CN109639350A - 一种光iq调制器参数监测方法及装置 - Google Patents

一种光iq调制器参数监测方法及装置 Download PDF

Info

Publication number
CN109639350A
CN109639350A CN201811613678.1A CN201811613678A CN109639350A CN 109639350 A CN109639350 A CN 109639350A CN 201811613678 A CN201811613678 A CN 201811613678A CN 109639350 A CN109639350 A CN 109639350A
Authority
CN
China
Prior art keywords
modulator
signal
light
planisphere
training
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
CN201811613678.1A
Other languages
English (en)
Other versions
CN109639350B (zh
Inventor
戴潇潇
李响
罗鸣
李海波
贺志学
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.)
Wuhan Research Institute of Posts and Telecommunications Co Ltd
Original Assignee
Wuhan Research Institute of Posts and Telecommunications Co Ltd
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 Wuhan Research Institute of Posts and Telecommunications Co Ltd filed Critical Wuhan Research Institute of Posts and Telecommunications Co Ltd
Priority to CN201811613678.1A priority Critical patent/CN109639350B/zh
Publication of CN109639350A publication Critical patent/CN109639350A/zh
Application granted granted Critical
Publication of CN109639350B publication Critical patent/CN109639350B/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
    • 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
    • H04B10/50—Transmitters
    • H04B10/501—Structural aspects
    • H04B10/503—Laser transmitters
    • 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
    • H04B10/50—Transmitters
    • H04B10/516—Details of coding or modulation

Landscapes

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

Abstract

本发明公开了一种光IQ调制器参数监测方法及装置，涉及光IQ调制器领域，该方法包括：采集经光IQ调制器调制后输出的复数信号；将采集到的复数信号转化为轨迹星座图；将信号轨迹星座图输入训练好的深度卷积神经网络，读取深度卷积神经网络输出的发射端时间差以及幅度比之间的映射关系，并依据该映射关系调节光IQ调制器参数。本发明的光IQ调制器参数监测方法及装置采用零差探测的方式，保证信号光路和光源光路的长度相等，进而消除激光器相位噪声所带来的影响，避免了现有方法由于使用两个激光器，需要用数字信号处理的方式来消除上述相位噪声影响的不便。

Description

一种光IQ调制器参数监测方法及装置
技术领域
本发明涉及光IQ调制器领域，具体涉及一种光IQ调制器参数监测方法及装置。
背景技术
随着光纤通信网络中对流量的需求不断增加，基于相干技术的光纤通信系统获得了越来越广泛的关注。在基于相干光技术的光纤通信系统中，双偏振IQ调制器是实现幅度和相位映射的关键器件之一，其加载到两个偏振态上的I路(实部)和Q路(虚部)电信号的一致性会严重影响相干光通信系统的性能。双偏振光IQ调制器的一致性主要表现在单个偏振态上I路和Q路信号的幅度和时延一致，以及双偏振电信号间的幅度和时延一致。
为了解决上述问题，目前在产品线上的方法是将发射端的IQ调制器和接收端的光混频器联合起来进行调试，通过系统的品质因子和误码率来评判是否调整到位。现有技术的具体架构如图1所示，其将双偏振IQ调制器输出的光信号和另一路激光器发出的连续光输入到集成相干光接收模块中。按照传统相干光接收的方式，激光器2发出的光频率与激光器1发出的光频率类似，相干接收的方式采用的内差接收。该模块可以输出两个偏振态上的电信号，并测算电信号的品质因子。然后通过调节双偏振IQ调制器的X和Y偏振电信号实部和虚部幅度差，X和Y偏振电信号实部和虚部时间差，当品质因子达到最大的时候，认为信号的恢复质量最佳，从而实现对双偏振IQ调制器上参数的调节。
然而这样的方法存在以下缺点：
(1)耗时长，因为有多种变量(上述过程中的各种偏差)需要调节，需要通过很长的时间，才能调节到最佳效果；
(2)在集成相干光接收模块中，为了计算出品质因子，需要配合专业的误码仪设备，其能处理的电信号格式受到误码仪的限制；同时还需要复杂的数字信号处理步骤，增加了系统的复杂度。
发明内容
针对现有技术中存在的缺陷，本发明的目的在于提供一种光IQ调制器参数监测方法及装置，实现了对双偏振IQ调制器上参数在简单系统下的快速监控调节。
为达到以上目的，本发明采取的技术方案是：
一种光IQ调制器参数监测方法，包括：
采集经光IQ调制器调制后输出的复数信号；
将采集到的复数信号转化为轨迹星座图；
将信号轨迹星座图输入训练好的深度卷积神经网络，读取深度卷积神经网络输出的发射端时间差以及幅度比之间的映射关系，并依据该映射关系调节光IQ调制器参数。
在上述技术方案的基础上，在向训练好的深度卷积神经网络输入轨迹星座图前，还包括：
对轨迹星座图进行图像处理，提取图像特征；将图像特征与轨迹星座图原始复数信号采集时的I路和Q路幅度比、时间差进行对应，作为训练样本；使用训练样本训练深度卷积神经网络，学习图像特征分别与发射端IQ调制器I路和Q路的幅度比、时间差的关系。
在上述技术方案的基础上，使用训练样本训练深度卷积神经网络学习图像特征时，设置训练阈值，当卷积神经网络的输出与训练参考值的误差在训练过程中可收敛且小于所述阈值后，完成卷积神经网络的训练。
在上述技术方案的基础上，所述采集经光IQ调制器调制后输出的复数信号步骤具体包括：使用不同的发射端时间偏差、幅度比的组合，多次采集各偏振态的复数信号，并以采集的相应的图像数据作为训练数据，训练深度卷积神经网络。
在上述技术方案的基础上，采集轨迹星座图时，针对每种发射端IQ调制器I路和Q路幅度比、时间差的组合采集至少100种不同时刻轨迹图。
在上述技术方案的基础上，将采集到的复数信号转化为信号轨迹星座图的步骤具体包括：
将采集的数据取相同时长截取分段，对各段中接收信号的轨迹进行存储；以复数信号的实部为横轴，虚部为纵轴，将采集的数据以二维矩阵的形式存储；将二维矩阵转化为复平面上表征接收信号的轨迹，作为信号轨迹星座图，并将接收信号的信号轨迹星座图与双偏振IQ调制器的偏差值一一对应。
在上述技术方案的基础上，在采集经光IQ调制器调制后输出的复数信号后，分离两个偏振态上的信号分别处理。
本发明还提供一种光IQ调制器参数监测装置，包括激光器、双偏振IQ调制器、数模转换器、集成相干光接收机和示波器，原始的4路电信号经过数模转换后分别加载到双偏振光IQ调制器的4个端口上，经过调制后的双偏振光信号，所述示波器用于接收集成相干光接收机输出信号并显示信号波形，所述激光器发射激光分为两路，其中一路通过双偏振光IQ调制器调制后输入至集成相干光接收机；另一路添加使信号光路和光源光路长度相等的可调光纤延迟。
在上述技术方案的基础上，在集成相干光接收机前线路上设置偏振控制器，所述偏振控制器用于分离两个偏振态上的信号。
与现有技术相比，本发明的优点在于：
(1)本发明的光IQ调制器参数监测方法采用零差探测的方式，只使用了一个激光器，在不经过调制器的光源那一路添加了可调光纤延迟性，从而保证信号光路和光源光路的长度相等，进而消除激光器相位噪声所带来的影响，避免了现有方法由于使用两个激光器，需要用数字信号处理的方式来消除上述相位噪声影响的不便。
(2)本发明的光IQ调制器参数监测方法不需要数字信号处理技术，而是通过将接收到的复数信号实部作为横轴、虚部作为纵轴以二维数据的方式表示，并通过数据-平面图形-卷积神经网络学习-对应结果的形式，明确的给出双偏振IQ调制器的偏差值，使没有相关经验和训练的人也可以根据本发明的方案估算的值调节IQ调制器；解决了现有技术方案在数字信号处理过程中输出的信息只有偏振态信号的品质因子这个参考量，不能直观提供调节参数的问题。
(3)本发明的光IQ调制器参数监测方法中使用卷积神经网络进行训练，使用训练完成的卷积神经网络的结构和系数来反映出信号的轨迹星座图和发射端时间差以及幅度比之间的映射关系，进一步得出当前发射端IQ调制器的I路和Q路的时间差，并将IQ调制器调整到最佳的位置。
附图说明
图1为现有技术中发射端IQ调制器参数测试装置的结构示意图；
图2为本发明实施例中发射端IQ调制器参数测试装置的结构示意图；
图3为本发明实施例中信号处理的流程图；
图4为本发明实施例中原始采集的复数信号的数据片段示意图；
图5为由图4中原始采集的复数信号的数据片段转化的2维矩阵的示意图；
图6为由图5中2维矩阵转化的信号轨迹星座图；
图7为本发明实施例中使用神经网络训练获得的识别收敛过程示意图。
具体实施方式
以下结合附图及实施例对本发明作进一步详细说明。
参见图2所示，本发明实施例提供一种光IQ调制器参数监测方法，包括：采集经光IQ调制器调制后输出的复数信号；将采集到的复数信号转化为轨迹星座图；将信号轨迹星座图输入训练好的深度卷积神经网络，读取深度卷积神经网络输出的发射端时间差以及幅度比之间的映射关系，并依据该映射关系调节光IQ调制器参数。
在向训练好的深度卷积神经网络输入轨迹星座图前，还包括以下过程：对轨迹星座图进行图像处理，提取图像特征；将图像特征与轨迹星座图原始复数信号采集时的I路和Q路幅度比、时间差进行对应，作为训练样本；使用训练样本训练深度卷积神经网络学习图像特征与发射端IQ调制器I路和Q路幅度比、时间差的关系。
优选的，可使用训练样本训练深度卷积神经网络学习图像特征时，设置训练阈值，当卷积神经网络的输出与训练参考值的误差在训练过程中可收敛且小于所述阈值后，完成卷积神经网络的训练。
所述采集经光IQ调制器调制后输出的复数信号步骤具体包括：
使用不同的发射端时间偏差、幅度比的组合，多次采集各偏振态的复数信号，并以采集的相应的图像数据作为训练数据，训练深度卷积神经网络。为保障训练数据效果，在采集轨迹星座图时，针对每种发射端IQ调制器I路和Q路幅度比、时间差的组合采集至少100种不同时刻轨迹图。
将采集到的复数信号转化为信号轨迹星座图的步骤具体包括：
将采集的数据取相同时长截取分段，对各段中接收信号的轨迹进行存储；以复数信号的实部为横轴，虚部为纵轴，将采集的数据以二维矩阵的形式存储；将二维矩阵转化为复平面上画出来表征接收信号的轨迹，作为信号轨迹星座图，并将接收信号的信号轨迹星座图与双偏振IQ调制器的偏差值一一对应。
为了简化处理过程，优化学习及识别效果，在采集经光IQ调制器调制后输出的复数信号后，分离两个偏振态上的信号分别处理。
本发明还提供一种光IQ调制器参数监测装置，包括激光器、双偏振IQ调制器、数模转换器、集成相干光接收机和示波器，原始的4路电信号经过数模转换后分别加载到双偏振光IQ调制器的4个端口上，经过调制后的双偏振光信号，激光器发射激光分为两路，其中一路通过双偏振光IQ调制器调制后输入至集成相干光接收机；另一路添加使信号光路和光源光路长度相等的可调光纤延迟。
优选的，可在集成相干光接收机前线路上设置偏振控制器，偏振控制器用于分离两个偏振态上的信号。
一个具体可行的实施例如下所示：
搭建如图2所示测试结果图的实验平台，在实际调整操作开始前，完成对卷积神经网络的线下训练。在线下训练阶段，使用上述系统，设置x偏振态的实部和虚部的幅度比值分别为1.0，1.1，1.2和1.3等4个梯度；设置x偏振态的实部和虚部的时间偏差为0ps、4ps、8ps、12ps和16ps这5个梯度。
针对不同幅度比和时间差的组合(本实施例中包括20种情形)，对接收信号的轨迹进行存储。以复数信号的实部为横轴，虚部为纵轴，将采集的数据以二维矩阵的形式存储，一个二维矩阵则对应为一副轨迹星座图。在一个优选的实施例中，对每种幅度比和时间差的组合采集与之对应的100种不同时刻的轨迹图。
将采集的数据取相同时长截取分段，对各段中接收信号的轨迹进行存储。如以IQ时间差为24ps，IQ幅度比为1.2的情形为例，在该情形下采集的信号为长度为1000000的复数信号，被无重叠地分割成50份，每份长度为20000。原始采集的复数信号的数据片段如图4所示。
随后以复数信号的实部为横轴，虚部为纵轴，将采集的数据以二维矩阵的形式存储。如图5即为上述图4内原始采集的复数信号的数据片段所转换的二维矩阵
最后，将二维矩阵转化为复平面上画出来表征接收信号的轨迹，作为信号轨迹星座图，上述示例中转化获得的信号轨迹星座图如图6所示，并将接收信号的信号轨迹星座图与双偏振IQ调制器的偏差值一一对应。
随后，如图3所示，使用一副轨迹图对应一组幅度比和时间差的组合，并将所采集的所有轨迹图将作为卷积神经网络的输入，对应幅度比和时间差作为网络输出的训练参考值。卷积神经网络的卷积层和池化层通过卷积核和池化运算对二维轨迹图的局部形状和特征逐一进行特征提取，并通过最后的含有两个人工神经元的全连接输出层计算出IQ幅度比以及IQ时间差。优选的，在使用训练样本训练深度卷积神经网络学习图像特征时，设置训练阈值，当卷积神经网络的输出与训练参考值的误差在训练过程中可收敛且小于所述阈值后，完成卷积神经网络的训练，卷积核和全连接层的权重参数固定。一个实施例中卷积神经网络训练收敛过程如图7所示。
上述过程中，卷积网络的卷积层层数，池化层层数，全连接层层数由数据决定，选取原则为使卷积神经网络的输出值与训练参考值的误差在训练过程中可收敛并且小于设置的训练阈值。优选的，对于做过归一化的输出值，通常阈值可设定为0.01。
在实用操作中，在发射端，数模转换器(DAC)的采样速率设置在5G符号每秒。在接收端，接收示波器的模数转换采样频率设置在50G符号每秒，对接收的复数信号进行采集和存储。
随后将接收的复数信号转化为轨迹星座图，并输入训练好的卷积神经网络，卷积神经网络即可输出IQ幅度比和IQ时间差的具体数值。随后操作人员即可通过该数值，将IQ调制器调整至最佳的位置。
本发明不局限于上述实施方式，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围之内。本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (9)

1.一种光IQ调制器参数监测方法，其特征在于，包括：
采集经光IQ调制器调制后输出的复数信号；
将采集到的复数信号转化为轨迹星座图；
将信号轨迹星座图输入训练好的深度卷积神经网络，读取深度卷积神经网络输出的发射端时间差以及幅度比之间的映射关系，并依据该映射关系调节光IQ调制器参数。
2.如权利要求1所述的光IQ调制器参数监测方法，其特征在于，在向训练好的深度卷积神经网络输入轨迹星座图前，还包括：
对轨迹星座图进行图像处理，提取图像特征；
将图像特征与轨迹星座图原始复数信号采集时的I路和Q路幅度比、时间差进行对应，作为训练样本；
使用训练样本训练深度卷积神经网络，学习图像特征分别与发射端IQ调制器I路和Q路的幅度比、时间差的关系。
3.如权利要求2所述的光IQ调制器参数监测方法，其特征在于：
使用训练样本训练深度卷积神经网络学习图像特征时，设置训练阈值，当卷积神经网络的输出与训练参考值的误差在训练过程中可收敛且小于所述阈值后，完成卷积神经网络的训练。
4.如权利要求1所述的光IQ调制器参数监测方法，其特征在于，所述采集经光IQ调制器调制后输出的复数信号步骤具体包括：
使用不同的发射端时间偏差、幅度比的组合，多次采集各偏振态的复数信号，并以采集的相应的图像数据作为训练数据，训练深度卷积神经网络。
5.如权利要求4所述的光IQ调制器参数监测方法，其特征在于：
采集轨迹星座图时，针对每种发射端IQ调制器I路和Q路幅度比、时间差的组合采集至少100种不同时刻轨迹图。
6.如权利要求1所述的光IQ调制器参数监测方法，其特征在于，将采集到的复数信号转化为信号轨迹星座图的步骤具体包括：
将采集的数据取相同时长截取分段，对各段中接收信号的轨迹进行存储；
以复数信号的实部为横轴，虚部为纵轴，将采集的数据以二维矩阵的形式存储；
将二维矩阵转化为复平面上表征接收信号的轨迹，作为信号轨迹星座图，并将接收信号的信号轨迹星座图与双偏振IQ调制器的偏差值一一对应。
7.如权利要求1所述的光IQ调制器参数监测方法，其特征在于：
在采集经光IQ调制器调制后输出的复数信号后，分离两个偏振态上的信号分别处理。
8.一种光IQ调制器参数监测装置，包括激光器、双偏振IQ调制器、数模转换器、集成相干光接收机和示波器，原始的4路电信号经过数模转换后分别加载到双偏振光IQ调制器的4个端口上，经过调制后的双偏振光信号，所述示波器用于接收集成相干光接收机输出信号并显示信号波形，其特征在于：
所述激光器发射激光分为两路，其中一路通过双偏振光IQ调制器调制后输入至集成相干光接收机；另一路添加使信号光路和光源光路长度相等的可调光纤延迟。
9.如权利要求8所述的光IQ调制器参数监测装置，其特征在于：
在集成相干光接收机前线路上设置偏振控制器，所述偏振控制器用于分离两个偏振态上的信号。
CN201811613678.1A 2018-12-27 2018-12-27 一种光iq调制器参数监测方法 Active CN109639350B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811613678.1A CN109639350B (zh) 2018-12-27 2018-12-27 一种光iq调制器参数监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811613678.1A CN109639350B (zh) 2018-12-27 2018-12-27 一种光iq调制器参数监测方法

Publications (2)

Publication Number Publication Date
CN109639350A true CN109639350A (zh) 2019-04-16
CN109639350B CN109639350B (zh) 2021-03-16

Family

ID=66078487

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811613678.1A Active CN109639350B (zh) 2018-12-27 2018-12-27 一种光iq调制器参数监测方法

Country Status (1)

Country Link
CN (1) CN109639350B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112468226A (zh) * 2020-11-27 2021-03-09 武汉邮电科学研究院有限公司 一种基于微扰电信号的iq调制器参数监测方法及系统
WO2021136046A1 (zh) * 2019-12-31 2021-07-08 烽火通信科技股份有限公司 一种光互连通信方法及系统
CN113222250A (zh) * 2021-05-13 2021-08-06 中国工程物理研究院激光聚变研究中心 基于卷积神经网络的大功率激光装置输出波形预测方法
CN113938206A (zh) * 2021-09-30 2022-01-14 华中科技大学 一种适用于iq调制器的偏压控制方法和装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106603162A (zh) * 2016-12-29 2017-04-26 中南大学 一种基于叠加相位调制的信号复用和解复用方法及装置
CN107342962A (zh) * 2017-07-03 2017-11-10 北京邮电大学 基于卷积神经网络的深度学习智能星座图分析方法
CN108076002A (zh) * 2016-11-10 2018-05-25 富士通株式会社 偏置漂移补偿装置、接收信号恢复装置以及接收机
US20180287699A1 (en) * 2017-03-30 2018-10-04 Fujitsu Limited Imbalance compensation device, transmission device, reception device, and imbalance compensation method

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108076002A (zh) * 2016-11-10 2018-05-25 富士通株式会社 偏置漂移补偿装置、接收信号恢复装置以及接收机
CN106603162A (zh) * 2016-12-29 2017-04-26 中南大学 一种基于叠加相位调制的信号复用和解复用方法及装置
US20180287699A1 (en) * 2017-03-30 2018-10-04 Fujitsu Limited Imbalance compensation device, transmission device, reception device, and imbalance compensation method
CN107342962A (zh) * 2017-07-03 2017-11-10 北京邮电大学 基于卷积神经网络的深度学习智能星座图分析方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021136046A1 (zh) * 2019-12-31 2021-07-08 烽火通信科技股份有限公司 一种光互连通信方法及系统
CN112468226A (zh) * 2020-11-27 2021-03-09 武汉邮电科学研究院有限公司 一种基于微扰电信号的iq调制器参数监测方法及系统
CN112468226B (zh) * 2020-11-27 2022-04-29 武汉邮电科学研究院有限公司 一种基于微扰电信号的iq调制器参数监测方法及系统
CN113222250A (zh) * 2021-05-13 2021-08-06 中国工程物理研究院激光聚变研究中心 基于卷积神经网络的大功率激光装置输出波形预测方法
CN113938206A (zh) * 2021-09-30 2022-01-14 华中科技大学 一种适用于iq调制器的偏压控制方法和装置

Also Published As

Publication number Publication date
CN109639350B (zh) 2021-03-16

Similar Documents

Publication Publication Date Title
CN109639350A (zh) 一种光iq调制器参数监测方法及装置
CN104485997B (zh) 一种iq光调制器偏置电压的控制系统及方法
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
CN106911395B (zh) 一种双正交偏振复用强度调制系统及其解复用方法
CN108088655B (zh) 基于双边带调制与频移的光器件测量方法、装置
CN102088319B (zh) 一种信号损伤补偿方法、装置和光接收机
CN110505020A (zh) 基于迁移学习的光非线性均衡方法
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
CN112702294A (zh) 一种基于深度学习的多层次特征提取的调制识别方法
Wang et al. Comprehensive eye diagram analysis: a transfer learning approach
CN109347776A (zh) 一种差分相位幅度比的光通信信号调制格式识别方法
CN103178900A (zh) 基于支持向量机的相干光通信系统非线性损伤消除装置
CN111541483A (zh) 基于高阶统计矩的相干光通信系统光信噪比监测方法
CN105547654A (zh) 一种基于光双边带调制的光器件测量方法及测量系统
CN107018108A (zh) 一种斯托克斯空间二维平面的调制格式识别方法
CN110601764A (zh) 一种基于光学辅助的射频调制格式识别方法
CN109818889A (zh) 用于高阶pam光传输系统中的svm分类器优化的均衡算法
CN115765876A (zh) 一种基于改进lstm非线性均衡器的概率整形信号均衡方法
CN106506088B (zh) 一种基于单边带调制的载波聚合和解聚合的方法与系统
CN109587091A (zh) 基于逻辑回归算法的相干光通信系统调制格式识别方法
CN109302238A (zh) 一种光iq调制器参数调节方法及系统
CN115882959B (zh) 一种基于机器学习的非线性补偿方法
CN105024763B (zh) 用于偏振复用系统解复用两次固定点实数解复用分离方法
Jia et al. Intelligent End-to-End Nonlinear Constellation Auto-Optimization in W-band Fiber-MMW Integrated Transmission for 6G Access
Gao et al. Joint baud-rate and modulation format identification based on asynchronous delay-tap plots analyzer by using convolutional neural network

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