CN109167627B - 一种调制格式及光信噪比监测方法及装置 - Google Patents

Abstract

本申请实施例提供了一种调制格式及光信噪比监测方法及装置，涉及光电子技术领域，所述方法包括：获取待监测信号；通过预设的恒模算法，确定所述待监测信号的信号幅度图；将所述信号幅度图输入至基于多任务学习的神经网络中，其中，所述基于多任务学习的神经网络包括第一输出层和第二输出层；根据所述第一输出层的输出结果，确定所述待监测信号的调制格式，根据所述第二输出层的输出结果，确定所述待监测信号的光信噪比。采用本申请，能够提高调制格式以及光信噪比的检测准确率。

Description

一种调制格式及光信噪比监测方法及装置

技术领域

本申请涉及光电子技术领域，特别是涉及一种调制格式及光信噪比监测方法及装置。

背景技术

在光通信网络中，光通信信号的调制格式和光信噪比，对网络资源的分配以及网络信道的选择具有重要的影响，因此，有必要实时监测光通信信号的调制格式以及光信噪比。

现有技术中，监测调制格式以及光信噪比的方法的处理过程为：电子设备获取待监测信号后，通过常模算法对待监测信号进行均衡处理，得到待监测信号的信号幅度柱状图；然后，电子设备将信号幅度柱状图输入至预设的监测神经网络中，再根据监测神经网络输出层的输出结果，确定待监测信号的调制格式以及光信噪比。其中，监测神经网络为基于单任务学习的神经网络，基于单任务学习的神经网络由一个输入层、一个共享隐藏层、一个特性隐藏层、以及一个输出层组成，各神经网络层的层连接方式均为全连接。待监测信号包括电子设备将接收到的光通信信号转换为电信号后，再进行预处理得到的信号。预处理包括消除直流偏置和重采样。

然而，基于单任务学习的神经网络进行调制格式以及光信噪比的监测，存在检测准确率低的问题。

申请内容

本申请实施例的目的在于提供一种调制格式及光信噪比监测方法及装置，以提高调制格式及光信噪比的检测准确率。具体技术方案如下：

第一方面，提供了一种调制格式及光信噪比监测方法，所述方法包括：

获取待监测信号；

通过预设的恒模算法，确定所述待监测信号的信号幅度图；

将所述信号幅度图输入至基于多任务学习的神经网络中，其中，所述基于多任务学习的神经网络包括第一输出层和第二输出层；

根据所述第一输出层的输出结果，确定所述待监测信号的调制格式，根据所述第二输出层的输出结果，确定所述待监测信号的光信噪比。

可选的，所述基于多任务学习的神经网络还包括输入层、共享隐藏层、第一特性隐藏层、以及第二特性隐藏层，所述第一特性隐藏层用于检测调制格式、所述第二特性隐藏层用于检测光信噪比；

所述第一特性隐藏层与所述第一输出层单独连接；

所述第二特性隐藏层与所述第二输出层单独连接。

可选的，所述方法还包括：

获取预先存储的训练样本集，其中，所述训练样本集包括多个信号幅度图样本，以及每个信号幅度图样本对应的光信噪比样本和调制格式样本；

基于所述训练样本集，对预先存储的初始神经网络进行训练，得到基于多任务学习的神经网络。

可选的，所述基于所述训练样本集，对预先存储的初始神经网络进行训练，得到基于多任务学习的神经网络包括：

针对每个信号幅度图样本，将该信号幅度图样本输入给所述初始神经网络，得到初始光信噪比和初始调制格式；

计算所述初始光信噪与所述光信噪比样本的第一均方误差、以及所述初始调制格式与所述调制格式样本的第二均方误差；

将所述第一均方误差和所述第二均方误差输入至预设的反向传播算法中，计算所述初始神经网络的权重系数；

基于所述权重系数和所述初始神经网络，构建基于多任务学习的神经网络。

第二方面，提供了一种调制格式及光信噪比监测装置，所述装置包括：

第一获取模块，用于获取待监测信号；

第一确定模块，用于通过预设的恒模算法，确定所述待监测信号的信号幅度图；

输入模块，用于将所述信号幅度图输入至基于多任务学习的神经网络中，其中，所述基于多任务学习的神经网络包括第一输出层和第二输出层；

第二确定模块，用于根据所述第一输出层的输出结果，确定所述待监测信号的调制格式，根据所述第二输出层的输出结果，确定所述待监测信号的光信噪比。

可选的，所述基于多任务学习的神经网络还包括输入层、共享隐藏层、第一特性隐藏层、以及第二特性隐藏层，所述第一特性隐藏层用于检测调制格式、所述第二特性隐藏层用于检测光信噪比；

所述第一特性隐藏层与所述第一输出层单独连接；

所述第二特性隐藏层与所述第二输出层单独连接。

可选的，所述装置还包括：

第二获取模块，用于获取预先存储的训练样本集，其中，所述训练样本集包括多个信号幅度图样本，以及每个信号幅度图样本对应的光信噪比样本和调制格式样本；

训练模块，用于基于所述训练样本集，对预先存储的初始神经网络进行训练，得到基于多任务学习的神经网络。

可选的，所述训练模块包括：

输入子模块，用于针对每个信号幅度图样本，将该信号幅度图样本输入给所述初始神经网络，得到初始光信噪比和初始调制格式；

第一计算子模块，用于计算所述初始光信噪与所述光信噪比样本的第一均方误差、以及所述初始调制格式与所述调制格式样本的第二均方误差；

第二计算子模块，用于将所述第一均方误差和所述第二均方误差输入至预设的反向传播算法中，计算所述初始神经网络的权重系数；

构建子模块，用于基于所述权重系数和所述初始神经网络，构建基于多任务学习的神经网络。

第三方面，提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；

存储器，用于存放计算机程序；

处理器，用于执行存储器上所存放的程序时，实现任一第一方面所述的方法步骤。

第四方面，提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现任一第一方面所述的方法步骤。

本申请实施例提供了一种调制格式及光信噪比监测方法及装置，获取待监测信号后，通过预设的恒模算法，确定待监测信号的信号幅度图；然后，将信号幅度图输入至预设的基于多任务学习的神经网络中，根据预设的第一输出层的输出结果，确定待监测信号的调制格式，根据预设的第二输出层的输出结果，确定待监测信号的光信噪比。由于基于多任务学习的神经网络包含了两个输出层，在对信号幅度图进行计算时，通过两个输出层分别输出光信噪比和调制格式，因此，能够提高调制格式及光信噪比的检测准确率。

当然，实施本申请的任一产品或方法并不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本申请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，下面描述中的附图仅仅是本申请的一些实施例，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为本申请实施例提供的一种直调直检系统的结构示意图；

图2为本申请实施例提供的一种调制格式及光信噪比监测方法的方法流程图；

图3a为本申请实施例提供的一种基于多任务学习的神经网络的结构示意图；

图3b为本申请实施例提供的一种基于多任务学习的神经网络的结构示意图；

图4为本申请实施例提供的一种调制格式及光信噪比监测方法的方法流程图；

图5为本申请实施例提供的一种调制格式及光信噪比监测装置的结构示意图；

图6为本申请实施例提供的一种电子设备的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请实施例提供了一种调制格式及光信噪比监测方法，该方法可以应用于电子设备，电子设备可以是具有计算功能的电子设备，比如个人电脑、服务器，电子设备可以通过本申请提供的调制格式及光信噪比监测方法，在光通信网络中，实现调制格式和光信噪比的监测。

在一种可行的实施方式中，电子设备可以在基于强度调制直接检测的短距离光传输系统(也称为直条直检系统)中，通过本申请提供的调制格式及光信噪比监测方法，对光通信信号的调制格式和光信噪比进行监测。

如图1所示，本申请实施例提供了一种直调直检系统的结构示意图，该直调直检系统应用于光通信网络，其中，激光器产生的激光传输至马赫曾德尔调制器，基于偏置器设置的偏置电压，马赫曾德尔调制器将AWG(Arbitrary Waveform Generator，任意波形发生器)产生的电信号调制到激光上，形成光通信信号。电信号由AWG基于伪随机二进制序列、符号映射、以及脉冲整形得到。然后，光通信信号经由光纤传输，由可调节衰减器和掺铒光纤放大器调节光通信信号的光信噪比后，被光电二极管接收。

光电二极管将光通信信号转换为电信号后，通过数字存储示波器显示。之后，电子设备通过离线数字处理模块对电信号进行离线数字处理，得到光通信信号的调制格式和光信噪比。离线数字处理包括去除信号的直流偏置，对电信号进行重采样等预处理操作，得到待监测信号。然后，电子设备可以基于本申请提供的一种调制格式及光信噪比监测方法，通过基于恒模算法的线性均衡器对待监测信号进行均衡处理，得到信号幅度图，再将信号幅度图输入至基于多任务学习的神经网络，得到光通信信号的调制格式和光信噪比。

本申请实施例提供了一种调制格式及光信噪比监测方法，如图2所示，该方法的具体处理流程如下：

步骤201，获取待监测信号。

在实施中，电子设备可以将进行预处理后得到的信号作为待监测信号。

电子设备可以实时获取待监测信号，电子设备也可以按照预设的检测时间间隔，获取待监测信号，电子设备还可以根据接收到的检测指令，获取待监测信号。

步骤202，通过预设的恒模算法，确定待监测信号的信号幅度图。

在实施中，电子设备中可以预先设置有线性均衡器和恒模算法，恒模算法包括常模算法。

电子设备可以在获取待监测信号后，通过线性均衡器，基于预设的恒模算法，对待监测信号进行均衡处理，得到待监测信号的信号幅度图。

本申请实施例中，信号幅度图中横坐标为信号的幅度，纵坐标为该幅度出现的次数。信号幅度图可以是信号幅度柱状图。电子设备通过线性均衡器，基于恒模算法对待监测信号进行均衡处理，得到信号幅度图的具体过程为现有技术，此处不再赘述。

步骤203，将信号幅度图输入至基于多任务学习的神经网络中。

其中，基于多任务学习的神经网络的输出层包括第一输出层和第二输出层。

在实施中，电子设备将信号幅度图作为神经网络的输入量，输入至基于多任务学习的神经网络中，然后，电子设备通过基于多任务学习的神经网络，对信号幅度图进行计算，将计算结果通过基于多任务学习的神经网络的两个输出层输出。

步骤204，根据第一输出层的输出结果，确定待监测信号的调制格式，根据第二输出层的输出结果，确定待监测信号的光信噪比。

在实施中，电子设备可以将第一输出层的输出结果，作为待监测信号的调制格式，将第二输出层的输出结果，作为待监测信号的光信噪比。

本申请实施例中，电子设备通过将恒模算法均衡处理后得到的信号幅度图，作为基于多任务学习的神经网络的输入量，设置多个神经网络输出层，将需要检测的调制格式和光信噪比分别作为神经网络输出层的目标，从而实现了调制格式的判别和光信噪比的准确检测。

可选的，如图3a所示，本申请实施例提供了一种基于多任务学习的神经网络的结构图，基于多任务学习的神经网络还包括输入层、共享隐藏层、第一特性隐藏层、以及第二特性隐藏层，第一特性隐藏层用于检测调制格式、第二特性隐藏层用于检测光信噪比；第一特性隐藏层与第一输出层单独连接；第二特性隐藏层与第二输出层单独连接。

在实施中，基于多任务学习的神经网络中，各神经网络层的层连接方式均为全连接。技术人员可以根据使用需求，设置各神经网络层包含的神经元的个数。第一特性隐藏层或第二特性隐藏层的个数可以是一个，也可以是多个，本申请实施例不作具体限定。

当第一特性隐藏层的个数是多个时，多个第一特性隐藏层间单独连接，最外层的第一特性隐藏层与第一输出层单独连接，其中，与第一输出层连接的第一特性隐藏层为最外层的第一特性隐藏层。

类似的，当第二特性隐藏层的个数是多个时，多个第二特性隐藏层间单独连接，最外层的第二特性隐藏层与第二输出层单独连接，其中，与第二输出层连接的第二特性隐藏层为最外层的第二特性隐藏层。

如图3b所示，本申请实施例提供了另一种基于多任务学习的神经网络的结构图，其中，基于多任务学习的神经网络包括一个输入层、一个共享隐藏层、两个第一特性隐藏层(即为第一特性隐藏层A和第一特性隐藏层B)、一个第二特性隐藏层、一个第一输出层、以及一个第二输出层。第一特性隐藏层A、第一特性隐藏层B、以及第一输出层单独连接，第二特性隐藏层与第二输出层单独连接。

本申请实施例中，基于多任务学习的神经网络针对多个任务，通过设置一个共享隐藏层，可以体现多个任务间的共性，通过针对每个任务设置对应的特性隐藏层，调整特性隐藏层的参数，可以使得每个任务的个性能够充分的展示。

本申请实施例中，电子设备中可以获取预先存储的训练样本集，对初始神经网络进行训练，得到基于多任务学习的神经网络。

其中，训练样本集包括多个信号幅度图样本，以及每个信号幅度图样本对应的光信噪比样本和调制格式样本。

例如，信号幅度图样本可以是电子设备通过线性均衡器，基于恒模算法对光信噪比为30dB和调制格式为PAM4(4 Pulse Amplitude Modulation，4电平脉冲幅度调制)的信号进行均衡处理，得到的信号幅度图，该信号幅度图样本对应的光信噪比样本即为30dB，该信号幅度图样本对应的调制格式样本即为PAM4。

本申请实施例提供了一种训练初始神经网络的方法，如图4所示，具体的处理过程包括：

步骤401，针对每个信号幅度图样本，将该信号幅度图样本输入给初始神经网络，得到初始光信噪比和初始调制格式。

在实施中，电子设备针对每个信号幅度图样本，将该信号幅度图样本作为初始神经网络的输入量，输入至初始神经网络中，然后，电子设备通过初始神经网络对该信号幅度图样本进行计算，将计算结果通过初始神经网络的两个输出层输出，即得到了初始光信噪比和初始调制格式。

步骤402，计算初始光信噪与光信噪比样本的第一均方误差、以及初始调制格式与调制格式样本的第二均方误差。

在实施中，电子设备可以通过预设的均方误差算法，分别计算初始光信噪与该信号幅度样本对应的光信噪比样本的第一均方误差，以及初始调制格式该信号幅度样本对应的调制格式样本的第二均方误差。

步骤403，将第一均方误差和第二均方误差输入至预设的反向传播算法中，计算初始神经网络的权重系数。

在实施中，电子设备中可以预先设置有反向传播算法。电子设备可以在计算得到第一均方误差和第二均方误差后，将第一均方误差和第二均方误差输入至预设的反向传播算法中，并将反向传播算法的计算结果作为初始神经网络的权重系数，对当前初始神经网络的相应权重系数进行更改。

步骤404，基于权重系数和初始神经网络，构建基于多任务学习的神经网络。

在实施中，电子设备可以在遍历信号幅度图样本集中的所有信号幅度图像样本后，电子设备也可以在第一均方误差和第二均方误差满足预设的均方误差阈值时，基于反向传播算法的计算结果，对当前的初始神经网络的相应权重系数进行更改，得到基于多任务学习的神经网络。

本申请实施例中，电子设备通过基于信号幅度图样本集，对初始神经网络进行训练，通过反向传播算法调整初始神经网络的权重系数由此，构建基于多任务学习的神经网络，因此，可以实现调制格式和光信噪比的准确检测。

电子设备还可以通过本申请提供的基于多任务学习的神经网络，对光通信网络中的其他指标进行监测，其中，其他指标可以是光通信信号的发射功率，也可以是光通信信号的色散系数。

本申请实施例提供了一种调制格式及光信噪比监测方法及装置，获取待监测信号后，通过预设的恒模算法，确定待监测信号的信号幅度图；然后，将信号幅度图输入至预设的基于多任务学习的神经网络中，根据预设的第一输出层的输出结果，确定待监测信号的调制格式，根据预设的第二输出层的输出结果，确定待监测信号的光信噪比。由于基于多任务学习的神经网络包含了两个输出层，在对信号幅度图进行计算时，通过两个输出层分别输出光信噪比和调制格式，因此，能够提高调制格式及光信噪比的检测准确率。

本申请实施例还提供了一种调制格式及光信噪比监测装置，如图5所示，所述装置包括：

第一获取模块510，用于获取待监测信号；

第一确定模块520，用于通过预设的恒模算法，确定所述待监测信号的信号幅度图；

输入模块530，用于将所述信号幅度图输入至基于多任务学习的神经网络中，其中，所述基于多任务学习的神经网络包括第一输出层和第二输出层；

第二确定模块540，用于根据所述第一输出层的输出结果，确定所述待监测信号的调制格式，根据所述第二输出层的输出结果，确定所述待监测信号的光信噪比。

可选的，所述基于多任务学习的神经网络还包括输入层、共享隐藏层、第一特性隐藏层、以及第二特性隐藏层，所述第一特性隐藏层用于检测调制格式、所述第二特性隐藏层用于检测光信噪比；

所述第一特性隐藏层与所述第一输出层单独连接；

所述第二特性隐藏层与所述第二输出层单独连接。

可选的，所述装置还包括：

第二获取模块，用于获取预先存储的训练样本集，其中，所述训练样本集包括多个信号幅度图样本，以及每个信号幅度图样本对应的光信噪比样本和调制格式样本；

训练模块，用于基于所述训练样本集，对预先存储的初始神经网络进行训练，得到基于多任务学习的神经网络。

可选的，所述训练模块包括：

输入子模块，用于针对每个信号幅度图样本，将该信号幅度图样本输入给所述初始神经网络，得到初始光信噪比和初始调制格式；

第一计算子模块，用于计算所述初始光信噪与所述光信噪比样本的第一均方误差、以及所述初始调制格式与所述调制格式样本的第二均方误差；

第二计算子模块，用于将所述第一均方误差和所述第二均方误差输入至预设的反向传播算法中，计算所述初始神经网络的权重系数；

构建子模块，用于基于所述权重系数和所述初始神经网络，构建基于多任务学习的神经网络。

本申请实施例提供了一种调制格式及光信噪比监测方法及装置，获取待监测信号后，通过预设的恒模算法，确定待监测信号的信号幅度图；然后，将信号幅度图输入至预设的基于多任务学习的神经网络中，根据预设的第一输出层的输出结果，确定待监测信号的调制格式，根据预设的第二输出层的输出结果，确定待监测信号的光信噪比。由于基于多任务学习的神经网络包含了两个输出层，在对信号幅度图进行计算时，通过两个输出层分别输出光信噪比和调制格式，因此，能够提高调制格式及光信噪比的检测准确率。

本申请实施例还提供了一种电子设备，如图6所示，包括处理器601、通信接口602、存储器603和通信总线604，其中，处理器601，通信接口602，存储器603通过通信总线604完成相互间的通信，

存储器603，用于存放计算机程序；

处理器601，用于执行存储器603上所存放的程序时，实现如下步骤：

获取待监测信号；

通过预设的恒模算法，确定所述待监测信号的信号幅度图；

将所述信号幅度图输入至基于多任务学习的神经网络中，其中，所述基于多任务学习的神经网络包括第一输出层和第二输出层；

根据所述第一输出层的输出结果，确定所述待监测信号的调制格式，根据所述第二输出层的输出结果，确定所述待监测信号的光信噪比。

可选的，所述基于多任务学习的神经网络还包括输入层、共享隐藏层、第一特性隐藏层、以及第二特性隐藏层，所述第一特性隐藏层用于检测调制格式、所述第二特性隐藏层用于检测光信噪比；

所述第一特性隐藏层与所述第一输出层单独连接；

所述第二特性隐藏层与所述第二输出层单独连接。

可选的，所述方法还包括：

获取预先存储的训练样本集，其中，所述训练样本集包括多个信号幅度图样本，以及每个信号幅度图样本对应的光信噪比样本和调制格式样本；

基于所述训练样本集，对预先存储的初始神经网络进行训练，得到基于多任务学习的神经网络。

可选的，所述基于所述训练样本集，对预先存储的初始神经网络进行训练，得到基于多任务学习的神经网络包括：

针对每个信号幅度图样本，将该信号幅度图样本输入给所述初始神经网络，得到初始光信噪比和初始调制格式；

计算所述初始光信噪与所述光信噪比样本的第一均方误差、以及所述初始调制格式与所述调制格式样本的第二均方误差；

将所述第一均方误差和所述第二均方误差输入至预设的反向传播算法中，计算所述初始神经网络的权重系数；

基于所述权重系数和所述初始神经网络，构建基于多任务学习的神经网络。

上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

通信接口用于上述电子设备与其他设备之间的通信。

存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。

上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

在本申请提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一一种调制格式及光信噪比监测方法的步骤。

在本申请提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一一种调制格式及光信噪比监测方法。

在上述实施例中，可以全部或部分地通过算法、硬件、固件或者其任意组合来实现。当使用算法实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。

本申请实施例提供了一种调制格式及光信噪比监测方法及装置，获取待监测信号后，通过预设的恒模算法，确定待监测信号的信号幅度图；然后，将信号幅度图输入至预设的基于多任务学习的神经网络中，根据预设的第一输出层的输出结果，确定待监测信号的调制格式，根据预设的第二输出层的输出结果，确定待监测信号的光信噪比。由于基于多任务学习的神经网络包含了两个输出层，在对信号幅度图进行计算时，通过两个输出层分别输出光信噪比和调制格式，因此，能够提高调制格式及光信噪比的检测准确率。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本申请的较佳实施例而已，并非用于限定本申请的保护范围。凡在本申请的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本申请的保护范围内。

Claims (8)

1.一种调制格式及光信噪比监测方法，其特征在于，所述方法包括：

获取待监测信号；

通过预设的恒模算法，确定所述待监测信号的信号幅度图；

将所述信号幅度图输入至基于多任务学习的神经网络中，其中，所述基于多任务学习的神经网络包括第一输出层、第二输出层、输入层、共享隐藏层、第一特性隐藏层、以及第二特性隐藏层；

根据所述第一输出层的输出结果，确定所述待监测信号的调制格式，根据所述第二输出层的输出结果，确定所述待监测信号的光信噪比，所述第一特性隐藏层用于检测调制格式、所述第二特性隐藏层用于检测光信噪比；所述第一特性隐藏层与所述第一输出层单独连接；所述第二特性隐藏层与所述第二输出层单独连接。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取预先存储的训练样本集，其中，所述训练样本集包括多个信号幅度图样本，以及每个信号幅度图样本对应的光信噪比样本和调制格式样本；

基于所述训练样本集，对预先存储的初始神经网络进行训练，得到基于多任务学习的神经网络。

3.根据权利要求2所述的方法，其特征在于，所述基于所述训练样本集，对预先存储的初始神经网络进行训练，得到基于多任务学习的神经网络包括：

针对每个信号幅度图样本，将该信号幅度图样本输入给所述初始神经网络，得到初始光信噪比和初始调制格式；

计算所述初始光信噪与所述光信噪比样本的第一均方误差、以及所述初始调制格式与所述调制格式样本的第二均方误差；

将所述第一均方误差和所述第二均方误差输入至预设的反向传播算法中，计算所述初始神经网络的权重系数；

基于所述权重系数和所述初始神经网络，构建基于多任务学习的神经网络。

4.一种调制格式及光信噪比监测装置，其特征在于，所述装置包括：

第一获取模块，用于获取待监测信号；

第一确定模块，用于通过预设的恒模算法，确定所述待监测信号的信号幅度图；

输入模块，用于将所述信号幅度图输入至基于多任务学习的神经网络中，其中，所述基于多任务学习的神经网络包括第一输出层、第二输出层、输入层、共享隐藏层、第一特性隐藏层、以及第二特性隐藏层；

第二确定模块，用于根据所述第一输出层的输出结果，确定所述待监测信号的调制格式，根据所述第二输出层的输出结果，确定所述待监测信号的光信噪比，所述第一特性隐藏层用于检测调制格式、所述第二特性隐藏层用于检测光信噪比；所述第一特性隐藏层与所述第一输出层单独连接；所述第二特性隐藏层与所述第二输出层单独连接。

5.根据权利要求4所述的装置，其特征在于，所述装置还包括：

第二获取模块，用于获取预先存储的训练样本集，其中，所述训练样本集包括多个信号幅度图样本，以及每个信号幅度图样本对应的光信噪比样本和调制格式样本；

训练模块，用于基于所述训练样本集，对预先存储的初始神经网络进行训练，得到基于多任务学习的神经网络。

6.根据权利要求5所述的装置，其特征在于，所述训练模块包括：

输入子模块，用于针对每个信号幅度图样本，将该信号幅度图样本输入给所述初始神经网络，得到初始光信噪比和初始调制格式；

第一计算子模块，用于计算所述初始光信噪与所述光信噪比样本的第一均方误差、以及所述初始调制格式与所述调制格式样本的第二均方误差；

第二计算子模块，用于将所述第一均方误差和所述第二均方误差输入至预设的反向传播算法中，计算所述初始神经网络的权重系数；

构建子模块，用于基于所述权重系数和所述初始神经网络，构建基于多任务学习的神经网络。

7.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；

存储器，用于存放计算机程序；

处理器，用于执行存储器上所存放的程序时，实现权利要求1-3任一所述的方法步骤。

8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-3任一所述的方法步骤。

Images