计算光纤色散带来的相位移动 matlab
需要注意的地方
1.以下内容纯属个人理解,很有可能不准确,请大家仅做参考
2.光速不要直接用3e8 m/s,需要用精确的2.9979....
3.光的频率无论在真空还是光纤(介质)都是不变的,是固有属性,但是波长lambda=c/f在不同的介质中是不同的。
4.光在介质的传播速度vg = c/n,其中n是介质的折射率。紧接第2条,光在介质中的波长是lamda = vg/f,而非真空中的c/f;
5.一个调制在光载波fc=193.1THz两侧的信号(DSB调制),fs=30GHz。假设信号的phase=0的条件下:
光负边带相位 phase(fc-fs)=-180;
光正边带相位 phase(fc+fs)=0;
那么我将fs=30GHz的调制信号phase=0改变为phase=30,对应的:
负边带相位 phase(fc-fs)=-180-30=-210 (wrapTo180方法后,就是150度);
正边带相位 phase(fc+fs)=0+30=30;
原因在于:相对于光载波fc,正边带的角频率(ws(t))是正的(顺时针旋转),负边带的角频率是负的(-ws(t))(逆时针旋转)
6.色散参数D以及色散带来的延时计算
(1)色散参数表示经过L长度的光纤后,目标信号的波长(比如193.2THz)与参考波长(比如193.1THz对应的波长)的波长差d_lambda(c/193.1THz - c/193.2 THz)造成的延时,其单位是(s/m^2)
(2)造成的延时tao = D*L*d_lamda;当然,记得考虑上光传播的物理延时:L/vg;
那么tao_all = D*L*d_lamda + L/vg;
(3)传播常数的理解,参考另一位博主的文章:全网首篇用人话讲清楚:光纤中的色散_光纤色散-CSDN博客
注意,波数k就是传播常数,当然波数不要理解为波的数量(比如有几束波)
以下是以下总结:
(4)例子(注意,此处的色散计算没有用到传播常数,而是在已经知道光参考频率Fref以及在参考频率Fref上的色散参数D做的例子):
下列公式表示了一个DSB调制的光信号(MZM直流偏压造成的相位移动是pi/2,输入角频率为ws的信号在MZM上下RF口相位差为pi),fai_0和fai_+1,fai_-1分别是色散引入的相位移动,边带信号ws的相位被默认为0度:
PD后的信号如下
所以,只需要计算fai_-1和fai_+1的大小,就能得到PD后信号的相位
%% ---- plot successful all wavelength--------------------------------------------------
c=physconst('LightSpeed'); % 真空中光速,单位:m/s
L = 10e3; % 光纤长度,单位:m
D = 16e-6; % 色散系数,单位:s/m²
n=1.47; % 光纤折射率
vg = c/n; %光纤群速度
Fref = 193.1e12; % 中心频率(光纤参考频率),单位:Hz
freq_opt = linspace(193.1e12, 195.5e12, 25)'; %频率范围193.1-195.5(THz)
Fsig_l = 30e9; % 左边带频率 (模拟VPI由于采样不为整数的情况)
Fsig_r = 30e9; % 右边带频率 (模拟VPI由于采样不为整数的情况)
tao_left = zeros(length(freq_opt),1); %存放-30°延时
tao_right = zeros(length(freq_opt),1); %存放+30°延时
phase_left = zeros(length(freq_opt),1); %存放-30°相位
phase_right = zeros(length(freq_opt),1); %存放+30°相位
phase_left_plot = zeros(length(freq_opt),1); %绘图
phase_right_plot = zeros(length(freq_opt),1); %绘图
phase_true_plot = zeros(length(freq_opt),1); %绘图
phase_PD = zeros(length(freq_opt),1); %存放PD后信号的相位
phase_PD_wrap180 = zeros(length(freq_opt),1); %存放PD后信号的相位(180°wrap)
for i=1:length(freq_opt)delta_lamda_l = -(c/(freq_opt(i)-Fsig_l)-c/Fref); %左边带与参考波长193.1THz的波长差(nm)delta_lamda_r = (c/(freq_opt(i)+Fsig_r)-c/Fref); %右边带与参考波长193.1THz的波长差(nm)tao_left(i) = D*L*delta_lamda_l + L/vg; %左边带与参考波长193.1THz的延时差(s)tao_right(i) = D*L*delta_lamda_r + L/vg; %右边带与参考波长193.1THz的延时差(s)phase_left(i) = -2*pi*Fsig_l*(tao_left(i)); %左边带色散造成的相位移动(rad)phase_right(i) = -2*pi*Fsig_r*(tao_right(i)); %右边带色散造成的相位移动(rad)phase_left_plot(i) = getDegree(-2*pi*Fsig_l*(D*L*delta_lamda_l+L/vg)) ; %左边带色散造成的相位移动(rad)phase_right_plot(i) = getDegree(-2*pi*Fsig_r*(D*L*delta_lamda_r+L/vg)) ; %右边带色散造成的相位移动(rad)phase_PD_wrap180(i) = (getDegree(phase_right(i))-getDegree(phase_left(i)))/2
end
phase_right_plot(1)= -phase_right_plot(1); %因为第一个测试波长和参考波长一样,导致d_lamda为负数了
phase_true = (phase_right_plot-phase_left_plot)/2figure(1);
scatter(freq_opt,phase_left_plot,10,"o","filled");
hold on;
scatter(freq_opt,phase_right_plot,10,"^","filled");
plot(freq_opt,phase_true);
hold off;
legend("(φ+1)","(φ-1)","[(φ+1)-(φ-1)]/2");% xlim([0:196e12]) ;
% ylim([0,2.2e5]);
set(gca,'linewidth',1.5);
set(gcf,'PaperUnits','normalized','Position',[500 200 950 450]) %采用相对值设置
% set(gca,'FontName','Times New Roman','FontSize',14);
% set(get(gca,'XLabel'),'FontName','Times New Roman','FontSize',14);
% set(get(gca,'YLabel'),'FontName','Times New Roman','FontSize',14);
set(gca,'XTick',[0:100e9:195.5e12]);
set(gca,'YTick',[-180:30:180]);
% set(get(gca, 'XLabel'), 'String', []);set(get(gca, 'YLabel'), 'String', [])% 去掉label
% set(gca,'xticklabel','','yticklabel','','zticklabel',''); % 去掉坐标值
function degree180 = getDegree(radLong)
%UNTITLED3 此处显示有关此函数的摘要
% 此处显示详细说明
tmp = rad2deg(radLong);
degree180 = wrapTo180(tmp);
end
相关文章:
计算光纤色散带来的相位移动 matlab
需要注意的地方 1.以下内容纯属个人理解,很有可能不准确,请大家仅做参考 2.光速不要直接用3e8 m/s,需要用精确的2.9979.... 3.光的频率无论在真空还是光纤(介质)都是不变的,是固有属性,但是波长lambdac/f在不同的介…...
国内docker pull拉取镜像的解决方法
访问网站,查找该网站上可用的镜像源,然后替换掉下面代码中的hub-mirror.c.163.com: docker pull hub-mirror.c.163.com/library/nginx:latest 另外,进入到镜像之后,可以使用下面的命令查看操作系统版本。 lsb_releas…...
“Kafka面试攻略:核心问题与高效回答”
1,生产者发送消息的原理 发送消息的过程中,涉及到两个线程,main线程和sender线程,main线程会创建一个双端队列,main线程向双端队列发送消息,sender线程从双端队列里拉取消息,发送给Kafka Broke…...
C++ 多线程std::thread以及条件变量和互斥量的使用
前言 本文章主要介绍C11语法中std::thread的使用,以及条件变量和互斥量的使用。 std::thread介绍 构造函数 std::thread 有4个构造函数 // 默认构造函,构造一个线程对象,在这个线程中不执行任何处理动作 thread() noexcept;// 移动构造函…...
新华三H3CNE网络工程师认证—子接口技术
子接口(subinterface)是通过协议和技术将一个物理接口(interface)虚拟出来的多个逻辑接口。在VLAN虚拟局域网中,通常是一个物理接口对应一个 VLAN。在多个 VLAN 的网络上,无法使用单台路由器的一个物理接口…...
【MySQL】InnoDB内存结构
目录 InnoDB内存结构 主要组成 缓冲池 缓冲池的作用 缓冲池的结构 缓冲池中页与页之间连接方式分析 缓冲池如何组织数据 控制块初始化 页面初始化 缓冲池中页的管理 缓冲区淘汰策略 查看缓冲池信息 总结 变更缓冲区-Chang Buffer 变更缓冲区的作用 主要配置选项…...
基于大数据爬虫数据挖掘技术+Python的网络用户购物行为分析与可视化平台(源码+论文+PPT+部署文档教程等)
#1024程序员节|征文# 博主介绍:CSDN毕设辅导第一人、全网粉丝50W,csdn特邀作者、博客专家、腾讯云社区合作讲师、CSDN新星计划导师、Java领域优质创作者,博客之星、掘金/华为云/阿里云/InfoQ等平台优质作者、专注于Java技术领域和学生毕业项目实战,高校老…...
蓝桥杯每日真题 - 第19天
题目:(费用报销) 题目描述(13届 C&C B组F题) 解题思路: 1. 问题抽象 本问题可以看作一个限制条件较多的优化问题,核心是如何在金额和时间约束下选择最优方案: 动态规划是理想…...
CentOS7.9.2009的yum更换vault地窖保险库过期源,epel的archive归档源 笔记241117
CentOS7.9.2009的yum更换vault地窖保险库过期源,epel的archive归档源 笔记241117 备份 /etc/yum.repos.d 文件夹 tempUri/etc/yum.repos.d ; sudo cp -a $tempUri $tempUri.$(date %0y%0m%0d%0H%0M%0Sns%0N).bak清空 /etc/yum.repos.d 文件夹 sudo rm -rf /etc…...
Spark SQL大数据分析快速上手-完全分布模式安装
【图书介绍】《Spark SQL大数据分析快速上手》-CSDN博客 《Spark SQL大数据分析快速上手》【摘要 书评 试读】- 京东图书 大数据与数据分析_夏天又到了的博客-CSDN博客 Hadoop完全分布式环境搭建步骤-CSDN博客,前置环境安装参看此博文 完全分布模式也叫集群模式。将Spark目…...
Java面试题2024-Java基础
Java基础 1、 Java语言有哪些特点 1、简单易学、有丰富的类库 2、面向对象(Java最重要的特性,让程序耦合度更低,内聚性更高) 3、与平台无关性(JVM是Java跨平台使用的根本) 4、可靠安全 5、支持多线程 2、…...
局域网协同办公软件,2024安全的协同办公软件推荐
在2024年,随着数字化转型的深入和远程工作需求的增加,协同办公软件已成为企业提升工作效率、优化沟通流程的重要工具。 以下是一些值得推荐的安全的协同办公软件: 钉钉 功能全面:钉钉是一款综合性极强的企业级协同软件ÿ…...
osg、osgearth简介及学习环境准备
一、osg简介(三维场景图渲染与调度引擎) OSG是Open Scene Graphic 的缩写,OSG于1997年诞生于以为滑翔机爱好者之手,Don burns 为了对滑翔机的飞行进行模拟,对openGL的库进行了封装,osg的雏形就这样诞生了&…...
nodejs基于微信小程序的云校园的设计与实现
摘 要 相比于传统的校园管理方式,智能化的管理方式可以大幅提高校园的管理效率,实现了云校园管理的标准化、制度化、程序化的管理,有效地防止了云校园信息的不规范管理,提高了信息的处理速度和精确度,能够及时、准确地…...
uni-app快速入门(十)--常用内置组件(下)
本文介绍uni-app的textarea多行文本框组件、web-view组件、image图片组件、switch开关组件、audio音频组件、video视频组件。 一、textarea多行文本框组件 textarea组件在HTML 中相信大家非常熟悉,组件的官方介绍见: textarea | uni-app官网uni-app,un…...
golang基础
在 Go 中字符串是不可变的,例如下面的代码编译时会报错: cannot assign to s[0] 但如果真的想要修改怎么办呢?下面的代码可以实现: var s string "hello" s [ 0 ] c s : "hello" c : [] b…...
Selenium + 数据驱动测试:从入门到实战!
引言 在软件测试中,测试数据的多样性和灵活性对测试覆盖率至关重要。而数据驱动测试(Data-Driven Testing)通过将测试逻辑与数据分离,极大地提高了测试用例的可维护性和可扩展性。本文将结合Selenium这一流行的测试工具࿰…...
LLaMA与ChatGLM选用比较
目录 1. 开发背景 2. 目标与应用 3. 训练数据 4. 模型架构与规模 5. 开源与社区支持 6. 对话能力 7. 微调与应用 8. 推理速度与资源消耗 总结 LLaMA(Large Language Model Meta AI)和 ChatGLM(Chat Generative Language Model)都是强大的大型语言模型,但它们有一…...
GPTZero:高效识别AI生成文本,保障学术诚信与内容原创性
产品描述 GPTZero 是一款先进的AI文本检测工具,专为识别由大型语言模型(如ChatGPT、GPT-4、Bard等)生成的文本而设计。它通过分析文本的复杂性和一致性,判断文本是否可能由人类编写。GPTZero 已经得到了超过100家媒体机构的报道&…...
C/C++ 优化,strlen 示例
目录 C/C optimization, the strlen examplehttps://hallowed-blinker-3ca.notion.site/C-C-optimization-the-strlen-example-108719425da080338d94c79add2bb372 揭开优化的神秘面纱... 让我们来谈谈 CPU 等等,SIMD 是什么? 为什么 strlen 是一个很…...
【动手学深度学习Pytorch】1. 线性回归代码
零实现 导入所需要的包: # %matplotlib inline import random import torch from d2l import torch as d2l import matplotlib.pyplot as plt import matplotlib import os构造人造数据集:假设w[2, -3.4],b4.2,存在随机噪音&…...
深入理解PyTorch中的卷积层:工作原理、参数解析与实际应用示例
深入理解PyTorch中的卷积层:工作原理、参数解析与实际应用示例 在PyTorch中,卷积层是构建卷积神经网络(CNNs)的基本单元,广泛用于处理图像和视频中的特征提取任务。通过卷积操作,网络可以有效地学习输入数…...
DataGear 5.2.0 发布,数据可视化分析平台
DataGear 企业版 1.3.0 已发布,欢迎体验! http://datagear.tech/pro/ DataGear 5.2.0 发布,图表插件支持定义依赖库、严重 BUG 修复、功能改进、安全增强,具体更新内容如下: 重构:各模块管理功能访问路径…...
uniapp: vite配置rollup-plugin-visualizer进行小程序依赖可视化分析减少vender.js大小
一、前言 在之前文章《uniapp: 微信小程序包体积超过2M的优化方法(主包从2.7M优化到1.5M以内)》中,提到了6种优化小程序包体积的方法,但并没有涉及如何分析common/vender.js这个文件的优化,而这个文件的大小通常情况下…...
深度学习:如何复现神经网络
深度学习:如何复现神经网络 要复现图中展示的卷积神经网络(CNN),我们需详细了解和配置每层网络的功能与设计理由。以下将具体解释各层的配置以及设计选择的原因,确保网络设计的合理性与有效性。 详细的网络层配置与设…...
Spring Boot与MyBatis-Plus的高效集成
Spring Boot与MyBatis-Plus的高效集成 引言 在现代 Java 开发中,MyBatis-Plus 作为 MyBatis 的增强工具,以其简化 CRUD 操作和无需编写 XML 映射文件的特点,受到了开发者的青睐。本篇文章将带你一步步整合 Spring Boot 与 MyBatis-Plus&…...
【Unity ShaderGraph实现流体效果之Function入门】
Unity ShaderGraph实现流体效果之Node入门(一) 前言Shader Graph NodePosition NodeSplit NodeSubtract NodeBranch Node 总结 前言 Unity 提供的Shader Graph在很大程度上简化了开发者对于编写Shader的工作,只需要拖拽即可完成一个视觉效果…...
Spark RDD sortBy算子执行时进行数据 “采样”是什么意思?
一、sortBy 和 RangePartitioner sortBy 在 Spark 中会在执行排序时采用 rangePartitioner 进行分区,这会影响数据的分区方式,并且这一步骤是通过对数据进行 “采样” 来计算分区的范围。不过,重要的是,sortBy 本身仍然是一个 tr…...
React-useRef与DOM操作
#题引:我认为跟着官方文档学习不会走歪路 ref使用 组件重新渲染时,react组件函数里的代码会重新执行,返回新的JSX,当你希望组件“记住”某些信息,但又不想让这些信息触发新的渲染时,你可以使用ref&#x…...
Mistral AI 发布 Pixtral Large 模型:多模态时代的开源先锋
Mistral AI 最新推出的 Pixtral Large 模型,带来了更强的多模态能力。作为一款开源的多模态模型,它不仅在参数量上达到 1240 亿,更在文本和图像理解上实现了质的飞跃。 模型亮点 1. 多模态能力再升级 Pixtral Large 配备了 123B 参数的解码器…...
网站设计 网站建设 手机网站建设/百度公司在哪
1)实验平台:正点原子阿尔法Linux开发板 2)平台购买地址:https://item.taobao.com/item.htm?id603672744434 3)全套实验源码手册视频下载地址:http://www.openedv.com/thread-300792-1-1.html 4)…...
wordpress分享收藏点赞/网站优化北京seo
前言 看标题就知道,这个又是个在面试中被问到的问题。这个问题其实是在我上次换工作的时候面试被问到过几次,之前也没在意过,觉得这个东西可能比较深奥,我直接说不理解吧。但是随着Java开发这个行业越来越卷,这次换工作…...
做二手车有哪些网站有哪些/少儿培训
2019独角兽企业重金招聘Python工程师标准>>> java native interface (JNI) 允许java 应用程序调用本地方法 本地方法即:本地程序设计语言编写的特殊方法(比如C 或C 代码),并返回到java设计语言本地方法主要提供三种用途࿱…...
wordpress 4.1 搜索框/网络营销策略案例
作者:jackcooper(文中相关链接请阅读原文获取)Sharding的基本思想就要把一个数据库切分成多个部分放到不同的数据库(server)上,从而缓解单一数据库的性能问题。不太严格的讲,对于海量数据的数据库,如果是因…...
网站建设 页面/如何推广一个品牌
webpack打包出现的错误:[webpack-cli] Unknown command 运行 npm run dev 出现以下错误: 解决方法 1.查看[webpack-cli] 版本是否兼容 npm webpack -v2. 运行 npm install webpack-cli --save-dev3. 再运行一次: npm run dev 成功啦&am…...
石家庄网站建设wsjz/外贸企业网站制作哪家好
摘要:本文讲解微软ASP.NET Web服务方法(WebMethod)是如何提供高效率的建立Web服务的途径的。WebMethod可以把传统的微软.NET方法暴露为Web服务操作,支持HTTP、XML、XML Schema、SOAP和WSDL。WebMethod(.asmx࿰…...