CN110866594B - 光传送网otn的色散计算方法 - Google Patents

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

定义输入向量：

隐含层输入向量：

隐含层输出向量：

输出层输入向量：

输出层输出向量：

期望输出向量：

输入层与隐含层的连接权值w_ih

隐含层与输出层的连接权值w_ho

隐含层各神经元的阈值b_h

输出层各神经元的阈值b_o

激活函数：

输出层的输出计算误差函数：

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，

第三步，计算隐含层和输出层各神经元的输入和输出，

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)，

第五步，利用隐含层到输出层的连接权值w_ho、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δ_h(k)，

第六步，利用误差函数对输出层的各神经元的偏导数δ_o(k)和隐含层各神经元的输出来修正连接权值w_ho(k)；

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δ_h(k)和输入层各神经元的输入来修正输入层与隐含层的连接权值w_ih，

第八步，计算期望输出色散值与计算色散值之间的误差，

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/>

定义输入向量：

隐含层输入向量：

隐含层输出向量：

输出层输入向量：

输出层输出向量：

期望输出向量：

输入层与隐含层的连接权值w_ih

隐含层与输出层的连接权值w_ho

隐含层各神经元的阈值b_h

输出层各神经元的阈值b_o

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：

输出层的输出计算误差函数：

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，

第三步，计算隐含层和输出层各神经元的输入和输出，

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)，

第五步，利用隐含层到输出层的连接权值w_ho、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δ_h(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，

第六步，利用误差函数对输出层的各神经元的偏导数δ_o(k)和隐含层各神经元的输出来修正连接权值w_ho(k)；

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δ_h(k)和输入层各神经元的输入来修正输入层与隐含层的连接权值w_ih，

第八步，计算期望输出色散值与计算色散值之间的误差

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 (1)

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，其中，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

定义输入向量：

隐含层输入向量：

隐含层输出向量：

输出层输入向量：

输出层输出向量：

期望输出向量：

输入层与隐含层的连接权值w_i ^h

隐含层与输出层的连接权值w^h _o

隐含层各神经元的阈值b_h

输出层各神经元的阈值b_o

激活函数：

输出层的输出计算误差函数：

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，

第三步，计算隐含层和输出层各神经元的输入和输出，

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)，

第五步，利用隐含层到输出层的连接权值w_ho、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δ_h(k)，

第六步，利用误差函数对输出层的各神经元的偏导数δ_v(k)和隐含层各神经元的输出来修正连接权值w_ho(k)；

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δ_h(k)和输入层各神经元的输入来修正输入层与隐含层的连接权值w_ih，

第八步，计算期望输出色散值与计算色散值之间的误差，

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。