1 南京信息工程大学 1. 江苏省气象探测与信息处理重点实验室
2 2. 江苏省大气环境与装备技术协同创新中心, 南京 210044
针对退火质子交换(APE)MgO∶PPLN波导在中红外差频转换过程中存在模场约束能力弱、模场重叠因子小等问题, 提出一种基于反质子交换(RPE)工艺的高效MgO∶PPLN脊波导的设计新方法。采用RPE工艺, 使波导区域折射率呈对称分布, 有效调控基频光和闲频光模场分布, 提高模场重叠因子。仿真结果显示, 相比于APE MgO∶PPLN脊波导, 该新型脊波导可将基频光和闲频光的基模模场调控至波导中部区域, 模场重叠因子由0.2714μm-1提高至0.4614μm-1, 相应的中红外差频转换效率提高了2.98倍。
中红外 反质子交换 脊波导 差频产生 mid-infrared RPE ridge waveguide difference frequency generation
上海交通大学 电子信息与电气工程学院,上海 200030
讨论了BP神经网络模型在传感器非线性补偿中的应用。给出了相应的补偿方法,即采用两个相同的传感器对同一被测量进行不同的测量,其测量结果作为神经网络模型的输入,经过补偿后的传感器具有线性的输入输出关系。采用递推预报误差算法(PRE)训练神经网络,具有收敛速度快、收敛精度高的特点。以距离传感器为例,将基于BP神经网络的校正方法应用于减少距离传感器的非线性输出误差。实验结果表明,将训练后的神经网络接入距离传感器可以得到线性的输入-输出关系,增加神经网络隐层节点的数目可以提高校正精度。当隐层节点数取为40时,用于距离传感器非线性校正的神经网络模型在训练100步后的误差指数(EI)为9.6×10-6。结果表明:本文提出的基于神经网络模型的传感器非线性校正方法是行之有效的。
BP神经网络 RPE算法 传感器 非线性补偿 Back Propagation(BP) neural network Recursive Prediction Error(RPE) algorithm sensor nonlinear correction
