CN112787717A - 光信噪比预测方法及装置 - Google Patents
光信噪比预测方法及装置 Download PDFInfo
- Publication number
- CN112787717A CN112787717A CN202011609069.6A CN202011609069A CN112787717A CN 112787717 A CN112787717 A CN 112787717A CN 202011609069 A CN202011609069 A CN 202011609069A CN 112787717 A CN112787717 A CN 112787717A
- Authority
- CN
- China
- Prior art keywords
- optical signal
- value
- characteristic value
- noise ratio
- predicted
- 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
- H04B10/07953—Monitoring or measuring OSNR, BER or Q
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Optical Communication System (AREA)
Abstract
本发明提供一种光信噪比预测方法及装置。该方法包括:获取多个原始特征值集合,其中,每个原始特征值集合包括单个光信噪比以及所述光信噪比对应的光信号特征值,不同原始特征值集合包括的光信噪比不同;将所述多个原始特征值集合中的每个值减去相应基准值,得到多个相对特征值集合;通过所述多个相对特征值集合对神经网络模型进行训练,得到目标神经网络模型。通过本发明,对神经网络模型进行训练时采用的是光信号特征值变化的相对值而不是绝对值,可以有效避免各种损伤因素的干扰,从而使得训练得到的神经网络模型能输出更为准确的光信噪比预测结果。
Description
技术领域
本发明涉及光通信技术领域,尤其涉及一种光信噪比预测方法及装置。
背景技术
随着光纤通信系统的不断发展,对系统的可靠性和稳定性提出了更高的要求,光性能监测变得越来越重要。光性能监测参数包括光信号功率、色度色散、偏振膜色散、光信噪比以及误码率等。其中,光信噪比与误码率直接相关,即更高的光信噪比将带来更低的误码率,提高光信噪比是降低误码率最有效的方法。因此,光信噪比是衡量光网络通信质量最重要的参数之一,在光纤通信系统和网络的运营、管理和维护中发挥着极其重要的作用。目前相干光通信系统中的光信噪比监测方法主要有高阶统计矩、延迟线干涉、格雷序列、斯托克斯参量等。
机器学习是使用计算机模拟或实现人类学习活动的科学,是人工智能中最前沿的研究领域之一。自20世纪80年代以来,机器学习被应用于光纤通信领域中,常见的方法有决策树、神经网络、支持向量机、贝叶斯分类器等。由于受到计算机运行速度和存储容量的限制,最开始时神经网络并没有得到足够的重视和研究。最近十几年来,由于计算机运行速度和容量的急剧提升,神经网络在光纤通信领域得到了越来越广泛的应用。神经网络的本质是一种运算模型,由大量的节点(或称神经元)相互连接构成,用来模拟人脑的构造。这种模型具有从多层感知器中自主学习并提取数据特征的能力。在光性能监测的应用中,通过输入从光信号中提取的特征值并不断训练,神经网络能够处理新的特征值数据并输出对应的光信噪比预测值。
传统的基于神经网络的光信噪比预测方法一般是输入原始信号特征值(如信号最大值、最小值等),对神经网络进行训练,之后通过训练好的神经网络对新的信号特征值进行预测并输出相应的光信噪比。然而,由于系统中存在的各种损伤因素(如色度色散、偏振膜色散)的干扰,这种方法不一定能提供准确的预测结果。
发明内容
本发明的主要目的在于提供一种光信噪比预测方法及装置,旨在解决现有的基于神经网络的光信噪比预测方法的预测准确性不高的技术问题。
第一方面,本发明提供一种光信噪比预测方法,所述光信噪比预测方法包括:
获取多个原始特征值集合,其中,每个原始特征值集合包括单个光信噪比以及所述光信噪比对应的光信号特征值,不同原始特征值集合包括的光信噪比不同;
将所述多个原始特征值集合中的每个值减去相应基准值,得到多个相对特征值集合;
通过所述多个相对特征值集合对神经网络模型进行训练,得到目标神经网络模型。
可选的,在所述得到目标神经网络模型的步骤之后,还包括:
获取待预测光信号特征值,将所述待预测光信号特征值减去特征值基准值,得到待预测光信号相对特征值;
将所述待预测光信号相对特征值输入所述目标神经网络模型,获取目标神经网络模型基于所述待预测光信号相对特征值输出的光信噪比相对预测值;
将所述光信噪比相对预测值加上光信噪比基准值,得到所述待预测光信号特征值对应的光信噪比预测值。
可选的,所述光信号特征值包括光信号最大值、光信号最小值、光信号平均值以及光信号标准差中的一种或多种。
可选的,所述光信噪比基准值为满足预设误码率要求的最低光信噪比;特征值基准值包含所述光信噪比基准值对应的光信号最大值、光信号最小值、光信号平均值以及光信号标准差中的一种或多种,特征值基准值包含的内容与光信号特征值包含的内容相对应。
可选的,在将所述光信噪比相对预测值加上光信噪比基准值,得到所述待预测光信号特征值对应的光信噪比预测值的步骤之后,还包括:
检测所述光信噪比预测值是否小于预设光信噪比;
若小于,则输出告警提示。
第二方面,本发明还提供一种光信噪比预测装置,所述光信噪比预测装置包括:
第一获取模块,用于获取多个原始特征值集合,其中,每个原始特征值集合包括单个光信噪比以及所述光信噪比对应的光信号特征值,不同原始特征值集合包括的光信噪比不同;
数据处理模块,用于将所述多个原始特征值集合中的每个值减去相应基准值,得到多个相对特征值集合;
训练模块,用于通过所述多个相对特征值集合对神经网络模型进行训练,得到目标神经网络模型。
可选的,所述光信噪比预测装置还包括:
第二获取模块,用于获取待预测光信号特征值,将所述待预测光信号特征值减去特征值基准值,得到待预测光信号相对特征值;
第三获取模块,用于将所述待预测光信号相对特征值输入所述目标神经网络模型,获取目标神经网络模型基于所述待预测光信号相对特征值输出的光信噪比相对预测值;
预测模块,用于将所述光信噪比相对预测值加上光信噪比基准值,得到所述待预测光信号特征值对应的光信噪比预测值。
可选的,所述光信号特征值包括光信号最大值、光信号最小值、光信号平均值以及光信号标准差中的一种或多种。
可选的,所述光信噪比基准值为满足预设误码率要求的最低光信噪比;特征值基准值包含所述光信噪比基准值对应的光信号最大值、光信号最小值、光信号平均值以及光信号标准差中的一种或多种,特征值基准值包含的内容与光信号特征值包含的内容相对应。
可选的,所述光信噪比预测装置还包括告警模块,用于:
检测所述光信噪比预测值是否小于预设光信噪比;
若小于,则输出告警提示。
通过本发明,对神经网络模型进行训练时采用的是光信号特征值变化的相对值而不是绝对值,可以有效避免各种损伤因素的干扰,从而使得训练得到的神经网络模型能输出更为准确的光信噪比预测结果。
附图说明
图1为本发明光信噪比预测方法一实施例的流程示意图;
图2为一实施例中对光信噪比不同的光信号的光信号特征值进行提取的示意图;
图3为一实施例中神经网络模型的示意图;
图4为另一实施例中神经网络模型的示意图;
图5为本发明光信噪比预测方法另一实施例的流程示意图;
图6为本发明光信噪比预测装置一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
第一方面,本发明实施例提供了一种光信噪比预测方法。
参照图1,图1为本发明光信噪比预测方法一实施例的流程示意图。如图1所示,所述光信噪比预测方法包括:
步骤S10,获取多个原始特征值集合,其中,每个原始特征值集合包括单个光信噪比以及所述光信噪比对应的光信号特征值,不同原始特征值集合包括的光信噪比不同;
本实施例中,以每个光信噪比以及对应的光信号特征值作为一个原始特征值集合,即可得到多个原始特征值集合,不同原始特征值集合包括的光信噪比不同。参照图2,图2为一实施例中对光信噪比不同的光信号特征值进行提取的示意图。如图2所示,激光器产生的光信号经马赫曾德调制器调制后送给掺铒光纤放大器,之后进入光纤链路传输;在接收端光信号首先经过一个可调光衰减器,之后光信号再次由掺铒光纤放大器放大后送入示波器进行处理,即可得到该光信号的特征值。其中,通过调整光衰减器可以设置不同的光信噪比,如此,即可得到多个原始特征值集合。
步骤S20,将所述多个原始特征值集合中的每个值减去相应基准值,得到多个相对特征值集合;
本实施例中,将多个原始特征值集合中的每个值减去相应基准值,得到多个相对特征值集合。例如一原始特征值集合A由光信噪比SNRA以及光信号特征值组成,其中光信号特征值包括光信号最大值(amax)、光信号最小值(amin)以及光信号平均值(aavg),可以记做A={SNRA,amax,amin,aavg},假设基准值为X={SNRx,xmax,xmin,xavg},其中,SNRx为光信噪比基准值,xmax,xmin,xavg分别为光信噪比基准值SNRx对应的光信号最大值、光信号最小值、光信号平均值,则通过计算可以得到相对特征值集合B=A-X={SNRA-SNRx,amax-xmax,amin-xmin,aavg-xavg}。
以此类推,将每个原始特征值集合的每个值减去对应基准值,即可得到多个相对特征值集合。
步骤S30,通过所述多个相对特征值集合对神经网络模型进行训练,得到目标神经网络模型。
本实施例中,通过多个相对特征值集合对神经网络模型进行训练,即可得到目标神经网络模型。
参照图3,图3为一实施例中神经网络模型的示意图。参照图4,图4为另一实施例中神经网络模型的示意图。
图3、图4分别为本发明中可采用的单隐层和双隐层神经网络模型。需要说明的是,单隐层和双隐层神经网络模型并无绝对优劣之分,具体用哪一种模型需要综合实际情况(例如运算时间、预测精确度要求)来确定。一般来说,隐藏层数越多,计算结果越精确,但相应的计算时间也大幅度增加。对于本实施例涉及到的光信噪比预测,一个或两个隐藏层已经足够,没有必要采用更为复杂的模型。无论使用哪一种模型,其输入层神经元个数与特征值个数相同,例如在本实施例中使用了光信号的最大值、最小值、平均值、标准差的相对变化值(即最大值、最小值、平均值、标准差的原始值减去相应基准值)作为特征值,那么输入层神经元个数就是4(也可选用其中部分特征值或者增加更多特征值作为输入,输入层神经元个数也随之相应变化)。隐藏层的神经元个数无特定限制,但不宜过大,以免影响性能。由于输出结果只有光信噪比预测值,因此输出层神经元个数为1。
神经网络的训练过程为现有技术,不属于本发明的创新内容,因此不做赘述。
进一步地,一实施例中,参照图5,图5为本发明光信噪比预测方法另一实施例的流程示意图。如图5所示,在步骤S30之后,还包括:
步骤S40,获取待预测光信号特征值,将所述待预测光信号特征值减去特征值基准值,得到待预测光信号相对特征值;
本实施例中,在得到目标神经网络模型后,即可利用该目标神经网络模型对光信噪比未知的光信号进行光信噪比预测。例如,需要预测光信号1的光信噪比,则获取光信号1的光信号特征值,记为待预测光信号特征值,将待预测光信号特征值减去特征值基准值,得到待预测光信号相对特征值。
例如,假设光信号1的光信号特征值集合为C={Cmax,Cmin,Cavg},其中Cmax为光信号最大值,Cmin为光信号最小值,Cavg为光信号平均值,特征值基准值仍然为光信噪比基准值SNRx对应的光信号最大值、光信号最小值、光信号平均值,记作X={xmax,xmin,xavg},则通过计算可以得到待预测光信号相对特征值集合D=C-X={Cmax-xmax,Cmin-xmin,Cavg-xavg}。
步骤S50,将所述待预测光信号相对特征值输入所述目标神经网络模型,获取目标神经网络模型基于所述待预测光信号相对特征值输出的光信噪比相对预测值;
本实施例中,得到待预测光信号相对特征值集合D后,将其输入目标神经网络模型,即可得到目标神经网络模型基于该待预测光信号相对特征值输出的光信噪比相对预测值。
步骤S60,将所述光信噪比相对预测值加上光信噪比基准值,得到所述待预测光信号特征值对应的光信噪比预测值。
本实施例中,在得到目标神经网络模型输出的光信噪比相对预测值后,将光信噪比相对预测值加上光信噪比基准值SNRx,得到的和即为该光信号1的光信噪比预测值。
进一步地,一实施例中,所述光信号特征值包括光信号最大值、光信号最小值、光信号平均值以及光信号标准差中的一种或多种。
本实施例中,光信号特征值包括光信号最大值、光信号最小值、光信号平均值以及光信号标准差中的一种或多种。例如,光信号特征值可以包括光信号最大值、光信号最小值、光信号平均值。
进一步地,一实施例中,所述光信噪比基准值为满足预设误码率要求的最低光信噪比;特征值基准值包含所述光信噪比基准值对应的光信号最大值、光信号最小值、光信号平均值以及光信号标准差中的一种或多种,特征值基准值包含的内容与光信号特征值包含的内容相对应。
本实施例中,基准值为满足预设误码率要求的最低光信噪比。预设误码率指光纤通信系统要求的误码率。特征值基准值为光信噪比基准值对应的光信号最大值、光信号最小值、光信号平均值以及光信号标准差中的一种或多种,且特征值基准值包含的内容与光信号特征值包含的内容相对应。例如,若光信号特征值包括光信号最大值、光信号最小值、光信号平均值,则特征值基准值包含光信噪比基准值对应的光信号最大值、光信号最小值、光信号平均值。
进一步地,一实施例中,在步骤S60之后,还包括:
检测所述光信噪比预测值是否小于预设光信噪比;若小于,则输出告警提示。
本实施例中,在得到光信噪比预测值后,进一步检测光信噪比预测值是否小于预设光信噪比,若小于,则说明当前光网络通信质量不佳,因此输出告警,以供相关维护人员对该情况进行处理。
第二方面,本发明实施例还提供一种光信噪比预测装置。
参照图6,图6为本发明光信噪比预测装置一实施例的功能模块示意图。如图6所示,一实施例中,光信噪比预测装置包括:
第一获取模块10,用于获取多个原始特征值集合,其中,每个原始特征值集合包括单个光信噪比以及所述光信噪比对应的光信号特征值,不同原始特征值集合包括的光信噪比不同;
数据处理模块20,用于将所述多个原始特征值集合中的每个值减去相应基准值,得到多个相对特征值集合;
训练模块30,用于通过所述多个相对特征值集合对神经网络模型进行训练,得到目标神经网络模型。
进一步地,一实施例中,光信噪比预测装置还包括:
第二获取模块,用于获取待预测光信号特征值,将所述待预测光信号特征值减去特征值基准值,得到待预测光信号相对特征值;
第三获取模块,用于将所述待预测光信号相对特征值输入所述目标神经网络模型,获取目标神经网络模型基于所述待预测光信号相对特征值输出的光信噪比相对预测值;
预测模块,用于将所述光信噪比相对预测值加上光信噪比基准值,得到所述待预测光信号特征值对应的光信噪比预测值。
进一步地,一实施例中,所述光信号特征值包括光信号最大值、光信号最小值、光信号平均值以及光信号标准差中的一种或多种。
进一步地,一实施例中,所述光信噪比基准值为满足预设误码率要求的最低光信噪比;特征值基准值包含所述光信噪比基准值对应的光信号最大值、光信号最小值、光信号平均值以及光信号标准差中的一种或多种,特征值基准值包含的内容与光信号特征值包含的内容相对应。
进一步地,一实施例中,光信噪比预测装置还包括告警模块,用于:
检测所述光信噪比预测值是否小于预设光信噪比;
若小于,则输出告警提示。
其中,上述光信噪比预测装置中各个模块的功能实现与上述光信噪比预测方法实施例中各步骤相对应,其功能和实现过程在此处不再一一赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种光信噪比预测方法,其特征在于,所述光信噪比预测方法包括:
获取多个原始特征值集合,其中,每个原始特征值集合包括单个光信噪比以及所述光信噪比对应的光信号特征值,不同原始特征值集合包括的光信噪比不同;
将所述多个原始特征值集合中的每个值减去相应基准值,得到多个相对特征值集合;
通过所述多个相对特征值集合对神经网络模型进行训练,得到目标神经网络模型。
2.如权利要求1所述的光信噪比预测方法,其特征在于,在所述得到目标神经网络模型的步骤之后,还包括:
获取待预测光信号特征值,将所述待预测光信号特征值减去特征值基准值,得到待预测光信号相对特征值;
将所述待预测光信号相对特征值输入所述目标神经网络模型,获取目标神经网络模型基于所述待预测光信号相对特征值输出的光信噪比相对预测值;
将所述光信噪比相对预测值加上光信噪比基准值,得到所述待预测光信号特征值对应的光信噪比预测值。
3.如权利要求1或2所述的光信噪比预测方法,其特征在于,所述光信号特征值包括光信号最大值、光信号最小值、光信号平均值以及光信号标准差中的一种或多种。
4.如权利要求1或2所述的光信噪比预测方法,其特征在于,所述光信噪比基准值为满足预设误码率要求的最低光信噪比;特征值基准值包含所述光信噪比基准值对应的光信号最大值、光信号最小值、光信号平均值以及光信号标准差中的一种或多种,特征值基准值包含的内容与光信号特征值包含的内容相对应。
5.如权利要求2所述的光信噪比预测方法,其特征在于,在将所述光信噪比相对预测值加上光信噪比基准值,得到所述待预测光信号特征值对应的光信噪比预测值的步骤之后,还包括:
检测所述光信噪比预测值是否小于预设光信噪比;
若小于,则输出告警提示。
6.一种光信噪比预测装置,其特征在于,所述光信噪比预测装置包括:
第一获取模块,用于获取多个原始特征值集合,其中,每个原始特征值集合包括单个光信噪比以及所述光信噪比对应的光信号特征值,不同原始特征值集合包括的光信噪比不同;
数据处理模块,用于将所述多个原始特征值集合中的每个值减去相应基准值,得到多个相对特征值集合;
训练模块,用于通过所述多个相对特征值集合对神经网络模型进行训练,得到目标神经网络模型。
7.如权利要求6所述的光信噪比预测装置,其特征在于,所述光信噪比预测装置还包括:
第二获取模块,用于获取待预测光信号特征值,将所述待预测光信号特征值减去特征值基准值,得到待预测光信号相对特征值;
第三获取模块,用于将所述待预测光信号相对特征值输入所述目标神经网络模型,获取目标神经网络模型基于所述待预测光信号相对特征值输出的光信噪比相对预测值;
预测模块,用于将所述光信噪比相对预测值加上光信噪比基准值,得到所述待预测光信号特征值对应的光信噪比预测值。
8.如权利要求6或7所述的光信噪比预测装置,其特征在于,所述光信号特征值包括光信号最大值、光信号最小值、光信号平均值以及光信号标准差中的一种或多种。
9.如权利要求6或7所述的光信噪比预测装置,其特征在于,所述光信噪比基准值为满足预设误码率要求的最低光信噪比;特征值基准值包含所述光信噪比基准值对应的光信号最大值、光信号最小值、光信号平均值以及光信号标准差中的一种或多种,特征值基准值包含的内容与光信号特征值包含的内容相对应。
10.如权利要求7所述的光信噪比预测装置,其特征在于,所述光信噪比预测装置还包括告警模块,用于:
检测所述光信噪比预测值是否小于预设光信噪比;
若小于,则输出告警提示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011609069.6A CN112787717B (zh) | 2020-12-30 | 2020-12-30 | 光信噪比预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011609069.6A CN112787717B (zh) | 2020-12-30 | 2020-12-30 | 光信噪比预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112787717A true CN112787717A (zh) | 2021-05-11 |
CN112787717B CN112787717B (zh) | 2022-03-01 |
Family
ID=75753612
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011609069.6A Active CN112787717B (zh) | 2020-12-30 | 2020-12-30 | 光信噪比预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112787717B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070008123A1 (en) * | 2005-07-06 | 2007-01-11 | The Penn State Research Foundation | A networked multiband waveguide intrusion detection and localization sensor |
US20080039038A1 (en) * | 2006-08-09 | 2008-02-14 | Hoekstra G J | Method of predicting transmission speed adaptations |
CN105846924A (zh) * | 2016-03-22 | 2016-08-10 | 深圳森格瑞通信有限公司 | 一种无线局域网干扰抑制方法及抗干扰的无线局域网设备 |
US20180131403A1 (en) * | 2015-10-20 | 2018-05-10 | The Aerospace Corporation | Circuits and methods for reducing an interference signal that spectrally overlaps a desired signal |
CN109450553A (zh) * | 2018-09-20 | 2019-03-08 | 武汉邮电科学研究院有限公司 | 一种光通信系统噪声的补偿方法及系统 |
CN109474336A (zh) * | 2019-01-08 | 2019-03-15 | 北京科技大学 | 一种光信噪比监测装置及监测方法 |
CN110417695A (zh) * | 2019-08-07 | 2019-11-05 | 厦门大学 | 多级码移位差分混沌移位键控系统的参考分集设计算法 |
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 |
CN110555546A (zh) * | 2019-07-31 | 2019-12-10 | 烽火通信科技股份有限公司 | 一种光性能劣化趋势预测的更新方法及系统 |
-
2020
- 2020-12-30 CN CN202011609069.6A patent/CN112787717B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070008123A1 (en) * | 2005-07-06 | 2007-01-11 | The Penn State Research Foundation | A networked multiband waveguide intrusion detection and localization sensor |
US20080039038A1 (en) * | 2006-08-09 | 2008-02-14 | Hoekstra G J | Method of predicting transmission speed adaptations |
US20180131403A1 (en) * | 2015-10-20 | 2018-05-10 | The Aerospace Corporation | Circuits and methods for reducing an interference signal that spectrally overlaps a desired signal |
CN105846924A (zh) * | 2016-03-22 | 2016-08-10 | 深圳森格瑞通信有限公司 | 一种无线局域网干扰抑制方法及抗干扰的无线局域网设备 |
CN109450553A (zh) * | 2018-09-20 | 2019-03-08 | 武汉邮电科学研究院有限公司 | 一种光通信系统噪声的补偿方法及系统 |
CN109474336A (zh) * | 2019-01-08 | 2019-03-15 | 北京科技大学 | 一种光信噪比监测装置及监测方法 |
CN110555546A (zh) * | 2019-07-31 | 2019-12-10 | 烽火通信科技股份有限公司 | 一种光性能劣化趋势预测的更新方法及系统 |
CN110417695A (zh) * | 2019-08-07 | 2019-11-05 | 厦门大学 | 多级码移位差分混沌移位键控系统的参考分集设计算法 |
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 |
Non-Patent Citations (3)
Title |
---|
MASOUD VEJDANNIK: "《Modular neural networks for quality of transmission prediction in low-margin optical networks》", 《JOURNAL OF INTELLIGENT MANUFACTURING》 * |
余建兴: "《基于深度神经网络的光信噪比估计算法优化》", 《中国新通信》 * |
张啸: "《基于广义回归神经网络的色散和OSNR监测》", 《光电技术应用》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112787717B (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Thrane et al. | Machine learning techniques for optical performance monitoring from directly detected PDM-QAM signals | |
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 | |
US11580005B2 (en) | Anomaly pattern detection system and method | |
CN109167627B (zh) | 一种调制格式及光信噪比监测方法及装置 | |
JP2022554306A (ja) | 光学部品を処理するための装置、システム、及び、方法 | |
Ruiz et al. | Deep learning-based real-time analysis of lightpath optical constellations | |
Wang et al. | Convolutional neural network-based deep learning for intelligent OSNR estimation on eye diagrams | |
CN112787717B (zh) | 光信噪比预测方法及装置 | |
CN111541484A (zh) | 基于延时采样的光纤通信系统光信噪比监测方法 | |
Ye et al. | OSNR monitoring based on a low-bandwidth coherent receiver and LSTM classifier | |
WO2023093431A1 (zh) | 一种模型训练方法、装置、设备、存储介质和程序产品 | |
CN111026087A (zh) | 基于数据的含权重非线性工业系统故障检测方法及装置 | |
KR102386782B1 (ko) | 로지스틱 회귀를 이용한 아크신호 검출방법 | |
CN113850292A (zh) | 故障知识库生成式更新方法、系统、电子设备及介质 | |
Chen et al. | On dissipative filtering over unreliable communication links for stochastic jumping neural networks based on a unified design method | |
CN113297540A (zh) | 在边缘物联代理服务下的app资源需求预测方法、装置及系统 | |
Natalino et al. | Machine-learning-as-a-service for optical network automation | |
CN115173940B (zh) | 多信道光传输系统链路联合损伤监测方法及系统 | |
CN114553650B (zh) | 基于多层级神经网络的抗模式耦合信号复杂格式解析方法 | |
Ghosh et al. | An Analysis of Deep-Neural-Network Model for the Determination of the Bit-Rate of Optical Fiber Signals | |
JP7420278B2 (ja) | 情報処理装置、情報処理方法、及び、記録媒体 | |
US11979186B2 (en) | Computation of optimum fiber input power | |
Mrozek et al. | Simultaneous monitoring of chromatic dispersion and optical signal to noise ratio in optical links using convolutional neural network and asynchronous delay-tap sampling | |
CN114257994B (zh) | 一种d2d网络鲁棒功率控制方法、系统、设备及终端 | |
Arruda | Awareness of optical network performance with machine learning methods |
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 |