CN111884716A - 一种基于神经网络的光纤通信系统性能评估方法 - Google Patents
一种基于神经网络的光纤通信系统性能评估方法 Download PDFInfo
- Publication number
- CN111884716A CN111884716A CN202010617780.XA CN202010617780A CN111884716A CN 111884716 A CN111884716 A CN 111884716A CN 202010617780 A CN202010617780 A CN 202010617780A CN 111884716 A CN111884716 A CN 111884716A
- Authority
- CN
- China
- Prior art keywords
- neural network
- optical fiber
- parameters
- optical
- performance
- 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
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
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神经网络的光纤通信系统性能评估方法,应用于单跨段超长跨距光纤通信系统以及多跨段光纤通信系统的性能评估。该方法与现有基于功率、信噪比和色散的系统性能方法相比,具有更高的准确度;与现有基于分布傅里叶方法的光纤仿真算法相比,具有计算复杂度低,评估过程迅速的优点。该方法选择光纤收发模块的性能指标,采用两级人工神经网络和一级模糊神经网络对光纤链路中各部分指标的影响进行评估,最后输出系统的接收端光信噪比、Q因子和误码率反映接收端信号质量的参数。使用该方法,可以有效降低光纤通信系统准确建模的成本,为光纤通信系统的设计优化、系统运行监测、故障分析与维护等提供便利,提高系统的安全性和可靠性。
Description
技术领域
本发明涉及光纤通信领域,更具体地说,涉及一种基于神经网络的光纤通信系统性能评估方法。
背景技术
随着光纤通信技术的发展,对光纤通信系统仿真分析的需求越来越高,良好的仿真分析方法能够准确地评估光纤链路的性能,为光纤系统的优化设计、运行维护提供便利。
现有的光纤系统性能评估方法一般可以分为两类。第一类是基于功率、信噪比和色散的线性评估方法,该方法根据发射端光功率、链路损耗、放大器增益等计算接收端光功率,根据光纤色散和其他色散器件参数计算链路残余色散,根据发射端信噪比、放大器噪声指数和接收机灵敏度计算接收端信噪比。这类方法的优点是操作简单,仅需要简单的加法和乘法就可以对系统的性能进行评估;缺点是该方法没有考虑光纤非线性效应的影响,也没有功率、色散、信噪比和非线性效应等因素之间的相互影响,因此准确度较差,系统设计时必须留有一定的余量,才能保证系统的运行,且发生故障时,无法进行快速有效的故障分析。第二类是基于非线性薛定谔方程的传输模型评估方法,该方法通过分步傅里叶方法或者有限元分析的方法求解光信号在光纤中传输的非线性薛定谔方程来对接收端光场进行分析,进而获得接收信号的质量。这类方法的优点是可以对系统进行准确的建模,评估系统的性能;缺点是该方法的计算量很大,特别是对于波分复用的光纤通信系统,完成一次仿真分析需要进行大量的计算,花费过多的时间。
神经网络算法是一种能够有效处理非线性问题的工具,因此,我们提出了一种基于神经网络算法光纤通信系统性能评估方法。通过神经网络模型的选择和足够的样本训练,该方法可以以较低的计算复杂度实现准确的光纤系统性能评估。
发明内容
针对现有技术的缺陷,本发明的目的在于提出了一种基于神经网络的光纤通信系统性能评估方法,旨在解决现有光纤系统性能评估计算复杂的问题。
为实现上述目的,本发明提供了一种基于神经网络的光纤通信系统性能评估方法,该方法包括以下步骤:
步骤1,选取光纤链路的配置信息作为神经网络算法的输入,这些配置参数可以分为五个部分,第一部分是光发射机的性能参数,具体包括发射端激光器的波长和线宽、发射信号的调制格式与波特率、信噪比(也可以为Q因子,增加输入消光比可以提高评估的准确度)、发射光功率,该部分参数可以建立数据库,通过选择数据库,算法自动调用相关参数指标;第二部分是传输光纤的性能参数,包括系统中采用的光纤类型和长度,以及多段光纤的连接顺序,该部分需要建立传输光纤类型的数据库,指定光纤类型,算法自动调用光纤的损耗、色散和非线性参数;第三部分是光放大器的参数,包括输入和输出光功率、放大器的增益和噪声指数;对于拉曼放大器如果给出泵浦光功率,将有助于提高算法的精确度;第四部分是光接收机的性能参数,主要包括接收机类型(直接检测或者相干检测)、接收机灵敏度以及接收机数字信号处理算法增益;第五部分是光纤链路中采用的其他光学元器件的性能参数,例如色散补偿模块、光衰减器、光环形器、波长选择开关等元器件的主要指标。
步骤2,光纤链路配置信息输入到第一级神经网络中,第一级神经网络对配置进行初步分类聚合,获得与链路性能密切相关的次级参量,这些参量可以分为五簇:信号功率相关参量簇,线性噪声相关参量簇,累积色散相关参量簇,非弹性散射效应(主要为布里渊散射)相关参量簇,克尔效应(主要包括自相位调制、交叉相位调制以及四波混频效应)相关参量簇,第一级神经网络主要作用是实现输入信息的分类。
步骤3,次级参量输入到第二级神经网络中,第二级神经网络包括五个小的网络,分别对步骤2中的五簇参量进行处理,获得反映对应链路性能指标的单一参数,分别称之为信号功率参数、线性噪声参数、累积色散参数、非弹散射参数和克尔效应参数,第二级神经网络中的每一个子网络都是一个实现回归作用的神经网络,即根据输入的多个参数得到一个连续变化的参数。
步骤4,信号功率参数、线性噪声参数、累积色散参数、非弹散射参数和克尔效应参数输入到模糊神经网络,模糊神经网络由五个模糊控制器和一个神经网络构成,模糊控制器用于判断其对应的五个输入参数是否会传送到后续的神经网络中去,模糊控制器的判断的规则需要通过数据训练来确定;模糊神经网络中的神经网络算法模块实现回归功能,由于前一级的模糊控制器,该神经网络的输入参数个数是可变的,其输出为单一的值,一般选择接收端信噪比作为输出值,根据信噪比可以通过代数运算得到误码率、Q因子这些表征信号传输性能的参数。
优选地,光发射机的性能参数,具体包括发射端激光器的波长和线宽、发射信号的调制格式与波特率、信噪比(也可以为Q因子,增加输入消光比可以提高评估的准确度)、发射光功率,该部分参数可以建立光模块的数据库,通过选择光模块型号,算法自动调用相关参数指标。传输光纤的性能参数,包括系统中采用的光纤类型和长度,以及多段光纤的连接顺序,该部分需要建立传输光纤类型的数据库,指定光纤类型,算法自动调用光纤的损耗、色散和非线性参数。
光放大器的参数,包括输入和输出光功率、放大器的增益和噪声指数,对于拉曼放大器如果给出泵浦光波长及其对应的泵浦光功率,将有助于提高算法的精确度。
光接收机的性能参数,主要包括接收机类型(直接检测或者相干检测)、接收机灵敏度以及接收机数字信号处理算法增益。对于直调直检的系统,默认没有接收端数字信号处理算法的增益;对于相干光通信系统默认在发射机线宽容限内完全补偿色散、频偏、相偏等线性信号损伤,不补偿非线性信号损伤。具体的算法增益可由用户设置。
另外,光纤链路中采用的其他光学元器件的性能参数,主要包括色散补偿模块、光衰减器、光环形器、波长选择开关等元器件的指标。
通过本发明所构思的以上技术方案,与现有技术相比,本发明通过与功率、色散和信噪比估算的方法相当的较小的计算量实现了与基于非线性薛定谔方程的光信号传输模型相当的高准确度的光纤通信系统评估,降低了光纤通信系统性能评估的成本。
附图说明
图1为本发明提供的基于神经网络算法的光纤通信系统性能评估方法的流程示意图;
图2为第一级人工神经网络的输入输出参量示意图;
图3为第二级人工神经网络的输入输出参量和结构示意图;
图4为模糊神经网络的输入输出参数和结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明的目的在于提出了一种基于神经网络的光纤通信系统性能评估方法,如图1所示,选取光纤链路的配置信息参数作为神经网络算法的输入,这些配置参数可以分为五个部分,第一部分是光发射机的性能参数,具体包括发射端激光器的波长和线宽、发射信号的调制格式与波特率、信噪比(也可以为Q因子,增加输入消光比可以提高评估的准确度)、发射光功率,该部分参数可以建立光模块的数据库,通过选择光模块型号,算法自动调用相关参数指标;第二部分是传输光纤的性能参数,包括系统中采用的光纤类型和长度,以及多段光纤的连接顺序,该部分需要建立传输光纤类型的数据库,指定光纤类型,算法自动调用光纤的损耗、色散和非线性参数;第三部分是光放大器的参数,包括输入和输出光功率、放大器的增益和噪声指数;对于拉曼放大器如果给出泵浦光功率,将有助于提高算法的精确度;第四部分是光接收机的性能参数,主要包括接收机类型(直接检测或者相干检测)、接收机灵敏度以及接收机数字信号处理算法增益;第五部分是光纤链路中采用的其他光学元器件的性能参数,例如色散补偿模块、光衰减器、光环形器、波长选择开关等元器件的主要指标。
光发射机的性能参数具体包括发射端激光器的波长和线宽、发射信号的调制格式与波特率、信噪比(也可以为Q因子,增加输入消光比可以提高评估的准确度)、发射光功率,该部分参数可以建立光模块的数据库,通过选择光模块型号,算法自动调用相关参数指标。
传输光纤的性能参数包括系统中采用的光纤类型和长度,以及多段光纤的连接顺序,该部分需要建立传输光纤类型的数据库,指定光纤类型,算法自动调用光纤的损耗、色散和非线性参数。
光放大器的参数包括输入和输出光功率、放大器的增益和噪声指数,对于拉曼放大器如果给出泵浦光波长及其对应的泵浦光功率,将有助于提高算法的精确度。
光接收机的性能参数主要包括接收机类型(直接检测或者相干检测)、接收机灵敏度以及接收机数字信号处理算法增益。对于直调直检的系统,默认没有接收端数字信号处理算法的增益;对于相干光通信系统默认在发射机线宽容限内完全补偿色散、频偏、相偏等线性信号损伤,不补偿非线性信号损伤。具体的算法增益可由用户设置。
光纤链路中采用的其他光学元器件的性能参数,主要包括色散补偿模块、光衰减器、光环形器、波长选择开关等元器件的指标。
图2所示为图1中第一级人工神经网络的输入输出参量和功能示意图,光纤链路配置信息参数输入到第一级神经网络中,第一级神经网络对配置参数进行初步分类聚合,获得与链路性能密切相关的次级参量,这些参量可以分为五簇:信号功率相关参量簇,线性噪声相关参量簇,累积色散相关参量簇,非弹性散射效应(主要为布里渊散射)相关参量簇,克尔效应(主要包括自相位调制、交叉相位调制以及四波混频效应)相关参量簇。第一级人工神经网络是一个用来实现分类功能的神经网络。
图3为图1中第二级人工神经网络的输入输出参量和结构示意图,第二级神经网络包括五个小的网络,分别对图2中的神经网络分类得到的五簇参量进行处理,获得反映对应链路性能指标的单一参数,分别称之为信号功率参数、线性噪声参数、累积色散参数、非弹散射参数和克尔效应参数。第二级神经网络是一个用来实现回归功能的神经网络。
图4所示为图1中模糊神经网络的输入输出参数和结构示意图,信号功率参数、线性噪声参数、累积色散参数、非弹散射参数和克尔效应参数输入到模糊神经网络,模糊神经网络由五个模糊控制器和一个神经网络构成,模糊神经网络对这五个参数再次进行整合,输出光纤系统接收端的信噪比(包括线性的和非线性的)、Q因子或者误码率这些链路性能指标。模糊神经网络是一种特殊的用于实现参数回归功能的神经网络,与一般神经网络相比,模糊神经网络具有更好的鲁棒性。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于神经网络的光纤通信系统性能评估方法,其特征在于,该方法包括以下步骤:
步骤1,选取光纤链路的配置信息作为神经网络算法的输入;
步骤2,所述光纤链路的配置信息输入到第一级神经网络中,第一级神经网络对配置信息进行初步分类聚合,获得链路性能的次级参量;
步骤3,所述次级参量输入到第二级神经网络中,第二级神经网络对次级参量进行处理,获得反映对应链路性能指标的单一参数;
步骤4,所述单一参数输入到模糊神经网络,模糊神经网络对单一参数进行整合,评估出光纤链路接收端的性能指标。
2.根据权利要求1所述的一种基于神经网络的光纤通信系统性能评估方法,其特征在于,所述步骤1中,光纤链路的配置信息包括:
光发射机的性能参数,包括光发射机的波长和线宽、发射信号的调制格式与波特率、信噪比、发射光功率;
传输光纤的性能参数,包括采用的光纤类型和长度以及多段光纤的连接顺序;
光放大器的参数,包括输入和输出光功率、放大器的增益和噪声指数;
光接收机的性能参数,包括光接收机类型、光接收机灵敏度以及光接收机数字信号处理算法增益;
其他光学器件的参数,包括光纤链路其他光学器件的性能参数。
3.根据权利要求2所述的一种基于神经网络的光纤通信系统性能评估方法,其特征在于,所述光接收机类型包括直接检测和相干检测,对于直接检测,光接收机数字信号处理算法增益为零;对于相干检测,在发射机线宽容限内完全补偿线性信号损伤,不补偿非线性信号损伤。
4.根据权利要求1所述的一种基于神经网络的光纤通信系统性能评估方法,其特征在于,所述链路性能的次级参量包括五簇:信号功率相关参量簇、线性噪声相关参量簇、累积色散相关参量簇、非弹性散射效应相关参量簇和克尔效应相关参量簇,非弹性散射效应为布里渊散射效应,克尔效应包括自相位调制、交叉相位调制以及四波混频效应。
5.根据权利要求4所述的一种基于神经网络的光纤通信系统性能评估方法,其特征在于,所述步骤3中,第二级神经网络包括五个小的网络,分别对五簇次级参量进行处理,获得反映对应链路性能指标的单一参数,分别称之为信号功率参数、线性噪声参数、累积色散参数、非弹散射参数和克尔效应参数。
6.根据权利要求5所述的一种基于神经网络的光纤通信系统性能评估方法,其特征在于,所述步骤4中,模糊神经网络由五个模糊控制器和一个神经网络构成,模糊控制器用于判断对应的五个输入参数是否会传送到后续的神经网络中去,模糊控制器的判断的规则需要通过数据训练来确定;模糊神经网络中的神经网络算法模块实现回归功能,由于前一级的模糊控制器,该神经网络的输入参数个数是可变的,其输出为单一的值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010617780.XA CN111884716B (zh) | 2020-06-30 | 2020-06-30 | 一种基于神经网络的光纤通信系统性能评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010617780.XA CN111884716B (zh) | 2020-06-30 | 2020-06-30 | 一种基于神经网络的光纤通信系统性能评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111884716A true CN111884716A (zh) | 2020-11-03 |
CN111884716B CN111884716B (zh) | 2021-10-15 |
Family
ID=73158196
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010617780.XA Active CN111884716B (zh) | 2020-06-30 | 2020-06-30 | 一种基于神经网络的光纤通信系统性能评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111884716B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112364845A (zh) * | 2021-01-12 | 2021-02-12 | 北京邮电大学 | 信噪比评估方法、装置、电子设备和存储介质 |
CN113095482A (zh) * | 2021-04-06 | 2021-07-09 | 西安邮电大学 | 基于bp神经网络的拉曼放大器增益值计算方法及系统 |
CN113726301A (zh) * | 2021-11-03 | 2021-11-30 | 北京邮电大学 | 一种光纤拉曼放大器动态增益调控方法及设备 |
CN114039659A (zh) * | 2021-10-09 | 2022-02-11 | 东莞职业技术学院 | 一种光纤通信高阶色散预测算方法 |
CN114268367A (zh) * | 2021-12-21 | 2022-04-01 | 国网甘肃省电力公司酒泉供电公司 | 一种基于光纤合路的多路电力传输方法及系统 |
CN114499723A (zh) * | 2022-01-25 | 2022-05-13 | 西南交通大学 | 一种基于傅立叶神经算子的光纤信道快速建模方法 |
CN115282401A (zh) * | 2022-07-22 | 2022-11-04 | 深圳市第二人民医院(深圳市转化医学研究院) | 静脉输液泵控制系统、静脉输液泵控制方法和存储介质 |
CN115514411A (zh) * | 2022-09-28 | 2022-12-23 | 同济大学 | 一种基于光学神经网络的时域光信号处理方法及系统 |
WO2023093064A1 (zh) * | 2021-11-23 | 2023-06-01 | 中国电信股份有限公司 | 光复用段创建方法和装置、网络管理系统和盒式波分设备 |
WO2024150301A1 (ja) * | 2023-01-11 | 2024-07-18 | 日本電信電話株式会社 | 推定装置、学習装置、推定方法及び学習方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103941590A (zh) * | 2014-04-25 | 2014-07-23 | 卢万银 | 一种基于数学模型的过程模糊控制器系统与编程设计方法 |
CN107342962A (zh) * | 2017-07-03 | 2017-11-10 | 北京邮电大学 | 基于卷积神经网络的深度学习智能星座图分析方法 |
CN109039472A (zh) * | 2018-07-11 | 2018-12-18 | 南通智大信息技术有限公司 | 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 |
CN109462435A (zh) * | 2018-12-25 | 2019-03-12 | 武汉邮电科学研究院有限公司 | 一种光纤通信系统的系统中非线性效应分析模型及方法 |
CN109905167A (zh) * | 2019-02-25 | 2019-06-18 | 苏州工业园区新国大研究院 | 一种基于卷积神经网络的光通信系统性能分析方法 |
CN110505021A (zh) * | 2019-08-26 | 2019-11-26 | 光子算数(北京)科技有限责任公司 | 一种光通信装置、光通信系统及光信号处理方法 |
US20200112367A1 (en) * | 2018-10-08 | 2020-04-09 | Nec Laboratories America, Inc | G-osnr estimation on dynamic ps-qam channels using hybrid neural networks |
CN111093123A (zh) * | 2019-12-09 | 2020-05-01 | 华中科技大学 | 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 |
-
2020
- 2020-06-30 CN CN202010617780.XA patent/CN111884716B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103941590A (zh) * | 2014-04-25 | 2014-07-23 | 卢万银 | 一种基于数学模型的过程模糊控制器系统与编程设计方法 |
CN107342962A (zh) * | 2017-07-03 | 2017-11-10 | 北京邮电大学 | 基于卷积神经网络的深度学习智能星座图分析方法 |
CN109039472A (zh) * | 2018-07-11 | 2018-12-18 | 南通智大信息技术有限公司 | 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 |
US20200112367A1 (en) * | 2018-10-08 | 2020-04-09 | Nec Laboratories America, Inc | G-osnr estimation on dynamic ps-qam channels using hybrid neural networks |
CN109462435A (zh) * | 2018-12-25 | 2019-03-12 | 武汉邮电科学研究院有限公司 | 一种光纤通信系统的系统中非线性效应分析模型及方法 |
CN109905167A (zh) * | 2019-02-25 | 2019-06-18 | 苏州工业园区新国大研究院 | 一种基于卷积神经网络的光通信系统性能分析方法 |
CN110505021A (zh) * | 2019-08-26 | 2019-11-26 | 光子算数(北京)科技有限责任公司 | 一种光通信装置、光通信系统及光信号处理方法 |
CN111093123A (zh) * | 2019-12-09 | 2020-05-01 | 华中科技大学 | 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 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112364845B (zh) * | 2021-01-12 | 2021-05-25 | 北京邮电大学 | 信噪比评估方法、装置、电子设备和存储介质 |
CN112364845A (zh) * | 2021-01-12 | 2021-02-12 | 北京邮电大学 | 信噪比评估方法、装置、电子设备和存储介质 |
CN113095482A (zh) * | 2021-04-06 | 2021-07-09 | 西安邮电大学 | 基于bp神经网络的拉曼放大器增益值计算方法及系统 |
CN113095482B (zh) * | 2021-04-06 | 2024-01-12 | 西安邮电大学 | 基于bp神经网络的拉曼放大器增益值计算方法及系统 |
CN114039659A (zh) * | 2021-10-09 | 2022-02-11 | 东莞职业技术学院 | 一种光纤通信高阶色散预测算方法 |
CN113726301A (zh) * | 2021-11-03 | 2021-11-30 | 北京邮电大学 | 一种光纤拉曼放大器动态增益调控方法及设备 |
CN113726301B (zh) * | 2021-11-03 | 2022-01-07 | 北京邮电大学 | 一种光纤拉曼放大器动态增益调控方法及设备 |
WO2023093064A1 (zh) * | 2021-11-23 | 2023-06-01 | 中国电信股份有限公司 | 光复用段创建方法和装置、网络管理系统和盒式波分设备 |
CN114268367A (zh) * | 2021-12-21 | 2022-04-01 | 国网甘肃省电力公司酒泉供电公司 | 一种基于光纤合路的多路电力传输方法及系统 |
CN114499723B (zh) * | 2022-01-25 | 2023-01-06 | 西南交通大学 | 一种基于傅立叶神经算子的光纤信道快速建模方法 |
CN114499723A (zh) * | 2022-01-25 | 2022-05-13 | 西南交通大学 | 一种基于傅立叶神经算子的光纤信道快速建模方法 |
CN115282401B (zh) * | 2022-07-22 | 2023-04-21 | 深圳市第二人民医院(深圳市转化医学研究院) | 静脉输液泵控制系统、静脉输液泵控制方法和存储介质 |
CN115282401A (zh) * | 2022-07-22 | 2022-11-04 | 深圳市第二人民医院(深圳市转化医学研究院) | 静脉输液泵控制系统、静脉输液泵控制方法和存储介质 |
CN115514411A (zh) * | 2022-09-28 | 2022-12-23 | 同济大学 | 一种基于光学神经网络的时域光信号处理方法及系统 |
WO2024150301A1 (ja) * | 2023-01-11 | 2024-07-18 | 日本電信電話株式会社 | 推定装置、学習装置、推定方法及び学習方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111884716B (zh) | 2021-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111884716B (zh) | 一种基于神经网络的光纤通信系统性能评估方法 | |
Borraccini et al. | Cognitive and autonomous QoT-driven optical line controller | |
CA2411557A1 (en) | Method for determining the optimum pre-compensation in an optical transmission system | |
Ayassi et al. | Survey on the use of machine learning for quality of transmission estimation in optical transport networks | |
Wang et al. | Machine learning-based multifunctional optical spectrum analysis technique | |
Ruiz et al. | Deep learning-based real-time analysis of lightpath optical constellations | |
Lun et al. | Machine-learning-based telemetry for monitoring long-haul optical transmission impairments: methodologies and challenges | |
CN114866137B (zh) | 电力光缆网的检测方法及装置 | |
Kruse et al. | Exact component parameter agnostic QoT estimation using spectral data-driven LSTM in optical networks | |
Velasco et al. | Applications of digital twin for autonomous zero-touch optical networking | |
Devigili et al. | Dual time and frequency domain optical layer digital twin | |
Mano et al. | Accuracy of nonlinear interference estimation on launch power optimization in short-reach systems with field trial | |
Brusin et al. | ML-based spectral power profiles prediction in presence of ISRS for ultra-wideband transmission | |
Jones et al. | Spectral power profile optimization of a field-deployed wavelength-division multiplexing network enabled by remote EDFA modeling | |
US20170244481A1 (en) | Method for producing a quality of transmission estimator for optical transmissions | |
Udalcovs et al. | Investigation of allowed channel spacing for differently modulated optical signals in combined HDWDM systems | |
CN102882595B (zh) | 大范围、抗干扰和全盲自动化光信号色散损伤监测方法 | |
Kaeval et al. | Employing channel probing to derive end-of-life service margins for optical spectrum services | |
Li et al. | Improved simulation accuracy of the split-step Fourier method | |
Salehiomran et al. | Fast BER distribution and neural networks for joint monitoring of linear and nonlinear noise-to-signal ratios | |
US7154665B2 (en) | Optical performance monitoring using a semiconductor optical amplifier | |
US10122443B2 (en) | Method for determining an optical transmission system description | |
Song et al. | Implementing Digital Twin in Field-Deployed Optical Networks: Uncertain Factors, Operational Guidance, and Field-Trial Demonstration | |
Zhang et al. | Optical signal-to-noise ratio prediction using neural networks for multicast light-trees in optical networks | |
Song et al. | Physics-informed digital twin with parameter refinement for a field-trial C+ L-band transmission link |
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 |