CN110212976B - 一种基于人工神经网络的光信噪比监测方法 - Google Patents
一种基于人工神经网络的光信噪比监测方法 Download PDFInfo
- Publication number
- CN110212976B CN110212976B CN201910493252.5A CN201910493252A CN110212976B CN 110212976 B CN110212976 B CN 110212976B CN 201910493252 A CN201910493252 A CN 201910493252A CN 110212976 B CN110212976 B CN 110212976B
- Authority
- CN
- China
- Prior art keywords
- optical signal
- value
- neural network
- signal
- noise ratio
- 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
Links
Images
Classifications
-
- 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
-
- 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
-
- 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
Abstract
本发明提出一种基于人工神经网络的光信噪比监测方法,所述方法包括步骤:观察采样信号光谱图的特征值;记录所述采样信号特征值的最大值和最小值;计算所述特征值的最大值和最小值之间的差值;调节衰减器改变光信噪比,将所述最大值,最小值和二者之间的差值传输给人工神经网络,经人工神经网络的处理,输出光信噪比。本发明将观测仪中观测到的信号图的最大值,最小值以及两者之间的差值作为神经网络的输入,光信噪比作为神经网络的输出,通过神经网络的不断训练,能够有效地实现光信噪比监测。
Description
技术领域
本发明涉及光通信系统领域中的光信噪比监测,具体涉及一种基于人工神经网络的光信噪比监测方法。
背景技术
随着通信网络的快速发展,弹性无源光网络被认为是最有前途的互联网接入用户之一。灵活性、可扩展性和可靠性是未来认知光网络的重要要素,与此同时光网络正朝着动态化、透明化方向发展。传统的网络通信系统都是基于光-电-光转换的,不仅成本高,而且传输速率较低,致使光纤所承载的容量不能得到高效的利用。而全光网络下的信号传输只是在进出网络时才进行光/电和电/光的变换,在网络的传输和交换的过程中始终以光的形式存在,大大提高了网络资源的利用率。然而,光纤通信在不断发展的同时使得各项技术的难度不断增加,相应地对于网络各个部分的管理和维护也更加的困难。因此,以往基于电域的性能测试技术已不再适用于全光网络,能够实时有效的监测光网络性能的技术才是促进通信更好、更快地发展的重要措施。
光性能监测模块为信号无误码传输提供了保障,光性能监测的参数包括色散,偏振模色散,眼图,误码率,光信噪比等。其中,光信噪比与误码率相关联,而且系统的光信噪比可以用来管理、配置、优化动态光网络,所以光信噪比是衡量光网络通信质量最有用的参数之一。
光信噪比的方法从广义上可分为带外测试方法和带内监测方法。基于带外的传统插值法通常假设在相邻波峰之间和下方噪声水平大致平坦,采用光谱分析仪,并对光谱分析仪设置波长分辨率和光抑制比,通过获取到的光谱数据得到相邻波峰之间的噪声水平,然后利用线性插值法计算出波峰下方噪声功率,最后得到的光信噪比就是峰值功率和波峰下方噪声之间的差值。
传统的光信噪比监测方法存在一些缺陷,如带外插值法的主要问题在于随着网络节点的增加和网络拓扑结构越来越复杂,光纤通信系统中噪声的来源更加复杂化使得更加难以准确测量光信噪比。对于频谱较宽的光信号,相邻信道之间不会发生重叠串扰;但对于信道间隔更小的光纤通信系统来说,相邻信道之间信号光谱发生重叠串扰,不能适用于超高传输速率的光纤通信系统,无法动态实时监测光纤通信系统。延迟干涉法通过在光域中测量功率计算出光信噪比,与调制格式无关,光信噪比监测范围较大,但同样需要引入延迟线等特定装置,且会随实验环境出现不稳定情况,不易观察与操作。
发明内容
基于上述问题,本发明的目的旨在至少解决所述技术缺陷之一。提出一种新的提取光网络信号特征值的方法并与人工神经网络相结合,来实现有效监测光信噪比的功能。为实现上述目的,本发明采用如下技术方案:
一种基于人工神经网络的光信噪比监测方法,其特征在于,所述方法包括步骤:
观察采样信号光谱图的特征值;
记录所述采样信号特征值的最大值和最小值;
计算所述特征值的最大值和最小值之间的差值;
调节衰减器改变光信噪比,将所述最大值,最小值和二者之间的差值传输给人工神经网络,经人工神经网络的处理,输出光信噪比。
优选的,所述方法还包括步骤:
通过激光器产生的光信号经调制器调制后传输给第一放大器,经第一放大器处理后的光信号传输给衰减器;
通过调节衰减器来改变光信噪比并将处理后的光信号传输给第二放大器,经第二放大器处理后的光信号传输给分析仪器;
通过所述分析仪器观察采样信号光谱图的功率值。
优选的,所述光信噪比的监测范围为18-36dB。
优选的,所述调制器为马赫曾德尔调制器。
优选的,所述通过调节衰减器来改变光信噪比并将处理后的光信号传输给第二放大器,经第二放大器处理后的光信号传输给分析仪器的步骤包括:
将第二放大器输出的光信号通过光带通滤波器滤除带外噪声,滤波后的光信号传输给3dB耦合器,所述3dB耦合器将光信号分为两路,其中一路光信号经过延时器延时后传输给光谱分析仪,通过所述光谱分析仪观察延时后的采样信号光谱图的功率值。
优选的,所述3dB耦合器将光信号分为两路,两路信号通过3dB耦合器进行干涉,产生一路相消干涉,一路相长干涉,分别连接两个功率计对其功率值进行监测。
优选的,所述通过调节衰减器来改变光信噪比并将处理后的光信号传输给第二放大器,经第二放大器处理后的光信号传输给分析仪器的步骤包括:
将第二放大器输出的光信号通过光带通滤波器滤除带外噪声,将滤波后的光信号通过光电转换器转换为电信号;
将所述电信号传输给延时器进行延时后传输给分析仪器;
通过所述分析仪器观察延时后的电信号的幅度值。
优选的,所述特征值为所述电信号的幅度值。
相对于现有技术中的方案,本发明的优点:
本发明实施例提出的基于人工神经网络的光信噪比监测方法,在传统光信噪比监测技术的基础上,与人工神经网络相结合,提出了一种新的特征值提取方法,将观测仪中观测到的信号图的最大值,最小值以及两者之间的差值作为神经网络的输入,光信噪比作为神经网络的输出,通过神经网络的不断训练,能够有效地实现光信噪比监测。
附图说明
下面结合附图及实施例对本发明作进一步描述:
图1所示为本发明一种基于人工神经网络的光信噪比监测方法的流程示意图。
图2所示为基于线性插值技术与神经网络相结合的光信噪比监测方法的流程示意图。
图3所示为基于线性插值技术与神经网络相结合的光信噪比监测系统的示意图。
图4所示为基于延迟干涉法与神经网络相结合的光信噪比监测方法的流程示意图。
图5所示为基于延迟干涉法与神经网络相结合的光信噪比监测系统的示意图。
图6所示为基于延时采样技术与神经网络相结合的光信噪比监测方法的流程示意图。
图7所示为基于延时采样技术与神经网络相结合的光信噪比监测系统的示意图。
具体实施方式
以下结合具体实施例对上述方案做进一步说明。应理解,这些实施例是用于说明本发明而不限于限制本发明的范围。实施例中采用的实施条件可以如具体厂家的条件做进一步调整,未注明的实施条件通常为常规实验中的条件。
请参考图1所示为本发明一种基于人工神经网络的光信噪比监测方法的流程示意图,所述方法包括:
步骤S1:观察采样信号光谱图的特征值;所述特征值包括光信号光谱图的功率值或者电信号的幅度图的幅度值。
步骤S2:记录所述采样信号特征值的最大值和最小值;
步骤S3:计算所述特征值的最大值和最小值之间的差值;
步骤S4:调节衰减器改变光信噪比,将所述最大值,最小值和二者之间的差值传输给人工神经网络,经人工神经网络的处理,输出光信噪比。
本发明在传统光信噪比监测技术的基础上,与人工神经网络相结合,提出了一种新的特征值提取方法,将观测仪中观测到的信号图的最大值,最小值以及两者之间的差值作为神经网络的输入,光信噪比作为神经网络的输出,通过神经网络的不断训练,能够有效地实现光信噪比监测。
请参考图2为基于线性插值技术与神经网络相结合的光信噪比监测系统的示意图,所述方法包括:
步骤S10:通过激光器产生的光信号经调制器调制后传输给第一放大器,经第一放大器处理后的光信号传输给衰减器。本发明中,通过激光器产生的光信号经过马赫曾德尔调制器调制后输出给第一放大器,经第一放大器处理后的光信号经过光纤传输后传输给衰减器。
步骤S20:通过调节衰减器来改变光信噪比并将处理后的光信号传输给第二放大器,经第二放大器处理后的光信号传输给分析仪器。不断调节衰减器来改变光信噪比,将处理后的光信号传输给第二放大器,其中分析仪器为光谱分析仪。
步骤S30:观察采样信号光谱图的功率值。将第二放大器处理后的光信号通过光谱分析仪观察采样信号光谱图的功率值。
步骤S40:记录采样信号光谱图功率值的最大值和最小值;
步骤S50:计算功率值的最大值和最小值之间的差值;
步骤S60:调节衰减器改变光信噪比,将最大值,最小值和二者之间的差值传输给人工神经网络,经人工神经网络的处理,输出光信噪比。
如图3所示,本实施例通过光谱分析仪观察采样信号光谱图的功率值,发现不同光信噪比对应的光信号功率的最大值和最小值不同,记录采样数据功率值的最大值,最小值和两者之间的差值,此三个值作为特征值。通过不断调节衰减器来改变光信噪比,将特征值输入到人工神经网络,输出为相应的光信噪比。为了使得神经网络输出误差较小,需要训练大量的特征值,在训练过程中不断调整参数,最后通过测试数据检验优化结果。当训练完成后,只需输入采样数据功率值的特征值,人工神经网络将输出光信噪比,实现监测功能。传统线性插值技术实验中的光信噪比监测范围为25-35dB,均方根误差为0.59dB,本方法实验中的光信噪比监测范围为18-35dB,均方根误差为0.43dB,与传统线性插值技术监测结果相比,本方法的监测误差较低,不需要公式计算,监测结果相对稳定。
请参考图4所示为基于延迟干涉法与神经网络相结合的光信噪比监测方法的流程示意图,所述方法包括:
步骤S10:通过激光器产生的光信号经调制器调制后传输给第一放大器,经第一放大器处理后的光信号传输给衰减器。本发明中,通过激光器产生的光信号经过马赫曾德尔调制器调制后输出给第一放大器,经第一放大器处理后的光信号经过光纤传输后传输给衰减器。
步骤S21:通过调节衰减器来改变光信噪比并将处理后的光信号传输给第二放大器,经第二放大器处理后的光信号传输给光带通滤波器滤除带外噪声。光带通滤波器用于滤除带外噪声。
步骤22:将滤波后的光信号传输给延时器进行延时后传输给分析仪器。请参考图所示,光带通滤波器滤波后的光信号经过一个3dB耦合器后将光信号分为两路,其中一路信号经过延时器发生延时,两路信号再通过一个3dB耦合器进行干涉,产生一路相消干涉,一路相长干涉,分别连接两个功率计对其功率值进行监测。其中分析仪器为光谱分析仪。
步骤S31:观察延时后的光信号光谱图的功率值。
步骤S41:记录延时后的光信号光谱图功率值的最大值和最小值;
步骤S50:计算功率值的最大值和最小值之间的差值;具体的,通过光谱分析仪观察一路延时后的电信号光谱图的功率值,发现不同光信噪比对应的信号功率的最大值和最小值不同,记录延时后光信号功率的最大值,最小值和两者之间的差值,这三个值作为信号的特征值。
步骤S60:调节衰减器改变光信噪比,将最大值,最小值和二者之间的差值传输给人工神经网络,经人工神经网络的处理,输出光信噪比。通过不断调节衰减器来改变光信噪比,将特征值输入到人工神经网络,输出为相应的光信噪比。
与传统的带内延迟干涉方法不同,本发明通过光谱仪观察一路延时后的电信号光谱图的功率值,发现不同光信噪比对应的信号功率的最大值和最小值不同,记录延时后电信号功率的最大值,最小值和两者之间的差值,这三个值作为信号的特征值。通过不断调节衰减器来改变光信噪比,将特征值输入到人工神经网络,输出为相应的光信噪比。通过大量数据的训练不断优化神经网络的参数,使得输出的光信噪比误差较低,实现监测功能。传统带内延迟干涉法实验中的光信噪比监测范围为24-34dB,本方法实验中的光信噪比监测范围为19-32dB。
请参考图6所示为基于延时采样技术与神经网络相结合的光信噪比监测方法的流程示意图,图7所示为系统的示意图,所述方法包括:
步骤S10:通过激光器产生的光信号经调制器调制后传输给第一放大器,经第一放大器处理后的光信号传输给衰减器。本发明中,通过激光器产生的光信号经过马赫曾德尔调制器调制后输出给第一放大器,经第一放大器处理后的光信号经过光纤传输后传输给衰减器。
步骤S21:通过调节衰减器来改变光信噪比并将处理后的光信号传输给第二放大器,经第二放大器处理后的光信号传输给光带通滤波器滤除带外噪声,光带通滤波器用于滤除带外噪声。
步骤S22:将滤波后的光信号传输给光电转换器转化为电信号,将并电信号传输给延时器进行延时后传输给分析仪器。本发明将光信号转化为电信号后并经低通滤波器进行滤波,将滤波后的电信号传输给延时器进行延时后传输给分析仪器。所述分析仪器为示波器。
步骤S31:观察延时后的电信号幅度值。
步骤S41:记录延时后的电信号幅度值的最大值和最小值。
步骤S50:计算幅度值的最大值和最小值之间的差值,这三个值作为信号的特征值。
步骤S60:调节衰减器改变光信噪比,将最大值,最小值和二者之间的差值传输给人工神经网络,经人工神经网络的处理,输出光信噪比。通过不断调节衰减器来改变光信噪比,将特征值输入到人工神经网络,输出为相应的光信噪比。
与现有的延时采样方法不同,本实施例提出了一种新的提取信号特征值的方法,通过观察延时后的电信号幅度图,发现不同光信噪比对应的电信号幅度值最大值和最小值不同,记录电信号幅度值的最大值,最小值和两者之间的差值,此三个值作为特征值,通过不断调节衰减器来改变光信噪比。然后与人工神经网络相结合,特征值作为神经网络的输入,光信噪比作为神经网络的输出,通过大量数据的训练使神经网络的参数不断优化,最后通过电信号的特征值实现光信噪比的监测。
本发明在传统光信噪比监测技术的基础上,与人工神经网络相结合,将观测仪中观测到的信号图的最大值,最小值以及两者之间的差值作为神经网络的输入,光信噪比作为神经网络的输出,通过神经网络的不断训练,能够有效地实现光信噪比监测。
上述实施例只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人是能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡如本发明精神实质所做的等效变换或修饰,都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种基于人工神经网络的光信噪比监测方法,其特征在于,所述方法包括步骤:
通过激光器产生的光信号经调制器调制后传输给第一放大器,经第一放大器处理后的光信号传输给衰减器;
通过调节衰减器来改变光信噪比并将处理后的光信号传输给第二放大器,经第二放大器处理后的光信号传输给分析仪器,
通过所述分析仪器观察采样信号光谱图的特征值;
记录所述采样信号特征值的最大值和最小值;
计算所述特征值的最大值和最小值之间的差值;
调节衰减器改变光信噪比,将所述最大值,最小值和二者之间的差值传输给人工神经网络,经人工神经网络的处理,输出光信噪比。
2.如权利要求1所述的基于人工神经网络的光信噪比监测方法,其特征在于,所述方法还包括步骤:
通过所述分析仪器观察采样信号光谱图的功率值。
3.如权利要求1所述的基于人工神经网络的光信噪比监测方法,其特征在于,所述光信噪比的监测范围为18-36dB。
4.如权利要求1所述的基于人工神经网络的光信噪比监测方法,其特征在于,所述调制器为马赫曾德尔调制器。
5.如权利要求1所述的基于人工神经网络的光信噪比监测方法,其特征在于,所述通过调节衰减器来改变光信噪比并将处理后的光信号传输给第二放大器,经第二放大器处理后的光信号传输给分析仪器的步骤包括:
将第二放大器输出的光信号通过光带通滤波器滤除带外噪声,滤波后的光信号传输给3dB耦合器,所述3dB耦合器将光信号分为两路,其中一路光信号经过延时器延时后传输给光谱分析仪,通过所述光谱分析仪观察延时后的采样信号光谱图的功率值。
6.如权利要求5所述的基于人工神经网络的光信噪比监测方法,其特征在于,所述3dB耦合器将光信号分为两路,两路信号通过3dB耦合器进行干涉,产生一路相消干涉,一路相长干涉,分别连接两个功率计对其功率值进行监测。
7.如权利要求1所述的基于人工神经网络的光信噪比监测方法,其特征在于,所述通过调节衰减器来改变光信噪比并将处理后的光信号传输给第二放大器,经第二放大器处理后的光信号传输给分析仪器的步骤包括:
将第二放大器输出的光信号通过光带通滤波器滤除带外噪声,将滤波后的光信号通过光电转换器转换为电信号;
将所述电信号传输给延时器进行延时后传输给分析仪器;
通过所述分析仪器观察延时后的电信号的幅度值。
8.如权利要求7所述的基于人工神经网络的光信噪比监测方法,其特征在于,所述特征值为所述电信号的幅度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910493252.5A CN110212976B (zh) | 2019-06-06 | 2019-06-06 | 一种基于人工神经网络的光信噪比监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910493252.5A CN110212976B (zh) | 2019-06-06 | 2019-06-06 | 一种基于人工神经网络的光信噪比监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110212976A CN110212976A (zh) | 2019-09-06 |
CN110212976B true CN110212976B (zh) | 2020-11-10 |
Family
ID=67791348
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910493252.5A Active CN110212976B (zh) | 2019-06-06 | 2019-06-06 | 一种基于人工神经网络的光信噪比监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110212976B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111103568A (zh) * | 2019-12-10 | 2020-05-05 | 北京声智科技有限公司 | 一种声源定位方法、装置、介质和设备 |
CN111348611B (zh) * | 2020-03-10 | 2023-05-09 | 西南大学 | 一种基于硅基微腔的类神经元光脉冲输出系统 |
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 |
CN115950531B (zh) * | 2023-03-15 | 2023-06-20 | 长春理工大学 | 一种探测器信噪比获取方法及检测装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104883220A (zh) * | 2014-02-27 | 2015-09-02 | 苏州工业园区新国大研究院 | 光信噪比监测方法及装置 |
CN106130628A (zh) * | 2016-07-12 | 2016-11-16 | 北京邮电大学 | 一种光信噪比的监测方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8214177B2 (en) * | 2005-10-20 | 2012-07-03 | Syracuse University | Optimized stochastic resonance signal detection method |
CN108009517A (zh) * | 2017-12-18 | 2018-05-08 | 河海大学 | 一种海洋高光谱遥感影像特征分析方法 |
-
2019
- 2019-06-06 CN CN201910493252.5A patent/CN110212976B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104883220A (zh) * | 2014-02-27 | 2015-09-02 | 苏州工业园区新国大研究院 | 光信噪比监测方法及装置 |
CN106130628A (zh) * | 2016-07-12 | 2016-11-16 | 北京邮电大学 | 一种光信噪比的监测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110212976A (zh) | 2019-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110212976B (zh) | 一种基于人工神经网络的光信噪比监测方法 | |
CN102983910B (zh) | 相干光通信系统中色散和非线性补偿方法及系统 | |
WO2019015426A1 (zh) | 一种多功能分布式光纤传感装置 | |
Guesmi et al. | Experimental demonstration of simultaneous modulation format/symbol rate identification and optical performance monitoring for coherent optical systems | |
Xie et al. | STFT based on bandwidth-scaled microwave photonics | |
Wang et al. | Machine learning-based multifunctional optical spectrum analysis technique | |
CN108631882A (zh) | 用于相干光学传输中相邻信道代价的监测和校正的方法 | |
CN105227233A (zh) | 基于并联不对称马赫增德干涉仪的带内光信噪比监测法 | |
WO2022068702A1 (zh) | 信号处理方法、装置及系统 | |
CN109474336B (zh) | 一种光信噪比监测装置及监测方法 | |
US9014556B2 (en) | Optical power monitoring method and apparatus | |
CN111510241B (zh) | 基于频域微扰光标签dwdm光信道识别监控方法及系统 | |
Kashi et al. | Artificial neural networks for fiber nonlinear noise estimation | |
CN110048770B (zh) | 一种基于roadm网络的带内光信噪比监测方法及模块 | |
Udalcovs et al. | Investigation of allowed channel spacing for differently modulated optical signals in combined HDWDM systems | |
Zhong et al. | A robust reference optical spectrum based in-Band OSNR monitoring method suitable for flexible optical networks | |
CN110855354B (zh) | 一种全光再生器整形指数的测量装置 | |
CN105871456B (zh) | 基于延迟采样的信号质量监测 | |
Kozicki et al. | Experimental investigation of delay-tap sampling technique for online monitoring of RZ-DQPSK signals | |
Palencia et al. | Linear effects present in a system of radio over optical fiber using wavelength division multiplexing | |
EP0884868B1 (en) | Measurement of the eye-opening of optical signals by optical sampling | |
JP4663587B2 (ja) | 劣化要因を測定する方法および装置 | |
CN115173940B (zh) | 多信道光传输系统链路联合损伤监测方法及系统 | |
CN113472448B (zh) | 一种基于相干光通信系统的色散监测方法 | |
CN116760467B (zh) | 光信号传送质量的测试方法、装置和存储介质及电子设备 |
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 |