CN110866594B - 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 PDFInfo
- Publication number
- CN110866594B CN110866594B CN201810983672.7A CN201810983672A CN110866594B CN 110866594 B CN110866594 B CN 110866594B CN 201810983672 A CN201810983672 A CN 201810983672A CN 110866594 B CN110866594 B CN 110866594B
- Authority
- CN
- China
- Prior art keywords
- output
- dispersion
- layer
- input
- neuron
- 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
- 239000006185 dispersion Substances 0.000 title claims abstract description 63
- 230000003287 optical effect Effects 0.000 title claims abstract description 43
- 238000004364 calculation method Methods 0.000 title claims abstract description 24
- 230000005540 biological transmission Effects 0.000 claims abstract description 24
- 238000003062 neural network model Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 30
- 210000002569 neuron Anatomy 0.000 claims description 28
- 238000000034 method Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 6
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011478 gradient descent method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013329 compounding Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
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
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:
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),
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来修正连接权值who(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δh(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wih,
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:
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,
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来修正连接权值who(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δh(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wih,
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wi h
隐含层与输出层的连接权值wh o
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:
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),
第六步,利用误差函数对输出层的各神经元的偏导数δv(k)和隐含层各神经元的输出来修正连接权值who(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δh(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wih,
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。
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 CN110866594A (zh) | 2020-03-06 |
CN110866594B true 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) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Family Cites Families (1)
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 |
-
2018
- 2018-08-27 CN CN201810983672.7A patent/CN110866594B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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)
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.《火力与指挥控制》.2015,第40卷(第6期),第99-102页. * |
张肃,王目光.基于广义回归神经网络的色散和OSNR监测.《信号与信息处理》.2018,第33卷(第1期),第30-35页. * |
Also Published As
Publication number | Publication date |
---|---|
CN110866594A (zh) | 2020-03-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2804334A1 (en) | Method, device and communication system for reducing optical transmission impairments | |
CN111836134B (zh) | 网络拓扑信息的获取方法、装置、设备及存储介质 | |
US20080018990A1 (en) | Optical amplifier pre-emphasis and equalization method and optical communications system incorporating same | |
US10985838B1 (en) | Handling compensation for losses in optical fiber links | |
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 | |
US20040076430A1 (en) | Method and system for handling optical signals | |
CN110866594B (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 | |
CN114301529B (zh) | 基于多符号处理的Volterra均衡方法及系统 | |
CN109450553A (zh) | 一种光通信系统噪声的补偿方法及系统 | |
CN111313971B (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 | |
CN102238060B (zh) | 一种路由选择方法和装置 | |
CN106788740B (zh) | 光纤通信系统中的自适应非线性均衡器及方法 | |
Zhang et al. | 56-Gbit/s PAM-4 optical signal transmission over 100-km SMF enabled by TCNN regression model | |
CN107508692B (zh) | 一种通信系统设计方法、装置及通信系统 | |
CN105164942B (zh) | 用于分配入射功率给物理上耦合的光纤跨段的方法 | |
Kim et al. | Maximizing optical network capacity through SNR-availability based provisioning | |
US7593640B2 (en) | Method of dynamically controlling an optical module | |
JP6242907B2 (ja) | Wdm信号からデータを取得する装置および方法、wdm信号を送信するトランスミッタおよび方法、およびwdmシステム | |
Shahkarami et al. | Efficient deep learning of nonlinear fiber-optic communications using a convolutional recurrent neural network | |
CN104410452B (zh) | 一种长距离相干光通信系统传输性能优化方法 | |
CN114070407B (zh) | 一种可同时实现光纤链路损伤补偿与异常损耗监测的方法 | |
Pesic et al. | Cost savings for low design margins in WDM elastic networks | |
CN104346655B (zh) | 蜂巢结构动态算法在智能用电信息管理系统中的应用方法 | |
CN114204993A (zh) | 基于多项式映射的特征构建的非线性均衡方法及系统 |
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 |