ADOP带您科普光模块基础知识大全、分类及选用

光模块基础知识【快速入门】02 光模块是用于交换机与设备之间传输的载体,是光纤通信系统中的核心器件。主要作用是发射端将设备的电信号转换成光信号。 光纤通道光模块和以太网光模块 光纤通道光模块 光纤通道(FC, Fiber Channel)是一种高速网络数据传输协议。光纤通道协议可以有序无损地传输原始数据,它主要用于在数据中心、电脑服务器、交换机与存储网络中进行数据传输。 FC光模块遵循FC协议,充当着光纤通道系统之间的接口,也是光纤存储网络设备间的接口。它们主要用于数据中心的光纤通道存储网络链接中。 FC光模块具有小型化和低. 阅读详情

  光模块基本知识

🎈定义:光模块:也就是光收发一体模块。

🎈结构:光收发一体模块由光电子器件、功能电路和光接口等组成,光电子器件包括发射和接收两部分。

  发射部分是:输入一定码率的电信号经内部的驱动芯片处理后驱动半导体激光器(LD)或发光二极管 (LED)发射出相应速率的调制光信号,其内部带有光功率自动控制电路,使输出的光信号功率保持稳定。

  接收部分是:一定码率的光信号输入模块后由光探测二极管转换为电信号。经前置放大器后输出相应码率的电信号,输出的信号一般为PECL电平。同时在输入光功率小于一定值后会输出一个告警信号。

  中心波长

🎈单位纳米(nm),常规波长目前主要有3种:

🎈850nm(MM,多模,成本低但传输距离短,一般只能传输500M);

🎈1310nm (SM,单模,传输过程中损耗大但色散小,一般用于40KM以内的传输);

🎈1550nm (SM,单模,传输过程中损耗小但色散大,一般用于40KM以上的长距离传输,最远可以无中继直接传输120KM);

传输距离

光信号无需中继放大可以直接传输的距离,单位千米(也称公里,km)。 光模块一般有以下几种规格:多模550m,单模10km、40km、80km和120km等等。

除以上3种主要技术参数(波长,速率,距离)外,光模块还有如下几个基本概念,这些概念只需简单了解就行。

🏐激光器类别:激光器是光模块中最核心的器件,将电流注入半导体材料中,通过谐振腔的光子振荡和增益射出激光。目前最常用的激光器有FP和DFB激光器,它们的差异是半导体材料和谐振腔结构不同,DFB激光器的价格比FP激光器贵很多。传输距离在40KM以内的光模块一般使用FP激光器;传输距离≥40KM的光模块一般使用DFB激光器。

🏐损耗和色散:损耗是光在光纤中传输时,由于介质的吸收散射以及泄漏导致的光能量损失,这部分能量随着传输距离的增加以一定的比率耗散。色散的产生主要是因为不同波长的电磁波在同一介质中传播时速度不等,从而造成光信号的不同波长成分由于传输距离的累积而在不同的时间到达接收端,导致脉冲展宽,进而无法分辨信号值。这两个参数主要影响光模块的传输距离,在实际应用过程中,1310nm光模块一般按0.35dBm/km计算链路损耗,1550nm光模块一般按.20dBm/km计算链路损耗,色散值的计算非常复杂,一般只作参考。

🏐发射光功率和接收灵敏度:发射光功率指光模块发送端光源的输出光功率,接收灵敏度指在一定速率、误码率情况下光模块的最小接收光功率。这两个参数的单位都是dBm(意为分贝毫瓦,功率单位mw的对数形式,计算公式为10lg,1mw折算为0dBm),主要用来界定产品的传输距离,不同波长、传输速率和传输距离的光模块光发射功率和接收灵敏度都会不同,只要能确保传输距离就行。

光模块分类

按常见速率分类:SFP(1.25G);SFP+(10G);QSFP(40G);QSFP28(100G);QSFP-DD(200G 400G 800G)

按封装分类:

👓RJ45电口小型可插拔模块,又称电模块或者电口模块。
👓1x9封装:焊接型光模块,一般速度不高于千兆,多采用SC接口。
👓SFF封装:焊接小封装光模块,一般速度不高于千兆,多采用LC接口。
👓GBIC封装:热插拔千兆接口光模块,采用SC接口。
👓SFP封装:热插拔小封装模块,目前最高速率可达4G,多采用LC接口。
👓XENPAK封装:应用在万兆以太网,采用SC接口。
👓XFP封装:10G光模块,可用于万兆以太网、SONET等多种系统,多采用LC接口。

​​​​​​总之,光模块的分类多种多样,根据不同应用和需求,我们可以选择适合的光模块

以下是京东ADOP旗舰店光模块连接:

RJ45电口:https://item.jd.com/10020581897477.html#crumb-wrap

SFP千兆模块:https://item.jd.com/29151268873.html

SFP+万兆模块:https://item.jd.com/10066865763843.html#crumb-wrap

QSFP 40G光模块:https://item.jd.com/10076479164590.html#crumb-wrap

QSFP28 100G光模块:https://item.jd.com/10021036751352.html

计算机网络基础——光模块(Optical Modules)基础知识介绍 SFP28(Small Form-factor Pluggable 28)光模块是一种接口封装大小与SFP+相同,支持速率为25G的SFP28光模块和10G的SFP+光模块的小型可插拔光模块。光模块的种类很多,不同品牌都有自己独特的光模块命名体系,但业界对光模块的命名大同小异,了解光模块命名规则就能读懂厂商光模块产品名称所包含的全部信息。光模块种类繁多,选择合适的光模块对于光纤通信系统的性能和稳定性至关重要,光模块根据不同的分类方式,可以分为多种不同的类别。 阅读详情

相关推荐

光模块基础知识

光模块是光收发模块的简称,主要根据不同的外型来区分,而在同一外型中,又有着多种规格;在数据通信领域,最常见的光模块(根据外型区分)分别是SFF、GBIC、SFP、和XFP、QSFP 、XENPAK和X2光模块,其中SFF、GBIC、XENPAK和X2都是比较早期的标准,已经逐步被QSFP、SFP所取代。饱和光功率值:指光模块接收端最大可以探测到的光功率,当接收光功率大于饱和光功率的时候会导致误码产生,甚至造成接收电路的损坏,因此对于发射光功率大的光模块需要考虑是否要额外增加衰减。单模,超长距离光纤。

cgk123的博客 2196

光模块基础了解

光模块和光纤连接器的知识 (360doc.com)

陌上花开缓缓归以的博客 674

ADOP带您科普环回光模块(Lookback)的作用

如果玩过路由器就比较好理解,以openwrt为例,它在配置接口的时候一般是配置一个虚拟接口,绑定到物理接口上,再划入防火墙的域。虚拟接口只要系统能运行就一直会在,即使物理接口没了它还能通,这样如果绑定一些关键地址到Loopback上,就可以在设备部分故障的情况下还能发挥作用,比如建立路由邻居(一个接口挂了只要其他路径还能通到回环地址邻居就还能成立,否则要是邻居建立到了挂掉的网卡上就要重新建立拓扑),或者路由管理(只要路径还能通就能进管理,预防操作错误导致一些接口无效还没法改的问题)

ADOP_BitRate的博客 2664

光模块相关知识概述

目前常见光模块种类如下:400GE光模块、200GE光模块、100GE光模块、40GE光模块、25GE光模块、10GE光模块、GE光模块、FE光模块。使用破损的光纤跳线,易导致光模块损坏。光电模块通常称为电模块,又叫做光转电模块、RJ45模块,与光模块不同,电模块不进行光电转换。光模块通常需要写入厂商信息等,也就是我们常说的兼容性,如通讯仍不能正常,请与客服联系您的光模块是否与您的设备兼容。4、使用标准的光纤跳线,长期不使用的情况下,光纤跳线必须安装防尘帽,以免在光纤跳线与光模块对接时产生光口污染。

qq_65192671的博客 3900

ADOP科普关于数据中心QSFP单模AOC光纤和多模AOC光纤

它可以将一个40Gbps的信号分解为四个10Gbps的信号,适用于将40Gbps端口与多个10Gbps设备连接起来的场景。典型的多模AOC传输速度为100M/s,传输距离可达2km(100BASE-FX),1G/s可达1000m,10G/s可达550m。QSFP直连AOC适合于100Gbps的直连应用,而一分四AOC则适合于需要将100Gbps信号分配到多个25Gbps端口的应用。QSFP直连AOC适合于40Gbps的直连应用,而一分四AOC则适合于需要将40Gbps信号分配到多个10Gbps端口的应用。

ADOP_BitRate的博客 1537

光模块的基础培训资料

试用与光通信行业的初学者,用来对光模块的基础知识进行了解。

ADOP科普800G和400G MTP/MPO 布线指南

🔎800G MTP/MPO 布线指南🔍在更高速的800G网络环境中,MTP/MPO电缆的高密度、高带宽和灵活性发挥了至关重要的作用。MTP/MPO光缆采用多种分支或直连方案,与800G光模块、400G光模块、100G光模块无缝连接,增强了网络建设的丰富性和灵活性。🔎800G 连接与直接连接布线🔍16 芯 MTP® 主干光缆专为 800G QSFP-DD/OSFP DR8 和 800G OSFP XDR8 光学直接连接而设计,支持超大规模数据中心的 800G 传输。

ADOP_BitRate的博客 2909

光模块知识介绍

详细介绍光模块和光纤的各种参数,由浅入深,图文并茂,是初学网络的必备知识

ADOP带您科普什么是单纤双向BiDi光模块?一根光纤,双向通信:单纤双向模块的革命性技术。

例如,若配对的BiDi光模块与设备A(上行)和设备B(下行)进行了连接,如下图所示,那么:光模块A的双工器必须有一个1550nm的接收波长和一个1310nm的发射波长。例如,配对的BiDi光模块可以连接到设备A(上行)和设备B(下行),其中光模块A的双工器具有1550nm的接收波长和1310nm的发射波长,而光模块B的双工器则相反。BiDi光模块和普通光模块的主要区别在于,BiDi光模块配备了波分复用(WDM)耦合器,也就是双工器,根据波长 的不同将在一根光纤上传输的数据进行汇合和分离。

ADOP_BitRate的博客 1775

【AI智能体】Coze 搭建个人旅游规划助手实战详解

本文将详细介绍如何使用Coze平台搭建个人旅游规划助手。首先概述了AI智能体如何简化传统复杂任务的开发流程,然后重点介绍了Coze工作流的作用和核心节点类型(包括大模型、插件、知识库等)。通过实际操作演示,从创建智能体到配置多级工作流,逐步实现旅游规划功能:解析用户输入时间地点、查询必玩景点、获取景点详细信息等。该教程展示了如何利用Coze的可视化编排能力,即使非技术人员也能快速构建专业级AI应用。最终呈现的旅游助手可提供天气查询、行程建议等一站式服务。

Hello, New World! 2122

MATLAB下pdf文件操作读取示例

当遇到一些需要大量数据的项目,数据的读取与储存显得尤为重要。怎样把数据从其他格式的文件中读取,并运用到程序中是很多时候我们要解决的问题。对于平常的.txt,和.xlsx文件,MATLAB有对应的函数帮助读取,但是遇到pdf文件时MATLAB很难读取内容。本文以一个操作实例提供了一个从pdf文件中读取数据的方法。

UESTC 五高考3模拟的博客 6561

ADOP科普什么是单模单纤单向光模块?如何选择单纤单向和单纤双向BIDI光模块?

与之相对的是单纤双向光模块,也称为BiDi模块,它在一根光纤里可以同时传输收发两个方向的光信号。优势也很明显,相比较而言,单纤双向技术只使用一根光纤就能完成原来两根光纤才能完成的工作,将现有光纤的传输量提高了一倍,从而大大节省了光纤资源。是指在一根光纤里可以同时传输收发两个方向的光信号,就象马路上由隔离带隔开的正反两个方向的车道,两边的车辆在各自的车道上行驶,互不干扰。👏在一根光纤里可以同时传输收发两个方向的光信号,类似于马路上由隔离带隔开的正反两个方向的车道,两边的车辆在各自的车道上行驶,互不干扰。

ADOP_BitRate的博客 1554

当今用于探测和阻止无人机的 10 种反无人机技术

利用反无人机技术应对无人机威胁。

网络研究观 3548

ADOP带您科普:精准分配/稳定传输:光纤耦合器的未来

它的工作原理基于光纤信号的反射和环回,通过构建闭环来测试和验证光纤链路的性能。在数据中心中,光纤回路器用于测试和维护光纤链路。在光纤设备制造和测试过程中,光纤回路器用于验证设备的发射能力和接收灵敏度。总之,光纤回路器在光通信、数据中心和设备制造等领域都扮演着重要角色,帮助确保光纤链路的稳定性和可靠性。在数据中心的服务器架中,光纤回路器可以帮助诊断和解决光纤链路中的问题,确保高速数据传输的可靠性。当光信号传输到环形光纤时,信号会在环形光纤内部形成一个闭环,从而实现对光纤链路的测试和验证。

ADOP_BitRate的博客 1521

YOLOv11 改进入门篇 | 从原理到代码:CBAM 注意力模块的插入与涨点验证

本文介绍了如何在YOLOv11模型中插入CBAM注意力模块以提升检测性能。CBAM包含通道和空间注意力两个子模块,通过双池化操作和MLP学习特征权重。文章详细解析了CBAM原理,提供了PyTorch实现代码,并建议在YOLOv11的Stage-3和Stage-4之间插入CBAM。实验表明,该方法在COCO数据集上使nano和small模型的mAP提升1.7-2.3个百分点,参数量仅增加0.27%,推理延迟增加0.1ms。最后给出了插入位置选择、通道缩减比等调优建议,验证了CBAM作为轻量级注意力模块的有效性

shrgegrb的博客 1304

Apache DolphinScheduler 实现了对 OceanBase 的元数据库支持

Apache DolphinScheduler 是一款开源的分布式工作流任务调度系统,它提供了可视化的工作流设计和调度功能,支持大数据任务的自动化调度和监控。最近的更新中,Apache DolphinScheduler 引入了对 OceanBase 数据库的元数据库支持,这为用户在大数据环境中管理和调度任务提供了更多选择。用户可以通过 DolphinScheduler 提供的可视化界面进行工作流的设计和调度,也可以通过 DolphinScheduler 提供的 API 进行任务的编程调度。

VavzNvml的博客 501

ADOP带您科普什么是光纤网卡,它跟普通网卡有什么区别?

🔊高速率:光纤网卡支持更高的数据传输速率,如10Gbps、40Gbps甚至100Gbps,适合大数据流量处理。🔊光纤网卡:可以支持更高的传输速率,如100Mbps、1Gbps、10Gbps,甚至更高。🔊远距离传输:光纤网卡能够支持更远的传输距离,多模光纤可达数百米,单模光纤可达数十公里。🔊光纤网卡:可以支持更远的传输距离,多模光纤可传输几百米,单模光纤可传输几千米。🔊光纤网卡:使用光接口,如SFP/SFP+端口,需要配合光模块和光纤电缆使用。🔊成本:光纤网卡及相关设备(如光缆、光模块)的成本相对较高。

ADOP_BitRate的博客 1572

Redhawk:什么是timing window?

STA timing file中timing window的作用和计算方式

m0_61544122的博客 1万+

【知识】光模块知识

才华斐然,不能浪费。提前声明,如有侵权,马上就删,果断道歉,能屈能伸#上一章讲的是光纤线的情况,光纤线要和模块配合使用,本章对光模块进行说明。

qq_25232485的博客 1万+

把开源 Skills 集成到 LangGraph 项目

1. 定义智能体状态(必须包含 messages,其他字段按需扩展)messages: List[HumanMessage | AIMessage | ToolMessage] # 消息流(核心)skill_output: Optional[str] # 存储 Skill 执行结果next_node: str # 控制流程跳转# 2. 定义智能体决策节点(决定是否调用 Skill)"""智能体决策逻辑:根据用户输入判断是否调用开源 Skill"""# 获取最后一条用户消息。

lpfasd123的博客 910

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

小身材有大作用——光模块基础知识(一)

传输速率是光模块重要的技术指标,高速率是发展趋势。需要注意的是,光探测器在强光照射下会出现光电流饱和现象,当出现此现象后,探测器需要一定的时间恢复,此时接收灵敏度下降,接收到的信号有可能出现误判而造成误码现象,而且还非常容易损坏接收端探测器,在使用操作中应尽量避免超出其饱和光功率。打开光模块的内部,我们可以看到其构造比较简单,并不像想象中一样涉及多么复杂的电路,唯一一点就是对生产工艺要求比较高,工艺制作不好将大大影响其光路质量,导致无法与光模块对接,或者经常产生一些链路错包,影响数据转发等一系列问题。

weixin_53906196的博客 3273

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

光模块基础概念

光模块作为光通信中的重要组成部分,是实现光信号传输过程中光电互相转换的光电子器件。光模块通常由等部件组成。光模块的种类多种多样,外观结构也不尽相同,但是其基本组成结构都包含以下几部分。

卤煮小鱼的博客 4528

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

上一篇: ADOP带您了解800G模块,连接未来,打造超高速网络体验
下一篇: ADOP告诉您人工智能是什么?它的趋势和未来发展
ADOP_BitRate
博客等级 码龄3年 418粉丝 26原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值