本发明涉及产品检测技术领域，特别涉及一种bosa(bidirectionalopticalsub-assemblies，光收发模块接口组件)组件的校准方法及系统。
背景技术
目前，在对pon(passiveopticalnetwork，无源光纤网络)领域的bosa进行产品检测的校准时(特别是针对光网络终端的发送光的校准)，为了达到预期的参数指标(如平均光功率、消光比等)，大多数是首先设置预测值，然后按照步进逐步逼近目标值的方式进行参数校准。为了进一步提高产品检测的效率，首先设置高中低三个预测值，然后根据实际的输出情况拟合出一次曲线，再根据拟合出的曲线计算达到目标值所需要的配置值，最终按照较小步进逐步调整至目前值，一般会出现需要进行多次尝试和微调的情况，因此存在校准效率较低的问题。另外，在采用上述的校准方法外，还需要考虑由于bosa组件本身的非线性及光器件的批次差异，而导致不同bosa组件性能参数的预测值与目标值之间存在较大差异的问题。
技术实现要素：
本发明要解决的技术问题是现有技术中通过拟合曲线的方式对bosa组件进行校准，存在需要多次尝试和微调，校准效率较低等缺陷，目的在于提供一种bosa组件的校准方法及系统。
本发明是通过下述技术方案来解决上述技术问题：
本发明提供一种bosa组件的校准方法，所述校准方法包括：
s1、获取若干bosa组件的历史检测数据；
其中，所述历史检测数据包括历史平均输出光功率、历史偏置电流、历史输出消光比和历史调制电流；
s2、将所述历史平均输出光功率、所述历史偏置电流、所述历史输出消光比作为输入，所述历史调制电流作为输出，建立调制电流预测模型；
其中，所述调制电流预测模型用于获取调制电流预测值；
s3、获取待检测的bosa组件的第一平均输出光功率、第一偏置电流、第一输出消光比；
s4、将所述第一平均输出光功率、所述第一偏置电流和所述第一输出消光比输入所述调制电流预测模型，获取待检测的bosa组件的所述调制电流预测值。
较佳地，步骤s3还包括：
获取待检测的bosa组件的调制电流实际值；
步骤s4之后还包括：
s5、计算所述调制电流实际值与所述调制电流预测值之间的差值，并根据所述差值调整所述待检测的bosa组件的调制电流实际值，直至达到所述调制电流预测值。
较佳地，步骤s2包括：
将所述历史平均输出光功率、所述历史偏置电流、所述历史输出消光比作为输入，所述历史调制电流作为输出，采用神经网络算法训练所述历史平均输出光功率、所述历史偏置电流、所述历史输出消光比分别对应的模型参数，得到所述调制电流预测模型。
较佳地，步骤s2之后、步骤s3之前还包括：
获取所述历史平均输出光功率、所述历史偏置电流、所述历史输出消光比分别对应的所述模型参数；
采用梯度下降算法调整所述模型参数。
本发明还提供一种bosa组件的校准系统，所述校准系统包括历史数据获取模块、模型建立模块、第一数据获取模块和调制电流获取模块；
所述历史数据获取模块用于获取若干bosa组件的历史检测数据；
其中，所述历史检测数据包括历史平均输出光功率、历史偏置电流、历史输出消光比和历史调制电流；
所述模型建立模块用于将所述历史平均输出光功率、所述历史偏置电流、所述历史输出消光比作为输入，所述历史调制电流作为输出，建立调制电流预测模型；
其中，所述调制电流预测模型用于获取调制电流预测值；
所述第一数据获取模块用于获取待检测的bosa组件的第一平均输出光功率、第一偏置电流、第一输出消光比；
所述调制电流获取模块用于将所述第一平均输出光功率、所述第一偏置电流和所述第一输出消光比输入所述调制电流预测模型，获取待检测的bosa组件的所述调制电流预测值。
较佳地，所述校准系统还包括计算模块和第一调整模块；
所述第一数据获取模块还用于获取待检测的bosa组件的调制电流实际值；
所述计算模块用于计算所述调制电流实际值与所述调制电流预测值之间的差值；
所述第一调整模块用于根据所述差值调整所述待检测的bosa组件的调制电流实际值，直至达到所述调制电流预测值。
较佳地，所述模型建立模块还用于将所述历史平均输出光功率、所述历史偏置电流、所述历史输出消光比作为输入，所述历史调制电流作为输出，采用神经网络算法训练所述历史平均输出光功率、所述历史偏置电流、所述历史输出消光比分别对应的模型参数，得到所述调制电流预测模型。
较佳地，所述校准系统还包括模型参数获取模块和第二调整模块；
所述模型参数获取模块用于获取所述历史平均输出光功率、所述历史偏置电流、所述历史输出消光比分别对应的所述模型参数；
所述第二调整模块用于采用梯度下降算法调整所述模型参数。
本发明的积极进步效果在于：
本发明中，通过若干bosa组件的历史检测数据，建立调制电流预测模型；然后将待检测的bosa组件的平均输出光功率、偏置电流和输出消光比输入调制电流预测模型，获取调制电流预测值，最后根据调制电流实际值与调制电流预测值之间的差值，调整待检测的bosa组件的调制电流实际值，直至调制电流实际值达到调制电流预测值，从而实现了待检测的bosa组件输出目标消光比，避免了使用线性模型检测非线性bosa组件时易造成的bosa组件性能参数的预测值和目标值之间存在较大差异的情况，提升了生产效率；同时，能够实时更新模型参数，进一步减小了校准误差，提高了校准效率。
附图说明
图1为本发明实施例1的bosa组件的校准方法的流程图。
图2为本发明实施例2的bosa组件的校准方法的流程图。
图3为本发明实施例2的bosa组件的校准方法中神经网络算法的神经网络架构示意图。
图4为本发明实施例3的bosa组件的校准系统的模块示意图。
图5为本发明实施例4的bosa组件的校准系统的模块示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明，但并不因此将本发明限制在所述的实施例范围之中。
实施例1
如图1所示，本实施例的bosa组件的校准方法包括：
s101、获取若干bosa组件的历史检测数据；
具体地，随机选取2000件bosa组件对应的历史检测数据。其中，历史检测数据包括历史平均输出光功率、历史偏置电流、历史输出消光比和历史调制电流；
s102、将历史平均输出光功率、历史偏置电流、历史输出消光比作为输入，历史调制电流作为输出，建立调制电流预测模型；
其中，调制电流预测模型用于获取调制电流预测值；
s103、获取待检测的bosa组件的第一平均输出光功率、第一偏置电流、第一输出消光比；
s104、将第一平均输出光功率、第一偏置电流和第一输出消光比输入调制电流预测模型，获取待检测的bosa组件的调制电流预测值。
本实施例中，通过若干bosa组件的历史检测数据，建立调制电流预测模型；然后将待检测的bosa组件的平均输出光功率、偏置电流和输出消光比输入调制电流预测模型，获取调制电流预测值，进而实现待检测的bosa组件输出目标消光比，提高了校准效率。
实施例2
如图2所示，本实施例的bosa组件的校准方法是对实施例1的进一步改进，具体地：
步骤s102具体包括：
s1021、将历史平均输出光功率、历史偏置电流、历史输出消光比作为输入，历史调制电流作为输出，采用神经网络算法训练历史平均输出光功率、历史偏置电流、历史输出消光比分别对应的模型参数，得到调制电流预测模型。
其中，上述采用神经网络算法得到调制电流预测模型(可根据实际数据处理需求，搭建具有2-3个中间层的调制电流预测模型)，但不限于神经网络算法，也可以采用其它机器学习算法。
步骤s102之后、步骤s103之前还包括：
s1022、获取历史平均输出光功率、历史偏置电流、历史输出消光比分别对应的模型参数；
s1023、采用梯度下降算法调整模型参数。
其中，上述采用梯度下降算法来调整模型参数，但不限于梯度下降算法，也可以采用其它机器学习算法。
具体地，如图3所示，为神经网络算法对应的神经网络架构。其中，ib表示某个样本的历史偏置电流，pavg为该样本的历史平均输出光功率，er为该样本的历史输出消光比，ti为经过该调制电流预测模型计算后得出的调制电流预测值。w1、w2、w3、w4、w5、w6、b1、b2分别表示调制电流预测模型对应的一组调整模型参数，ib、pavg、er分别经过不同调整模型参数表示为分别乘以对应的调整模型参数。
梯度下降算法调整模型参数的具体过程如下：
(1)定义损失函数l
该损失函数表示根据输入参数(历史偏置电流，历史输出消光比，历史平均输出光功率)，经过神经网络模型(使用某一组模型参数)，得出的每个样本的调制电流输出值与该样本实际调制电流的误差函数；其中n为样本数量，ii为该样本的实际调制电流。
(2)模型系数的优化步骤
1)、采用任意一组模型参数(w1，w2，w3，w4，w5，w6，b1，b2)的初始值；
2)、计算损失函数l与各个模型参数的偏导；
3)、选择一个每次迭代的步进幅度δ；
4)、使用下面公式计算新的调整参数
5)、根据调制电流预测模型，计算新的损失函数是否小于设定值，如果小于设定值，则停止迭代，否则，则重复上述步骤1)至5)，直到损失函数小于设定值。
步骤s103还包括：
获取待检测的bosa组件的调制电流实际值；
步骤s104之后还包括：
s105、计算调制电流实际值与调制电流预测值之间的差值，并根据差值调整待检测的bosa组件的调制电流实际值，直至达到调制电流预测值。
本实施例中，通过若干bosa组件的历史检测数据，建立调制电流预测模型；然后将待检测的bosa组件的平均输出光功率、偏置电流和输出消光比输入调制电流预测模型，获取调制电流预测值，最后根据调制电流实际值与调制电流预测值之间的差值，调整待检测的bosa组件的调制电流实际值，直至调制电流实际值达到调制电流预测值，从而实现了待检测的bosa组件输出目标消光比，避免了使用线性模型检测非线性bosa组件时易造成的bosa组件性能参数的预测值和目标值之间存在较大差异的情况，提升了生产效率；同时，能够实时更新模型参数，进一步减小了校准误差，提高了校准效率。
实施例3
如图4所示，本实施例的bosa组件的校准系统包括：
校准系统包括历史数据获取模块1、模型建立模块2、第一数据获取模块3和调制电流获取模块4。
历史数据获取模块1用于获取若干bosa组件的历史检测数据；
具体地，随机选取2000件bosa组件对应的历史检测数据。
其中，历史检测数据包括历史平均输出光功率、历史偏置电流、历史输出消光比和历史调制电流；
模型建立模块2用于将历史平均输出光功率、历史偏置电流、历史输出消光比作为输入，历史调制电流作为输出，建立调制电流预测模型；
其中，调制电流预测模型用于获取调制电流预测值；
第一数据获取模块3用于获取待检测的bosa组件的第一平均输出光功率、第一偏置电流、第一输出消光比；
调制电流获取模块4用于将第一平均输出光功率、第一偏置电流和第一输出消光比输入调制电流预测模型，获取待检测的bosa组件的调制电流预测值。
本实施例中，通过若干bosa组件的历史检测数据，建立调制电流预测模型；然后将待检测的bosa组件的平均输出光功率、偏置电流和输出消光比输入调制电流预测模型，获取调制电流预测值，进而实现待检测的bosa组件输出目标消光比，提高了校准效率。
实施例4
如图5所示，本实施例的bosa组件的校准系统是对实施例3的进一步改进，具体地：
校准系统还包括模型参数获取模块5、第二调整模块6、计算模块7和第一调整模块8。
模型建立模块2还用于将历史平均输出光功率、历史偏置电流、历史输出消光比作为输入，历史调制电流作为输出，采用神经网络算法训练历史平均输出光功率、历史偏置电流、历史输出消光比分别对应的模型参数，得到调制电流预测模型。
其中，上述采用神经网络算法得到调制电流预测模型(可根据实际数据处理需求，搭建具有2-3个中间层的调制电流预测模型)，但不限于神经网络算法，也可以采用其它机器学习算法。
模型参数获取模块5用于获取历史平均输出光功率、历史偏置电流、历史输出消光比分别对应的模型参数；
第二调整模块6用于采用梯度下降算法调整模型参数。
其中，上述采用梯度下降算法来调整模型参数，但不限于梯度下降算法，也可以采用其它机器学习算法。
具体地，如图3所示，为神经网络算法对应的神经网络架构。其中，ib表示某个样本的历史偏置电流，pavg为该样本的历史平均输出光功率，er为该样本的历史输出消光比，ti为经过该调制电流预测模型计算后得出的调制电流预测值。w1、w2、w3、w4、w5、w6、b1、b2分别表示调制电流预测模型对应的一组调整模型参数，ib、pavg、er分别经过不同调整模型参数表示为分别乘以对应的调整模型参数。
梯度下降算法调整模型参数的具体过程如下：
(1)定义损失函数l
该损失函数表示根据输入参数(历史偏置电流，历史输出消光比，历史平均输出光功率)，经过神经网络模型(使用某一组模型参数)，得出的每个样本的调制电流输出值与该样本实际调制电流的误差函数；其中n为样本数量，ii为该样本的实际调制电流。
(2)模型系数的优化步骤
1)、采用任意一组模型参数(w1，w2，w3，w4，w5，w6，b1，b2)的初始值；
2)、计算损失函数l与各个模型参数的偏导；
3)、选择一个每次迭代的步进幅度δ；
4)、使用下面公式计算新的调整参数
5)、根据调制电流预测模型，计算新的损失函数是否小于设定值，如果小于设定值，则停止迭代，否则，则重复上述步骤1)至5)，直到损失函数小于设定值。
第一数据获取模块3还用于获取待检测的bosa组件的调制电流实际值；
计算模块7用于计算调制电流实际值与调制电流预测值之间的差值；
第一调整模块8用于根据差值调整待检测的bosa组件的调制电流实际值，直至达到调制电流预测值。
本实施例中，通过若干bosa组件的历史检测数据，建立调制电流预测模型；然后将待检测的bosa组件的平均输出光功率、偏置电流和输出消光比输入调制电流预测模型，获取调制电流预测值，最后根据调制电流实际值与调制电流预测值之间的差值，调整待检测的bosa组件的调制电流实际值，直至调制电流实际值达到调制电流预测值，从而实现了待检测的bosa组件输出目标消光比，避免了使用线性模型检测非线性bosa组件时易造成的bosa组件性能参数的预测值和目标值之间存在较大差异的情况，提升了生产效率；同时，能够实时更新模型参数，进一步减小了校准误差，提高了校准效率。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式作出多种变更或修改，但这些变更和修改均落入本发明的保护范围。