CN113556173A - 非线性区光信噪比监测方法和装置 - Google Patents

Abstract

本发明提供一种非线性区光信噪比监测方法和装置，该方法包括：采用数字信号处理器对光纤相干传输系统的输出信号进行处理，并获得幅度柱状图和辅助校准非线性噪声的自适应滤波器抽头系数，该处理包括IQ不平衡补偿处理、电色散补偿处理、解偏振复用处理、频偏补偿处理、相位损伤恢复处理和码间干扰均衡处理；从幅度柱状图中提取第一数目的基于幅度柱状图的特征，基于幅度柱状图的特征包括：峰值位置特征、标准差特征和峰值最大值特征；从数据集中选择样本数据加权输入至预先建立的用于进行光信噪比监测的神经网络模型，以基于神经网络模型获得光信噪比监测结果，所述数据集中的样本数据包括提取的基于幅度柱状图的特征和自适应滤波器抽头系数。

Description

非线性区光信噪比监测方法和装置

技术领域

本发明涉及光电子和光纤通信技术领域，尤其涉及一种非线性区光信噪比监测方法和装置。

背景技术

在实际应用中，光纤传输系统通常工作在弱非线性区。在没有进行色散管理的长距离光纤传输系统中，进行算法补偿后的光纤非线性噪声和放大器自发辐射 (AmplifierSpontaneous Emission，ASE) 噪声对于星座图的影响是相同的，因此对于光信噪比(Optical Signal Noise Ratio，OSNR)的估计会偏低，因此如何进行非线性区光信噪比的准确监测成为了光性能监测中的一个研究热点。香港理工大学的Zhenhua Dong等人于2012年采用幅度噪声自相关函数(Autocorrelation Function，ACF)作为OSNR的监测辅助，对OSNR监测的结果进行校准，得到了不错的结果。韩国科学技术院的H. G. Choi等人于2015年对于不同偏振态之间的幅度噪声自相关函数进行研究，在偏振复用-正交相移键控(Polarization Multiplexing-Quadrature Phase Shift Keying，PDM-QPSK)系统中，对于非线性环境下的OSNR监测达到了1.3dB精度的有效监测。英国剑桥大学的F. J. V.Caballero等人于2018年通过获得两种不同效应的特征：非线性相位噪声和二阶统计矩，进而估计接收信号的线性信噪比和非线性信噪比，从而实现了线性信噪比和非线性信噪比的联合监测。另外，香港理工大学的Jianing Lu等人于2020年也提出了线性信噪比和非线性信噪比的联合监测方案，并且通过频谱分量相关性分析实现了联合监测方案。

然而，现有的非线性区光信噪比监测方案相对复杂，且监测精度偏低，如何实现灵活又精确的低复杂度非线性区OSNR监测是一个有待解决的问题。

发明内容

针对现有技术中存在的问题，本发明实施例提供了一种基于幅度柱状图特征提取的非线性区光信噪比监测方法和装置，以利用自适应滤波器抽头系数来辅助非线性区OSNR灵活的、低复杂度的监测，从而解决现有技术中存在的一个或多个问题。

本发明的一个方面，提供了一种非线性区光信噪比监测方法，该方法包括以下把步骤：

采用数字信号处理器对光纤相干传输系统的输出信号进行处理，获得幅度柱状图以及辅助校准非线性噪声的自适应滤波器抽头系数，其中，所述处理包括IQ不平衡补偿处理、电色散补偿处理、解偏振复用处理、频偏补偿处理、相位损伤恢复处理和码间干扰均衡处理；

从获得的幅度柱状图中提取第一数目的基于幅度柱状图的特征，所述基于幅度柱状图的特征包括以下特征中的部分或全部特征：峰值位置特征、标准差特征和峰值最大值特征；

从数据集中选择样本数据加权输入至预先建立的用于进行光信噪比监测的神经网络模型，对所述神经网络模型分别进行训练和测试，以基于所述神经网络模型获得光信噪比监测结果，所述数据集中的样本数据包括提取的基于幅度柱状图的特征和自适应滤波器抽头系数。

在本发明一些实施方式中，所述第一数目的基于幅度柱状图的特征为5个基于幅度柱状图的特征，其包括：3个峰值位置特征、1个标准差特征和1个峰值最大值特征；所述自适应滤波器抽头系数为4组。

在本发明一些实施方式中，所述神经网络模型为全连接多层感知机模型。

在本发明一些实施方式中，所述神经网络模型包括输入层和两个隐藏层，两个隐藏层的神经元数目分别为10和5。

在本发明一些实施方式中，所述隐藏层神经元的激活函数为Tanh函数；所述神经网络模型以非线性区光信噪比OSNR作为输出层。

在本发明一些实施方式中，在获得幅度柱状图以及辅助校准非线性噪声的自适应滤波器抽头系数的过程中，使用恒模算法进行滤波器抽头系数的预收敛，并选择载波相位恢复后的信号和判决引导最小均方算法相结合来实现自适应滤波器抽头系数的更新，从而获得更新后的滤波器抽头系数。

在本发明一些实施方式中，所述从数据集中选择样本数据输入至预先建立的用于进行光信噪比监测的神经网络模型，对所述神经网络模型分别进行训练和测试，包括：从数据集中选择样本数据加权输入至预先建立的用于进行光信噪比监测的神经网络模型，在训练过程中确定各特征的权重系数，以供测试过程中使用所确定的权重系数。

在本发明一些实施方式中，所述光纤相干传输系统为偏振复用-波分复用相干传输系统。

本发明的另一方面，提供了一种非线性区光信噪比监测装置，其包括处理器和存储器，所述存储器中存储有计算机指令，所述处理器用于执行所述存储器中存储的计算机指令，当所述计算机指令被处理器执行时该装置实现如前所述方法的步骤。

本发明的另一方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如前所述方法的步骤。

本发明实施例提供的非线性区光信噪比监测方法和装置，通过将幅度柱状图(Amplitude Histogram，AH)中提取的部分特征以及辅助校准非线性噪声的自适应滤波器抽头系数作为神经网络模型的输入的两部分，大大降低非线性区光信噪比监测方案的复杂度，且保持了高的监测精度，从而实现了灵活又精确的低复杂度非线性区OSNR监测。

本发明的附加优点、目的，以及特征将在下面的描述中将部分地加以阐述，且将对于本领域普通技术人员在研究下文后部分地变得明显，或者可以根据本发明的实践而获知。本发明的目的和其它优点可以通过在书面说明及其权利要求书以及附图中具体指出的结构实现到并获得。

本领域技术人员将会理解的是，能够用本发明实现的目的和优点不限于以上具体所述，并且根据以下详细说明将更清楚地理解本发明能够实现的上述和其他目的。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的限定。在附图中：

图1为本发明一实施例中的仿真PDM-WDM相干传输系统示意图。

图2为PDM-WDM相干传输系统离线DSP算法模块的示意性框图。

图3A-图3D为不同非线性噪声情况下自适应滤波器抽头系数绝对值曲线。

图4为16QAM信号均衡后的幅度柱状图（AH）示例。

图5为16QAM信号的AH特征和OSNR曲线示意图，其中，（a）为归一化信号峰值位置随OSNR的变化，（b）为归一化标准差随OSNR的变化，（c）为归一化最大值随OSNR的变化。

图6为本发明一实施例中非线性区光信噪比监测方法的流程示意图。

图7为本发明一实施例中使用的神经网络结构示意图。

图8为本发明一实施例中OSNR监测MSE与自适应滤波器抽头数目曲线。

图9为本发明一实施例中真实OSNR和估计的OSNR曲线，其中，（a）仅使用AH中提取的特征作为输入，（b）同时使用滤波器抽头系数和AH中提取的特征作为输入。

图10为本发明一实施例中OSNR监测误差频率（a）同时使用滤波器抽头系数和AH中提取的特征作为输入，（b）同时使用幅度噪声自相关函数和AH中提取的特征作为输入。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施方式和附图，对本发明做进一步详细说明。在此，本发明的示意性实施方式及其说明用于解释本发明，但并不作为对本发明的限定。

在此，还需要说明的是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与根据本发明的方案密切相关的结构和/或处理步骤，而省略了与本发明关系不大的其他细节。

应该强调，术语“包括/包含”在本文使用时指特征、要素、步骤或组件的存在，但并不排除一个或更多个其它特征、要素、步骤或组件的存在或附加。

针对现有技术中存在的问题，本发明实施例提出了一种基于幅度柱状图特征提取的非线性区光信噪比监测方法。通过利用自适应滤波器抽头系数来辅助非线性区OSNR监测，此方案可以和现有的相干接收算法有效结合，从而实现了灵活的、低复杂度的非线性区OSNR监测。

作为示例，本发明实施例中可通过从幅度柱状图(Amplitude Histogram，AH)中提取五个特征，并将改五个特征以及辅助校准非线性噪声的四组自适应滤波器抽头系数作为输入的两部分输入至神经网络模型中来实现灵活的、低复杂度的非线性区OSNR监测。

AH是通过对光纤相干传输系统输出的相干信号进行均衡后得到的信号的幅度值进行统计分析所获得的，光纤相干传输系统可以是偏振复用-波分复用（PDM-WDM）相干传输系统，但并不限于此。图1为本发明一实施例中使用的仿真PDM-WDM相干传输系统示意图。如图1所示，在该相干传输系统中，主信道（中心信道）发射机和边信道发射机发出的信号经多路复用器MUX进行复用，在光纤传输过程中，首先通过一个EDFA（掺铒光纤放大器）来调整入纤光功率，然后在多跨段（如N段）的光纤中进行传输，其中每个跨段的光纤长度为80km且包含一个EDFA。在图1所示的系统中，传输的信号例如为16QAM信号，其速率例如为32GBaud，信号的PRBS（伪随机码）码长度例如为2¹³，且使用了滚降系数为0.4的根升余弦滤波器进行脉冲整形。此外，系统中不同波长信道之间的间隔例如为50GHz，中心信道的载波频率为193.1THz。在接收端，经非线性偏振旋转的光信号通过一个波长选择开关（WSS）来滤出中心信道并进行分析。然后，通过一个OSNR设定模块来加载ASE噪声，其噪声带宽例如为12.48GHz。在图1所示的相干传输系统中，EDFA都是假定无噪声的，即噪声只是通过OSNR设定模块来加载。在接收端，本振激光器的线宽为100kHz，其和发射端激光器的频偏为1GHz。在经过相干接收机（Rx）接收后，电信号通过一个带宽为40GHz的112GSa/s的模数转换器（ADC）进行数据采集。最后，通过离线DSP（数字信号处理）算法对采样后的信号进行均衡处理。以上针对仿真的相干传输系统给出的参数仅为示例，本发明并不限于此。

图1中的离线DSP可采用如图2所示的结构。如图2所示，ADC采集到的信号被输入至IQ不平衡补偿模块利用IQ不平衡补偿算法进行处理来进行IQ不平衡补偿，然后经IQ不平衡补偿后的信号进一步输入至CD（色度色散）补偿模块以利用CD补偿算法进行色度色散补偿，然后通过包含多抽头滤波器（如21抽头的蝶形滤波器）的偏振解复用模块（偏振解复用器）来解偏振复用，以实现解偏振复用处理和码间干扰均衡处理，多抽头滤波器中可包括Hxx、Hxy、Hyx和Hyy四组针对不同偏振态的抽头系数，在该偏振解复用模块中可获得更新的滤波器抽头系数。之后可进一步通过基于傅里叶变换的频偏估计模块和基于盲相位搜索的载波相位恢复模块来分别进行频偏补偿和相位损伤恢复。在滤波器抽头系数的更新过程中，可先由偏振解复用模块通过CMA算法（恒模算法）实现滤波器抽头系数的预收敛，然后选择载波相位恢复后的信号和DD-LMS算法（硬判决引导最小均方算法）相结合来实现滤波器抽头系数的更新，更新后的滤波器抽头系数被反馈至多抽头滤波器。不同非线性噪声情况下自适应滤波器抽头系数可如图3A-图3D所示。

上述可知，仿真PDM-WDM相干传输系统中采集的数据经DSP处理后，便可生成AH。图4是16QAM信号均衡后获取得到的AH，AH的横坐标为幅度值，纵坐标为此幅度范围出现的频率。由图4可知，16-QAM信号出现的三个峰的位置及峰值为信号的特征。图4中的水平虚线代表了此16-QAM信号出现的最大值，三条竖直虚线分别对应于不同峰出现的位置。如图5所示为16QAM信号的不同OSNR情况下的AH特征变化曲线。其中，图5中的（a）为归一化信号峰值位置随着OSNR变化的曲线，图5的（b）为AH标准差随着OSNR变化的曲线，图5的（c）为AH的最大值随着OSNR变化的曲线。由图5中的（a）可知，随着OSNR的增加，16QAM信号的三个峰所对应的位置也以不同的速度向较大的索引位置移动。由图5中的（b）和（c）可知，随着OSNR的变化，AH的标准差和最大值也随之变化。因此，在本发明实施例中，选取上述5个特征（3个峰值位置特征、1个标准差特征和1个峰值最大值特征）来监测OSNR值。或者说，在本发明实施例中，将AH作为用于实现非线性区OSNR监测的神经网络模型的输入数据，通过神经网络结构进行OSNR监测。

AH一共有200个维度，这200个维度说明横坐标的幅度范围有200。在本发明实施例中，通过提取5个基于AH的特征，可以使得基于AH的特征向神经网络模型的输入维度由200降为5，大大降低了计算复杂度。

在本发明实施例中，不仅将基于AH的5个特征作为神经网络模型的输入，还将非线性噪声的四组自适应滤波器抽头系数作为输入。

图6为本发明一实施例中基于幅度柱状图特征提取的非线性区光信噪比监测方法的流程示意图。如图1所示，该方法包括以下步骤：

步骤S110，采用数字信号处理模块对光纤相干传输系统的输出信号进行处理，从而获得幅度柱状图以及辅助校准非线性噪声的自适应滤波器抽头系数。

如前所述，数字信号处理模块可以是图2所示的PDM-WDM相干传输系统离线DSP算法模块。DSP算法模块所进行的处理可包括IQ不平衡补偿处理、电色散补偿处理、解偏振复用处理、码间干扰均衡处理、频偏补偿处理和相位损伤恢复处理等。由于以上各种处理可以采用现有的处理方式，因此在此不再赘述。

基于DSP算法模块的输出可以得到AH，同时可以获得辅助校准非线性噪声的自适应滤波器抽头系数。

步骤S120，从获得的幅度柱状图中提取第一数目的基于幅度柱状图的特征，所述基于幅度柱状图的特征包括以下特征中的部分或全部特征：峰值位置特征、标准差特征和峰值最大值特征。

步骤S130，从数据集中选择样本数据输入至预先建立的用于进行光信噪比监测的神经网络模型，对所述神经网络模型分别进行训练和测试，以基于所述神经网络模型获得光信噪比监测结果。

在本发明一些实施例中，所述神经网络模型为全连接多层感知机模型，不仅结构简单还可以达到所需要的精度。在本发明其他实施例中，还可以用循环神经网络模型或卷积神经网络模型等，只不过循环神经网络模型和卷积神经网络模型与全连接多层感知机模型相比，相对复杂。

所述数据集中的样本数据包括提取的基于幅度柱状图的特征和自适应滤波器抽头系数（或称自适应抽头系数）。自适应抽头系数和AH中的特征输入到神经网络模型，并在训练过程中确定各特征的权重系数，以供测试过程中使用所确定的权重系数。图7为本发明一实施例中神经网络结构示意图，如图7所示，该神经网络结构包括输入层、两个隐藏层和一个输出层，以非线性区OSNR作为输出层。

以神经网络模型为全连接多层感知机模型为例，该模型例如可设置两个隐藏层，神经元数分别是10和5，隐藏层神经元的激活函数为Tanh函数。神经网络的隐藏层神经元数可以是其他值，一般来说神经元数目越多，网络性能越好，但是神经元多会面临过拟合问题（即需要更多的训练数据量）。本发明给出的两个隐藏层的神经元数目的选择可以认为是满足性能所需的最少神经元数，还可以选择更多的神经元数目。

本发明实施例中，数据集（或称样本集合）可包括训练集、验证集和测试集；训练集、验证集和测试集中的样本均含有：提取的基于幅度柱状图的特征和自适应滤波器抽头系数，除此之外，训练样本集合、验证样本集合中的样本还含有光信噪比监测结果。

在数据的选择方面，可随机选取63%/7%/30%的数据作为训练集/验证集/测试集数据。需要关注的是，在不同输入特征的条件下，网络结构并不改变。在此，63%、7%和30%仅为示例。

图8所示为OSNR监测均方误差(Mean Square Error，MSE)与总的滤波器抽头数目的曲线，上面的虚线是选择了AH中5个特征指标且没有将滤波器抽头系数作为辅助OSNR监测的情况，在该情况下，输入的AH中特征的维度为5。下面的虚线是将AH直接作为输入且没有将滤波器抽头系数作为辅助OSNR监测的情况，在该情况下，输入的AH中特征的维度大致为200。两条虚线的MSE相差较大，说明选择AH中的5个特征和将AH直接作为输入性能上有较大差异。当采用滤波器抽头系数辅助OSNR监测的时候，当抽头数目大于28的时候，选择AH中的5个特征与将AH直接作为输入相比，MSE将会降低到0.3dB。这表明在自适应滤波器抽头系数的辅助下，选择AH中的5个特征可以实现良好的非线性区OSNR监测的效果。图9所示为不同输入情况下真实OSNR和估计的OSNR曲线，该曲线结果对应的抽头数目为28。因为自适应滤波器抽头系数辅助OSNR监测，此方案在仿真系统中研究的OSNR范围内（15dB-30dB）都有着良好的效果。另外，由于滤波器抽头系数的辅助，相比于不适用滤波器抽头系数辅助，OSNR监测有1dB左右的效果提升。

本发明在研究了滤波器抽头系数的作用后，还进一步对比了滤波器抽头系数和幅度噪声自相关函数ACF对于OSNR监测的性能效果。

对于三组不同偏振态之间的幅度噪声ACF {xx, xy, yy}，每组均考虑1-6个符号延时的情况，幅度噪声自相关函数ACF特征的输入维度为18。如图10所示，图10中的(a)为同时使用滤波器抽头系数和AH中提取的特征作为输入，图10中的(b)为同时使用幅度噪声自相关函数和AH中提取的特征作为输入，使用自适应滤波器抽头系数和AH中提取的特征作为输入时，OSNR监测MSE为0.3dB，使用幅度噪声ACF和AH中提取的特征作为输入时，OSNR监测MSE为0.73dB。所以，自适应滤波器抽头系数相对于幅度噪声自相关函数有0.43dB的性能提升。另外，自适应滤波器抽头系数辅助OSNR检测的方案，标准差为0.54，与幅度噪声自相关函数ACF相比，自适应滤波器抽头系数对于非线性区OSNR监测的效果更好。

也就是说，本发明的基于幅度柱状图特征提取的非线性区光信噪比监测方法和装置能够大大降低非线性区光信噪比监测方案的复杂度，且保持了高的监测精度，从而实现了灵活又精确的低复杂度非线性区OSNR监测。

本发明的非线性区光信噪比监测方法和装置，特别适用于偏振复用-波分复用相干传输系统，满足非线性区光信噪比监测要求。

相应地，本发明还提供了一种非线性区光信噪比监测装置，其包括处理器和存储器，所述存储器中存储有计算机指令，所述处理器用于执行所述存储器中存储的计算机指令，当所述计算机指令被处理器执行时该装置实现如前所述方法的步骤。

本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时以实现前述边缘计算服务器部署方法的步骤。该计算机可读存储介质可以是有形存储介质，诸如光盘、U盘、软盘、硬盘等。

需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。

本领域普通技术人员应该可以明白，结合本文中所公开的实施方式描述的各示例性的组成部分、系统和方法，能够以硬件、软件或者二者的结合来实现。具体究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。当以硬件方式实现时，其可以例如是电子电路、专用集成电路（ASIC）、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。

本发明中，针对一个实施方式描述和/或例示的特征，可以在一个或更多个其它实施方式中以相同方式或以类似方式使用，和/或与其他实施方式的特征相结合或代替其他实施方式的特征。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种非线性区光信噪比监测方法，其特征在于，该方法包括如下步骤：

采用数字信号处理器对光纤相干传输系统的输出信号进行处理，获得幅度柱状图以及辅助校准非线性噪声的自适应滤波器抽头系数，其中，所述处理包括IQ不平衡补偿处理、电色散补偿处理、解偏振复用处理、码间干扰均衡处理、频偏补偿处理和相位损伤恢复处理；

从获得的幅度柱状图中提取第一数目的基于幅度柱状图的特征，所述基于幅度柱状图的特征包括以下特征中的部分或全部特征：峰值位置特征、标准差特征和峰值最大值特征；

从数据集中选择样本数据输入至预先建立的用于进行光信噪比监测的神经网络模型，对所述神经网络模型分别进行训练和测试，以基于所述神经网络模型获得光信噪比监测结果，所述数据集中的样本数据包括提取的基于幅度柱状图的特征和自适应滤波器抽头系数。

2.根据权利要求1方法，其特征在于，所述第一数目的基于幅度柱状图的特征为5个基于幅度柱状图的特征，其包括：3个峰值位置特征、1个标准差特征和1个峰值最大值特征；

所述自适应滤波器抽头系数为4组。

3.根据权利要求1所述的方法，其特征在于，所述神经网络模型为全连接多层感知机模型。

4.根据权利要求1所述的方法，其特征在于，所述神经网络模型包括输入层和两个隐藏层，两个隐藏层的神经元数目分别为10和5。

5.根据权利要求4所述的方法，其特征在于，所述隐藏层神经元的激活函数为Tanh函数；所述神经网络模型以非线性区光信噪比OSNR作为输出层。

6.根据权利要求1所述的方法，其特征在于，在获得幅度柱状图以及辅助校准非线性噪声的自适应滤波器抽头系数的过程中，使用恒模算法进行滤波器抽头系数的预收敛，并选择载波相位恢复后的信号和判决引导最小均方算法相结合来实现自适应滤波器抽头系数的更新，从而获得更新后的滤波器抽头系数。

7.根据权利要求1所述的方法，其特征在于，所述从数据集中选择样本数据输入至预先建立的用于进行光信噪比监测的神经网络模型，对所述神经网络模型分别进行训练和测试，包括：

从数据集中选择样本数据加权输入至预先建立的用于进行光信噪比监测的神经网络模型，在训练过程中确定各特征的权重系数，以供测试过程中使用所确定的权重系数。

8.根据权利要求1所述的方法，其特征在于，所述光纤相干传输系统为偏振复用-波分复用相干传输系统。

9.一种非线性区光信噪比监测装置，包括处理器和存储器，其特征在于，所述存储器中存储有计算机指令，所述处理器用于执行所述存储器中存储的计算机指令，当所述计算机指令被处理器执行时该装置实现如权利要求1至8中任意一项所述方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至8中任意一项所述方法的步骤。

Images