CN109379132A - 一种低速相干探测和神经网络估计光纤色散的装置与方法 - Google Patents

一种低速相干探测和神经网络估计光纤色散的装置与方法 Download PDF

Info

Publication number
CN109379132A
CN109379132A CN201811477380.2A CN201811477380A CN109379132A CN 109379132 A CN109379132 A CN 109379132A CN 201811477380 A CN201811477380 A CN 201811477380A CN 109379132 A CN109379132 A CN 109379132A
Authority
CN
China
Prior art keywords
neural network
dispersion
low speed
data
unit
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201811477380.2A
Other languages
English (en)
Other versions
CN109379132B (zh
Inventor
杨爱英
郭少健
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN201811477380.2A priority Critical patent/CN109379132B/zh
Publication of CN109379132A publication Critical patent/CN109379132A/zh
Application granted granted Critical
Publication of CN109379132B publication Critical patent/CN109379132B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
    • H04B10/07—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems
    • H04B10/075—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal
    • H04B10/079—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal using measurements of the data signal
    • H04B10/0795—Performance monitoring; Measurement of transmission parameters
    • H04B10/07951—Monitoring or measuring chromatic dispersion or PMD

Landscapes

  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Optical Communication System (AREA)

Abstract

本发明涉及一种低速相干探测和神经网络估计光纤色散的装置与方法，属于通信技术领域。包括：步骤1：用低速探测单元对经过光纤链路传输后的光信号进行低速探测，经过数据预处理单元产生数据集，并用数据集分类单元将数据集划分为训练集以及测试集；步骤2：构建神经网络单元，设置神经网络参数，并用步骤1中产生的训练集训练构建的神经网络；步骤3：将步骤2中训练好的神经网络单元，用于估计步骤1中划分好的测试集的色散，其估计方法为用神经网络单元的输出与参考色散进行加权平均。本发明能实现对低速率采样的信号进行色散估计，大大降低了接收端成本；还解决了需用周期性训练序列信号进行色散估计的缺陷且不需要改变发射端。

Description

一种低速相干探测和神经网络估计光纤色散的装置与方法
技术领域
本发明涉及一种低速相干探测和神经网络估计光纤色散的装置与方法，属于通信技术领域。
背景技术
光传输网络向着超长传输距离、超大容量的方向发展。随着信道传输速率的提高、传输距离的延长，光纤中的色散和非线性严重制约光通信系统与网络的性能。随着数字信号处理技术的广泛应用，色散均衡技术有效地补偿了色散对光通信信号的劣化。但色散均衡的前提是需要准确估计光纤通信链路的累积色散。
光纤色散监测方法主要包括基于RF导频的色散估计法，残留边带滤波法，扫描搜索色散法、基于分数阶傅里叶变换盲色散估计方法等。基于RF导频的色散估计法是在发送端插入射频导频信号，由于光纤色散其上下边带信号经过光纤链路传输后会发生符号相反的相位偏移，当相位差为(2k+1)π时，上下边带经光探测后的电信号功率最小。在色散监测点通过分析RF功率谱来实现光纤链路色散的监测。其缺点是需在发送端插入导频。残留边带滤波法使用带通滤波器将光信号分别进行上、下边带的滤波，通过检测两个残留边带信号的时延差或相位差来计算光纤的色散。残留边带滤波法无需对发射机进行改动，灵敏度高，能够区分色散的正负，同时不受偏振模色散、非线性双折射和啁啾的影响。但其带通滤波器的带宽等于信号的比特率，对信号速率不透明。扫描搜索色散的方法是对于未知色散的信号，设置一定的色散步长进行扫描；对于每一个色散值，利用设计好的代价函数计算出一个与色散相关的函数值，通过比较所有计算出的函数值，找到其中的极值(最大值或最小值)，从而找到参考的色散值，完成色散的估计，但缺点是计算量大。基于分数阶傅里叶变换(FrFT)盲色散估计方法，通过扫描不同的分数阶来寻找最优阶，然后利用最优阶估计光纤链路的累积色散。分数阶傅里叶变换盲色散估计方法需要过采样率的数据，对模数变换器性能要求高。最近提出的一种基于训练序列和降采样的色散估计的新方法，利用周期信号作为训练序列，对训练序列进行降采样与拼接，等效成过采样信号；再对等效的过采样信号进行FrFT变换，寻找最优阶，最后根据最优阶估计累积色散。训练序列需要对发射设备进行修改，并额外占用了光通信的带宽。
上述光纤链路色散估计方法存在需要导频或训练序列、计算量大或者比特率不透明等缺陷，本发明的目的是克服现有光纤链路色散估计方法存在的缺陷，提出一种低速相干探测和神经网络估计光纤色散的装置与方法，利用低速相干探测和神经网络算法对光纤链路传输的信号进行准确的色散估计，降低系统成本。
发明内容
本发明的目的是克服现有光纤链路色散估计方法存在需要导频或训练序列、计算量大或者比特率不透明等缺陷，提出一种低速相干探测和神经网络估计光纤色散的装置与方法，利用低速相干探测和神经网络算法对光纤链路传输的信号进行准确的色散估计，克服需要周期信号作为训练序列才能从降采样信号估计光纤链路色散的缺点；不需要改变发射端，并降低系统成本。
本发明一种低速相干探测和神经网络估计光纤色散的装置与方法包括一种低速相干探测和神经网络估计光纤色散的装置，简称本装置，以及一种低速相干探测和神经网络估计光纤色散的方法；
其中，被估计的光纤通信链路色散简称色散，主要是不同波长的光信号在光纤中以不同的群速度传播，导致了输出光脉冲的展宽；
其中，本装置包括低速相干探测单元，数据预处理单元，数据集分类单元以及神经网络单元；
其中，低速相干探测单元包括本振激光，低速光电探测器，以及低速模数转换器；
本装置中各单元的连接关系如下：低速相干探测单元与数据预处理单元相连，数据预处理单元与数据集分类单元相连，数据集分类单元与神经网络单元相连；
一种低速相干探测和神经网络估计光纤色散的方法，包括如下步骤：
步骤1：用低速探测单元对经过光纤链路传输后的光信号进行低速探测，经过数据预处理单元产生数据集，并用数据集分类单元将数据集划分为训练集以及测试集；
其中，步骤1具体包括如下子步骤：
步骤1.1：利用低速相干探测单元对经过不同条件的光纤链路传输后的光信号进行低速探测，得到不同传输条件下的I、Q路离散数字序列，并构建成数据集；
其中，不同传输条件指的是光数字信号的随机种子数、光信噪比(OSNR)、光发射功率以及传输跨段数；
步骤1.2：利用数据预处理单元对数据集进行预处理；
其中，预处理方法是对步骤1.1构建的数据集中的I、Q两路数据分别进行从小到大排序，再进行组合，组合方式为两路数据首尾相接，组合之后数据长度即为N；N为数据长度；
步骤1.3：利用数据集分类单元将数据集分为训练集与测试集；
其中，训练集的占比以使训练的神经网络的损失函数值小于设定的阈值为准；
优选的，阈值为10-4；
步骤2：构建神经网络单元，设置神经网络参数，并用步骤1中产生的训练集训练构建的神经网络；
其中，步骤2具体包括如下子步骤：
步骤2.1：构建神经网络单元并设置神经网络参数；
其中，神经网络参数有隐藏层层数、每层神经元个数以及各层激活函数；输入层神经元个数N为步骤1.2中经过预处理单元处理之后的数据长度；输出层神经元个数M为可能的参考色散值的数目，即光纤跨段的取值数；
其中输出层的激活函数为Softmax，Softmax的归一化公式由(1)表征：
其中，Sj为输出层第j个神经元经过Softmax函数变换之后的输出，αj为Softmax变换之前第j个神经元的输出，M为输出层神经元个数；
对输出进行归一化，这样最后的输出即是该数据等于每个参考色散值的概率；
其中，对输出进行归一化即使得输出层的M个神经元值相加为1；参考色散值的概率为M个概率；
其中，设置隐藏层时，对于QPSK和16QAM信号，由于16QAM具有更高的调制格式，因此16QAM调制格式的隐藏层层数和隐藏层神经元个数均多于QPSK调制格式；各层激活函数均为Relu函数；并在隐藏层中加入Dropout以及L1、L2正则化，用于防止过拟合；
步骤2.2：将步骤1中划分好的训练集，用于训练步骤2.1中构建的神经网络单元；
其中，神经网络单元的训练过程中，网络参数在每次训练中随机初始化；损失函数采用Softmax交叉熵；并采用Adam优化算法的梯度下降法来训练网络；每次送入64组数据进行训练；学习率设置为0.001；当损失函数的值小于10-4时，认为神经网络单元中的神经网络已训练完成；
步骤3：将步骤2中训练好的神经网络单元，用于估计步骤1中划分好的测试集的色散，其估计方法为用神经网络单元的输出与参考色散进行加权平均；
其中，将步骤1中划分好的测试集数据输入神经网络单元之后，得到该数据对应的色散等于每个参考色散值的概率；再用该概率与参考色散值进行加权平均，即得到由公式(2)表征的估计色散值：
其中，CDesti为估计的色散值，Sj为色散等于第j个参考色散值的概率，CDj为第j个参考色散值。
有益效果
一种低速相干探测和神经网络估计光纤色散的装置与方法，与现有的色散估计方法相比，具有如下有益效果：
1.现有的基于FrFT的盲色散估计方法不能用于对降频采样信号进行色散估计，通过本发明能够实现对低速率采样的信号进行色散估计，因此大大降低了接收端的实现成本；
2.在低采样率条件下，与基于训练序列的色散估计方法相比较，本发明能够对随机信号进行光纤链路色散估计，解决了需要利用具有周期性训练序列的导频信号进行色散估计的这一缺陷，并且不需要改变发射端。
附图说明
图1是本发明一种低速相干探测和神经网络估计光纤色散的装置与方法及实施例1中的装置示意图；
图2是本发明一种低速相干探测和神经网络估计光纤色散的装置与方法及实施例1中的实施步骤；
图3是本发明一种低速相干探测和神经网络估计光纤色散的装置与方法及实施例2中的仿真系统图；
图4是实施例2中QPSK信号部分数据经过预处理之后的曲线特征图；
图5是实施例2中训练网络时损失函数随着训练步数增加的变化曲线图；
图6是实施例2中对不同调制格式的信号进行色散估计的结果图；
图7是实施例3中改变ASE以及非线性噪声，对不同调制格式信号进行色散估计的结果图；
图6中(a)为对QPSK信号色散估计的结果图；(b)为对16QAM信号色散估计的结果图；
图7中(a)(c)分别为改变OSNR，对QPSK以及16QAM信号进行色散估计的结果图；(b)(d)分别为改变发射功率，对QPSK以及16QAM信号进行色散估计的结果图。
具体实施方式
下面结合附图和具体实施例对本发明所提出的一种低速相干探测和神经网络估计光纤色散的装置与方法进行详细阐述。
实施例1
本实施例1叙述了本发明一种低速相干探测和神经网络估计光纤色散的装置与方法估计光纤通信链路色散的原理及装置组成与功能。利用数据预处理单元对数据集进行预处理；
如图1和图2所示，利用低速相干探测单元对经过不同条件的光纤链路传输后的光信号进行低速采样；得到不同传输条件下的I、Q路离散数字序列，并构建成数据集；将数据集输入数据预处理单元，输出长度固定的数据集；利用数据集分类单元将预处理之后的数据集分为训练集与测试集。构建神经网络单元，设置神经网络参数；用训练集训练构建的神经网络；将训练好的神经网络单元用于对测试集进行色散估计。
实施例2
为了使本发明一种采用低速相干探测和神经网络算法估计光纤通信链路色散的装置和方法的目的、技术方案和优点更加清楚，下面结合本发明实施例2中的附图，对本发明实施例中的技术方案进行清楚、完整地描述:
图3是本实施例2的仿真系统图，从图中可见，包括光发射端1，EDFA 2、4，M个光纤跨段(一个跨段包含100km的单模光纤和一个EDFA)3，Set OSNR模块5，本装置6。
所述的光发射端1用于发射QPSK和16QAM信号；所述的光放大器2的输入接口与所述的发射端1的输出接口相连接，用于调整发射端的发射功率；所述的M个光纤跨段3与光放大器2相接，用于传输发射端产生的QPSK和16QAM信号，并产生累积色散；所述的光放大器4的输入与M个光纤跨段3的输出相连，用于固定接收端的接收功率；所述的Set OSNR模块5的输入与光放大器4的输出相连，用于设置光信号的光信噪比；所述的本装置6的输入与SetOSNR模块5的输出相连，用于估计光纤通信链路中的色散。
本发明实施例搭建了上述的一种采用低速相干探测和神经网络算法估计光纤通信链路色散的装置和方法估计光纤通信链路色散的仿真系统，用于采集低速率采样的不同传输条件的光信号。信号传输符号率为20GB；信号种子数在1～6范围内，间隔为1；发射功率在-2.0～+3.0dBm范围内，间隔为1dBm；OSNR在10～20dB范围内，间隔为2dB；跨段数在1～20范围内，间隔为1(即传输距离在100～2000km内，间隔为100km)。每个EDFA中没有添加放大器自发辐射(ASE)噪声，OSNR通过在光纤链路末端Set OSNR模块来控制。采用单模光纤(SSMF)，其色散系数和非线性折射率分别为16e-6s/m2和2.6e-20m2/W。所以参考色散值为1600ps/nm～32000ps/nm，步长为1600ps/nm。
在本发明实施例中，神经网络是基于Python语言和TensorFlow深度学习库构建的。
本实施例2具体包含如下步骤：
步骤1：光发射端设备分别输出QPSK以及16QAM光信号；
步骤2：调制后的光信号在不同传输条件的光纤链路中进行传输；
步骤3：利用本装置对不同传输条件的光信号进行色散估计；
其中，步骤3具体为如下子步骤：
步骤3.1：利用低速相干探测单元对经过不同条件的光纤链路传输后的光信号进行低速探测；得到不同传输条件的I、Q路离散数字序列，并构建成数据集；
其中，基于上述仿真系统，本实施例2针对每种调制格式收集4320组数据，对应不同的种子数，OSNR，发射功率和跨度。
步骤3.2：利用数据预处理单元对数据集进行预处理；
其中，本实施例2中的数据长度N设置为1000。数据预处理具体方法为：对低速相干探测单元输出的I、Q两路数据分别截取前500个的数据，再分别进行从小到大排序，最后进行组合，即输出的数据长度固定为1000。
其中，图4为本发明实施例2中QPSK信号部分数据经过预处理之后的曲线特征图，说明了数据经过预处理之后对传输跨段数具有一致性的特征。其中，横坐标为经过数据预处理之后的数据点的序号，纵坐标为数据点的幅值。
步骤3.3：利用数据集分类单元将预处理之后的数据集划分为训练集以及测试集。
其中，对于QPSK信号，整个数据集随机分为训练数据(30％)和测试数据(70％)；对于16QAM信号，整个数据集随机分为训练数据(50％)和测试数据(50％)。
步骤3.4：构建神经网络单元，设置神经网络参数。用步骤3.3中划分的训练集训练构建的神经网络；
其中，本实施例中神经网络参数设置为：输入层神经元个数N设为1000，输出层神经元个数M设为数据集中光纤跨段的取值数20；输出层的激活函数为Softmax；设置隐藏层时，对于QPSK和16QAM信号分别为4层隐藏层，神经元个数为1024,512,128,64，以及5层隐藏层，神经元个数为2048,1024,512,128,64，各层激活函数均为Relu函数；并在隐藏层中加入Dropout以及L1、L2正则化，用于防止过拟合。
其中，神经网络在训练过程中，学习率设为0.001，损失函数使用Softmax交叉熵，并采用Adam优化算法的梯度下降法来训练网络；每次送入64组数据进行训练；当损失函数的值小于10-4时，认为网络已经训练完成，即神经网络已经能够准确的进行色散估计。
其中，图5为本发明实施例2中训练网络时损失函数随着训练步数增加的变化曲线。其中横轴为步数，纵轴为损失函数的值。图5表明，经过训练集数据的训练，损失函数的值已经小于10-4，神经网络已经能准确的估计色散。
步骤3.5：将步骤3.4中训练好的神经网络单元，用于步骤3.3中划分好的测试集的色散估计，其估计方法为用神经元的输出与参考色散进行加权平均；
其中，测试方法为将测试集数据输入神经网络中，神经网络的输出为对应20个参考色散值的20个概率；再用20个概率对20个参考色散值进行加权求和，最后求和的结果就是估计的色散值CDesti。
其中，图6为本发明实施例2中神经网络对测试集进行色散估计的结果图，其中横轴为传输距离，左边纵轴为色散参考值和估计色散的绝对误差为|CDesti-CDreal|，其中CDreal为参考色散值，右边纵轴为色散参考值和估计色散的相对误差为|CDesti-CDreal|/CDreal。图4(a)为本发明对QPSK信号色散估计的结果。图4(b)为本发明对16QAM信号色散估计的结果。图4表明，本发明对QPSK以及16QAM信号的色散估计具有良好的效果。
实施例3
本实施例3验证了本发明在估计光纤通信链路中的色散时，对于ASE以及非线性噪声具有鲁棒性。具体实施方式为：分别改变OSNR以及发射功率，以改变ASE以及非线性噪声对光信号传输的影响，观察光纤通信链路中色散估计结果的变化。
其中，图7为改变ASE以及非线性噪，对光纤链路传输的QPSK以及16QAM光信号进行色散估计的结果图。图7(a)(c)分别为改变ASE噪声，对QPSK以及16QAM两种信号进行色散估计的结果图；图7(b)(d)分别为改变ASE噪声，对QPSK以及16QAM两种信号进行色散估计的结果图。图7(a)(c)中横坐标为OSNR，左边纵轴为色散值，右边纵轴为色散参考值和估计色散的相对误差为|CDesti-CDreal|/CDreal，(a)为QPSK信号的结果，(c)为16QAM的结果。图7(b)(d)的横坐标为发射功率，左边纵轴为色散值，右边纵轴为色散参考值和估计色散的相对误差为|CDesti-CDreal|/CDreal，(b)为QPSK信号的结果，(d)为16QAM的结果。图7验证了本发明在估计光纤通信链路中的色散时，对于ASE以及非线性噪声具有鲁棒性。
最后应说明的是：以上所述为本发明的较佳实施例而已，本发明不应该局限于该实施例和附图所公开的内容。凡是不脱离本发明所公开的精神下完成的等效或修改，都落入本发明保护的范围。

Claims (5)

1.一种低速相干探测和神经网络估计光纤色散的方法，所依托的光纤色散装置，包括低速相干探测单元，数据预处理单元，数据集分类单元以及神经网络单元；其中，低速相干探测单元包括本振激光，低速光电探测器以及低速模数转换器；所述装置中各单元的连接关系如下：低速相干探测单元与数据预处理单元相连，数据预处理单元与数据集分类单元相连，数据集分类单元与神经网络单元相连；其特征在于：
步骤1：用低速探测单元对经过光纤链路传输后的光信号进行低速探测，经过数据预处理单元产生数据集，并用数据集分类单元将数据集划分为训练集以及测试集；
步骤2：构建神经网络单元，设置神经网络参数，并用步骤1中产生的训练集训练构建的神经网络，具体包括如下子步骤：
步骤2.1构建神经网络单元并设置神经网络参数；
其中，神经网络参数有隐藏层层数、每层神经元个数以及各层激活函数；输入层神经元个数N为步骤1.2中经过预处理单元处理之后的数据长度；输出层神经元个数M为可能的参考色散值的数目，即光纤跨段的取值数；
其中，输出层的激活函数为Softmax，Softmax的归一化公式由(1)表征：
其中，Sj为输出层第j个神经元经过Softmax函数变换之后的输出，αj为Softmax变换之前第j个神经元的输出，M为输出层神经元个数；对输出层进行归一化，这样最后的输出即是该数据等于每个参考色散值的概率；
其中，对输出层进行归一化即归一化后输出层的M个神经元值相加为1；
每个参考色散值的概率有M个；
其中，设置隐藏层参数时，对于QPSK和16QAM信号，由于16QAM具有更高的调制格式，因此16QAM调制格式的隐藏层层数和隐藏层神经元个数均多于QPSK调制格式；各层激活函数均为Relu函数；并在隐藏层中加入Dropout以及L1、L2正则化，用于防止过拟合；
步骤2.2：将步骤1中划分好的训练集，用于训练步骤2.1中构建的神经网络单元；
其中，神经网络单元的训练过程中，网络参数在每次训练中随机初始化；
步骤3：将步骤2中训练好的神经网络单元，用于估计步骤1中划分好的测试集的色散，其估计方法为用神经网络单元的输出与参考色散进行加权平均；
其中，将步骤1中划分好的测试集数据输入神经网络单元之后，得到该数据对应的色散等于每个参考色散值的概率；再用该概率与参考色散值进行加权平均，即得到最后估计的色散；可以由公式(2)表征：
其中，CDesti为估计的色散值，Sj为色散等于第j个参考色散值的概率，CDj为第j个参考色散值，M为输出层神经元个数。
2.根据权利要求1所述的一种低速相干探测和神经网络估计光纤色散的方法，其特征在于：步骤1包括如下子步骤：
步骤1.1：利用低速相干探测单元对经过不同条件的光纤链路传输后的光信号进行低速探测，得到不同传输条件下的I、Q路离散数字序列，并构建成数据集；
其中，不同的条件指的是光数字信号的随机种子数、光信噪比(OSNR)、光发射功率以及传输跨段数；
步骤1.2：利用数据预处理单元对数据集进行预处理；
步骤1.3：利用数据集分类单元将数据集分为训练集与测试集；
其中，训练集的占比以使训练的神经网络的损失函数值小于设定的阈值为准。
3.根据权利要求2所述的一种低速相干探测和神经网络估计光纤色散的方法，其特征在于：步骤1.2中的预处理方法是对步骤1.1构建的数据集中的I、Q两路数据分别进行从小到大排序，再进行组合，组合方式为两路数据首尾相接，组合之后数据长度即为N；N为数据长度，是人为设定。
4.根据权利要求2所述的一种低速相干探测和神经网络估计光纤色散的方法，其特征在于：步骤1.2中的阈值设为10-4。
5.根据权利要求1所述的一种低速相干探测和神经网络估计光纤色散的方法，其特征在于：步骤2.2中损失函数采用Softmax交叉熵；并采用Adam优化算法的梯度下降法来训练网络。
CN201811477380.2A 2018-12-05 2018-12-05 一种低速相干探测和神经网络估计光纤色散的装置与方法 Active CN109379132B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811477380.2A CN109379132B (zh) 2018-12-05 2018-12-05 一种低速相干探测和神经网络估计光纤色散的装置与方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811477380.2A CN109379132B (zh) 2018-12-05 2018-12-05 一种低速相干探测和神经网络估计光纤色散的装置与方法

Publications (2)

Publication Number Publication Date
CN109379132A true CN109379132A (zh) 2019-02-22
CN109379132B CN109379132B (zh) 2020-06-05

Family

ID=65375604

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811477380.2A Active CN109379132B (zh) 2018-12-05 2018-12-05 一种低速相干探测和神经网络估计光纤色散的装置与方法

Country Status (1)

Country Link
CN (1) CN109379132B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110166119A (zh) * 2019-05-29 2019-08-23 北京理工大学 一种基于深层神经网络的相干光通信发射机监测方法
CN111917474A (zh) * 2020-07-22 2020-11-10 北京理工大学 一种隐式三元组神经网络及光纤非线性损伤均衡方法
CN114039659A (zh) * 2021-10-09 2022-02-11 东莞职业技术学院 一种光纤通信高阶色散预测算方法
CN114097185A (zh) * 2019-07-18 2022-02-25 华为技术有限公司 光子信号处理
CN115967451A (zh) * 2023-03-13 2023-04-14 微网优联科技(成都)有限公司 无线路由器信号处理方法、装置及应用其的无线路由器

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106130643A (zh) * 2016-06-24 2016-11-16 温州大学 一种高速光通信系统电色散补偿方法
US20180234184A1 (en) * 2017-02-16 2018-08-16 Fujitsu Limited Monitor device and monitor method for monitoring transmission line
US20180269968A1 (en) * 2017-03-17 2018-09-20 Ciena Corporation Fiber Kerr Nonlinear Noise Estimation
CN108566253A (zh) * 2018-02-12 2018-09-21 北京邮电大学 一种基于对信号功率谱拟合特征提取的信号识别方法
CN108732537A (zh) * 2018-05-08 2018-11-02 北京理工大学 一种基于神经网络和接收信号强度的室内可见光定位方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106130643A (zh) * 2016-06-24 2016-11-16 温州大学 一种高速光通信系统电色散补偿方法
US20180234184A1 (en) * 2017-02-16 2018-08-16 Fujitsu Limited Monitor device and monitor method for monitoring transmission line
US20180269968A1 (en) * 2017-03-17 2018-09-20 Ciena Corporation Fiber Kerr Nonlinear Noise Estimation
CN108566253A (zh) * 2018-02-12 2018-09-21 北京邮电大学 一种基于对信号功率谱拟合特征提取的信号识别方法
CN108732537A (zh) * 2018-05-08 2018-11-02 北京理工大学 一种基于神经网络和接收信号强度的室内可见光定位方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
赖俊森 等: "基于眼图重构和人工神经网络的光性能监测", 《光电子•激光》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110166119A (zh) * 2019-05-29 2019-08-23 北京理工大学 一种基于深层神经网络的相干光通信发射机监测方法
CN114097185A (zh) * 2019-07-18 2022-02-25 华为技术有限公司 光子信号处理
CN114097185B (zh) * 2019-07-18 2023-05-16 华为技术有限公司 光子信号处理
CN111917474A (zh) * 2020-07-22 2020-11-10 北京理工大学 一种隐式三元组神经网络及光纤非线性损伤均衡方法
CN111917474B (zh) * 2020-07-22 2022-07-29 北京理工大学 一种隐式三元组神经网络及光纤非线性损伤均衡方法
CN114039659A (zh) * 2021-10-09 2022-02-11 东莞职业技术学院 一种光纤通信高阶色散预测算方法
CN114039659B (zh) * 2021-10-09 2023-07-25 东莞职业技术学院 一种光纤通信高阶色散预测算方法
CN115967451A (zh) * 2023-03-13 2023-04-14 微网优联科技(成都)有限公司 无线路由器信号处理方法、装置及应用其的无线路由器
CN115967451B (zh) * 2023-03-13 2023-06-27 微网优联科技(成都)有限公司 无线路由器信号处理方法、装置及应用其的无线路由器

Also Published As

Publication number Publication date
CN109379132B (zh) 2020-06-05

Similar Documents

Publication Publication Date Title
CN109379132A (zh) 一种低速相干探测和神经网络估计光纤色散的装置与方法
Saif et al. Machine learning techniques for optical performance monitoring and modulation format identification: A survey
CN108880692B (zh) 一种相干光通信系统调制格式识别和光信噪比监控方法
CN101051869A (zh) 光缆通信线路安防监控系统
CN1913398B (zh) 用于监控光传输线路的方法、相应的测量设备和光发射机
CN111649817B (zh) 一种分布式光纤振动传感器系统及其模式识别方法
CN104967480B (zh) 采用分数阶傅里叶变换监测光纤链路非线性效应的方法
CN1226314A (zh) 用于测定光传输系统中失真的眼图掩模
CN106130660B (zh) 一种无线光通信盲检测接收机的方法
CN104467969B (zh) 分数阶傅里叶变换测量光纤链路色散的方法
JP2021520747A (ja) 適合性試験方法及び装置、並びに記憶媒体
CN110730037A (zh) 一种基于动量梯度下降法的相干光通信系统光信噪比监测方法
Rajbhandari et al. On the study of the FSO link performance under controlled turbulence and fog atmospheric conditions
CN109361471A (zh) 一种基于幅度偏差分析的光通信信号调制格式识别方法
Zhao et al. A modulation format identification method based on information entropy analysis of received optical communication signal
CN110518973B (zh) 一种基于机器学习的光纤窃听监测方法及相关设备
US20030011835A1 (en) Method for determining signal quality in optical transmission systems
CN109450836A (zh) 一种状态转换概率分布的光数字通信调制格式识别方法
Kim et al. Modulation format identification of square and non-square M-QAM signals based on amplitude variance and OSNR
CN113472435A (zh) 一种光信号调制参数和损伤因素同时提取的方法
Zhou et al. Simultaneous baud rate/modulation format identification and multi-parameter optical performance monitoring using multi-task learning with enhanced picture of Radon transform
CN116131963B (zh) 基于lstm神经网络的光纤链路多径干扰噪声均衡方法
Guo et al. Deep neural network based chromatic dispersion estimation with ultra-low sampling rate for optical fiber communication systems
CN114362830B (zh) 一种基于tf-qkd网络的震动检测方法及tf-qkd网络
CN106209224A (zh) 基于方差分析的调制格式识别方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant