新闻详情

新闻详情

首页 / 资讯中心 / 详情

OptiCommPy仿真平衡光电探测器

发布时间:2026/11/18 21:17:31来源:尧图网络
OptiCommPy仿真平衡光电探测器
文章目录平衡光电探测器原理参数测试平衡光电探测器原理平衡光电探测器(Balanced Photodetector, BPD)是由两个高度匹配的光电二极管(Photodiode, PD)和一个差分跨阻放大器(Transimpedance Amplifier, TIA)构成的光电探测组件。其核心物理机制是通过差分测量提取两路光信号的干涉项同时抵消共模噪声和直流背景。在相干探测系统中信号光场E s ( t ) E_s(t)Es​(t)和本振光场E l o ( t ) E_{lo}(t)Elo​(t)通常输入到一个3dB的光耦合器耦合器的两个输入端光场为E ( t ) 1 2 [ E s ( t ) E l o ( t ) ] E − ( t ) 1 2 [ E s ( t ) − E l o ( t ) ] E_(t)\frac{1}{\sqrt{2}}[E_s(t)E_{lo}(t)]\\ E_-(t)\frac{1}{\sqrt{2}}[E_s(t)-E_{lo}(t)]E​(t)2​1​[Es​(t)Elo​(t)]E−​(t)2​1​[Es​(t)−Elo​(t)]这两路广分别入射到BPD的两个PD上设PD的响应度为r rr则光电流分别是I ( t ) r ∣ E ( t ) ∣ 2 r 2 [ ∣ E s ∣ 2 ∣ E l o ∣ 2 E s E l o ∗ E s ∗ E l o ] I − ( t ) r ∣ E − ( t ) ∣ 2 r 2 [ ∣ E s ∣ 2 ∣ E l o ∣ 2 − ( E s E l o ∗ E s ∗ E l o ) ] I_(t)r\vert E_(t)\vert ^2\frac{r}{2}[\vert E_s\vert^2\vert E_{lo}\vert^2E_sE_{lo}^*E_s^*E_{lo}]\\ I_-(t)r\vert E_-(t)\vert ^2\frac{r}{2}[\vert E_s\vert^2\vert E_{lo}\vert^2-(E_sE_{lo}^*E_s^*E_{lo})]\\I​(t)r∣E​(t)∣22r​[∣Es​∣2∣Elo​∣2Es​Elo∗​Es∗​Elo​]I−​(t)r∣E−​(t)∣22r​[∣Es​∣2∣Elo​∣2−(Es​Elo∗​Es∗​Elo​)]TIA输出两路广电能流之差设E s ∣ E s ∣ e i ϕ s , E l o ∣ E l o ∣ e i ϕ l o E_s\vert E_s\vert e^{i\phi_s}, E_{lo}\vert E_{lo}\vert e^{i\phi_{lo}}Es​∣Es​∣eiϕs​,Elo​∣Elo​∣eiϕlo​则I I − I − r ( E s E l o ∗ E s ∗ E l o ) 2 r ∣ E s ∣ ∣ E l o ∣ cos ⁡ ( ϕ s − ϕ l o ) \begin{aligned} II_-I_- r(E_sE_{lo}^*E_s^*E_{lo})\\ 2r\vert E_s\vert \vert E_{lo}\vert \cos(\phi_s-\phi_{lo}) \end{aligned}II​−I−​​r(Es​Elo∗​Es∗​Elo​)2r∣Es​∣∣Elo​∣cos(ϕs​−ϕlo​)​可见直流项∣ E s ∣ 2 , ∣ E l o ∣ 2 \vert E_s\vert^2, \vert E_{lo}\vert^2∣Es​∣2,∣Elo​∣2完全被消掉了从而避免了强本振光引起的放大器饱和问题。与此同时输出信号的振幅和本振光振幅∣ E l o ∣ \vert E_{lo}\vert∣Elo​∣成正比即起到了微弱信号放大的作用。参数OptiCommPy中实现了PBD函数签名如下其中E1, E2是输入光场param是相关参数返回值是差分电流。optic.models.devices.balancedPD(E1,E2,paramNone)param是OptiCommPy内置的参数类其具体成员包括param.R : 响应度单位是[A/W]默认1 A/Wparam.Tc : 工作温度单位是[°C]默认25°Cparam.Id : 暗电流单位是[A]默认5e-9 Aparam.RL : 负载阻抗单位是[Ω]默认50Ωparam.B : 探测器带宽单位是[Hz]默认30e9 Hzparam.Fs : 采样频率单位是[Hz]默认60e9 Hzparam.fType : 频率响应类型默认’rect’即矩形/理想砖墙式低通滤波器。param.N : 滤波器抽头数默认255param.ideal : 如果为True则使用理想BPD模型忽略所有噪声且不做带宽滤波。否则注入真实的物理噪声。param.seed : 随机数种子。测试理想BPD的输入输出测试如下importnumpyasnpimportmatplotlib.pyplotaspltfromoptic.models.devicesimportbalancedPDfromoptic.utilsimportparameters plt.rcParams[font.family]Times New Roman# 基础仿真参数Fs100e9tnp.arange(0,5e-9,1/Fs)Nlen(t)P_lo10e-3# 本振光 (强恒定 CW)Elonp.sqrt(P_lo)*np.ones(N)# 信号光 (弱幅度和相位随时间做非周期的连续变化)# 幅度: 基础值 两个不同频率的起伏A_t1e-3*(1.00.6*np.sin(2*np.pi*1.2e9*t)0.4*np.sin(2*np.pi*3.7e9*t))# 相位: 频偏 相位连续调制phi_t2*np.pi*2.5e9*t1.5*np.sin(2*np.pi*0.8e9*t)EsA_t*np.exp(1j*phi_t)# 模拟混频器输出 E1, E2E1(EsElo)/np.sqrt(2)E2(Es-Elo)/np.sqrt(2)# 理想balancedPDparamparameters()param.R1.0param.idealTrueI_bpdbalancedPD(E1,E2,param)fig,axsplt.subplots(2,1,figsize(10,6),sharexTrue)fig.suptitle(Input-Output Mapping of balancedPD with Continuous Optical Field,fontsize14,fontweightbold)# 上图输入光强 (展示 E1 和 E2 的连续动态变化)axs[0].plot(t*1e9,np.abs(E1)**2,label$|E_1|^2$,colorblue,alpha0.8)axs[0].plot(t*1e9,np.abs(E2)**2,label$|E_2|^2$,colorred,alpha0.8)axs[0].set_ylabel(Optical Power (W),fontsize12)axs[0].set_title(Input Optical Powers (Continuous Non-periodic Varying),fontsize12)axs[0].legend(locupper right)axs[0].grid(True,alpha0.3)# 下图输出电流 (展示电流如何实时跟随两者的差值)axs[1].plot(t*1e9,I_bpd,g-,linewidth1.5,alpha0.9)axs[1].set_ylabel(Output Current (A),fontsize12)axs[1].set_xlabel(Time (ns),fontsize12)axs[1].set_title(Output Balanced Current (Follows the difference of input powers),fontsize12)axs[1].grid(True,alpha0.3)plt.tight_layout()plt.show()
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/17 7:04:08

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/18 14:20:46

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/18 20:01:42

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/18 11:04:06

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/18 15:55:22

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/17 19:43:32

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉