CN110866594A - 光传送网otn的色散计算方法 - Google Patents

光传送网otn的色散计算方法 Download PDF

Info

Publication number
CN110866594A
CN110866594A CN201810983672.7A CN201810983672A CN110866594A CN 110866594 A CN110866594 A CN 110866594A CN 201810983672 A CN201810983672 A CN 201810983672A CN 110866594 A CN110866594 A CN 110866594A
Authority
CN
China
Prior art keywords
output
layer
dispersion
otn
input
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
CN201810983672.7A
Other languages
English (en)
Other versions
CN110866594B (zh
Inventor
孟兆娜
张倩宜
李妍
郑庆竹
王梓蒴
常晓润
胡博
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.)
State Grid Corp of China SGCC
State Grid Tianjin Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Tianjin Electric Power 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 State Grid Corp of China SGCC, State Grid Tianjin Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201810983672.7A priority Critical patent/CN110866594B/zh
Publication of CN110866594A publication Critical patent/CN110866594A/zh
Application granted granted Critical
Publication of CN110866594B publication Critical patent/CN110866594B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

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

Abstract

本发明公开了一种光传送网OTN的色散计算方法，包括以下步骤，1)获取参数数据，所述的参数数据包括波道总数、使用波道数量、光缆线路长度、光缆衰耗系数；2)将所述的参数数据作为输入量输入预先训练好的BP神经网络模型并得到光输送网络的色散求解。本发明的光传送网OTN的色散计算方法可以针对不同条件下OTN色散补偿值进行计算，不仅能对当前运行情况下的色散进行优化，也能对未来新增业务需求的色散进行预测，从而实现OTN光路运行状态优化调整。在建立的色散计算模型基础上，将影响因素或解释变量的取值代入，由此实现光传送网络OTN在各种情况下的色散求解。

Description

光传送网OTN的色散计算方法
技术领域
本发明属于光传送网技术领域，具体涉及一种光传送网OTN的色散计算方法。
背景技术
作为宽带多业务光网络的高端传输体系，OTN正逐步承担起光通信骨干传输网络系统的重任。相对于当前DWDM系统和SDH系统，OTN具有业务承载能力强，传输带宽大、通道速率高、调度颗粒大、网络管理与维护开销多、系统监控能力强、复分接关系简单等特点。由于采用异步传输体系，所以OTN相对于SDH具有网络体系简单的特点，同时由于在帧开销中加入了前向纠错技术(FEC)，所以具有很强的无再生传输能力，特别适用于采用DWDM技术以光放大技术进行超长距的信号传输。在业务承载能力方面，OTN定义了多种业务承载类型，可以直接承载2.5Gbps以上速率的SDH业务和万兆以太网业务，并具有承载其它多种业务的技术手段。
色散是OTN光传送网络的一个重要技术参数，光纤衰减、色度色散、偏振膜色散等损伤的累计会导致传输的光信号性能劣化，使传输距离、业务路由受限。配合合理的色散补偿，将有效提高OTN网络的传输距离。OTN光传送网络色散计算是根据已有波长色散情况，对新增波道后色散进行计算。
目前，色散补偿的选择尚无有效的计算方法，主要采用经验数值并且实际调节过程较为繁琐，因此存在较大的局限性。在OTN网络实际运行过程中，增加业务波长的情况较多，且在不同波段波长复合的过程中，其色散补偿数值不同。
发明内容
本发明的目的在于克服现有技术的不足，提供一种光传送网OTN的色散计算方法。
本发明是通过以下技术方案实现的：
在上述技术方案中，
一种光传送网OTN的色散计算方法，包括以下步骤，
1)获取参数数据，所述的参数数据包括波道总数、使用波道数量、光缆线路长度、光缆衰耗系数；
2)将所述的参数数据作为输入量输入预先训练好的BP神经网络模型并得到光输送网络的色散求解。
所述的BP神经网络模型的训练方法包括以下步骤，
模型建立步骤：使用BP网络的S型函数，其中，以影响因素为输入，输出为
Figure BDA0001779202650000021
定义输入向量：
Figure BDA0001779202650000022
隐含层输入向量：
Figure BDA0001779202650000023
隐含层输出向量：
Figure BDA0001779202650000024
输出层输入向量：
Figure BDA0001779202650000025
输出层输出向量：
Figure BDA0001779202650000026
期望输出向量：
Figure BDA0001779202650000027
输入层与隐含层的连接权值wih
隐含层与输出层的连接权值who
隐含层各神经元的阈值bh
输出层各神经元的阈值bo
激活函数：
Figure BDA0001779202650000028
输出层的输出计算误差函数：
Figure BDA0001779202650000029
模型训练步骤：
第一步，网络初始化，以影响0TN传输光路色散的各项因素作为输入值，给各连接权值分别赋一个区间(-1，1)内的随机数，设定误差函数e，给定计算精度值和最大学习次数M；
第二步，随机选取第k个输入样本及对应的输出期望，
Figure BDA00017792026500000210
Figure BDA00017792026500000211
第三步，计算隐含层和输出层各神经元的输入和输出，
Figure BDA00017792026500000212
Figure BDA00017792026500000213
Figure BDA0001779202650000031
Figure BDA0001779202650000032
第四步，利用网络期望色散补偿数值和实际输出色散值，计算误差函数对输出层的各神经元的偏导数δ0(k)，
Figure BDA0001779202650000033
Figure BDA0001779202650000034
Figure BDA0001779202650000035
第五步，利用隐含层到输出层的连接权值who、输出层的各神经元的偏导数的δ0(k)和隐含层的输出计算误差函数e对隐含层各神经元的偏导数δh(k)，
Figure BDA0001779202650000036
Figure BDA0001779202650000037
Figure BDA0001779202650000038
Figure BDA0001779202650000039
第六步，利用误差函数对输出层的各神经元的偏导数δo(k)和隐含层各神经元的输出
Figure BDA00017792026500000310
来修正连接权值who(k)；
Figure BDA00017792026500000311
Figure BDA00017792026500000312
第七步，利用输出计算误差函数e对隐含层各神经元的偏导数的δh(k)和输入层各神经元的输入
Figure BDA00017792026500000313
来修正输入层与隐含层的连接权值wih，
Figure BDA00017792026500000314
Figure BDA00017792026500000315
第八步，计算期望输出色散值与计算色散值之间的误差，
Figure BDA0001779202650000041
第九步，判断网络误差是否满足要求，当误差达到预设精度或学习次数大于设定的最大次数，则结束算法；否则，选取下一个学习样本及对应的期望输出，返回到第三步，进入下一轮学习直至学习完毕。
本发明的优点和有益效果为：
本发明的光传送网OTN的色散计算方法可以针对不同条件下OTN色散补偿值进行计算，不仅能对当前运行情况下的色散进行优化，也能对未来新增业务需求的色散进行预测，从而实现OTN光路运行状态优化调整。在建立的色散计算模型基础上，将影响因素或解释变量的取值代入，由此实现光传送网络OTN在各种情况下的色散求解。色散计算模型基于BP神经网络结构梯度下降法，建立OTN光传送网络的色散计算模型，将OTN光传送网络的色散计算模型S型函数进行修正，然后使用标准的梯度优化算法实现上述模型的求解。
附图说明
图1为本发明的光传送网络OTN色散计算神经网络模型结构。
图2位本发明的光传送网络OTN色散计算方法流程图。
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，可以根据以上附图获得其他的相关附图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面结合具体实施例进一步说明本发明的技术方案。
本发明的光传送网OTN的色散计算方法，包括以下步骤，
1)获取参数数据，所述的参数数据包括波道总数、使用波道数量、光缆线路长度、光缆衰耗系数；
2)将所述的参数数据作为输入量输入预先训练好的BP神经网络模型并得到光输送网络的色散求解。
其中，所述的BP神经网络模型基于BP神经网络结构梯度下降法建立，以S型函数进行修正，然后使用标准的梯度优化算法实现所述的BP神经网络模型的求解。
所述的BP神经网络模型的训练方法包括以下步骤，
选取波道总数、使用波道数量、光缆线路长度、光缆衰耗系数，输入量
Figure BDA0001779202650000051
的模型建立步骤：使用BP网络的S型函数，其中，以影响因素为输入，输出为
Figure BDA0001779202650000052
定义输入向量：
Figure BDA0001779202650000053
隐含层输入向量：
Figure BDA0001779202650000054
隐含层输出向量：
Figure BDA0001779202650000055
输出层输入向量：
Figure BDA0001779202650000056
输出层输出向量：
Figure BDA0001779202650000057
期望输出向量：
Figure BDA0001779202650000058
输入层与隐含层的连接权值wih
隐含层与输出层的连接权值who
隐含层各神经元的阈值bh
输出层各神经元的阈值bo
这两个阈值的作用是确保数值在允许的误差范围内，
激活函数：
Figure BDA0001779202650000059
输出层的输出计算误差函数：
Figure BDA00017792026500000510
模型训练步骤：
第一步，网络初始化，以影响OTN传输光路色散的各项因素作为输入值，给各连接权值分别赋一个区间(-1，1)内的随机数，设定误差函数e，给定计算精度值和最大学习次数M；
第二步，随机选取第k个输入样本及对应的输出期望，
Figure BDA00017792026500000511
Figure BDA00017792026500000512
第三步，计算隐含层和输出层各神经元的输入和输出，
Figure BDA00017792026500000513
Figure BDA0001779202650000061
Figure BDA0001779202650000062
Figure BDA0001779202650000063
第四步，利用网络期望色散补偿数值和实际输出色散值，计算误差函数对输出层的各神经元的偏导数δ0(k)，
Figure BDA0001779202650000064
Figure BDA0001779202650000065
Figure BDA0001779202650000066
第五步，利用隐含层到输出层的连接权值who、计算误差函数对输出层的各神经元的偏导数的δ0(k)和隐含层的输出计算误差函数e对隐含层各神经元的偏导数δh(k)，这步骤中δ0(k)是误差函数对输出层的各神经元的偏导数，
Figure BDA0001779202650000067
Figure BDA0001779202650000068
Figure BDA0001779202650000069
Figure BDA00017792026500000610
第六步，利用误差函数对输出层的各神经元的偏导数δo(k)和隐含层各神经元的输出
Figure BDA00017792026500000611
来修正连接权值who(k)；
Figure BDA00017792026500000612
Figure BDA00017792026500000613
第七步，利用输出计算误差函数e对隐含层各神经元的偏导数的δh(k)和输入层各神经元的输入
Figure BDA00017792026500000614
来修正输入层与隐含层的连接权值wih，
Figure BDA0001779202650000071
Figure BDA0001779202650000072
第八步，计算期望输出色散值与计算色散值之间的误差
Figure BDA0001779202650000073
第九步，判断网络误差是否满足要求，当误差达到预设精度或学习次数大于设定的最大次数，则结束算法；否则，选取下一个学习样本及对应的期望输出，返回到第三步，进入下一轮学习直至学习完毕。
本发明的光传送网OTN的色散计算方法可以针对不同条件下OTN色散补偿值进行计算，不仅能对当前运行情况下的色散进行优化，也能对未来新增业务需求的色散进行预测，从而实现OTN光路运行状态优化调整。在建立的色散计算模型基础上，将影响因素或解释变量的取值代入，由此实现光传送网络OTN在各种情况下的色散求解。色散计算模型基于BP神经网络结构梯度下降法，建立OTN光传送网络的色散计算模型，将OTN光传送网络的色散计算模型S型函数进行修正，然后使用标准的梯度优化算法实现上述模型的求解。
为了易于说明，实施例中使用了诸如“上”、“下”、“左”、“右”等空间相对术语，用于说明图中示出的一个元件或特征相对于另一个元件或特征的关系。应该理解的是，除了图中示出的方位之外，空间术语意在于包括装置在使用或操作中的不同方位。例如，如果图中的装置被倒置，被叙述为位于其他元件或特征“下”的元件将定位在其他元件或特征“上”。因此，示例性术语“下”可以包含上和下方位两者。装置可以以其他方式定位(旋转90度或位于其他方位)，这里所用的空间相对说明可相应地解释。
而且，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个与另一个具有相同名称的部件区分开来，而不一定要求或者暗示这些部件之间存在任何这种实际的关系或者顺序。
以上对本发明做了示例性的描述，应该说明的是，在不脱离本发明的核心的情况下，任何简单的变形、修改或者其他本领域技术人员能够不花费创造性劳动的等同替换均落入本发明的保护范围。

Claims (2)

1.一种光传送网OTN的色散计算方法，其特征在于：包括以下步骤，
1)获取参数数据，所述的参数数据包括波道总数、使用波道数量、光缆线路长度、光缆衰耗系数；
2)将所述的参数数据作为输入量输入预先训练好的BP神经网络模型并得到光输送网络的色散求解。
2.根据权利要求1所述的一种光传送网OTN的色散计算方法，其特征在于：所述的BP神经网络模型的训练方法包括以下步骤，
模型建立步骤：使用BP网络的S型函数，其中，以影响因素为输入，输出为
Figure FDA0001779202640000011
定义输入向量：
Figure FDA0001779202640000012
隐含层输入向量：
Figure FDA0001779202640000013
隐含层输出向量：
Figure FDA0001779202640000014
输出层输入向量：
Figure FDA0001779202640000015
输出层输出向量：
Figure FDA0001779202640000016
期望输出向量：
Figure FDA0001779202640000017
输入层与隐含层的连接权值wih
隐含层与输出层的连接权值who
隐含层各神经元的阈值bh
输出层各神经元的阈值bo
激活函数：
Figure FDA0001779202640000018
输出层的输出计算误差函数：
Figure FDA0001779202640000019
模型训练步骤：
第一步，网络初始化，以影响OTN传输光路色散的各项因素作为输入值，给各连接权值分别赋一个区间(-1，1)内的随机数，设定误差函数e，给定计算精度值和最大学习次数M；
第二步，随机选取第k个输入样本及对应的输出期望，
Figure FDA00017792026400000110
Figure FDA0001779202640000021
第三步，计算隐含层和输出层各神经元的输入和输出，
Figure FDA0001779202640000022
Figure FDA0001779202640000023
Figure FDA0001779202640000024
Figure FDA0001779202640000025
第四步，利用网络期望色散补偿数值和实际输出色散值，计算误差函数对输出层的各神经元的偏导数δ0(k)，
Figure FDA0001779202640000026
Figure FDA0001779202640000027
Figure FDA0001779202640000028
第五步，利用隐含层到输出层的连接权值who、输出层的各神经元的偏导数的δ0(k)和隐含层的输出计算误差函数e对隐含层各神经元的偏导数δh(k)，
Figure FDA0001779202640000029
Figure FDA00017792026400000210
Figure FDA00017792026400000211
Figure FDA00017792026400000212
第六步，利用误差函数对输出层的各神经元的偏导数δo(k)和隐含层各神经元的输出
Figure FDA00017792026400000213
来修正连接权值who(k)；
Figure FDA00017792026400000214
Figure FDA00017792026400000215
第七步，利用输出计算误差函数e对隐含层各神经元的偏导数的δh(k)和输入层各神经元的输入
Figure FDA0001779202640000031
来修正输入层与隐含层的连接权值wih，
Figure FDA0001779202640000032
Figure FDA0001779202640000033
第八步，计算期望输出色散值与计算色散值之间的误差，
Figure FDA0001779202640000034
第九步，判断网络误差是否满足要求，当误差达到预设精度或学习次数大于设定的最大次数，则结束算法；否则，选取下一个学习样本及对应的期望输出，返回到第三步，进入下一轮学习直至学习完毕。
CN201810983672.7A 2018-08-27 2018-08-27 光传送网otn的色散计算方法 Active CN110866594B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810983672.7A CN110866594B (zh) 2018-08-27 2018-08-27 光传送网otn的色散计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810983672.7A CN110866594B (zh) 2018-08-27 2018-08-27 光传送网otn的色散计算方法

Publications (2)

Publication Number Publication Date
CN110866594A true CN110866594A (zh) 2020-03-06
CN110866594B CN110866594B (zh) 2024-02-13

Family

ID=69651155

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810983672.7A Active CN110866594B (zh) 2018-08-27 2018-08-27 光传送网otn的色散计算方法

Country Status (1)

Country Link
CN (1) CN110866594B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112365074A (zh) * 2020-11-18 2021-02-12 贵州电网有限责任公司 一种基于电网调控数据的人工智能决策方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030099014A1 (en) * 2001-04-26 2003-05-29 Egner Will A. System and method for optimized design of an optical network
CN102088319A (zh) * 2009-12-02 2011-06-08 华为技术有限公司 一种信号损伤补偿方法、装置和光接收机
CN105187223A (zh) * 2014-06-16 2015-12-23 国家电网公司 一种基于otn网络的规划及设计系统
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030099014A1 (en) * 2001-04-26 2003-05-29 Egner Will A. System and method for optimized design of an optical network
CN102088319A (zh) * 2009-12-02 2011-06-08 华为技术有限公司 一种信号损伤补偿方法、装置和光接收机
CN105187223A (zh) * 2014-06-16 2015-12-23 国家电网公司 一种基于otn网络的规划及设计系统
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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
可荣博等: "基于遗传BP神经网络的装甲装备器材需求预测" *
张肃，王目光: "基于广义回归神经网络的色散和OSNR监测" *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112365074A (zh) * 2020-11-18 2021-02-12 贵州电网有限责任公司 一种基于电网调控数据的人工智能决策方法
CN112365074B (zh) * 2020-11-18 2023-08-18 贵州电网有限责任公司 一种基于电网调控数据的人工智能决策方法

Also Published As

Publication number Publication date
CN110866594B (zh) 2024-02-13

Similar Documents

Publication Publication Date Title
CN1878422B (zh) 光接入网系统
CN101425851B (zh) 光通讯用电子色散补偿均衡器及其抽头调整方法
CN110598859B (zh) 基于门控循环神经网络的非线性均衡方法
KR100751501B1 (ko) 다수의 선택가능한 등화기를 사용하여 광 데이터스트림에서의 간섭을 감소시키는 시스템 및 방법
CN109039472A (zh) 一种基于深度学习的数据中心光通信色散估计与管理方法
US20080279563A1 (en) Apparatus and Method for Self-Adaptive Dispersion Compensating
CN101160757A (zh) 用于多个光通信信道的公共电子色散补偿装置
CN102142903B (zh) 一种光功率调测方法、装置及系统
CN110866594A (zh) 光传送网otn的色散计算方法
Meng et al. Robust self-learning physical layer abstraction utilizing optical performance monitoring and Markov Chain Monte Carlo
CN109450553A (zh) 一种光通信系统噪声的补偿方法及系统
CN114301529B (zh) 基于多符号处理的Volterra均衡方法及系统
CN102238060B (zh) 一种路由选择方法和装置
Zhang et al. 56-Gbit/s PAM-4 optical signal transmission over 100-km SMF enabled by TCNN regression model
CN109547102B (zh) 一种光性能监测方法、装置、电子设备及可读存储介质
WO2017215457A1 (zh) 一种损伤补偿方法及装置
Guesmi et al. Modulation formats recognition technique using artificial neural networks for radio over fiber systems
CN111313971A (zh) 一种用于IMDD短距离光通信系统改进的Lightgbm均衡系统及方法
DE60200017T2 (de) Vorrichtung und Verfahren zur adaptiven Steuerung
US9467758B2 (en) Testing system and method
US7593640B2 (en) Method of dynamically controlling an optical module
Shahkarami et al. Efficient deep learning of nonlinear fiber-optic communications using a convolutional recurrent neural network
CN102684793B (zh) 一种色散补偿方法及装置
Ge et al. Compressed nonlinear equalizers for optical interconnects: Efficiency and stability
Pesic et al. Cost savings for low design margins in WDM elastic networks

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