CN114024810B - 一种多芯光纤信道调制格式识别方法及其装置 - Google Patents

Abstract

本公开属于光纤通信领域，公开一种多芯光纤信道调制格式识别方法及其装置，本公开采用斯托克斯空间映射提取信号的分类特征，对偏振混合、载波频偏和相位偏移等损耗不敏感，相对于传统的琼斯矩阵有着更好的特征表示能力，为后面作为识别器的深度神经网络准确地给出信号调制格式的识别结果提供支持；另外采用迁移学习解决了多芯光纤传输系统接收端的数据集训练深度神经网络但难获取有标记数据这一关键问题，加速了训练收敛，相较于传统的调制格式识别方法，此方法的分类效果好、精度高、处理速度快、复杂度低。

Description

一种多芯光纤信道调制格式识别方法及其装置

技术领域

本发明涉及光纤通信领域，具体是一种多芯光纤信道调制格式识别方法及其装置。

背景技术

近些年，社交应用、物联网、云计算、虚拟现实等新兴数据业务层出不穷，互联网用户数量持续增长，共同驱动着光网络朝着超大容量的方向蓬勃发展。为满足业务传输需求，光网络进行相应的演化升级。弹性光网络(EON)由于采用柔性网格使得频谱颗粒度更小，实现更灵活的组合，在需要带宽小的时候分配较小带宽，在需要较大带宽时可以将连续的分片连接成大的频谱形成超级信道供高速需求的任务使用，是未来超高速光传输的理想解决方案，然而实现EON的关键是设计一个无中断的灵活收发器在接收端识别调制格式，以确保正确的解调。另外，在全球网络流量的需求呈爆炸式增长的情况下，传统单芯单模光纤(SSMF)通信系统的容量已接近香农极限，空分复用光纤可有效解决未来通信系统的扩容难题，并且光纤传输系统向着复杂非二进制的调制格式发展，采用新型高阶复杂格式方案将促进新型精准分析测量技术的发展，格式越复杂，所需器件、子系统及算法就会增多。那么多芯光纤(MCF)接收端接收到的偏振信号调制格式识别(MFI)技术对于信号的解调和恢复在接收机中是至关重要、必不可少的。

发明内容

第一方面，针对现有技术的不足，本公开的目的在于提供一种多芯光纤信道调制格式识别方法，用于解决多芯光纤传输系统接收端数据集训练深度神经网络难获取有标记数据这一关键问题。

本公开的目的可以通过以下技术方案实现：

一种多芯光纤信道调制格式识别方法，包括以下步骤：

多芯光纤接收端接收到的偏振信号通过深度神经网络模块模型进行调制格式识别；

所述深度神经网络模块的数据集建立，包括:

标准单模光纤传输系统接收端采集的样本作为标准单模光纤数据集训练深度神经网络模块模型，当训练损失值和测试集的正确率趋于稳定时，输出预训练模型；

标准单模光纤数据集作为迁移学习的源域训练得出预训练模型，然后获取多芯光纤传输系统接收端的数据集作为目标域，将目标域的数据集输入到预训练模型中；

通过标准单模光纤数据集训练的预训练模型中学习到的特征迁移至多芯光纤传输系统中，通过多芯光纤传输系统接收端获得训练集的少量样本对预训练模型进行微调，形成深度神经网络模块模型的数据集。

在一些公开中，所述标准单模光纤传输系统接收端采集的样本包括：标准单模光纤传输系统接收端接收到的偏振信号进行斯托克斯空间映射到庞加莱球上，有选择地选取相应的截面，截面信息作为信号的样本。

在一些公开中，深度神经网络模块模型的数据集用测试集对模型性能进行测试，以格式识别精度对测试结果进行评价。

在一些公开中，所述深度神经网络模块模型的深度神经网络模块包括：

损失函数交叉熵损失函数作为该网络性能度量的评估并通过不断训练对其进行优化；

选用ReLU函数作为激活函数；

在输出层采用softmax函数作为分类函数。

第二方面，针对现有技术的不足，本公开的目的在于提供一种多芯光纤信道调制格式识别装置，用于解决多芯光纤传输系统接收端数据集训练深度神经网络难获取有标记数据这一关键问题。

一种多芯光纤信道调制格式识别装置，包括以下模块：

输入模块：模块多芯光纤接收端接收到的偏振信号通过深度神经网络模块模型进行调制格式识别；

所述深度神经网络模块的数据集建立模块，包括:

标准单模光纤传输系统接收端采集的样本作为标准单模光纤数据集训练深度神经网络模块模型，当训练损失值和测试集的正确率趋于稳定时，输出预训练模型；

标准单模光纤数据集作为迁移学习的源域训练得出预训练模型，然后获取多芯光纤传输系统接收端的数据集作为目标域，将目标域的数据集输入到预训练模型中；

通过标准单模光纤数据集训练的预训练模型中学习到的特征迁移至多芯光纤传输系统中，通过多芯光纤传输系统接收端获得训练集的少量样本对预训练模型进行微调，形成深度神经网络模块模型的数据集。

在一些公开中，所述标准单模光纤传输系统接收端采集的样本包括：标准单模光纤传输系统接收端接收到的偏振信号进行斯托克斯空间映射到庞加莱球上，有选择地选取相应的截面，截面信息作为信号的样本。

在一些公开中，深度神经网络模块模型的数据集用测试集对模型性能进行测试，以格式识别精度对测试结果进行评价。

在一些公开中，所述深度神经网络模块模型的深度神经网络模块包括：

损失函数交叉熵损失函数作为该网络性能度量的评估并通过不断训练对其进行优化；

选用ReLU函数作为激活函数；

在输出层采用softmax函数作为分类函数。

有益效果：

本公开采用斯托克斯空间映射提取信号的分类特征，对偏振混合、载波频偏和相位偏移等损耗不敏感，相对于传统的琼斯矩阵有着更好的特征表示能力，为后面作为识别器的深度神经网络准确地给出信号调制格式的识别结果提供支持；另外采用迁移学习解决了多芯光纤传输系统接收端的数据集训练深度神经网络但难获取有标记数据这一关键问题，加速了训练收敛，相较于传统的调制格式识别方法，此方法的分类效果好、精度高、处理速度快、复杂度低。

附图说明

为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本公开实施例的基于TL辅助的多芯光纤信道深度神经网络-MFI流程框图；

图2是本公开实施例的各调制格式星座图、斯托克斯空间图及其截面图像示意图；

图3是本公开实施例的迁移学习辅助深度神经网络用于MFI的结构图；

图4是本公开实施例的深度神经网络模块的原理结构图。

具体实施方式

下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本公开保护的范围。

在EON接收机处采用了数字信号处理(DSP)技术减轻链路传输损害以实现接收信号的最佳解调。如图1所示，首先接收信号在进行与调制格式无关的色散补偿、时间相位恢复和IQ不平衡补偿之后，对提出的LT-深度神经网络-MFI方案进行了处理，该方案包括功率归一化、斯托克斯空间映射、深度神经网络、迁移学习四个步骤用于识别多芯光纤传输系统接收端接收到的偏振信号调制格式的不同类型。

在调制格式被成功确定之后，再进行与调制格式相关的后端DSP，例如载波相位恢复、信道均衡等可以灵活地选择各自的最佳参数以进行有效操作，最终实现信号解调。

在信号特征提取模块中，将接收端接收到的偏振信号映射到高维斯托克斯空间中进行有选择性地截取不同平面中信号图像作为信号分类的特征，具体来说，偏振信号通过公式(1)将偏振信号转换成四维斯托克斯矢量

并映射到高维斯托克斯空间。

其中S₀表示两路信号的总功率，S₁表示两路信号的能量差，S₂和S₃分别表示两路信号的两种相位差，a_x和a_y分别表示两路偏振信号的幅值，Ф表示两路信号的相位差，三维斯托克斯空间可由公式(1)中斯托克斯矢量的后三个分量S₁、S₂、S₃获得。

本特征提取模块将信号通过公式(1)映射到高维斯托克斯空间中并有选择地选取不同平面中信号的截面图像，获得基于二维斯托克斯截面图像作为深度神经网络的输入进行训练。在映射的过程当中，信号的振幅和相对相位保持不变，相位噪声和频率偏移消失，故信号在映射之后的高维斯托克斯矢量可以很好的作为信号的分类特征，为后续使用TL-深度神经网络识别调制格式提供了良好的信号特征基础。部分信号调制格式的星座图、三维斯托克斯空间星座及其对应截面上的信号图像如图二所示。

通过设计训练集和引入迁移学习提出TL-深度神经网络模型，迁移学习模块的原理结构图如图3所示。

本迁移学习辅助深度神经网络用于MFI的结构图的各个单元的工作原理如下所述：

模型预训练：参数初始化，用SSMF传输系统接收端数据集的大量样本训练深度神经网络，通过多次网络迭代和参数调整，当训练损失值和测试集的正确率趋于稳定时，输出预训练模型。

训练集的输入：首先将SSMF传输系统接收端的数据集作为迁移学习的源域训练得出预训练模型，然后获取MMF传输系统接收端的数据集作为目标域，将目标域的数据集输入到预训练模型中。

迁移学习的微调：通过将SSMF传输系统接收端数据集训练的预训练模型中学习到的特征迁移至MMF传输系统中，通过MMF传输系统接收端获得训练集的少量样本对预训练模型进行微调。

4)模型测试结果：将数据集分为80％训练集和20％的测试集，利用测试集对模型性能进行测试，以MFI精度对测试结果进行评价。

多芯光纤信道调制格式识别方法中深度神经网络模块的原理结构图如图4所示。图中所示为深度神经网络正向传输的拓扑结构，其中X₁，X₂…X_n是深度神经网络的输入值，Y₁…Y_m是深度神经网络的输出值，W₁…W_n是深度神经网络的权值，b₁…b_n是深度神经网络的阈值，如图由输入层、隐藏层和输出层构成了本网络模型从因变量到自变量的映射关系。

TL-深度神经网络模块的各个单元的工作原理如下所述：

输入权值：

首先将SSMF传输系统接收端的大量数据集样本作为深度神经网络的输入对其进行预训练，通过不断网络迭代和参数调整，得到预训练模型。然后获取MMF传输系统接收端的少量数据集样本作为深度神经网络的输入对预训练模型进行微调，最终以测试集的MFI精度对该网络模型进行性能评估。

2)函数选择：

该深度神经网络实现MFI为离散分类问题，故选用分类问题中常用的损失函数交叉熵损失函数(数学表达式如公式(2)所示)作为该网络性能度量的评估并通过不断训练对其进行优化。选用ReLU函数(数学表达式如公式(3)所示)作为激活函数，可减少计算量，有效缓解梯度消失的问题，除此之外ReLU函数为网络引入了一些稀疏性，减少了参数之间的相互依存关系，缓解了过拟合现象的发生。最后在输出层采用softmax函数(数学表达式如公式(4)所示)作为分类函数，它将多个神经元的输出，映射到(0，1)区间内，从而进行多分类输出，给出最终的识别结果。

Loss＝-∑_iy_ilna_i (2)

h(x)＝max(0,x) (3)

其中Y表示真实值，a表示softmax求出的值，i表示输出节点的标号。该网络首先通过SSFM的大量数据集对深度神经网络进行训练得到预训练模型，然后采用迁移学习通过多芯光纤数据集的少量样本对预训练模型进行微调，大大降低训练成本，加速了训练收敛，可实现传输信号调制格式的高效率、高精度、低复杂度识别。

3)输出结果：

根据网络中输入权值X、权重W、偏置b和激活函数h()，可计算神经网络中每个神经元的输出，从而计算出深度神经网络的最终的输出Y，在最后的输出层采用softmax函数进行多分类输出，给出最终的识别结果。具体计算方式如公式(5)所示。

Y＝h(WX+b) (5)

本申请利用高维斯托克斯空间映射有选择性地提取信号截面图像作为分类特征，一定程度上可以容忍色散和偏振相关损耗，并为后面深度神经网络能够准确地给出信号MFI结果提供支持；采用迁移学习算法解决多芯光纤传输系统接收端数据集训练深度神经网络但难获取有标记数据问题，加速网络收敛，大大缩减网络训练时间，提升了网络性能；通过深度神经网络对输入和输出间复杂的关系进行多次网络迭代和参数调整，获得一个很好地解决信号特征分类问题的模型，最终实现效果好、精度高、处理速度快、复杂度低的MFI方法。

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上显示和描述了本公开的基本原理、主要特征和本公开的优点。本行业的技术人员应该了解，本公开不受上述实施例的限制，上述实施例和说明书中描述的只是说明本公开的原理，在不脱离本公开精神和范围的前提下，本公开还会有各种变化和改进，这些变化和改进都落入要求保护的本公开范围内。

Claims (6)

1.一种多芯光纤信道调制格式识别方法，其特征在于，包括以下步骤：

多芯光纤接收端接收到的偏振信号通过深度神经网络模块模型进行调制格式识别；

所述深度神经网络模块的数据集建立，包括:

标准单模光纤传输系统接收端采集的样本作为标准单模光纤数据集训练深度神经网络模块模型，当训练损失值和测试集的正确率趋于稳定时，输出预训练模型；

标准单模光纤数据集作为迁移学习的源域训练得出预训练模型，然后获取多芯光纤传输系统接收端的数据集作为目标域，将目标域的数据集输入到预训练模型中；

通过标准单模光纤数据集训练的预训练模型中学习到的特征迁移至多芯光纤传输系统中，通过多芯光纤传输系统接收端获得训练集的少量样本对预训练模型进行微调，形成深度神经网络模块模型的数据集；

所述标准单模光纤传输系统接收端采集的样本包括：标准单模光纤传输系统接收端接收到的偏振信号进行斯托克斯空间映射到庞加莱球上，有选择地选取相应的截面，截面信息作为信号的样本。

2.根据权利要求1所述的多芯光纤信道调制格式识别方法，其特征在于，深度神经网络模块模型的数据集用测试集对模型性能进行测试，以格式识别精度对测试结果进行评价。

3.根据权利要求1所述的多芯光纤信道调制格式识别方法，其特征在于，所述深度神经网络模块模型的深度神经网络模块包括：

损失函数交叉熵损失函数作为网络性能度量的评估并通过不断训练对其进行优化;

选用ReLU函数作为激活函数;

在输出层采用softmax函数作为分类函数。

4.一种多芯光纤信道调制格式识别装置，其特征在于，包括以下模块：

输入模块：模块多芯光纤接收端接收到的偏振信号通过深度神经网络模块模型进行调制格式识别；

所述深度神经网络模块的数据集建立模块，包括:

标准单模光纤传输系统接收端采集的样本作为标准单模光纤数据集训练深度神经网络模块模型，当训练损失值和测试集的正确率趋于稳定时，输出预训练模型；

标准单模光纤数据集作为迁移学习的源域训练得出预训练模型，然后获取多芯光纤传输系统接收端的数据集作为目标域，将目标域的数据集输入到预训练模型中；

通过标准单模光纤数据集训练的预训练模型中学习到的特征迁移至多芯光纤传输系统中，通过多芯光纤传输系统接收端获得训练集的少量样本对预训练模型进行微调，形成深度神经网络模块模型的数据集；

所述标准单模光纤传输系统接收端采集的样本包括：标准单模光纤传输系统接收端接收到的偏振信号进行斯托克斯空间映射到庞加莱球上，有选择地选取相应的截面，截面信息作为信号的样本。

5.根据权利要求4所述的多芯光纤信道调制格式识别装置，其特征在于，深度神经网络模块模型的数据集用测试集对模型性能进行测试，以格式识别精度对测试结果进行评价。

6.根据权利要求4所述的多芯光纤信道调制格式识别装置，其特征在于，所述深度神经网络模块模型的深度神经网络模块包括：

损失函数交叉熵损失函数作为网络性能度量的评估并通过不断训练对其进行优化;

选用ReLU函数作为激活函数;

在输出层采用softmax函数作为分类函数。

Images