研究目的
仅利用机器学习基于光谱强度测量来研究光纤调制不稳定性的时域特性。
研究成果
机器学习仅通过光谱强度测量就能有效研究光纤调制不稳定性的时间特性，为非线性系统中的极端事件提供新见解。
研究不足
该技术的有效性受到光谱测量动态范围和用于训练神经网络的模拟模型精度的限制。
1：实验设计与方法选择：
本研究采用通过模拟训练的监督神经网络来关联调制不稳定性的光谱与时间特性。
2：样本选择与数据来源：
训练数据由广义非线性薛定谔方程（NLSE）模型的数值模拟生成，分析则使用高动态范围实验光谱。
3：实验设备与材料清单：
包括光子晶体光纤（PCF）、锁模钛宝石激光器以及高动态范围实时光谱仪装置。
4：实验流程与操作步骤：
实验设置通过向PCF注入脉冲产生噪声调制不稳定性场，并利用新型实时光谱仪测量光谱。
5：数据分析方法：
应用机器学习算法（监督式与非监督式）分析光谱数据并预测时间特性。
独家科研数据包，助您复现前沿成果，加速创新突破
获取完整内容-
photonic crystal fibre
NL-PM-750
NKT Photonics
Used to generate modulation instability by injecting pulses into its anomalous dispersion regime.
-
EMCCD camera
iXon 3
Andor
Used for single-shot spectral intensity measurements with high dynamic range.
-
mode-locked Ti:Sapphire laser
Pump source for generating the initial pulses.
-
Czerny–Turner spectrograph
Disperses consecutive spectra onto different lines of the EMCCD camera.
-
notch filter
Edmund Optics
Used for differential spectral attenuation in the experimental setup.
-
登录查看剩余3件设备及参数对照表
查看全部
