CN109905167A - 一种基于卷积神经网络的光通信系统性能分析方法 - Google Patents
一种基于卷积神经网络的光通信系统性能分析方法 Download PDFInfo
- Publication number
- CN109905167A CN109905167A CN201910136266.1A CN201910136266A CN109905167A CN 109905167 A CN109905167 A CN 109905167A CN 201910136266 A CN201910136266 A CN 201910136266A CN 109905167 A CN109905167 A CN 109905167A
- Authority
- CN
- China
- Prior art keywords
- communication system
- optical communication
- neural networks
- convolutional neural
- measured
- 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.)
- Pending
Links
Landscapes
- Optical Communication System (AREA)
Abstract
本发明公开一种基于卷积神经网络的光通信系统性能分析方法,该方法包括:根据待测光通信系统,选择适当的卷积神经网络;构建调试光通信系统,不断调整所述调试光通信系统的发端调制方式、调制码率、光信噪比、信道色散和偏振模色散,并利用异步延时采样方法获得不同信道条件下的二维幅度信息,并利用所述二维幅度信息训练卷积神经网络;将经训练得到的卷积神经网络置入待测光通信系统,利用异步延时采样方法获得描述所述待测光通信系统性能的二维幅度信息,并利用训练后的卷积神经网络分析待测光通信系统对应的二维幅度信息,以估计出待测光通信系统的信道性能参数。本发明的方法能利用神经网络同时估计出光通信系统的多个信道性能参数。
Description
技术领域
本发明设计光通信性能检测技术领域,特别涉及一种基于卷积神经网络的光通信系统性能分析方法。
背景技术
随着互联网技术的发展,光线系统通信数据量日益提升。为了满足当代互联网通信数据量的要求,高速动态光通信网络技术受到广泛关注。其中,高速动态光网络的实时光性能检测,吸引了越来越多人的注意。光通信系统性能检测通过直接测量光信号通过信道传输后的损伤参数,如光信噪比、信道色散及偏振模色散,检测光网络物理层的传输状态,保证通信网络的可靠性,并为通信网络的维护提供依据。传统光通信系统通常依赖基于光器件的光信号处理,实现对通信链路损伤参数的实时检测。然而,此类方法需要修改通信系统接收端结构,影响通信过程。此外,信道各损伤参数的产生原理不同,为实现完整的系统性能检测,往往需要多种光信号处理系统相结合,大大提高了通信系统接收端设计的复杂度。除信道损伤参数外,在高速动态通信系统中,对发端调制参数的实时监控为也尤为重要。
中国发明专利CN108781113A公开了一种用于提供导频音的方法和装置,在该发明专利指那个公开的一种基于导频音的光性能检测的系统和方法。通过将双频导频音同时或交替地应用到波长信道,其中,从低频带中选择第一导频音频率并且从高频带中选择第二导频音调频,可以自适应地选择导频音频率中的一个以改善波长信道检测,可以减少受激拉曼散射引起的串扰和色散所引起的导频衰落对波长信道的性能检测产生的不利影响。在该发明中需要利用导频音来进行光通信性能的监测,此方法需要修改通信系统接收端结构,从而影响通信过程。
发明内容
基于此,针对上述现有技术中存在的问题,本发明旨在提出一种基于卷积神经网络的光通信系统性能分析方法。本发明的方法以卷积神经网络为基础,无需额外硬件系统设计,因此,可以在不影响数据传输的情况下,实现对系统调制方式、调制码率、光信噪比、信道色散及偏振模色散多个信道性能参数的实时估计。
本发明披露了一种基于卷积神经网络的光通信系统性能分析方法,包括如下步骤:
S1:根据待测光通信系统,选择适当的卷积神经网络;
S2:构建调试光通信系统,不断调整所述调试光通信系统的发端调制方式、调制码率、光信噪比、信道色散和偏振模色散,并利用异步延时采样方法获得不同信道条件下的二维幅度信息,并利用所述二维幅度信息训练卷积神经网络;
S3:将经训练得到的卷积神经网络置入待测光通信系统,利用异步延时采样方法获得描述所述待测光通信系统性能的二维幅度信息,并利用训练后的卷积神经网络分析待测光通信系统对应的二维幅度信息,以估计出待测光通信系统的多个信道性能参数。
优选地,利用异步延时采样方法获得二维幅度信息,具体包括如下步骤:
在待测光通信系统或调试光通信系统的接收端利用光电探测器将待测光信号转换为电信号;
对采集到的所述电信号进行低通滤波以消除带外噪声干扰;
将进行低通滤波后的电信号进行3dB分路,并在其中一路利用延迟线引入半比特延迟;
利用外时钟驱动的模数转换器对两路电信号同时进行采样;
在一个比特周期内对接收到的电信号做两次采样,统计采样得到的幅度信息,并根据所述幅度信息生成二维幅度直方图。
优选地,步骤S2具体包括如下步骤:
S210:构建调试光通信系统;
S220:修改调试光通信系统的多个信道性能参数,所述多个信道性能参数包括发端调制方式、调制码率、光信噪比、信道色散以及偏振模色散;
S230:利用异步延时采样方法获得不同信道条件下的二维幅度直方图;
S240:从所述二维幅度直方图中提取出所述直方图的特征参数,构建训练样本;
S250:利用所述训练样本对卷积神经网络进行训练。
优选地,所述卷积神经网络为7层结构的卷积神经网络,且所述7层结构的卷积神经网络包括两层卷积层、两层池化层以及两层全连接层,所述卷积层和池化层用于提取二维幅度直方图的特征,所述全连接层用于根据提取的特征计算并输出多个信道性能参数
优选地,用所述卷积神经网络分析待测光通信系统对应的二维幅度信息,以估计出待测光通信系统的信道性能参数,具体包括:
采用7层结构的卷积神经网络的两层卷积层及池化层对输入的待测光通信系统的二维幅度图进行特征的提取;
将提取的特征分享至后续两层全连接层,所述全连接层根据所述特征计算并输出多个信道性能参数。
本发明的有益效果是:
1)在本发明中,以卷积神经网络为基础,无需额外硬件系统设计,因此,可以在不影响数据传输的情况下,实现对系统调制方式、调制码率、光信噪比、信道色散及偏振模色散多个信道性能参数的实时估计。
2)在本发明中,通过构建调试光通信系统,不断调整调试光通信系统的性能参数,可以获取到大量异步延时样本数据,并利用采集到的样本数据训练卷积神经网络,从而保证了训练样本数据量的充足,提高了通信系统性能检测的准确性。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,从而可依照说明书的内容予以实施,并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂,以下以本申请的较佳实施例并配合附图详细说明如后。
根据下文结合附图对本申请具体实施例的详细描述,本领域技术人员将会更加明了本申请的上述及其他目的、优点和特征。
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。在所有附图中,类似的元件或部分一般由类似的附图标记标识。附图中,各元件或部分并不一定按照实际的比例绘制。
图1为本发明一实施例提出的基于卷积神经网络的光通信系统性能分析的流程框图;
图2为本发明一实施例提出的一种训练卷积神经网络的流程框图;
图3为本发明一实施例采用的卷积神经网络结构框图;
图4为本发明一实施例提供的多参数调试通信系统框图。
具体实施方式
下面将结合附图和实施例对本发明作进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
可以理解的是,下文所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理,但是其中的许多操作可以被并行地、并发地或者同时实施。当操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
图1为本发明一实施例提出的基于卷积神经网络的光通信系统性能分析的流程框图。如图所示,基于卷积神经网络的光通信系统性能分析方法主要包括如下步骤:
步骤S1:根据待测光通信系统,选择适当的卷积神经网络。
步骤S2:构建调试光通信系统,不断调整所述调试光通信系统的发端调制方式、调制码率、光信噪比、信道色散和偏振模色散,并利用异步延时采样方法获得不同信道条件下的二维幅度信息,并利用所述二维幅度信息训练卷积神经网络,具体过程可参加图4。
具体的,如图2所示,所述步骤S2包括有如下步骤:
步骤210:构建调试光通信系统;
步骤220:修改调试光通信系统的多个信道性能参数,所述多个信道性能参数包括发端调制方式、调制码率、光信噪比、信道色散以及偏振模色散;
步骤230:利用异步延时采样方法获得不同信道条件下的二维幅度直方图,所述二维幅度直方图与发端调制方式、调制码率、光信噪比、信道色散以及偏振模色散这些信道性能参数相关。
具体的,在利用异步延时采样方法获得不同信道条件下的二维幅度直方图具体又包括:在调试光通信系统的接收端利用光电探测器将待测光信号转换为电信号(即图4中的光电探测);对采集到的所述电信号进行低通滤波以消除带外噪声干扰;将进行低通滤波后的电信号进行3dB分路,并在其中一路利用延迟线引入半比特延迟;利用外时钟驱动的模数转换器对两路电信号同时进行采样(即图4中的异步采样);在一个比特周期内对接收到的电信号做两次采样,统计采样得到的幅度信息,并根据所述幅度信息生成二维幅度直方图。在获得不同信道条件下的二维幅度直方图,继续执行步骤240。
步骤240:从所述二维幅度直方图中提取出所述直方图的特征参数,构建训练样本。
步骤250:利用所述训练样本对卷积神经网络进行训练。
其中,在利用训练样本对卷积神经网络进行训练时,将二维幅度直方图的特征参数作为卷及神经网络的输入向量,将二维幅度直方图对应的多个信道性能参数为输出向量。在本发明中,不断调整调试光通信系统的性能参数,可以获取到大量异步延时样本数据,并利用采集到的样本数据训练卷积神经网络,从而保证了训练样本数据量的充足,提高了通信系统性能检测的准确性。
步骤S3:将经训练得到的卷积神经网络置入待测光通信系统,利用异步延时采样方法获得描述所述待测光通信系统性能的二维幅度信息,并利用训练后的卷积神经网络分析待测光通信系统对应的二维幅度信息,以估算出待测光通信系统的多个信道性能参数。
在本实施例中,所述卷积神经网络为7层结构的卷积神经网络,如图3所示,所述7层结构的卷积神经网络包括两层卷积层、两层池化层以及两层全连接层,所述卷积层和池化层用于提取二维幅度直方图的特征,所述全连接层用于根据提取的特征计算并输出多个信道性能参数。利用异步延时采样方法获得描述所述待测光通信系统性能的二维幅度信息与利用异步延时采样方法获得调试光通信系统不在同信道条件下的二维幅度信息的方法相同,具体可参见步骤S2中的相关说明,在此便不再叙述。
在本实施例中,利用所述卷积神经网络分析待测光通信系统对应的二维幅度信息,以估计出待测光通信系统的信道性能参数,具体包括:采用7层结构的卷积神经网络的两层卷积层及池化层对输入的待测光通信系统的二维幅度图进行特征的提取;将提取的特征分享至后续两层全连接层,所述全连接层根据所述特征计算并输出多个信道性能参数,例如如图3所示,全连接层输出了调制方式、调制码率、信道光信噪比(Optical Signal-to-Noise Ratio,OSNR)、信道色散(Chromatic Dispersion,CD)和偏振模色散(PolarizationMode Dispersion,PMD)。
综上所述,在本发明中以卷积神经网络为基础,无需额外硬件系统设计,可以在不影响数据传输的情况下,实现对系统调制方式、调制码率、光信噪比、信道色散及偏振模色散多个信道性能参数的实时估计。
应该理解的是,上面描述的流程可以相互独立地使用,也可以以各种方式组合使用。所有可能的组合和子组合均旨在落入本发明的范围内。另外,在一些实施方式中可以删除某些方法或操作。此处描述的方法和流程也不限于任何特定的序列,并且与其相关的操作或状态可以适当的以其他排列顺序来进行。所描述的操作或状态可以以不同于具体公开的顺序执行,或者多个操作或状态可以组合成单个操作或状态中。并且,可以在所公开的示例实施例中新增操作或从所述实施例中删除某个操作或状态。
尽管参考了具体示例实施例对主题的概述进行了描述,但是在不脱离本发明的实施例的更宽范围,可以对这些实施例进行各种修改和改变。仅为方便起见,本发明的具体实施例可单独地或共同地由术语“发明”指代,如果实际披露了多个,并不意在将此发明的范围自动限制为单个发明或概念。
本文所示的实施例提供了足够详细地描述以使本领域技术人员能够实践公开的教导。根据本发明所示的实施例还可以派生出其他实施例,并在不脱离本发明的范围的条件下进行逻辑替换以及改变。因此,具体实施方式不应被视为具有限制意义,并且各种实施例的范围仅由所附权利要求以及这些权利要求所享有的等同物的全部范围来限定。
Claims (5)
1.一种基于卷积神经网络的光通信系统性能分析方法,其特征在于,包括如下步骤:
S1:根据待测光通信系统,选择适当的卷积神经网络;
S2:构建调试光通信系统,不断调整所述调试光通信系统的发端调制方式、调制码率、光信噪比、信道色散和偏振模色散,并利用异步延时采样方法获得不同信道条件下的二维幅度信息,并利用所述二维幅度信息训练卷积神经网络;
S3:将经训练得到的卷积神经网络置入待测光通信系统,利用异步延时采样方法获得描述所述待测光通信系统性能的二维幅度信息,并利用训练后的卷积神经网络分析待测光通信系统对应的二维幅度信息,以估算出待测光通信系统的多个信道性能参数。
2.根据权利要求1所述的一种基于卷积神经网络的光通信系统性能分析方法,其特征在于,利用异步延时采样方法获得二维幅度信息,具体包括如下步骤:
在待测光通信系统或调试光通信系统的接收端利用光电探测器将待测光信号转换为电信号;
对采集到的所述电信号进行低通滤波以消除带外噪声干扰;
将进行低通滤波后的电信号进行3dB分路,并在其中一路利用延迟线引入半比特延迟;
利用外时钟驱动的模数转换器对两路电信号同时进行采样;
在一个比特周期内对接收到的电信号做两次采样,统计采样得到的幅度信息,并根据所述幅度信息生成二维幅度直方图。
3.根据权利要求2所述的一种基于卷积神经网络的光通信系统性能分析方法,其特征在于,步骤S2具体包括如下步骤:
S210:构建调试光通信系统;
S220:修改调试光通信系统的多个信道性能参数,所述多个信道性能参数包括发端调制方式、调制码率、光信噪比、信道色散以及偏振模色散;
S230:利用异步延时采样方法获得不同信道条件下的二维幅度直方图;
S240:从所述二维幅度直方图中提取出所述直方图的特征参数,构建训练样本;
S250:利用所述训练样本对卷积神经网络进行训练。
4.根据权利要求2或3所述的一种基于卷积神经网络的光通信系统性能分析方法,其特征在于,所述卷积神经网络为7层结构的卷积神经网络,且所述7层结构的卷积神经网络包括两层卷积层、两层池化层以及两层全连接层,所述卷积层和池化层用于提取二维幅度直方图的特征,所述全连接层用于根据提取的特征计算并输出多个信道性能参数。
5.根据权利要求4所述的一种基于卷积神经网络的光通信系统性能分析方法,其特征在于,利用所述卷积神经网络分析待测光通信系统对应的二维幅度信息,以估计出待测光通信系统的信道性能参数,具体包括:
采用7层结构的卷积神经网络的两层卷积层及池化层对输入的待测光通信系统的二维幅度图进行特征的提取;
将提取的特征分享至后续两层全连接层,所述全连接层根据所述特征计算并输出多个信道性能参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910136266.1A CN109905167A (zh) | 2019-02-25 | 2019-02-25 | 一种基于卷积神经网络的光通信系统性能分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910136266.1A CN109905167A (zh) | 2019-02-25 | 2019-02-25 | 一种基于卷积神经网络的光通信系统性能分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109905167A true CN109905167A (zh) | 2019-06-18 |
Family
ID=66945399
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910136266.1A Pending CN109905167A (zh) | 2019-02-25 | 2019-02-25 | 一种基于卷积神经网络的光通信系统性能分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109905167A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110492932A (zh) * | 2019-09-23 | 2019-11-22 | 武汉邮电科学研究院有限公司 | 一种光信噪比测量方法及系统 |
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 |
CN111884716A (zh) * | 2020-06-30 | 2020-11-03 | 中国南方电网有限责任公司 | 一种基于神经网络的光纤通信系统性能评估方法 |
CN113595626A (zh) * | 2021-06-21 | 2021-11-02 | 香港理工大学深圳研究院 | 一种基于神经网络的光信号参数实时监测方法、装置 |
CN113837120A (zh) * | 2021-09-28 | 2021-12-24 | 华中科技大学 | 基于神经网络的多芯光纤串扰监测方法与系统 |
CN114337813A (zh) * | 2022-01-07 | 2022-04-12 | 南京鼎芯光电科技有限公司 | 一种异步延迟采样和图像处理的光性能监测方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107342810A (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眼图分析方法 |
CN109217923A (zh) * | 2018-09-28 | 2019-01-15 | 北京科技大学 | 一种联合光性能监测和速率、调制格式识别方法及系统 |
-
2019
- 2019-02-25 CN CN201910136266.1A patent/CN109905167A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107342810A (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眼图分析方法 |
CN109217923A (zh) * | 2018-09-28 | 2019-01-15 | 北京科技大学 | 一种联合光性能监测和速率、调制格式识别方法及系统 |
Non-Patent Citations (1)
Title |
---|
XIAOJIE FAN,ETAL.: "Joint Optical Performance Monitoring and Modulation Format/Bit-Rate Identification by CNN-Based Multi-Task Learning", 《IEEE PHOTONICS JOURNAL》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110492932A (zh) * | 2019-09-23 | 2019-11-22 | 武汉邮电科学研究院有限公司 | 一种光信噪比测量方法及系统 |
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 |
CN111884716A (zh) * | 2020-06-30 | 2020-11-03 | 中国南方电网有限责任公司 | 一种基于神经网络的光纤通信系统性能评估方法 |
CN111884716B (zh) * | 2020-06-30 | 2021-10-15 | 中国南方电网有限责任公司 | 一种基于神经网络的光纤通信系统性能评估方法 |
CN113595626A (zh) * | 2021-06-21 | 2021-11-02 | 香港理工大学深圳研究院 | 一种基于神经网络的光信号参数实时监测方法、装置 |
CN113837120A (zh) * | 2021-09-28 | 2021-12-24 | 华中科技大学 | 基于神经网络的多芯光纤串扰监测方法与系统 |
CN114337813A (zh) * | 2022-01-07 | 2022-04-12 | 南京鼎芯光电科技有限公司 | 一种异步延迟采样和图像处理的光性能监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109905167A (zh) | 一种基于卷积神经网络的光通信系统性能分析方法 | |
CN108446631B (zh) | 基于卷积神经网络的深度学习的智能频谱图分析方法 | |
CN109361471B (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 | |
CN106850196B (zh) | 改进的可抵御实际攻击的连续变量量子密钥分发方法 | |
CN109217923A (zh) | 一种联合光性能监测和速率、调制格式识别方法及系统 | |
CN105099553B (zh) | 一种基于神经元网络的可见光通信接收方法及其系统 | |
EP3041182B1 (en) | Method for sending/receiving signal, corresponding device and system | |
CN106301289A (zh) | 利用自适应滤波算法消除泥浆脉冲信号中的泵冲噪声的方法 | |
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 | |
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 | |
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 | |
CN113472435B (zh) | 一种光信号调制参数和损伤因素同时提取的方法 | |
Smith et al. | A communication channel density estimating generative adversarial network | |
CN103812562B (zh) | 一种延长无源光纤网络传输距离的方法和装置 | |
CN109462435B (zh) | 一种光纤通信系统的系统中非线性效应分析模型及方法 | |
CN105187112B (zh) | 基于可见光通信的信号接收方法、装置及可见光通信系统 | |
US7254343B2 (en) | Method and apparatus for data recovery in an optical transmission system | |
Sun et al. | Generalized soft failure identification enabled by digital residual spectrum and autoencoder | |
Irukulapati et al. | On maximum likelihood sequence detectors for single-channel coherent optical communications | |
CN105187111B (zh) | 基于可见光通信的信号获取方法、装置及可见光通信系统 | |
CN110768719B (zh) | 一种双路水下可见光通信系统及通信方法 | |
US7805083B2 (en) | Method and apparatus for data recovery in an optical transmission system | |
CN108600137A (zh) | 一种基于反向传播神经网络的新型多载波识别方法 | |
US9929802B2 (en) | Decision threshold adjustment | |
CN112543070B (zh) | 信道特性的在线提取 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190618 |