谱响应特性的理论模型。详细分析了不同熔烧长度和不同拉伸距离对光谱响应的影响,熔烧长度越短,拉锥曲线震荡越剧烈,到达归一化光功率为0.5所需要的拉伸长度越短,会出现更多的震荡包络;拉伸距离越长,产生的包络震荡越多,波长间隔越密,对光谱响应越为敏感,从实验中验证其合理性。这一模型的建立将大大减少实际工作中的盲目性,对光纤耦合器制作有一定的指导意义。     

一种改进型神经网络的光纤预警系统适应性研究

针对传统长距离光纤预警系统识别入侵事件误报率高的问题，提出了一种基于改进型神经网络的光纤预警系统并研究了该系统在不同环境下的泛化适应性.系统的分布式传感部分应用Phi-OTDR技术，信号识别部分采用一种改进型的神经网络对入侵事件进行识别分类.最后通过3种情况下的实验，探究了系统的适应性.结果表明，该系统在光纤振动信号识别中有优秀的分类效果，并且在不同的环境条件下也具备良好的适应性.      

电大尺寸矩形谐振腔耦合场的神经网络预测

以电大尺寸的矩形谐振腔局部点的前后门耦合场的计算,通过神经网络方法实现其他点耦合场的预测,判定矩形谐振腔的电磁敏感点.由于电大尺寸的矩形腔很难通过全波分析或小波分析获得特定条件下的耦合场,而神经网络方法不需考虑内部模型的复杂性便可实现非线性预测,因此将人工神经网络方法应用于电磁预测中可实现矩形腔耦合场的计算.通过电大尺寸矩形腔前后门耦合场实验方案,提取了目标参数,创建了BP神经网络的预测模型.即在平面波照射下,以入射波的功率,极化方向,预测点的位置坐标作为BP网络的输入参数,相应点的功率(电压)作为输出参数,经过适当的训练,建立耦合场的预测模型,并以此模型预测了腔体内探测点的耦合场.预测结果与实测结果相比较显示了该方法的有效性和准确性,为电大金属腔耦合场的计算提供了一种有效的方法.     

红麻生物酶脱胶BP神经网络预测模型的构建

针对红麻韧皮纤维生物酶脱胶过程具有的时变、非线性和不确定等特性,提出采用BP神经网络对脱胶过程进行预测建模的方法。根据脱胶实验中采用的多种不同的工艺参数和对应的脱胶效果,通过网络训练误差的横向和纵向的对比分析,选择采用traincgf函数主导的具有5-12-3结构的BP神经网络,成功地构建起脱胶过程的预测模型。     

径向水平井校直器的BP设计法

根据径向水平钻井井下斜向器校直机构的设计要求 ,提出了具体的设计原则。运用反向传播多层神经网络 (BP网络 )对校直机构的滚轮位置进行了计算 ,同时利用BP网络优选了校直器阻力最小时的设计方案。结果证明 ,利用BP神经网络进行设计可显著地减少校直器设计与调试中的盲目性。     

一种结构新颖的微带前向耦合器设计及其应用

定向耦合器在微波系统中应用广泛,而关于前向耦合器的研究甚少.介绍了一种中心频点在2.45GHz的微带线前向耦合器设计方法.该方法通过引入两条耦合平行线和不对称延迟线,既提高了耦合平坦度和隔离度,也避免了传统设计中因渐变线的引入而导致结构尺寸变大的缺陷.同时,基于该前向耦合器设计加工了一种探测流动溶液微弱介电特性改变的多端口射频电路,实验结果证明了该耦合器的可靠性.     

Development of Flexible Luminous Fabrics for Photodynamic Therapy in Biomedical Applications

Fabrics integrating with side-emitting polymer optical fiber( SE-POF) have great potentials for photodynamic therapy( PDT),which is a form of phototherapy recognized as a treatment strategy that is both minimally invasive and minimally toxic.Preliminary research has been undertaken to develop flexible luminous fabrics( FLF) device for PDT used in biomedical applications. The FLF device consists of SE-POFs, textile substrates,light source( LEDs or laser) with proper wavelength,and optical fiber coupling,etc. Different patterns of the fabrics were designed and fabricated purposely,and the light illumination effect was tested including the light power emitting from the patterned optical fiber fabrics,the stability of the illumination,and the light with different wavelengths. The work contributes to the successful development of an efficient and pain-alleviated illumination device for PDT in biomedical application.     

基于深度学习的光纤收卷机器视觉自动检测技术

已有的光纤收卷检测方法的泛化能力和环境适应性均较差，无法应用于工业生产.提出基于深度学习的机器视觉方法对收卷过程中的收卷图像进行分类来解决光纤收卷问题.通过考虑光纤收卷时光纤间力的作用，建立了光纤收卷模型，提出了光纤收卷时排线机构的速度表达式.使用相机采集大量光纤收卷图片形成数据集，搭建并训练神经网络模型用于对收卷情况进行分类.通过实验验证，该方法对间隙状态的识别正确率在94.67%以上，叠线状态识别正确率为100%，检测速度高于实际生产绕线速度，是一种可以和控制系统相结合替代人工收卷并实现自动精密绕线的良好方法.     

Gender Recognition with Face Images Based on Partially Connected Neural Evolutionary

In this paper,a new type of neural network model - Partially Connected Neural Evolutionary (PARCONE) was introduced to recognize a face gender. The neural network has a mesh structure in which each neuron didn't connect to all other neurons but maintain a fixed number of connections with other neurons. In training,the evolutionary computation method was used to improve the neural network performance by change the connection neurons and its connection weights. With this new model,no feature extraction is needed and all of the pixels of a sample image can be used as the inputs of the neural network. The gender recognition experiment was made on 490 face images (245 females and 245 males from Color FERET database),which include not only frontal faces but also the faces rotated from-40°-40° in the direction of horizontal. After 300-600 generations' evolution,the gender recognition rate,rejection rate and error rate of the positive examples respectively are 96.2%,1.1%,and 2.7%. Furthermore,a large-scale GPU parallel computing method was used to accelerate neural network training. The experimental results show that the new neural model has a better pattern recognition ability and may be applied to many other pattern recognitions which need a large amount of input information.