Die Signalübertragung mit SRS in Faseroptik-Systemen kann durch gekoppelte PDEs charakterisiert werden, die für die Dämpfung, die Gruppengeschwindigkeitsdispersion (GVD), die Kerr-Nichtlinearität und vereinfachte Raman-Antworten gelten. Diese Gleichung beschreiben die vollständige Amplitudenübertragung in der Faserübertragung mit SRS.
Die architektur von SRS-Net basiert auf künstlichen neuronalen Netzen (NN) und der physikalischen Gesetzmäßigkeiten von SRS-PDE. Diese universelle Lösung kann für die Vorhersage von Signalen und Pumpen, die Identifizierung von Parametern und die Optimierung von Pumpen verwendet werden.
Das SRS-Net kann durch eine Kombination von physikalischen Gesetzen und künstlicher Intelligenz trainiert werden, um Probleme der Vorhersage, Parameteridentifikation und Pumpenoptimierung in Faseroptiksystemen zu lösen. Diese Lösung zeigt eine hohe Genauigkeit in der Vorhersage von Power-Evolution und der Identifikation von Faserparametern.
Die Anwendung von SRS-Net in Experimenten mit C+L-Band-Faseroptiksystemen hat gezeigt, dass die Parameteridentifikation und Power-Vorhersage für verschiedene Ladezustände akkurat sind. Die erzielten Ergebnisse bestätigen die Effektivität von SRS-Net in der Lösung von Vorwärts- und Rückwärtsproblemen in der Faseroptikübertragung.