本文提出了一种**基于反向传播（BP）神经网络的参数自调节三维光纤章动算法**，旨在解决自由空间光通信（FSOC）中单模光纤耦合易受静态偏差与动态扰动影响，且传统固定参数章动算法鲁棒性不足、难以兼顾收敛速度与稳态精度的问题。

以下是该论文的核心内容简要总结：

**1. 核心创新点：BP神经网络赋能参数自调节**

*   **智能参数决策**：摒弃传统依赖人工预设固定参数的模式，引入BP神经网络的非线性映射能力。算法以实时耦合光功率及其变化率为输入，在线自主决策并输出最优的章动半径、章动步长、Z轴扫描半径及扫描步长。

*   **三维联合校正**：结合三维章动搜索机制，实现了对横向（X/Y方向）和轴向（Z方向）对准偏差的同步联合校正，弥补了传统方案多忽略轴向离焦劣化的缺陷。

**2. 算法设计与自适应策略**

*   **分级调参逻辑**：网络采用分级自适应策略。在低功率阶段（大偏差），输出较大半径与步长以快速逼近最优耦合点；在高功率阶段（精对准），输出较小半径与步长以降低波动、提升稳态精度；在动态扰动阶段，根据功率变化率自适应调参，增强抗扰与跟踪能力。

*   **闭环控制**：将训练收敛后的BP网络嵌入耦合闭环控制系统，实现多工况下章动参数的实时在线整定。

**3. 关键实验结果**

*   **静态偏差下性能跃升**：在典型静态偏差工况下，相较于传统固定参数三维章动算法，该算法的稳态精度提升了**19.51%~67%**，耦合速度提升了**11.94%~53.32%**。其平均耦合效率与收敛时间均显著优于固定参数算法及随机并行梯度下降（SPGD）算法。

*   **动态扰动下宽频适应**：在1 Hz和2 Hz的正弦动态扰动下，传统固定参数算法仅能适配单一频率，而该自调节算法在两种频率下均能保持高耦合效率与稳态精度，有效克服了扰动放大现象，展现出优异的宽频适应性。

**4. 研究结论与应用前景**

*   该算法通过数据驱动的智能调参，成功打破了传统章动算法在收敛速度、稳态精度与抗干扰能力之间的固有性能取舍。

*   研究成果显著提升了空间光通信系统在复杂环境（静态偏差与宽频动态扰动共存）下的鲁棒性与环境适应性，为未来星地激光通信、移动平台等空间光-单模光纤高精度耦合的工程应用提供了极具价值的参考方案。