光子晶体光纤性能参数预测方法、装置、设备及存储介质

1.本发明涉及智能光子晶体光纤器件设计领域，特别涉及一种光子晶体光纤性能参数预测方法、装置、设备及存储介质。


背景技术：

2.光子晶体光纤的出现打破了传统光纤光学的束缚，其独特的结构决定了其独特的性能，给多个研究领域和技术领域带来了新的复兴潜力。从光子晶体光纤在模式、色散以及非线性等方面所具有的特性及其广阔的应用范围来看，光子晶体光纤将给通信技术、微光电子学、微纳米光学、强场物理学、光测量学等等学科带来极大的冲击。因此对光子晶体光纤的结构设计以及性能优化具有重要的意义。
3.光子晶体光纤的设计非常依赖研究人员的经验，需要逐步摸索光学结构和性能之间潜在的规律和联系，并通过反复调整优化参数达到优化其结构与性能的目的。传统光子晶体光纤设计主要采用电磁仿真方法，该方法需要基于先验的物理效应，通过对少数特性参数的调谐，找出满足具体应用需求的器件结构特征。虽然仿真方法可以准确对光子晶体光纤的光学特性进行计算求解，但是海量的数据处理与运算导致传统的求解方法非常的耗费时间；同时由于光子晶体光纤结构有着极大的设计自由度，使得研究人员想要得到符合设计指标的参数十分不便，极大的制约了光子晶体光纤的研究进程。
4.因此，传统电磁仿真方法在光子晶体光纤传感器设计时需要花费大量计算资源是亟待解决的技术问题。


技术实现要素：

5.本发明主要解决传统电磁仿真方法光子晶体光纤传感器设计时花费大量计算资源的技术问题，本发明采取的技术方案是：采用bp神经网络建立光子晶体光纤结构与性能参数之间复杂的非线性映射关系，并采用鲸鱼算法对bp神经网络的权值和阈值进行优化，网络模型训练完成后用于快速预测光子晶体光纤性能，从而用于光子晶体光纤结构的辅助设计。
6.根据本发明的第一方面，一种光子晶体光纤性能参数预测方法，包括以下步骤：
7.获取数据集，数据集包括决定光子晶体光纤特性的物理结构参数以及衡量光子晶体光纤传输性能的限制损耗；
8.对所述数据集进行归一化处理；
9.建立bp神经网络模型，并初始化bp神经网络模型的权值和阈值；
10.利用鲸鱼算法优化bp神经网络模型，获取bp神经网络模型的最优权值与最优阈值；
11.利用最优权值和最优阈值构建bp神经网络预测模型，并通过归一化处理后的数据集训练该预测模型，得到训练好的bp神经网络预测模型，通过训练好的bp神经网络预测模型预测光子晶体光纤性能参数。
12.进一步地，决定光子晶体光纤特性的物理结构参数包括三种不同空气孔孔半径、空气孔孔间距、入射光波波长和镀膜金层厚度。
13.进一步地，对数据集进行归一化处理，包括：
14.采用最大最小法对获取的数据集进行归一化处理，得到经处理后的训练集和测试集，所述最大最小法的公式为：
[0015][0016]
式中，x
′
为归一化后的数据，x为原始数据，x
min
为数据序列的最小数，x
max
为数据序列的最大数。
[0017]
进一步地，bp神经网络模型的输入变量包括三种不同空气孔孔半径、空气孔孔间距、入射光波波长和镀膜金层厚度，输出为光子晶体光纤的限制损耗；
[0018]
根据经验公式以及输入层神经元个数确定隐藏层神经元个数范围，在这个范围内选择不同的隐藏层神经元个数进行预测，将预测结果与实际结果进行对比，通过计算两者之间的均方根误差，确定最佳隐藏层神经元个数并初始化bp神经网络的的权值和阈值；
[0019]
均方根误差的公式为：
[0020][0021]
式中，n为总预测样本数，yi为第i个样本的真实值，y
′i为第i个样本的预测值。
[0022]
进一步地，所述利用鲸鱼算法优化bp神经网络模型，包括：
[0023]
将bp神经网络模型的初始权值和阈值转化为鲸鱼的位置向量，并且初始化鲸鱼算法的其他参数，设置种群规模为30、最大迭代次数为50，同时将模型预测输出值与实测值之间的均方误差作为鲸鱼算法的适应度函数。
[0024]
进一步地，利用鲸鱼算法优化bp神经网络模型，包括：
[0025]
将鲸鱼进行收缩包围机制、螺旋更新机制或搜索猎物机制并进行位置更新，当满足给定精度要求或达到最大迭代数，停止迭代寻优并输出鲸鱼的最佳位置。
[0026]
进一步地，bp神经网络预测模型的训练过程，包括：
[0027]
将鲸鱼的最佳位置作为bp神经网络模型的初始权重和阈值，将经归一化后的训练样本输入到bp神经网络模型中进行训练，并根据误差分别对网络各层权值及阈值进行修正，实现误差的反向传播，直到均方根误差小于给定值，此时训练过程结束；将测试样本输入优化好的bp神经网络进行测试，并将预测结果与实际结果进行对比分析，对比鲸鱼算法优化的bp神经网络相比简单bp神经网络对限制损耗的预测准确率提升程度。
[0028]
根据本发明的第二方面，一种光子晶体光纤性能参数预测装置，包括以下模块：
[0029]
数据获取模块，用于获取数据集，所述数据集包括决定光子晶体光纤特性的物理结构参数以及衡量光子晶体光纤传输性能的限制损耗；
[0030]
归一化模块，用于对所述数据集进行归一化处理；
[0031]
模型建立及初始化模块，用于建立bp神经网络模型，并初始化bp神经网络模型的权值和阈值；
[0032]
模型优化模块，用于利用鲸鱼算法优化bp神经网络模型，获取bp神经网络模型的
最优权值与最优阈值；
[0033]
模型训练及预测模块，用于利用最优权值和最优阈值构建bp神经网络预测模型，并通过归一化处理后的数据集训练该预测模型，得到训练好的bp神经网络预测模型，通过训练好的bp神经网络预测模型预测光子晶体光纤性能参数。
[0034]
根据本发明的第三方面，一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的光子晶体光纤性能参数预测方法的步骤。
[0035]
根据本发明的第四方面，一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的光子晶体光纤性能参数预测方法的步骤。
[0036]
本发明提供的技术方案具有以下有益效果：
[0037]
本发明提供了一种光子晶体光纤性能参数预测方法、装置、设备及存储介质，首先利用仿真软件获取数据集，然后采用bp神经网络建立光子晶体光纤结构与性能参数之间复杂的非线性映射关系，最后采用鲸鱼算法对bp神经网络的权值和阈值进行优化，网络模型训练完成后可以快速预测光子晶体光纤性能，可用于光子晶体光纤结构的辅助设计。
[0038]
由于采用bp神经网络构建光子晶体光纤结构与性能参数之间复杂的非线性映射关系，在不需要充分了解光子晶体光纤内部机理的情况下即可建立光子晶体光纤性能参数预测模型，并利用鲸鱼算法对bp神经网络的结构和参数进行优化，与传统电磁仿真方法相比，降低了光子晶体光纤性能参数的获取时间，对比bp神经网络预测方法，提高了预测精度。
附图说明
[0039]
下面将结合附图及实施例对本发明作进一步说明，附图中：
[0040]
图1为本发明一种光子晶体光纤性能参数预测方法的总体流程图；
[0041]
图2为本发明构建光子晶体光纤数据集的模型结构图；
[0042]
图3为本发明鲸鱼算法适应度随进化代数曲线图；
[0043]
图4为本发明鲸鱼算法优化前后的bp神经网络光子晶体光纤限制损耗预测值与真实值对比图；
[0044]
图5为本发明鲸鱼算法优化前后的bp神经网络光子晶体光纤限制损耗预测误差对比图；
[0045]
图6为本发明一种光子晶体光纤性能参数预测装置的结构示意图；
[0046]
图7为本发明一种电子设备的结构示意图。
具体实施方式
[0047]
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
[0048]
参考图1，本发明提供了一种光子晶体光纤性能参数预测方法，其具体包括以下步骤：
[0049]
s1：获取数据集，所述数据集包括决定光子晶体光纤特性的物理结构参数以及衡量光子晶体光纤传输性能的限制损耗；
[0050]
如图2所示，决定光子晶体光纤特性的物理结构参数包括：三种不同空气孔孔半径(d1、d2、d3)、空气孔孔间距λ、入射光波波长λ和镀膜金层厚度d。
[0051]
s2：对所述数据集进行归一化处理；
[0052]
具体地，采用最大最小法对获取的数据集进行归一化处理，并且按照10：1的比例将其划分为训练集和测试集，所述最大最小法的公式为：
[0053][0054]
式中，x
′
为归一化后的数据，x为原始数据，x
min
为数据序列的最小数，x
max
为数据序列的最大数。
[0055]
s3：建立bp神经网络模型，并初始化bp神经网络模型的权值和阈值；
[0056]
具体地，bp神经网络模型的输入变量包括三种不同空气孔孔半径(d1、d2、d3)、空气孔孔间距λ、入射光波波长λ和镀膜金层厚度d，其中d1的变化范围为0.4-0.8um，d2的变化范围为1.2-1.6um，d3的变化范围为1.4-2.2um，空气孔孔间距λ的变化范围为2-2.3um，入射光波波长λ的变化范围为550-670um，镀膜金层厚度d的变化范围为30-40nm，输出为光子晶体光纤限制损耗；
[0057]
根据经验公式以及输入层神经元个数确定隐藏层神经元个数范围，经验公式为：
[0058]
n≤2m+1
[0059]
式中n为隐藏层神经元个数，m为输入层神经元个数，本实施例中，根据输入层神经元个数m＝6确定隐含层神经元个数n的上限为13，在这个范围内选择不同隐藏层神经元个数进行预测，将预测结果与实际数据进行对比，通过计算二者之间的均方根误差，从而确定最佳隐藏层神经元个数并初始化bp神经网络的的权值和阈值，本实施例通过计算得到最佳隐藏层神经元个数为9。
[0060]
所述均方根误差的公式为：
[0061][0062]
式中，n为总预测样本数，yi为第i个样本的真实值，y
′i为第i个样本的预测值。
[0063]
s4：利用鲸鱼算法优化bp神经网络模型，获取bp神经网络模型的最优权值与最优阈值；
[0064]
s4具体包括：
[0065]
将bp神经网络模型的初始权值和阈值转化为鲸鱼的位置向量，并且初始化鲸鱼算法的其他参数，本实施例中，将鲸鱼算法最小权重设置为0、最大权重设置为1，设置随迭代次数增加从2线性递减到0的收敛因子，设置种群规模为30、最大迭代次数为50，同时将模型预测输出值与实测值之间的均方误差作为鲸鱼算法的适应度函数。
[0066]
本实施例中，鲸鱼算法的适应度函数在第28代已满足精度要求，适应度函数随迭代次数的变化如图3所示。鲸鱼算法更新机制具体包括：
[0067]
收缩包围机制：鲸鱼群在寻找猎物过程中，将当前的最佳解作为目标猎物，并使种群中其他个体靠近目标猎物来更新位置，数学模型为：
[0068]
x(t+1)＝x
*
(t)-a*d
[0069]
d＝|c*x
*
(t)-x(t)|
[0070]
式中：t为当前迭代次数；x*(t)为当前的全局最优个体位置；x(t)、x(t+1)分别为当前、下一刻鲸鱼的位置；d为包围步长；a、c为系数。
[0071]
螺旋更新机制：鲸鱼在捕食猎物时，沿着螺旋形路径逐渐缩小包围圈，紧逼猎物，形成螺旋形状，数学模型为：
[0072]
d＝|x
*
(t)-x(t)|
[0073]
x(t+1)＝x
*
(t)+d*e
bl
*cos(2πl)
[0074]
其中，b用来定义螺旋线形状；l为[-1，1]的随机量。
[0075]
对于全局搜索能力，种群需要随机选择一个可行解来扩大搜索范围，目的是增加搜索范围，寻找最优解以保持种群的多样性数学模型为：
[0076]
x(t+1)＝x
rand
(t)-a*d
[0077]
d＝|c*x
rand
(t)-x(t)|
[0078]
x
rand
(t)表示从群体中随机选取的鲸鱼个体的位置向量。
[0079]
随机产生一个[0，1]之间的随机数ρ，若ρ＜0.5，则执行鲸鱼的螺旋更新机制；若ρ≥0.5，则执行鲸鱼的收缩包围机制；计算个体适应度值，找出最优适应度值的位置，记录下位置向量并将其作为当前最优个体位置。本实施例当迭代次数为28时已满足精度要求，算法循环结束，输出最优个体，即鲸鱼算法找到的最优解。
[0080]
s5：利用最优权值和最优阈值构建bp神经网络预测模型，并通过归一化处理后的数据集训练该预测模型，得到训练好的bp神经网络预测模型，通过训练好的bp神经网络预测模型预测光子晶体光纤性能参数；
[0081]
s5具体包括：
[0082]
将鲸鱼的最佳位置作为bp神经网络模型的初始权重和阈值，将经归一化后的训练样本输入到bp神经网络模型中进行训练，并根据误差分别对网络各层权值及阈值进行修正，实现误差的反向传播，直到均方根误差小于给定值，本实施例中设置均方根误差小于0.03，此时训练过程结束。
[0083]
将测试样本输入优化好的bp神经网络进行测试，并将预测结果与实际结果进行对比分析，对比鲸鱼算法优化的bp神经网络相比简单bp神经网络对限制损耗的预测准确率提升程度。对比分析结果如图4、5所示，由图4可知，简单bp神经网络模型预测值虽然从变化趋势上与实际值保持一致，但误差较大，由图5可知，经鲸鱼算法优化后的bp神经网络模型预测值与实际值符合程度较高，误差较小。
[0084]
下面对本发明提供的一种光子晶体光纤性能参数预测装置进行描述，下文描述的光子晶体光纤性能参数预测装置与上文描述的光子晶体光纤性能参数预测方法可相互对应参照。
[0085]
如图6所示，一种光子晶体光纤性能参数预测装置，包括以下模块：
[0086]
数据获取模块001，用于获取数据集，所述数据集包括决定光子晶体光纤特性的物理结构参数以及衡量光子晶体光纤传输性能的限制损耗；
[0087]
归一化模块002，用于对所述数据集进行归一化处理；
[0088]
模型建立及初始化模块003，用于建立bp神经网络模型，并初始化bp神经网络模型的权值和阈值；
[0089]
模型优化模块004，用于利用鲸鱼算法优化bp神经网络模型，获取bp神经网络模型的最优权值与最优阈值；
[0090]
模型训练及预测模块005，用于利用最优权值和最优阈值构建bp神经网络预测模型，并通过归一化处理后的数据集训练该预测模型，得到训练好的bp神经网络预测模型，通过训练好的bp神经网络预测模型预测光子晶体光纤性能参数。
[0091]
基于但不限于上述装置，模型建立及初始化模块003具体用于：构建bp神经网络模型，bp神经网络模型的输入变量包括三种不同空气孔孔半径(d1、d2、d3)、空气孔孔间距λ、射光波波长λ和镀膜金层厚度d，其中d1的变化范围为0.4-0.8um，d2的变化范围为1.2-1.6um，d3的变化范围为1.4-2.2um，空气孔孔间距λ的变化范围为2-2.3um，入射光波波长λ的变化范围为550-670um，镀膜金层厚度d的变化范围为30-40nm，输出为光子晶体光纤限制损耗；
[0092]
根据经验公式以及输入层神经元个数确定隐藏层神经元个数范围，具体地，根据输入层神经元个数m＝6确定隐含层神经元个数n的上限为13，在这个范围内选择不同隐藏层神经元个数进行预测，将预测结果与实际数据进行对比，通过计算二者之间的均方根误差，从而确定最佳隐藏层神经元个数并初始化bp神经网络的的权值和阈值，本实施例通过计算得到最佳隐藏层神经元个数为9。
[0093]
基于但不限于上述装置，模型优化模块004具体用于：将bp神经网络模型的初始权值和阈值转化为鲸鱼的位置向量，并且初始化鲸鱼算法的其他参数，本实施例中，将鲸鱼算法最小权重设置为0、最大权重设置为1，设置随迭代次数增加从2线性递减到0的收敛因子，设置种群规模为30、最大迭代次数为50，同时将模型预测输出值与实测值之间的均方误差作为鲸鱼算法的适应度函数。
[0094]
本实施例中，适应度函数随迭代次数的变化如图3所示，该适应度函数在第28代已满足精度要求。鲸鱼算法更新机制具体包括：
[0095]
收缩包围机制：鲸鱼群在寻找猎物过程中，将当前的最佳解作为目标猎物，并使种群中其他个体靠近目标猎物来更新位置，数学模型为：
[0096]
x(t+1)＝x
*
(t)-a*d
[0097]
d＝|c*x
*
(t)-x(t)|
[0098]
式中：t为当前迭代次数；x*(t)为当前的全局最优个体位置；x(t)、x(t+1)分别为当前、下一刻鲸鱼的位置；d为包围步长；a、c为系数。
[0099]
螺旋更新机制：鲸鱼在捕食猎物时，沿着螺旋形路径逐渐缩小包围圈，紧逼猎物，形成螺旋形状，数学模型为：
[0100]
d＝|x
*
(t)-x(t)|
[0101]
x(t+1)＝x
*
(t)+d*e
bl
*cos(2πl)
[0102]
其中，b用来定义螺旋线形状；l为[-1，1]的随机量。
[0103]
对于全局搜索能力，种群需要随机选择一个可行解来扩大搜索范围，目的是增加搜索范围，寻找最优解以保持种群的多样性数学模型为：
[0104]
x(t+1)＝x
rand
(t)-a*d
[0105]
d＝|c*x
rand
(t)-x(t)|
[0106]
x
rand
(t)表示从群体中随机选取的鲸鱼个体的位置向量。
[0107]
随机产生一个[0，1]之间的随机数ρ，若ρ＜0.5，则执行鲸鱼的螺旋更新机制；若ρ≥0.5，则执行鲸鱼的收缩包围机制；计算个体适应度值，找出最优适应度值的位置，记录下位置向量并将其作为当前最优个体位置。本实施例当迭代次数为28时已满足精度要求，算法循环结束，输出最优个体，即鲸鱼算法找到的最优解。
[0108]
基于但不限于上述装置，模型训练及预测模块005具体用于：将鲸鱼的最佳位置作为bp神经网络模型的初始权重和阈值，将经归一化后的训练样本输入到bp神经网络模型中进行训练，并根据误差分别对网络各层权值及阈值进行修正，实现误差的反向传播，直到均方根误差小于给定值，本实施例中设置均方根误差小于0.03，此时训练过程结束。将测试样本输入优化好的bp神经网络进行测试，并将预测结果与实际结果进行对比分析。
[0109]
如图7所示，示例了一种电子设备的实体结构示意图，该电子设备可以包括：处理器(processor)610、通信接口(communications interface)620、存储器(memory)630和通信总线640，其中，处理器610、通信接口620、存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行上述光子晶体光纤性能参数预测方法的步骤，具体包括：获取数据集，数据集包括决定光子晶体光纤特性的物理结构参数以及衡量光子晶体光纤传输性能的限制损耗；对数据集进行归一化处理；建立bp神经网络模型，并初始化bp神经网络模型的权值和阈值；利用鲸鱼算法优化bp神经网络模型，获取bp神经网络模型的最优权值与最优阈值；利用最优权值和最优阈值构建bp神经网络预测模型，并通过归一化处理后的数据集训练该预测模型，得到训练好的bp神经网络预测模型，通过训练好的bp神经网络预测模型预测光子晶体光纤性能参数。
[0110]
此外，上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random15 access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0111]
又一方面，本发明实施例还提供了一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述光子晶体光纤性能参数预测方法的步骤，具体包括：获取数据集，数据集包括决定光子晶体光纤特性的物理结构参数以及衡量光子晶体光纤传输性能的限制损耗；对数据集进行归一化处理；建立bp神经网络模型，并初始化bp神经网络模型的权值和阈值；利用鲸鱼算法优化bp神经网络模型，获取bp神经网络模型的最优权值与最优阈值；利用最优权值和最优阈值构建bp神经网络预测模型，并通过归一化处理后的数据集训练该预测模型，得到训练好的bp神经网络预测模型，通过训练好的bp神经网络预测模型预测光子晶体光纤性能参数。
[0112]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该
要素的过程、方法、物品或者系统中还存在另外的相同要素。
[0113]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序，可将这些词语解释为标识。
[0114]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

技术特征：
1.一种光子晶体光纤性能参数预测方法，其特征在于，包括以下步骤：获取数据集，所述数据集包括决定光子晶体光纤特性的物理结构参数以及衡量光子晶体光纤传输性能的限制损耗；对所述数据集进行归一化处理；建立bp神经网络模型，并初始化bp神经网络模型的权值和阈值；利用鲸鱼算法优化bp神经网络模型，获取bp神经网络模型的最优权值与最优阈值；利用最优权值和最优阈值构建bp神经网络预测模型，并通过归一化处理后的数据集训练该预测模型，得到训练好的bp神经网络预测模型，通过训练好的bp神经网络预测模型预测光子晶体光纤性能参数。2.根据权利要求1所述的光子晶体光纤性能参数预测方法，其特征在于，所述决定光子晶体光纤特性的物理结构参数包括三种不同空气孔孔半径、空气孔孔间距、入射光波波长和镀膜金层厚度。3.根据权利要求1所述的光子晶体光纤性能参数预测方法，其特征在于，所述对数据集进行归一化处理，包括：采用最大最小法对获取的数据集进行归一化处理，并且按照预设比例划分为训练集和测试集，所述最大最小法的公式为：式中，x
′
为归一化后的数据，x为原始数据，x
min
为数据序列的最小数，x
max
为数据序列的最大数。4.根据权利要求1所述的光子晶体光纤性能参数预测方法，其特征在于，所述bp神经网络模型的输入变量包括三种不同空气孔孔半径、空气孔孔间距、入射光波波长和镀膜金层厚度，输出为光子晶体光纤的限制损耗；根据经验公式以及输入层神经元个数确定隐藏层神经元个数范围，在这个范围内选择不同的隐藏层神经元个数进行预测，将预测结果与实际结果进行对比，通过计算两者之间的均方根误差，确定最佳隐藏层神经元个数并初始化bp神经网络的的权值和阈值；所述均方根误差的公式为：式中，n为总预测样本数，y
i
为第i个样本的真实值，y
′
i
为第i个样本的预测值。5.根据权利要求1所述的光子晶体光纤性能参数预测方法，其特征在于，所述利用鲸鱼算法优化bp神经网络模型，包括：将bp神经网络模型的初始权值和阈值转化为鲸鱼的位置向量，并且初始化鲸鱼算法的其他参数，设置种群规模为30、最大迭代次数为50，同时将模型预测输出值与实测值之间的均方误差作为鲸鱼算法的适应度函数。6.如权利要求5所述的光子晶体光纤性能参数预测方法，其特征在于，所述利用鲸鱼算法优化bp神经网络模型，包括：将鲸鱼进行收缩包围机制、螺旋更新机制或搜索猎物机制并进行位置更新，当满足给
定精度要求或达到最大迭代数，停止迭代寻优并输出鲸鱼的最佳位置。7.根据权利要求6所述的光子晶体光纤性能参数预测方法，其特征在于，所述bp神经网络预测模型的训练过程，包括：将鲸鱼的最佳位置作为bp神经网络模型的初始权重和阈值，将经归一化后的训练样本输入到bp神经网络模型中进行训练，并根据误差分别对网络各层权值及阈值进行修正，实现误差的反向传播，直到均方根误差小于给定值，此时训练过程结束；将测试样本输入优化好的bp神经网络进行测试，并将预测结果与实际结果进行对比分析，对比鲸鱼算法优化的bp神经网络相比简单bp神经网络对限制损耗的预测准确率提升程度。8.一种光子晶体光纤性能参数预测装置，其特征在于，包括以下模块：数据获取模块，用于获取数据集，所述数据集包括决定光子晶体光纤特性的物理结构参数以及衡量光子晶体光纤传输性能的限制损耗；归一化模块，用于对所述数据集进行归一化处理；模型建立及初始化模块，用于建立bp神经网络模型，并初始化bp神经网络模型的权值和阈值；模型优化模块，用于利用鲸鱼算法优化bp神经网络模型，获取bp神经网络模型的最优权值与最优阈值；模型训练及预测模块，用于利用最优权值和最优阈值构建bp神经网络预测模型，并通过归一化处理后的数据集训练该预测模型，得到训练好的bp神经网络预测模型，通过训练好的bp神经网络预测模型预测光子晶体光纤性能参数。9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的光子晶体光纤性能参数预测方法的步骤。10.一种存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-7中任一项所述的光子晶体光纤性能参数预测方法的步骤。

技术总结
本发明公开了一种光子晶体光纤性能参数预测方法、装置、设备及存储介质。首先获取数据集，然后采用BP神经网络建立光子晶体光纤结构与性能参数之间复杂的非线性映射关系，最后采用鲸鱼算法对BP神经网络的权值和阈值进行优化，网络模型训练完成后可以快速预测光子晶体光纤性能，可用于光子晶体光纤结构的辅助设计。由于采用BP神经网络构建光子晶体光纤结构与性能参数之间复杂的非线性映射关系，在不需要充分了解光子晶体光纤内部机理的情况下即可建立性能参数预测模型，并利用鲸鱼算法对BP神经网络的结构和参数进行优化，与传统电磁仿真方法相比，降低了光子晶体光纤性能参数的获取时间，对比BP神经网络预测方法，提高了预测精度。精度。精度。


技术研发人员：余志华 刘兴亮
受保护的技术使用者：中国地质大学（武汉）
技术研发日：2023.03.16
技术公布日：2023/8/14