CN109547102B - 一种光性能监测方法、装置、电子设备及可读存储介质 - Google Patents

一种光性能监测方法、装置、电子设备及可读存储介质 Download PDF

Info

Publication number
CN109547102B
CN109547102B CN201811540912.2A CN201811540912A CN109547102B CN 109547102 B CN109547102 B CN 109547102B CN 201811540912 A CN201811540912 A CN 201811540912A CN 109547102 B CN109547102 B CN 109547102B
Authority
CN
China
Prior art keywords
signal
amplitude
training
neural network
deep neural
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.)
Active
Application number
CN201811540912.2A
Other languages
English (en)
Other versions
CN109547102A (zh
Inventor
余建国
陈远祥
李凯乐
黄雍涛
李依桐
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 University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
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 University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN201811540912.2A priority Critical patent/CN109547102B/zh
Publication of CN109547102A publication Critical patent/CN109547102A/zh
Application granted granted Critical
Publication of CN109547102B publication Critical patent/CN109547102B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • 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
    • H04B10/07953—Monitoring or measuring OSNR, BER or Q

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Optical Communication System (AREA)

Abstract

本发明实施例提供了一种光性能监测方法、装置、电子设备及可读存储介质，应用于光纤通信技术领域，所述方法包括：确定待监测信号的幅度图中位于各预设幅度区间的幅度值的次数，得到幅度值向量；将幅度值向量输入预先建立的第一深度神经网络模型，得到待监测信号的调制格式，第一深度神经网络模型是根据各调制格式的信号以及各调制格式的信号对应的幅度图训练得到的；将幅度值向量输入预先建立的与待监测信号的调制格式相对应的第二深度神经网络模型，得到待监测信号的光信噪比和比特率；第二深度神经网络模型是根据与待监测信号的调制格式相同的各信号的幅度图、以及各幅度图对应的光信噪比和比特率训练得到的。本发明可提高光性能监测能力。

Description

一种光性能监测方法、装置、电子设备及可读存储介质
技术领域
本发明涉及光纤通信技术领域，特别是涉及一种光性能监测方法、装置、电子设备及可读存储介质。
背景技术
OPM(Optical Performance Monitoring，光性能监测)是网络管理中的一个重要组成部分，它对于保证各种中间节点和目标节点的高质量服务至关重要。光学调制格式、光信噪比和比特率识别是OPM的三个重要方面。
目前，基于CNN(Convolutional Neural Networks，卷积神经网络)的深度学习技术，通过特征提取和自学习的能力，可以在不知道其他眼图参数或原始位信息的情况下，以原始的形式(即图像的像素值)来处理眼图的一些信息，从而进行调制格式识别和光信噪比估计。与其他四种机器学习算法(决策树、k近邻、反向传播人工神经网络和支持向量机)相比，CNN获得了更高的精度，调制格式识别和光信噪比估计的精度均达到100％。但是，该方法仅对调制格式和光信噪比进行识别，对光性能监测的能力较低。
发明内容
本发明实施例的目的在于提供一种光性能监测方法、装置、电子设备及可读存储介质，以提高光性能监测的能力。具体技术方案如下：
本发明实施例提供了一种光性能监测方法，所述方法包括：
获取待监测信号的幅度图，确定所述待监测信号的幅度图中位于各预设幅度区间的幅度值的次数，得到幅度值向量；
将所述幅度值向量输入预先建立的第一深度神经网络模型，得到所述待监测信号的调制格式，所述第一深度神经网络模型是根据各调制格式的信号以及所述各调制格式的信号对应的幅度图训练得到的；
将所述幅度值向量输入预先建立的与所述待监测信号的调制格式相对应的第二深度神经网络模型，得到所述待监测信号的光信噪比和比特率；
其中，所述第二深度神经网络模型是根据与所述待监测信号的调制格式相同的各信号的幅度图、以及所述各信号的幅度图对应的光信噪比和比特率训练得到的。
可选的，所述第一深度神经网络模型的建立方法包括：
获取包含多种调制格式的第一训练信号集，针对所述第一训练信号集中的每个训练信号，确定该训练信号的幅度图中位于所述各预设幅度区间的幅度值的次数，得到该训练信号对应的训练向量；
针对所述第一训练信号集，对各调制格式以及所述各调制格式对应的训练向量进行深度神经网络训练，得到所述第一深度神经网络模型。
可选的，所述第二深度神经网络模型的建立方法包括：
获取与所述待监测信号的调制格式相同的第二训练信号集，确定所述第二训练信号集中每个训练信号的光信噪比和比特率；
针对所述第二训练信号集中的每个训练信号，确定该训练信号的幅度图中位于所述各预设幅度区间的幅度值的次数，得到该训练信号对应的训练向量；
针对所述第二训练信号集，对各训练向量以及所述各训练向量对应的光信噪比和比特率进行深度神经网络训练，得到所述第二深度神经网络模型。
可选的，所述各预设幅度区间为各预设电压幅度区间，
所述确定所述待监测信号的幅度图中位于各预设幅度区间的幅度值的次数，包括：
获取所述待监测信号的幅度图中的各电压幅度，确定位于所述各预设电压幅度区间的电压幅度的次数。
本发明实施例提供了一种光性能监测装置，所述装置包括：
幅度值向量确定模块，用于获取待监测信号的幅度图，确定所述待监测信号的幅度图中位于各预设幅度区间的幅度值的次数，得到幅度值向量；
调制格式确定模块，用于将所述幅度值向量输入预先建立的第一深度神经网络模型，得到所述待监测信号的调制格式，所述第一深度神经网络模型是根据各调制格式的信号以及所述各调制格式的信号对应的幅度图训练得到的；
光信噪比和比特率确定模块，用于将所述幅度值向量输入预先建立的与所述待监测信号的调制格式相对应的第二深度神经网络模型，得到所述待监测信号的光信噪比和比特率；
其中，所述第二深度神经网络模型是根据与所述待监测信号的调制格式相同的各信号的幅度图、以及所述各信号的幅度图对应的光信噪比和比特率训练得到的。
可选的，本发明实施例的光性能监测装置，还包括：
第一深度神经网络模型建立模块，用于获取包含多种调制格式的第一训练信号集，针对所述第一训练信号集中的每个训练信号，确定该训练信号的幅度图中位于所述各预设幅度区间的幅度值的次数，得到该训练信号对应的训练向量；针对所述第一训练信号集，对各调制格式以及所述各调制格式对应的训练向量进行深度神经网络训练，得到所述第一深度神经网络模型。
可选的，本发明实施例的光性能监测装置，还包括：
第二深度神经网络模型建立模块，用于获取与所述待监测信号的调制格式相同的第二训练信号集，确定所述第二训练信号集中每个训练信号的光信噪比和比特率；针对所述第二训练信号集中的每个训练信号，确定该训练信号的幅度图中位于所述各预设幅度区间的幅度值的次数，得到该训练信号对应的训练向量；针对所述第二训练信号集，对各训练向量以及所述各训练向量对应的光信噪比和比特率进行深度神经网络训练，得到所述第二深度神经网络模型。
可选的，所述各预设幅度区间为各预设电压幅度区间，
幅度值向量确定模块，具体用于获取所述待监测信号的幅度图中的各电压幅度，确定位于所述各预设电压幅度区间的电压幅度的次数。
本发明实施例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，所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上所存放的程序时，实现上述任一所述的光性能监测方法的步骤。
本发明实施例提供了一种计算机可读存储介质，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，实现上述任一所述的光性能监测方法的步骤。
本发明实施例提供的光性能监测方法、装置、电子设备及可读存储介质，通过确定待监测信号的幅度图中位于各预设幅度区间的幅度值的次数，得到幅度值向量；将幅度值向量输入预先建立的第一深度神经网络模型，得到待监测信号的调制格式，第一深度神经网络模型是根据各调制格式的信号以及各调制格式的信号对应的幅度图训练得到的；将幅度值向量输入预先建立的与待监测信号的调制格式相对应的第二深度神经网络模型，得到待监测信号的光信噪比和比特率；其中，第二深度神经网络模型是根据与待监测信号的调制格式相同的各信号的幅度图、以及各信号的幅度图对应的光信噪比和比特率训练得到的。由于深度神经网络由输入层、输出层和多层隐藏层组成，每一层都有多个神经元，当多参数识别时，尤其是参数组合的数目较大时，每一层的神经网络层和神经元都是巨大的，增加了深度神经网络的复杂度。本发明实施例采用级联的深度神经网络对待监测信号的调制格式、光信噪比和比特率进行识别，可以降低网络的复杂度，提高系统的识别精度，进而提高光性能监测的能力。当然，实施本发明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发明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发明的一些实施例，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为本发明实施例的光性能监测方法的流程图；
图2为本发明实施例的第一深度神经网络模型的建立方法的流程图；
图3为本发明实施例的第二深度神经网络模型的建立方法的流程图；
图4为本发明实施例的第二深度神经网络的识别精度随训练轮数的变化曲线图；
图5为本发明实施例的光性能监测装置的结构图；
图6为本发明实施例的电子设备的结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
为了解决光性能监测能力低的问题，本发明实施例提供了一种光性能监测方法、装置、电子设备及可读存储介质，以提高光性能监测的能力。
下面首先对本发明实施例所提供的光性能监测方法进行详细介绍。
参见图1，图1为本发明实施例的光性能监测方法的流程图，包括以下步骤：
S101，获取待监测信号的幅度图，确定待监测信号的幅度图中位于各预设幅度区间的幅度值的次数，得到幅度值向量。
本发明实施例中，信号的幅度图是从信号的眼图中提取出来的，而眼图是一系列数字信号在示波器上累积而显示的图形，它包含了丰富的信息，从眼图上可以观察出码间串扰和噪声的影响，体现了数字信号整体的特征。在不同的信号中，幅度图表现出独特的模式，即不同调制格式、光信噪比和比特率的信号将导致不同的幅度图特性。因此，不同调制格式的信号的幅度图是不同的，并且不同光信噪比和比特率的信号的幅度图也是不同的，可以通过信号的幅度图对信号的调制格式、光信噪比和比特率进行识别。
具体的，待监测信号的幅度图可以看作是一连串的幅度信号，不同幅度信号的幅度值可以是不同的，可以预设多个幅度区间，按照预设幅度区间的排列顺序，统计幅度信号的幅度值分别位于各个预设幅度区间的次数，得到幅度值向量。
S102，将幅度值向量输入预先建立的第一深度神经网络模型，得到待监测信号的调制格式，第一深度神经网络模型是根据各调制格式的信号以及各调制格式的信号对应的幅度图训练得到的。
由于不同调制格式的信号的幅度图是不同的，第一深度神经网络模型是根据该特性建立的，也就是，第一深度神经网络模型可以确定调制格式和幅度图的对应关系，具体为调制格式和从幅度图中得到的向量的对应关系。因此，将S101得到的幅度值向量输入第一深度神经网络模型，即可得到待监测信号的调制格式。
S103，将幅度值向量输入预先建立的与待监测信号的调制格式相对应的第二深度神经网络模型，得到待监测信号的光信噪比和比特率，其中，第二深度神经网络模型是根据与待监测信号的调制格式相同的各信号的幅度图、以及各信号的幅度图对应的光信噪比和比特率训练得到的。
本发明实施例中，不同光信噪比和比特率的信号的幅度图是不同的，同样地，第二深度神经网络模型是根据这一特性建立的，也就是，第二深度神经网络模型可以确定幅度图和、光信噪比以及比特率两者的对应关系，具体为从幅度图中得到的向量和光信噪比以及比特率两者的对应关系。因此，将S101得到的幅度值向量输入第二深度神经网络模型，即可得到待监测信号的光信噪比和比特率。
可见，本发明实施例的光性能监测方法，通过确定待监测信号的幅度图中位于各预设幅度区间的幅度值的次数，得到幅度值向量；将幅度值向量输入预先建立的第一深度神经网络模型，得到待监测信号的调制格式，第一深度神经网络模型是根据各调制格式的信号以及各调制格式的信号对应的幅度图训练得到的；将幅度值向量输入预先建立的与待监测信号的调制格式相对应的第二深度神经网络模型，得到待监测信号的光信噪比和比特率；其中，第二深度神经网络模型是根据与待监测信号的调制格式相同的各信号的幅度图、以及各信号的幅度图对应的光信噪比和比特率训练得到的。由于深度神经网络由输入层、输出层和多层隐藏层组成，每一层都有多个神经元，当多参数识别时，尤其是参数组合的数目较大时，每一层的神经网络层和神经元都是巨大的，增加了深度神经网络的复杂度。本发明实施例采用级联的深度神经网络对待监测信号的调制格式、光信噪比和比特率进行识别，可以降低网络的复杂度，提高系统的识别精度，进而提高光性能监测的能力。
可选的，图1实施例S102中的第一深度神经网络模型的建立方法可参见图2，包括以下步骤：
S201，获取包含多种调制格式的第一训练信号集，针对第一训练信号集中的每个训练信号，确定该训练信号的幅度图中位于各预设幅度区间的幅度值的次数，得到该训练信号对应的训练向量。
本发明实施例中，第一训练信号集指的是包含多种调制格式的光信号，例如，调制格式可以为RZ-OOK(Return to Zero-on off keying，归零-二进制启闭键控)、NRZ-OOK(Non Return to Zero-on off keying，非归零-二进制启闭键控)、NRZ-DPSK(Non Returnto Zero-Differential Phase Shift Keying，非归零-差分相位键控)和PAM4(4PulseAmplitude Modulation，四阶脉冲振幅调制)等。与S101类似，针对第一训练信号集中的每个训练信号，确定每个训练信号的幅度图中位于各预设幅度区间的幅度值的次数，得到每个训练信号对应的训练向量。
S202，针对第一训练信号集，对各调制格式以及各调制格式对应的训练向量进行深度神经网络训练，得到第一深度神经网络模型。
针对第一训练信号集中的每个训练信号，均具有对应的调制格式和训练向量，因此，可以建立调制格式和训练向量之间的对应关系，通过深度神经网络对调制格式和训练向量进行训练得到第一深度神经网络模型。这样，在光性能监测时，可以根据建立的第一深度神经网络模型，确定每个向量对应的调制格式。本发明实施例通过对RZ-OOK、NRZ-OOK、NRZ-DPSK和PAM4四种调制格式进行仿真试验，发现RZ-OOK、NRZ-OOK、NRZ-DPSK和PAM4的调制格式识别精度分别为100％、98.5％、98.2％和100％，调制格式识别的平均准确率为99.18％。
可选的，图1实施例S103中的第二深度神经网络模型的建立方法可参见图3，包括以下步骤：
S301，获取与待监测信号的调制格式相同的第二训练信号集，确定第二训练信号集中每个训练信号的光信噪比和比特率。
本发明实施例中，第二训练信号集指的是与待监测信号的调制格式相同的光信号，显然，待监测信号的调制格式不同，第二训练信号集也不同。因此，每种调制格式均有与之对应的第二深度神经网络模型，即第二深度神经网络模型可以有多个。当然，不同调制格式对应的第二深度神经网络模型的建立方法是相同的。在此仅以与待监测信号相同的调制格式对应的第二深度神经网络模型为例进行说明。
在训练时，可以通过模拟的方法生成第二训练信号集，具体的，针对每种调制格式，可以将发射机的比特率设置为2.5Gb/s、5Gb/s、10Gb/s和20Gb/s。在80公里的标准单模光纤传输后，信号被发送到光信噪比设置模块来调整接收的光信噪比，光信噪比可以设置为15dB、20dB、25dB和30dB，这样，共有16种不同的光信号。在接收端，通过一个带宽为20Ghz的光带通滤波器后，信号被光电探测器直接检测到。若发射机发送的信号有200个，那么，分别经过比特率设置和光信噪比设置后，第二训练信号集一共有3200个。这样，可以直接获取第二训练信号集中每个信号的光信噪比和比特率。
S302，针对第二训练信号集中的每个训练信号，确定该训练信号的幅度图中位于各预设幅度区间的幅度值的次数，得到该训练信号对应的训练向量。
与S101类似，获取各训练信号的幅度图中位于各预设幅度区间的幅度值的次数，得到训练向量。
S303，针对第二训练信号集，对各训练向量以及各训练向量对应的光信噪比和比特率进行深度神经网络训练，得到第二深度神经网络模型。
对于第二训练信号集中的每一个训练信号，均具有对应的光信噪比和比特率、以及训练向量，因此，可以建立训练向量和、光信噪比及比特率的对应关系，本发明实施例中，可以把光信噪比和比特率作为一个整体看待，即一个训练向量对应两个量(光信噪比和比特率)。通过深度神经网络对训练向量和、光信噪比及比特率进行训练得到第二深度神经网络模型。这样，在光性能监测时，根据第二深度神经网络模型，可以得到向量对应的光信噪比及比特率。
针对RZ-OOK、NRZ-OOK、NRZ-DPSK和PAM4四种调制格式，每种调制格式均具有对应的第二深度神经网络，参见图4，图4为本发明实施例的第二深度神经网络的识别精度随训练轮数的变化曲线图。可以看出，随着训练轮数的增加，上述四种调制格式的光信噪比和比特率识别准确率分别可以为99.67％、99.33％、99.33％和98.10％。因此，调制格式、比特率和光信噪比的平均联合识别精度为99.18％(99.67％+99.33％+99.33％+98.10％)/4＝98.78％。
可见，第一深度神经网络模型和第二深度神经网络模型可以构成级联的神经网络，将待监测信号输入该级联的神经网络，即可得到待监测信号的调制格式、光信噪比和比特率。本发明实施例不仅可以同时识别调制格式、光信噪比和比特率，而且识别精度较高，因此，本发明提高了光性能监测的能力。
可选的，本发明实施例的光性能监测方法中，各预设幅度区间为各预设电压幅度区间，
确定待监测信号的幅度图中位于各预设幅度区间的幅度值的次数，包括：
获取待监测信号的幅度图中的各电压幅度，确定位于各预设电压幅度区间的电压幅度的次数。
本发明实施例中的光信号，可以是一串电压幅度信号，例如，光信号的电压幅度为[0.1V，0.2V，0.12V，0.32V，0.15V，…，0.123V]。各预设幅度区间为各预设电压幅度区间，各预设幅度区间可以为0.1-0.2V、0.2-0.3V、0.3-0.4V、…、0.9-1V。这样，获取待监测信号的幅度图中位于各预设幅度区间的次数，即为获取待监测信号的电压幅度在0.1-0.2V之间有多少次，0.2-0.3V之间有多少次，…0.9-1V之间有多少次等，以此类推。将光信号的幅度图转化为向量后，可以通过向量确定光信号的性能。
相应于上述方法实施例，本发明实施例提供了一种光性能监测装置，参见图5，图5为本发明实施例的光性能监测装置的结构图，包括：
幅度值向量确定模块501，用于获取待监测信号的幅度图，确定待监测信号的幅度图中位于各预设幅度区间的幅度值的次数，得到幅度值向量；
调制格式确定模块502，用于将幅度值向量输入预先建立的第一深度神经网络模型，得到待监测信号的调制格式，第一深度神经网络模型是根据各调制格式的信号以及各调制格式的信号对应的幅度图训练得到的；
光信噪比和比特率确定模块503，用于将幅度值向量输入预先建立的与待监测信号的调制格式相对应的第二深度神经网络模型，得到待监测信号的光信噪比和比特率；
其中，第二深度神经网络模型是根据与待监测信号的调制格式相同的各信号的幅度图、以及各信号的幅度图对应的光信噪比和比特率训练得到的。
本发明实施例的光性能监测装置，通过确定待监测信号的幅度图中位于各预设幅度区间的幅度值的次数，得到幅度值向量；将幅度值向量输入预先建立的第一深度神经网络模型，得到待监测信号的调制格式，第一深度神经网络模型是根据各调制格式的信号以及各调制格式的信号对应的幅度图训练得到的；将幅度值向量输入预先建立的与待监测信号的调制格式相对应的第二深度神经网络模型，得到待监测信号的光信噪比和比特率；其中，第二深度神经网络模型是根据与待监测信号的调制格式相同的各信号的幅度图、以及各信号的幅度图对应的光信噪比和比特率训练得到的。由于深度神经网络由输入层、输出层和多层隐藏层组成，每一层都有多个神经元，当多参数识别时，尤其是参数组合的数目较大时，每一层的神经网络层和神经元都是巨大的，增加了深度神经网络的复杂度。本发明实施例采用级联的深度神经网络对待监测信号的调制格式、光信噪比和比特率进行识别，可以降低网络的复杂度，提高系统的识别精度，进而提高光性能监测的能力。
可选的，本发明实施例的光性能监测装置，还包括：
第一深度神经网络模型建立模块，用于获取包含多种调制格式的第一训练信号集，针对第一训练信号集中的每个训练信号，确定该训练信号的幅度图中位于各预设幅度区间的幅度值的次数，得到该训练信号对应的训练向量；针对第一训练信号集，对各调制格式以及各调制格式对应的训练向量进行深度神经网络训练，得到第一深度神经网络模型。
可选的，本发明实施例的光性能监测装置，还包括：
第二深度神经网络模型建立模块，用于获取与待监测信号的调制格式相同的第二训练信号集，确定第二训练信号集中每个训练信号的光信噪比和比特率；针对第二训练信号集中的每个训练信号，确定该训练信号的幅度图中位于各预设幅度区间的幅度值的次数，得到该训练信号对应的训练向量；针对第二训练信号集，对各训练向量以及各训练向量对应的光信噪比和比特率进行深度神经网络训练，得到第二深度神经网络模型。
可选的，本发明实施例的光性能监测装置中，各预设幅度区间为各预设电压幅度区间，
幅度值向量确定模块，具体用于获取待监测信号的幅度图中的各电压幅度，确定位于各预设电压幅度区间的电压幅度的次数。
需要说明的是，本发明实施例的装置是应用上述光性能监测方法的装置，则上述光性能监测方法的所有实施例均适用于该装置，且均能达到相同或相似的有益效果。
本发明实施例还提供了一种电子设备，参见图6，图6为本发明实施例的电子设备的结构图，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，实现上述任一光性能监测方法的步骤。
需要说明的是，上述电子设备提到的通信总线604可以是PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。该通信总线604可以分为地址总线、数据总线、控制总线等。为便于表示，图6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602用于上述电子设备与其他设备之间的通信。
存储器603可以包括RAM(Random Access Memory，随机存取存储器)，也可以包括非易失性存储器(non-volatile memory)，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601可以是通用处理器，包括：CPU(Central Processing Unit，中央处理器)、NP(Network Processor，网络处理器)等；还可以是DSP(Digital SignalProcessing，数字信号处理器)、ASIC(Application Specific Integrated Circuit，专用集成电路)、FPGA(Field-Programmable Gate Array，现场可编程门阵列)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。
本发明实施例的电子设备中，处理器通过执行存储器上所存放的程序，获取待检测信号的幅度图，确定待监测信号的幅度图中位于各预设幅度区间的幅度值的次数，得到幅度值向量；将幅度值向量输入预先建立的第一深度神经网络模型，得到待监测信号的调制格式，第一深度神经网络模型是根据各调制格式的信号以及各调制格式的信号对应的幅度图训练得到的；将幅度值向量输入预先建立的与待监测信号的调制格式相对应的第二深度神经网络模型，得到待监测信号的光信噪比和比特率；其中，第二深度神经网络模型是根据与待监测信号的调制格式相同的各信号的幅度图、以及各信号的幅度图对应的光信噪比和比特率训练得到的。由于深度神经网络由输入层、输出层和多层隐藏层组成，每一层都有多个神经元，当多参数识别时，尤其是参数组合的数目较大时，每一层的神经网络层和神经元都是巨大的，增加了深度神经网络的复杂度。本发明实施例采用级联的深度神经网络对待监测信号的调制格式、光信噪比和比特率进行识别，可以降低网络的复杂度，提高系统的识别精度，进而提高光性能监测的能力。
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质内存储有计算机程序，计算机程序被处理器执行时，实现上述任一光性能监测方法的步骤。
本发明实施例的计算机可读存储介质中存储的指令在计算机上运行时，获取待检测信号的幅度图，确定待监测信号的幅度图中位于各预设幅度区间的幅度值的次数，得到幅度值向量；将幅度值向量输入预先建立的第一深度神经网络模型，得到待监测信号的调制格式，第一深度神经网络模型是根据各调制格式的信号以及各调制格式的信号对应的幅度图训练得到的；将幅度值向量输入预先建立的与待监测信号的调制格式相对应的第二深度神经网络模型，得到待监测信号的光信噪比和比特率；其中，第二深度神经网络模型是根据与待监测信号的调制格式相同的各信号的幅度图、以及各信号的幅度图对应的光信噪比和比特率训练得到的。由于深度神经网络由输入层、输出层和多层隐藏层组成，每一层都有多个神经元，当多参数识别时，尤其是参数组合的数目较大时，每一层的神经网络层和神经元都是巨大的，增加了深度神经网络的复杂度。本发明实施例采用级联的深度神经网络对待监测信号的调制格式、光信噪比和比特率进行识别，可以降低网络的复杂度，提高系统的识别精度，进而提高光性能监测的能力。
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、电子设备及可读存储介质实施例而言，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。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。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，均包含在本发明的保护范围内。

Claims (6)

1.一种光性能监测方法，其特征在于，所述方法包括：
获取待监测信号的幅度图，确定所述待监测信号的幅度图中位于各预设幅度区间的幅度值的次数，得到幅度值向量；
将所述幅度值向量输入预先建立的第一深度神经网络模型，得到所述待监测信号的调制格式；
将所述幅度值向量输入预先建立的与所述待监测信号的调制格式相对应的第二深度神经网络模型，得到所述待监测信号的光信噪比和比特率；
所述第一深度神经网络模型的建立方法包括：
获取包含多种调制格式的第一训练信号集，针对所述第一训练信号集中的每个训练信号，确定该训练信号的幅度图中位于所述各预设幅度区间的幅度值的次数，得到该训练信号对应的训练向量；
针对所述第一训练信号集，对各调制格式以及所述各调制格式对应的训练向量进行深度神经网络训练，得到所述第一深度神经网络模型；
所述第二深度神经网络模型的建立方法包括：
获取与所述待监测信号的调制格式相同的第二训练信号集，确定所述第二训练信号集中每个训练信号的光信噪比和比特率；
针对所述第二训练信号集中的每个训练信号，确定该训练信号的幅度图中位于所述各预设幅度区间的幅度值的次数，得到该训练信号对应的训练向量；
针对所述第二训练信号集，对各训练向量以及所述各训练向量对应的光信噪比和比特率进行深度神经网络训练，得到所述第二深度神经网络模型。
2.根据权利要求1所述的光性能监测方法，其特征在于，所述各预设幅度区间为各预设电压幅度区间，
所述确定所述待监测信号的幅度图中位于各预设幅度区间的幅度值的次数，包括：
获取所述待监测信号的幅度图中的各电压幅度，确定位于所述各预设电压幅度区间的电压幅度的次数。
3.一种光性能监测装置，其特征在于，所述装置包括：
幅度值向量确定模块，用于获取待监测信号的幅度图，确定所述待监测信号的幅度图中位于各预设幅度区间的幅度值的次数，得到幅度值向量；
调制格式确定模块，用于将所述幅度值向量输入预先建立的第一深度神经网络模型，得到所述待监测信号的调制格式；
光信噪比和比特率确定模块，用于将所述幅度值向量输入预先建立的与所述待监测信号的调制格式相对应的第二深度神经网络模型，得到所述待监测信号的光信噪比和比特率；
第一深度神经网络模型建立模块，用于获取包含多种调制格式的第一训练信号集，针对所述第一训练信号集中的每个训练信号，确定该训练信号的幅度图中位于所述各预设幅度区间的幅度值的次数，得到该训练信号对应的训练向量；针对所述第一训练信号集，对各调制格式以及所述各调制格式对应的训练向量进行深度神经网络训练，得到所述第一深度神经网络模型；
第二深度神经网络模型建立模块，用于获取与所述待监测信号的调制格式相同的第二训练信号集，确定所述第二训练信号集中每个训练信号的光信噪比和比特率；针对所述第二训练信号集中的每个训练信号，确定该训练信号的幅度图中位于所述各预设幅度区间的幅度值的次数，得到该训练信号对应的训练向量；针对所述第二训练信号集，对各训练向量以及所述各训练向量对应的光信噪比和比特率进行深度神经网络训练，得到所述第二深度神经网络模型。
4.根据权利要求3所述的光性能监测装置，其特征在于，所述各预设幅度区间为各预设电压幅度区间，
幅度值向量确定模块，具体用于获取所述待监测信号的幅度图中的各电压幅度，确定位于所述各预设电压幅度区间的电压幅度的次数。
5.一种电子设备，其特征在于，包括：处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上所存放的程序时，实现权利要求1-2任一所述的光性能监测方法的步骤。
6.一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1-2任一所述的光性能监测方法的步骤。
CN201811540912.2A 2018-12-17 2018-12-17 一种光性能监测方法、装置、电子设备及可读存储介质 Active CN109547102B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811540912.2A CN109547102B (zh) 2018-12-17 2018-12-17 一种光性能监测方法、装置、电子设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811540912.2A CN109547102B (zh) 2018-12-17 2018-12-17 一种光性能监测方法、装置、电子设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN109547102A CN109547102A (zh) 2019-03-29
CN109547102B true CN109547102B (zh) 2020-05-29

Family

ID=65854823

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811540912.2A Active CN109547102B (zh) 2018-12-17 2018-12-17 一种光性能监测方法、装置、电子设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN109547102B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110784266B (zh) * 2019-10-17 2021-03-16 烽火通信科技股份有限公司 一种匹配码型的调制解调方法及超高速光模块
CN111342917A (zh) * 2020-02-27 2020-06-26 咪咕文化科技有限公司 信干噪比评估方法及多媒体广播组播方法、电子设备
CN111541484A (zh) * 2020-04-20 2020-08-14 苏州大学 基于延时采样的光纤通信系统光信噪比监测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105515650A (zh) * 2015-11-24 2016-04-20 华中科技大学 基于光谱特征的光信号调制格式识别方法
CN107749779A (zh) * 2017-09-29 2018-03-02 北京邮电大学 一种脉冲幅度调制pam‑n信号光性能监测方法与装置

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102664689B (zh) * 2012-03-26 2014-07-09 华为技术有限公司 眼图质量的判断方法及装置
RU2495504C1 (ru) * 2012-06-25 2013-10-10 Государственное казенное образовательное учреждение высшего профессионального образования Академия Федеральной службы охраны Российской Федерации (Академия ФСО России) Способ снижения скорости передачи низкоскоростных вокодеров с линейным предсказанием
US9258056B2 (en) * 2013-12-20 2016-02-09 Juniper Networks, Inc. Methods and apparatus for monitoring and controlling the performance of optical communication systems
US10585121B2 (en) * 2016-09-12 2020-03-10 Tektronix, Inc. Recommending measurements based on detected waveform type
CN106650688A (zh) * 2016-12-30 2017-05-10 公安海警学院 基于卷积神经网络的眼部特征检测方法，装置及识别系统
CN107342810B (zh) * 2017-07-03 2019-11-19 北京邮电大学 基于卷积神经网络的深度学习智能眼图分析方法
CN107590489A (zh) * 2017-09-28 2018-01-16 国家新闻出版广电总局广播科学研究院 基于级联卷积神经网络的目标检测方法
CN108880666B (zh) * 2018-03-26 2020-10-09 北京大学 基于微波光子技术的串行通信分析仪及其波形重构方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105515650A (zh) * 2015-11-24 2016-04-20 华中科技大学 基于光谱特征的光信号调制格式识别方法
CN107749779A (zh) * 2017-09-29 2018-03-02 北京邮电大学 一种脉冲幅度调制pam‑n信号光性能监测方法与装置

Also Published As

Publication number Publication date
CN109547102A (zh) 2019-03-29

Similar Documents

Publication Publication Date Title
CN109547102B (zh) 一种光性能监测方法、装置、电子设备及可读存储介质
CN109167627B (zh) 一种调制格式及光信噪比监测方法及装置
CN111836134B (zh) 网络拓扑信息的获取方法、装置、设备及存储介质
CN108319974B (zh) 数据处理方法、装置、存储介质和电子装置
JP2021520747A (ja) 適合性試験方法及び装置、並びに記憶媒体
CN101409596A (zh) 一种动态业务的波长路由光网络规划方法
CN107508692B (zh) 一种通信系统设计方法、装置及通信系统
CN113420871B (zh) 图像质量的评估方法、装置、存储介质及电子装置
CN113660687B (zh) 网络差小区处理方法、装置、设备及存储介质
CN111541484A (zh) 基于延时采样的光纤通信系统光信噪比监测方法
CN113453257B (zh) 无线通信网络性能优化方法及装置
Guesmi et al. Modulation formats recognition technique using artificial neural networks for radio over fiber systems
CN113179428B (zh) 一种流媒体传输链路的优化方法、设备、系统和存储介质
CN111901134A (zh) 一种基于循环神经网络模型rnn的预测网络质量的方法和装置
CN109560978B (zh) 网络流量检测方法、装置及系统和计算机可读存储介质
CN116367223A (zh) 基于强化学习的xr服务优化方法、装置、电子设备和存储介质
Pesic et al. Transfer learning using ANN for G-OSNR estimation in WDM network topologies
CN114449569B (zh) 用户流量使用量处理方法、网络设备及业务处理系统
CN109889928B (zh) 多播光树传输质量预测方法、装置、设备和存储介质
Mrozek et al. Simultaneous monitoring of chromatic dispersion and optical signal to noise ratio in optical links using convolutional neural network and asynchronous delay-tap sampling
CN109068180A (zh) 一种确定视频精选集的方法以及相关设备
CN113839843B (zh) 智能设备的发现方法、装置、介质及区块链系统
CN111917657B (zh) 一种流量传输策略的确定方法及装置
CN113381943B (zh) 一种智能组网通信处理方法及系统
CN114158073B (zh) 网络切片部署方法、装置、设备及存储介质

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