CN111541483A - 基于高阶统计矩的相干光通信系统光信噪比监测方法 - Google Patents
基于高阶统计矩的相干光通信系统光信噪比监测方法 Download PDFInfo
- Publication number
- CN111541483A CN111541483A CN202010312399.2A CN202010312399A CN111541483A CN 111541483 A CN111541483 A CN 111541483A CN 202010312399 A CN202010312399 A CN 202010312399A CN 111541483 A CN111541483 A CN 111541483A
- Authority
- CN
- China
- Prior art keywords
- optical
- signal
- noise ratio
- optical signal
- communication system
- 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
Images
Classifications
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Optical Communication System (AREA)
Abstract
本发明公开了一种基于高阶统计矩的相干光通信系统光信噪比监测方法。本发明基于高阶统计矩的相干光通信系统光信噪比监测方法,包括:相干光通信系统中接收端的光信号先经过光电转换变为电信号,再经过模数转换变为数字信号,然后使用数字信号处理算法对信号进行色散补偿和时钟相位恢复,最后使用CMA均衡算法来补偿所有的线性传输损伤。本发明的有益效果:该方法基于高阶统计矩方法来提取信号的特征值,提取特征值的过程相对简单,将提取到的特征值输入到人工神经网络中实现精确监测光信噪比,不需要通过复杂的公式来计算光信噪比且不需要复杂的神经网络进行训练。
Description
技术领域
本发明涉及不同调制格式的相干光通信系统中的光信噪比监测方法,并且更具体地涉及如何基于高阶矩的方法提取采样信号的特征值输入到人工神经网络,通过不断优化神经网络训练模型来提高输出结果的准确性和稳定性,实现相干光通信系统的光信噪比监测。
背景技术
随着通信的业务量和复杂度的增加,对网络带宽需求越来越高。强度调制直接检测系统中只有信号幅度可以被用来调制信息,通信速率的提高依然存在瓶颈。在相干光通信中,光信号的幅度和相位都可以被调制,高阶的幅度或相位调制格式极大地提高系统的频谱效率,从而可以保证高速光纤通信系统的实现。
高速相干光通信系统中的光信号更容易受到多种传输损伤,随着数字信号处理技术的不断发展,相干通信系统中的线性损伤能够在接收端得到完全的补偿,数字信号处理的过程主要包括IQ非正交性补偿、重采样、色散及非线性补偿、数字时钟恢复、偏振解复用及自适应均衡、载波频偏估计与补偿、载波相位估计及补偿、判决及误码计算。因此,需要在光网络传输过程中采取适当的方法对光信号进行精确和实时地监测,并进行相应的补偿,从而改善高速相干光通信系统的性能。光信号的传输质量主要由光信噪比决定,光信噪比与误码率直接相关。因此,光信噪比成为了相干光通信系统中最重要的监测参数之一。
发明内容
本发明要解决的技术问题是提供一种基于高阶统计矩的相干光通信系统光信噪比监测方法,如何通过高阶统计矩来提取特征值并输入到神经网络中,提高输出结果的准确性和稳定性,实现有效监测不同调制格式的相干光通信系统的光信噪比。
为了解决上述技术问题,本发明提供了一种基于高阶统计矩的相干光通信系统光信噪比监测方法,包括:
相干光通信系统中接收端的光信号先经过光电转换变为电信号,再经过模数转换变为数字信号,然后使用数字信号处理算法对信号进行色散补偿和时钟相位恢复,最后使用CMA均衡算法来补偿所有的线性传输损伤;将CMA均衡后的信号进行采样,然后基于高阶统计矩的方法提取特征值输入到神经网络;
将高阶统计矩得到的特征值输入到神经网络实现光信噪比监测,通过不断迭代训练神经网络,使得神经网络能够准确地监测光信噪比。
本发明的有益效果:
该方法基于高阶统计矩方法来提取信号的特征值,提取特征值的过程相对简单,将提取到的特征值输入到人工神经网络中实现精确监测光信噪比,不需要通过复杂的公式来计算光信噪比且不需要复杂的神经网络进行训练。
该方法能适应PM-QPSK、PM-16QAM、PM-64QAM调制格式的相干光通信系统,当相干光通信系统的调制接收端在自适应均衡之后载波相位恢复之前的信号星座图为环状时,每个环都代表一个独立的相位调制,可以用高阶统计矩与神经网络相结合的方法来监测光信噪比。
在其中一个实施例中,采用的神经网络结构为输入层、1层隐含层和输出层,输入层神经元的个数与特征值的个数相同;输出层的神经元只有一个,即光信噪比。
在其中一个实施例中,隐含层的激活函数使用的是sigmoid函数。
在其中一个实施例中,输出层的激活函数使用的是Relu函数。
在其中一个实施例中,选取部分数据集作为训练集用来训练神经网络,剩下的数据集作为测试集用来测试模型训练结束后的效果,实现适用于不同调制格式的相干光通信系统光信噪比监测。
在其中一个实施例中,相干光通信系统中接收端的光信号产生方法如下:
将数据信号映射为QPSK、16QAM和64QAM的调制信号,然后进行数模转换,经过IQ调制后光信号经过光纤传输,通过使用偏振分束器、偏振光束组合器和光延迟线实现偏振复用;使用光纤循环回路,循环回路由标准单模光纤,光衰减器和掺铒光纤放大器构成;光衰减器用来调节光信噪比,光谱分析仪用来测量光信噪比,光带通滤波器用来滤除带外噪声,光信号最后被相干光接收机接收。
在其中一个实施例中,通过任意波形发生器进行数模转换。
基于同样的发明构思,本申请还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现任一项所述方法的步骤。
基于同样的发明构思,本申请还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现任一项所述方法的步骤。
基于同样的发明构思,本申请还提供一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行任一项所述的方法。
附图说明
图1是本发明基于高阶统计矩的相干光通信系统光信噪比监测方法中的不同调制格式的相干光通信系统光信噪比监测实验装置图。
图2是本发明基于高阶统计矩的相干光通信系统光信噪比监测方法中的相干光接收端信号的数字信号处理算法流程。
图3是本发明基于高阶统计矩的相干光通信系统光信噪比监测方法中的QPSK、16QAM、64QAM调制格式的信号星座图。
图4是本发明基于高阶统计矩的相干光通信系统光信噪比监测方法中的人工神经网络模型。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
高阶统计矩法通过计算相干接收系统接收信号的二阶矩和四阶矩,然后根据它们计算出信号功率和噪声功率。如PM-QPSK相干接收系统,在接收端先对待测信号进行相干接收,然后经过采样、CD补偿和偏振解复用、得到X和Y两个偏振态,在CMA自适应均衡器之后,载波频偏补偿和载波相位恢复之前,将信号导入光信噪比监测模块进行处理。
人工神经网络(Artificial Neural Network,即ANN),是模拟生物神经网络进行信息处理的一种数学模型。它以对大脑的生理研究成果为基础,其目的在于模拟大脑的某些机理与机制,实现一些特定的功能。
神经网络具有以下的特点:
1.神经网络具有高度的并行结构和并行实现能力,具有高速寻找优化解的能力,能够发挥计算机的高速运算能力,可能很快找到优化解。
2.具有自学习功能通过对过去的历史数据的学习,训练出一个具有归纳全部数据的特定的神经网络,自学习功能对于预测有特别重要的意义。
基于高阶统计矩法提取信号的特征值
在相干接收过程中,自适应均衡之后载波相位恢复之前的接收信号经过解调后,不同调制格式对应的信号星座图不同,具体表现为QPSK系统的星座图只有一个环,16QAM的星座图有3个环,64QAM的星座图有9个环,环的平均直径表示信号功率,环的粗细表示噪声功率。通过观察发现,光信噪比越大,环的平均直径越细,可以根据这一特性提取用于监测光信噪比的特征值。在QPSK系统中,传统的高阶统计矩法是计算接收信号模值的二阶矩和四阶矩,再通过二阶矩和四阶矩计算出信号功率和噪声功率,然后通过公式计算出电信噪比(SNR)。
将高阶矩与人工神经网络相结合实现光信噪比监测
在不同的调制格式中,本专利将星座图的每个环的电信噪比作为特征值输入到神经网络中,通过大量数据的不断迭代训练神经网络,使得神经网络能够准确地监测光信噪比。
如图1所示,本发明所述不同调制格式的偏振复用相干光通信系统光信噪比监测实验装置图。本发明实施例中采用的不同调制格式为QPSK、16QAM和64QAM。将数据信号映射为QPSK、16QAM和64QAM的调制信号,通过任意波形发生器进行数模转换,经过IQ调制后光信号经过光纤传输,通过使用偏振分束器、偏振光束组合器和光延迟线实现偏振复用。实验装置中使用光纤循环回路,循环回路由标准单模光纤,光衰减器和掺铒光纤放大器构成。光衰减器用来调节光信噪比,光谱分析仪用来测量光信噪比,光带通滤波器用来滤除带外噪声,光信号最后被相干光接收机接收。
如图2所示,相干光通信系统中接收端的光信号先经过光电转换变为电信号,再经过模数转换变为数字信号,然后使用数字信号处理算法对信号进行色散补偿和时钟相位恢复,最后使用CMA均衡算法来补偿所有的线性传输损伤。因此,经过上述算法处理后的信号主要受到ASE噪声的影响。将CMA均衡后的信号进行采样,然后基于高阶统计矩的方法提取特征值输入到神经网络。
如图3所示,不同调制格式经过CMA自适应均衡后的信号星座图的环状个数不一样,QPSK信号为1个环,16QAM信号为3个环,64QAM为9个环。高阶统计矩法中首先计算相干接收系统接收信号的二阶矩和四阶矩,然后根据它们计算出信号功率和噪声功率,再根据信号功率和噪声功率计算出电信噪比SNR。如PM-QPSK相干接收系统,在接收端先对待测信号进行相干接收,然后经过采样、CD补偿和偏振解复用,得到X,Y两个偏振态的电信号,在CMA自适应均衡器之后,载波频偏补偿和载波相位恢复之前,将信号导入OSNR监测模块进行处理。以x偏振态为例,经过CD和PMD补偿后的电信号可表示为:
式中,q为本振光源功率相关系数,Ps为信号功率,Nx为噪声分量,ψs(t)和ψnx(t)分别对应信号分量、噪声分量的相位。
由此可以得到接收信号模值的二阶矩和四阶矩,分别记为μ2,μ4。
记噪声功率为Pn,Pn是基于信道中ASE噪声的频谱平坦的假设,由式(2)可以得到信号功率Ps和噪声功率Pn的表达式为:
由此可以计算出信号的电信噪比(SNR)为:
QPSK系统只有一个环,则提取的特征值为二阶矩m2,四阶矩m4和电信噪比SNR;16QAM系统有三个环,则提取的特征值为三个环的电信噪比SNR1,SNR2和SNR3;64QAM系统有9个环,则提取的特征值为9个环的电信噪比SNR1,SNR2,SNR3,SNR4,SNR5,SNR6,SNR7,SNR8和SNR9。
如图4所示,将高阶统计矩得到的特征值输入到神经网络实现光信噪比监测,本发明中采用的神经网络结构为输入层,1层隐含层和输出层,输入层神经元的个数与特征值的个数相同,则QPSK、16QAM、64QAM对应的输入层个数分别为3,3,9。隐含层的激活函数使用的是sigmoid函数,输出层的激活函数使用的是Relu函数,输出层的神经元只有一个,即光信噪比。实验中选取部分数据集作为训练集用来训练神经网络,剩下的数据集作为测试集用来测试模型训练结束后的效果,实现适用于不同调制格式的相干光通信系统光信噪比监测。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例,本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换,均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (10)
1.一种基于高阶统计矩的相干光通信系统光信噪比监测方法,其特征在于,包括:
相干光通信系统中接收端的光信号先经过光电转换变为电信号,再经过模数转换变为数字信号,然后使用数字信号处理算法对信号进行色散补偿和时钟相位恢复,最后使用CMA均衡算法来补偿所有的线性传输损伤;将CMA均衡后的信号进行采样,然后基于高阶统计矩的方法提取特征值输入到神经网络;
将高阶统计矩得到的特征值输入到神经网络实现光信噪比监测,通过不断迭代训练神经网络,使得神经网络能够准确地监测光信噪比。
2.如权利要求1所述的基于高阶统计矩的相干光通信系统光信噪比监测方法,其特征在于,采用的神经网络结构为输入层、1层隐含层和输出层,输入层神经元的个数与特征值的个数相同;输出层的神经元只有一个,即光信噪比。
3.如权利要求2所述的基于高阶统计矩的相干光通信系统光信噪比监测方法,其特征在于,隐含层的激活函数使用的是sigmoid函数。
4.如权利要求2所述的基于高阶统计矩的相干光通信系统光信噪比监测方法,其特征在于,输出层的激活函数使用的是Relu函数。
5.如权利要求2所述的基于高阶统计矩的相干光通信系统光信噪比监测方法,其特征在于,选取部分数据集作为训练集用来训练神经网络,剩下的数据集作为测试集用来测试模型训练结束后的效果,实现适用于不同调制格式的相干光通信系统光信噪比监测。
6.如权利要求1所述的基于高阶统计矩的相干光通信系统光信噪比监测方法,其特征在于,相干光通信系统中接收端的光信号产生方法如下:
将数据信号映射为QPSK、16QAM和64QAM的调制信号,然后进行数模转换,经过IQ调制后光信号经过光纤传输,通过使用偏振分束器、偏振光束组合器和光延迟线实现偏振复用;使用光纤循环回路,循环回路由标准单模光纤,光衰减器和掺铒光纤放大器构成;光衰减器用来调节光信噪比,光谱分析仪用来测量光信噪比,光带通滤波器用来滤除带外噪声,光信号最后被相干光接收机接收。
7.如权利要求6所述的基于高阶统计矩的相干光通信系统光信噪比监测方法,其特征在于,通过任意波形发生器进行数模转换。
8.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1到7任一项所述方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1到7任一项所述方法的步骤。
10.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1到7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010312399.2A CN111541483A (zh) | 2020-04-20 | 2020-04-20 | 基于高阶统计矩的相干光通信系统光信噪比监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010312399.2A CN111541483A (zh) | 2020-04-20 | 2020-04-20 | 基于高阶统计矩的相干光通信系统光信噪比监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111541483A true CN111541483A (zh) | 2020-08-14 |
Family
ID=71971025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010312399.2A Pending CN111541483A (zh) | 2020-04-20 | 2020-04-20 | 基于高阶统计矩的相干光通信系统光信噪比监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111541483A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112769497A (zh) * | 2021-02-23 | 2021-05-07 | 苏州大学 | 对大容量高阶qam相干光进行非线性补偿的方法 |
CN113938188A (zh) * | 2021-09-02 | 2022-01-14 | 华中科技大学 | 一种光信噪比监测模型的构建方法及应用 |
CN114665961A (zh) * | 2022-01-04 | 2022-06-24 | 武汉电信器件有限公司 | 一种基于交换机互连的dwdm系统色散调节的方法与系统 |
CN114759981A (zh) * | 2022-05-26 | 2022-07-15 | 武汉邮电科学研究院有限公司 | Osnr测量方法、装置、设备及可读存储介质 |
CN115589264A (zh) * | 2022-08-29 | 2023-01-10 | 电子科技大学 | 一种全神经网络的全数字相干接收系统 |
WO2023066037A1 (en) * | 2021-10-18 | 2023-04-27 | Huawei Technologies Co., Ltd. | Systems and methods for monitoring generalized optical signal-to-noise ratio |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107528638A (zh) * | 2017-07-27 | 2017-12-29 | 西安电子科技大学 | 基于微波光子滤波的宽带微波信号到达角估计方法 |
CN108390718A (zh) * | 2018-02-08 | 2018-08-10 | 武汉邮电科学研究院有限公司 | 光纤通信系统中光信噪比的测量装置及方法 |
US20190109736A1 (en) * | 2017-10-09 | 2019-04-11 | Nec Laboratories America, Inc. | Transmission filtering using machine learning |
US20190261071A1 (en) * | 2018-02-21 | 2019-08-22 | Adva Optical Networking Se | Method and apparatus for optimizing dynamically the operation of an optical network |
WO2019170873A1 (en) * | 2018-03-08 | 2019-09-12 | Politecnico Di Milano | "method for monitoring an optical communications system" |
CN110324080A (zh) * | 2019-06-28 | 2019-10-11 | 北京邮电大学 | 一种光性能监测的方法、装置、电子设备及介质 |
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 |
CN110730037A (zh) * | 2019-10-21 | 2020-01-24 | 苏州大学 | 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 |
CN110875775A (zh) * | 2019-11-22 | 2020-03-10 | 苏州大学 | Qam相干光通信系统中基于矩的精度增强的osnr监测方法 |
-
2020
- 2020-04-20 CN CN202010312399.2A patent/CN111541483A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107528638A (zh) * | 2017-07-27 | 2017-12-29 | 西安电子科技大学 | 基于微波光子滤波的宽带微波信号到达角估计方法 |
US20190109736A1 (en) * | 2017-10-09 | 2019-04-11 | Nec Laboratories America, Inc. | Transmission filtering using machine learning |
CN108390718A (zh) * | 2018-02-08 | 2018-08-10 | 武汉邮电科学研究院有限公司 | 光纤通信系统中光信噪比的测量装置及方法 |
US20190261071A1 (en) * | 2018-02-21 | 2019-08-22 | Adva Optical Networking Se | Method and apparatus for optimizing dynamically the operation of an optical network |
WO2019170873A1 (en) * | 2018-03-08 | 2019-09-12 | Politecnico Di Milano | "method for monitoring an optical communications system" |
CN110324080A (zh) * | 2019-06-28 | 2019-10-11 | 北京邮电大学 | 一种光性能监测的方法、装置、电子设备及介质 |
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 |
CN110730037A (zh) * | 2019-10-21 | 2020-01-24 | 苏州大学 | 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 |
CN110875775A (zh) * | 2019-11-22 | 2020-03-10 | 苏州大学 | Qam相干光通信系统中基于矩的精度增强的osnr监测方法 |
Non-Patent Citations (4)
Title |
---|
YUANYUAN MA等: "Accuracy Enhancement of Moments-Based OSNR Monitoring in QAM Coherent Optical Communication", 《IEEE COMMUNICATIONS LETTERS》 * |
张磊等: "PM-QPSK相干光通信系统中基于高阶统计矩的光信噪比监测方法的修正", 《中国激光》 * |
张肃: "基于机器学习的高速光信号光性能监测", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
陈梦迟等: "光纤通信系统中光信噪比的监测分析", 《通信技术》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112769497A (zh) * | 2021-02-23 | 2021-05-07 | 苏州大学 | 对大容量高阶qam相干光进行非线性补偿的方法 |
CN113938188A (zh) * | 2021-09-02 | 2022-01-14 | 华中科技大学 | 一种光信噪比监测模型的构建方法及应用 |
CN113938188B (zh) * | 2021-09-02 | 2022-09-27 | 华中科技大学 | 一种光信噪比监测模型的构建方法及应用 |
WO2023066037A1 (en) * | 2021-10-18 | 2023-04-27 | Huawei Technologies Co., Ltd. | Systems and methods for monitoring generalized optical signal-to-noise ratio |
US11716138B2 (en) | 2021-10-18 | 2023-08-01 | Huawei Technologies Co., Ltd. | Systems and methods for monitoring generalized optical signal-to-noise ratio |
CN114665961A (zh) * | 2022-01-04 | 2022-06-24 | 武汉电信器件有限公司 | 一种基于交换机互连的dwdm系统色散调节的方法与系统 |
CN114665961B (zh) * | 2022-01-04 | 2024-02-23 | 武汉电信器件有限公司 | 一种基于交换机互连的dwdm系统色散调节的方法与系统 |
CN114759981A (zh) * | 2022-05-26 | 2022-07-15 | 武汉邮电科学研究院有限公司 | Osnr测量方法、装置、设备及可读存储介质 |
CN114759981B (zh) * | 2022-05-26 | 2023-10-17 | 武汉邮电科学研究院有限公司 | Osnr测量方法、装置、设备及可读存储介质 |
CN115589264A (zh) * | 2022-08-29 | 2023-01-10 | 电子科技大学 | 一种全神经网络的全数字相干接收系统 |
CN115589264B (zh) * | 2022-08-29 | 2024-03-22 | 电子科技大学 | 一种全神经网络的全数字相干接收系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111541483A (zh) | 基于高阶统计矩的相干光通信系统光信噪比监测方法 | |
Saif et al. | Machine learning techniques for optical performance monitoring and modulation format identification: A survey | |
CN108880692B (zh) | 一种相干光通信系统调制格式识别和光信噪比监控方法 | |
Wang et al. | Long short-term memory neural network (LSTM-NN) enabled accurate optical signal-to-noise ratio (OSNR) monitoring | |
CN110730037B (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 | |
CN111093123B (zh) | 一种基于复合神经网络的灵活光网络时域均衡方法及系统 | |
Guesmi et al. | Experimental demonstration of simultaneous modulation format/symbol rate identification and optical performance monitoring for coherent optical systems | |
Li et al. | Convolutional neural network-aided DP-64 QAM coherent optical communication systems | |
Zhao et al. | A modulation format identification method based on information entropy analysis of received optical communication signal | |
Lin et al. | A non-data-aided OSNR estimation algorithm for coherent optical fiber communication systems employing multilevel constellations | |
Yang et al. | Fast and accurate waveform modeling of long-haul multi-channel optical fiber transmission using a hybrid model-data driven scheme | |
Li et al. | Low-complexity adaptive chromatic dispersion estimation scheme using machine learning for coherent long-reach passive optical networks | |
Lippiatt et al. | Joint linear and nonlinear noise estimation of optical links by exploiting carrier phase recovery | |
Yu et al. | Multi-task learning convolutional neural network and optical spectrums enabled optical performance monitoring | |
Zhou et al. | Simultaneous baud rate/modulation format identification and multi-parameter optical performance monitoring using multi-task learning with enhanced picture of Radon transform | |
Guo et al. | Deep neural network based chromatic dispersion estimation with ultra-low sampling rate for optical fiber communication systems | |
Giacoumidis et al. | Exceeding the nonlinear Shannon-limit in coherent optical communications using 3D adaptive machine learning | |
Wang et al. | Optical signal-to-noise ratio monitoring based on statistical moments using artificial neural network | |
CN115001912A (zh) | 基于BiLSTM的IFDMA-PON改善方法 | |
Guo et al. | Optical Signal-to-Noise Ratio Monitoring Based On Back-Propagation Network With an Autoencoder | |
Li et al. | Optical signal monitoring using multi-task residual network | |
CN115173940B (zh) | 多信道光传输系统链路联合损伤监测方法及系统 | |
Terashi et al. | Joint multi-eigenvalue demodulation using complex moment-based eigenvalue solver and artificial neural network | |
Cui et al. | Simple and robust symbol rate estimation method for digital coherent optical receivers | |
Wang et al. | A novel modulation format identification based on amplitude histogram space |
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: 20200814 |