储备池计算（RC）是人工神经网络（ANN）领域的一种新的算法,它的训练过程简单,易于在非传统计算硬件上实施。RC使用一个固定权重的动态网络作为储备池,基于储备池被外部信息所激发的暂态状态进行信息处理。根据储备池的拓扑结构,RC可以分为空间型RC和延时型RC。空间型RC的储备池是由大量互连的非线性节点构成的空间型网络,而延时型RC的储备池是由带反馈环的单个非线性节点构成的虚拟环形网络。相对来说,基于非线性延迟反馈系统构建的延时RC的结构更加简单。基于带光反馈环的半导体激光器（SL）构建的SL延时RC在计算性能、并行计算能力、功耗和计算速率等方面均表现出了独特的优势,并已经被成功的用于混沌时间序列预测、波形识别、非线性信道均衡、语音识别等复杂任务的处理。基于SL的延时RC系统可以通过光信息注入和电信息注入两种方式向储备池注入数据。采用光信息注入的SL延时RC系统需要配备外部光源、偏振控制器、衰减器、外部调制器等器件,从而增加了系统硬件需求及参数调节的难度。在基于电信息注入SL延时RC系统中,待处理数据是通过直接调制SL泵浦电流注入储备池的,因而系统具有更简单的结构,更易于在硬件中实现。研究构建并优化基于电信息注入SL延时RC系统,探索提高系统计算能力及计算速率的方法,对于开发新的智能计算硬件,促进光信息处理技术的发展具有重要的研究意义。目前,针对基于电信息注入SL延时RC的相关研究尚处于起步阶段,系统参数对性能的影响,以及系统性能与系统动态特性的关联关系尚不明确。已报道的研究中只在SL偏置于阈值电流附近时获得了好的计算性能,且系统的计算速率不高。通常,工作在阈值附近的SL输出光强度处于相对较低的水平,在这种情况下小的外部扰动即会影响到系统的性能,因此不利于RC系统高速、稳定的运行。基于上述分析,本论文针对探索电信息注入SL延时RC系统的优化方法以获得更好的计算性能,探明系统中关键参数、系统非线性动态对系统性能的影响,优化系统结构以提高系统的计算能力、数据处理速率等问题开展了理论及实验研究。论文的主要研究内容及结论如下:1.理论研究了基于电信息注入SL延时RC系统性能的优化,提出采用与SL偏置电流相关联的虚拟节点间隔（θ）及反馈强度（k）的参数优化方法,从而使SL运行于较高的偏置电流的同时保持好的系统性能和较高的数据处理速率。借助Santa-Fe时间序列预测任务和非线性信道均衡任务对系统计算性能进行了评估。结果表明,通过设置θ等于0.2倍的弛豫振荡周期(Tro),并设置k等于该偏置电流下使系统进入振荡状态的反馈强度值(kBP)的1/2,则SL偏置在1.1Ith至3.5Ith(Ith为阈值电流)范围内时系统均能取得好的性能。在Santa-Fe时间序列预测任务中,预测结果的归一化均方误差（NMSE）低于0.01。在非线性信道均衡任务中,在信噪比（SNR）为32d B的情况下,符号错误率（SER）低至10-5的量级。此外,研究发现在虚拟节点数量n=50的情况下,随着激光器偏置电流从1.1Ith增加到3.5Ith,采用所提出的参数优化方法能够使系统的数据处理速率从0.15GSa/s增加到0.73GSa/s。2.实验研究了基于电信息注入SL延时RC系统中关键参数如调制系数、反馈强度、偏置电流、虚拟节点间隔等对RC预测性能的影响,探明了系统空闲状态（无外部数据注入时的状态）与RC预测性能之间的关联关系,实现了激光器偏置在三倍阈值电流范围内时Santa Fe时间序列预测的NMSE低于0.1的预测性能。实验中由带光反馈环的分布式反馈半导体激光器（DFB-SL）构成储备池,待处理信息由任意波形发生器（AWG）产生,并通过调制DFB-SL的泵浦电流的方式注入到储备池中。结果显示,当激光器偏置在阈值电流附近,在适当的反馈强度下系统表现出了良好的预测性能,获得的最小预测误差NMSE为0.05,数据处理速率为25.9MSa/s。研究发现系统预测性能随着激光器偏置电流的增加而下降,但在优化的参数下这种下降的趋势能够被有效的缓解。当设定调制系数为0.33、虚拟节点间隔为0.05ns时,实现了三倍阈值电流内NMSE低于0.1的预测性能。3.理论研究了电信息注入并行储备池提升RC系统计算能力及速率的可行性。为了简化系统结构、便于实施,采用相同的掩码对输入数据预处理,并将掩码后的数据以电信息注入的方式注入到两个受光反馈的SL所构建的并行储备池中。基于源自两个储备池的虚拟节点状态可以按三种方式执行RC:由源自SL1和SL2的虚拟节点状态分别进行训练和测试,记为RC1和RC2;两个SL的虚拟节点状态组合起来进行训练和测试,记为RCM。通过Santa Fe时间序列预测任务、记忆能力测试和Lorenz混沌吸引子预测任务对系统的性能进行了评估。结果显示在相同电信息注入下,通过设置两个激光器适当的参数失配,在给定的数据处理速率下RCM与RC1、RC2相比具有更好的计算能力。并且,在保证一定性能的前提下,这个并行的RC系统与基于单个储备池的系统相比能够将数据处理速率提高一倍。4.实验研究了基于电信息注入两并行储备池的RC系统的性能,借助Santa Fe时间序列预测任务和多波形识别任务研究了关键参数对计算性能的影响,并将其计算能力、速率与基于单个延时储备池的RC系统进行了比较。实验中两个延时储备池是由两个受光反馈的DFB-SL构成的,待处理的信息由一台单通道AWG产生后分为两部分,并通过调制两个DFB-SL泵浦电流注入到储备池中。两个激光器的时域输出被采样为虚拟节点状态。实验结果表明,在保证Santa Fe预测误差低于0.1、多波形识别误差低于0.005的前提下,基于电信息注入两个并行储备池的RC系统的最大潜在数据处理速率（DPR）能达到200MSa/s,实现了基于简单的系统结构进行高速时间序列预测任务和波形识别任务的处理。