基于PSO-CNN算法与级联调制器的微波波形光子生成技术研究

《IEEE Photonics Journal》：Photonic Generation of Microwave Waveforms Based on Cascaded Modulator Using PSO-CNN Algorithm

本刊推荐一项创新研究：针对传统代数法求解微波波形生成参数效率低、灵活性差的问题，研究人员开展了基于粒子群优化-卷积神经网络（PSO-CNN）算法的光子波形生成技术研究。通过构建级联马赫-曾德尔调制器（MZM）结构，利用PSO-CNN模型精准预测调制参数（φ1, φ2, β1, β2），成功生成重复频率达1-3 GHz的三角波、方波和锯齿波，测试集决定系数（R2）达0.989，均方根误差（RMSE）低至0.0321。该方法无需光学滤波器或色散元件，为微波光子学系统提供了高精度、可重构的波形生成方案。

　　

在雷达系统、无线通信和电子测试等现代微波应用中，高质量微波波形的生成至关重要。传统电子方法受限于时钟频率和数模转换器带宽，难以满足高频宽带需求。光子技术凭借其大带宽、低损耗和抗电磁干扰等优势，为微波波形生成提供了新思路。然而，现有光子方法多依赖复杂的光学器件（如滤波器、色散元件）或固定的调制参数，导致系统灵活性不足、重构能力有限。更关键的是，传统参数求解方法严重依赖人工经验调整，面对多变的应用场景时缺乏智能优化能力。

为突破这些瓶颈，长春工业大学邵祥欣团队在《IEEE Photonics Journal》发表研究，提出了一种融合智能算法与光电调制结构的微波波形光子生成新方法。该研究首次将粒子群优化（PSO）算法与卷积神经网络（CNN）结合，用于优化级联马赫-曾德尔调制器（MZM）系统的参数配置，实现了三角波、方波和锯齿波的高精度可编程生成。

研究采用级联调制器架构结合PSO-CNN算法进行参数优化。首先通过MATLAB仿真建立包含34,678组样本的数据库，以波形傅里叶级数展开为约束条件提取谐波幅度特征。利用PSO自动优化CNN超参数（卷积层数、滤波器尺寸、学习率），构建从谐波特征到调制参数（φ₁, φ₂, β₁, β₂）的非线性映射模型。实验系统采用1550 nm激光器驱动两级MZM，通过90°微波移相器（MPS）实现波形相位调控，并使用光谱分析仪（ESA）和示波器（OSC）评估波形性能。

光学原理分析

通过建立级联MZM的数学模型，推导出光电转换后的电流表达式。利用雅可比-安格尔展开式分析各谐波分量，明确三角波、方波和锯齿波的傅里叶级数特征：三角波需满足基波与三次谐波功率比9:1；方波需基波与三次谐波幅值比3:1；锯齿波需同时包含奇偶次谐波（基波、二次谐波、三次谐波幅值比6:3:2）。理论分析为PSO-CNN训练提供了物理约束依据。

PSO-CNN参数预测性能

基于四类评价指标（RMSE、R²、PBias、NSE）的对比表明，PSO-CNN模型显著优于传统CNN。在测试集上，三角波生成的RMSE降低16.6%（0.0321），R²提升至0.989；方波和锯齿波的RMSE分别达到0.3087和0.1218。PSO优化的网络结构包含5个卷积层，滤波器数量序列为[92, 96, 122, 121, 35]，内核尺寸序列为[6, 3, 4, 6, 4]，学习率设为0.0005。模型有效解决了CNN随机初始化导致的收敛不确定性问题。

实验验证结果

在1-3 GHz重复频率下，生成的三角波基波与三次谐波功率比（19.28-19.53 dB）接近理论值19.08 dB，RMSE介于0.0298-0.0319；方波谐波比实测9.03 dB（理论9.54 dB），RMSE为0.3153-0.3160；锯齿波基波/二次谐波比达6.15-6.32 dB，RMSE为0.1169-0.1185。实验同时验证了波形形状与理想波形的高度一致性，如三角波的锐利边沿和方波的陡峭跳变。

该研究通过智能算法与光子技术的深度融合，解决了微波波形生成中的参数优化难题。PSO-CNN模型不仅避免了传统方法对固定偏置点的依赖，还显著提升了系统的重构能力和适应性。相比需要光学滤波器或色散元件的方案，该结构更紧凑、成本更低。研究成果为雷达波形合成、通信信号处理等领域提供了可编程、高精度的光子解决方案，推动了微波光子学向智能化方向发展。未来可通过集成偏压控制电路和在线反馈模块，进一步提升系统的实用性和稳定性。