CN112819179A - 一种光信号调制参数提取模型的构建方法及其应用 - Google Patents

一种光信号调制参数提取模型的构建方法及其应用 Download PDF

Info

Publication number
CN112819179A
CN112819179A CN202110125270.5A CN202110125270A CN112819179A CN 112819179 A CN112819179 A CN 112819179A CN 202110125270 A CN202110125270 A CN 202110125270A CN 112819179 A CN112819179 A CN 112819179A
Authority
CN
China
Prior art keywords
optical signal
ultrahigh
channel optical
resolution spectrum
channel
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
Application number
CN202110125270.5A
Other languages
English (en)
Other versions
CN112819179B (zh
Inventor
柯昌剑
王昊宇
于成龙
钟一博
梁滋
江佩珊
刘德明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN202110125270.5A priority Critical patent/CN112819179B/zh
Publication of CN112819179A publication Critical patent/CN112819179A/zh
Application granted granted Critical
Publication of CN112819179B publication Critical patent/CN112819179B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Optical Modulation, Optical Deflection, Nonlinear Optics, Optical Demodulation, Optical Logic Elements (AREA)

Abstract

本发明公开了一种光信号调制参数提取模型的构建方法及其应用，属于光纤通信技术领域，包括：分别采用不同调制参数对单通道光信号进行调制，同时引入不同的损伤因素，得到具有不同调制参数和不同损伤因素的单通道光信号；生成单通道光信号的超高分辨率光谱，得到单通道光信号超高分辨率光谱样本集；对单通道光信号超高分辨率光谱样本集中的各样本进行特征提取形成训练特征向量集；以训练特征向量集为输入，训练特征向量集中的各特征向量所对应的调制参数为输出训练机器学习模型，得到光信号调制参数提取模型，该模型提取信号调制参数的准确性较高；本发明在信号受损伤较为严重时仍能准确提取调制参数，适用性较强。

Description

一种光信号调制参数提取模型的构建方法及其应用
技术领域
本发明属于光纤通信技术领域，更具体地，涉及一种光信号调制参数提取模型的构建方法及其应用。
背景技术
为了满足日益增长的数据传输需求，光纤通信系统正朝着大容量、长距离、高速和智能化的方向发展。因而未来的柔性异构光网络中，同一光纤中不同通道的光信号的调制格式、比特率和脉冲形状各不相同，并随时间发生变化，研究实时性强、准确率高、提取参数多的网络管理方法具有重要意义。光谱分析是监测光链路性能的有力工具，它具有测试结构较为简单、分析对象直观、对色散不敏感等优点，超高分辨率光谱可以提供更丰富的光谱信息。但是同一类型的信号在遭受不同损伤时，光谱也将产生相应的变化，造成区分光谱的困难，给信号调制参数提取带来挑战。因此光纤通信系统中亟需一种能够在多种损伤环境下、适用于多通道光信号各调制参数高准确率提取的光网络性能监测方法。
在现有的光信号调制参数提取方法中，一种方法通过利用目标检测网络对光谱进行多种性能分析，但是该方法并未考虑多类型损伤情况，调制参数提取的准确性可能受限；此外也未考虑多通道光信号的情况，不能完全满足实际应用需求。另一种方法经过预先训练的算法识别模块确定待测光信号的调制格式和速率，但是未考虑通道间距为100GHz的单通道光信号的情况，不能应用于含有不等间距多通道光信号的灵活光网络系统中，也未考虑损伤因素。故该方法仍不能完全满足目前信号调制参数提取方法的需要。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供一种光信号调制参数提取模型的构建方法及其应用，用以解决能够现有技术无法在复杂环境下准确的提取光信号调制参数的技术问题。
为了实现上述目的，第一方面，本发明提供了一种光信号调制参数提取模型的构建方法，包括：
分别采用不同调制参数对单通道光信号进行调制，同时引入不同的损伤因素，得到具有不同调制参数和不同损伤因素的单通道光信号；生成所得单通道光信号的超高分辨率光谱，得到单通道光信号超高分辨率光谱样本集；
对所得单通道光信号超高分辨率光谱样本集中的各样本进行特征提取形成训练特征向量集；
以训练特征向量集为输入，训练特征向量集中的各特征向量所对应的调制参数为输出训练机器学习模型，得到光信号调制参数提取模型。
进一步优选地，上述调制参数包括：调制格式、比特率和脉冲形状。
进一步优选地，上述损伤因素包括：中心波长漂移、光信噪比劣化、调制器偏置电压漂移、级联滤波效应和偏心滤波效应。
进一步优选地，上述机器学习模型为支持向量机模型。
进一步优选地，采用主成分分析算法对所得单通道光信号超高分辨率光谱样本集中的各样本进行特征提取，得到训练特征向量集和主成分矩阵。
第二方面，本发明提供了一种多通道光信号调制参数提取方法，包括以下步骤：
S1、生成待提取调制参数的不等间距的多通道光信号的超高分辨率光谱；
S2、对所得超高分辨率光谱进行预处理后，提取各波峰位置处的峰值波长，并计算各相邻波峰位置处的峰值波长的差值，得到超高分辨率光谱中的各通道间距；基于所得各峰值波长和通道间距，对所述超高分辨率光谱按照标称频率范围进行划分，截取出单通道光信号超高分辨率光谱；
S3、对所得单通道光信号超高分辨率光谱进行特征提取后，分别输入至采用本发明第一方面所提供的光信号调制参数提取模型的构建方法所构建的光信号调制参数提取模型中，得到各单通道光信号超高分辨率光谱中所包含的调制参数，即多通道光信号的调制参数。
进一步优选地，采用基于受激布里渊散射效应的超高分辨率光谱分析系统，生成待提取调制参数的不等间距的多通道光信号的超高分辨率光谱。
进一步优选地，步骤S2包括以下步骤：
S21、对所得超高分辨率光谱进行平滑降噪；
S22、对平滑降噪处理后的超高分辨率光谱中位于预设功率阈值之上的波峰位置进行定位，并根据ITU-T制订的G.694.1标准中所规定的标称中心波长过滤掉波峰波长不等于标称中心波长的波峰后，得到剩余的各波峰位置处的波峰波长；
S23、计算剩余的各相邻波峰位置处的峰值波长的差值，得到不等间距多通道光信号超高分辨率光谱中的各通道间距；
S24、将各通道间距分别与G.694.1标准中的各标称频率范围进行对比，确定各峰值波长所对应的标称频率范围；对各峰值波长，分别以峰值波长所对应的频率为中心，截取其左右各二分之一的对应标称频率范围内的光谱，得到单通道光信号超高分辨率光谱。
进一步优选地，采用上述主成分矩阵对所得单通道光信号超高分辨率光谱进行特征提取。
第三方面，本发明还提供一种机器可读存储介质，所述机器可读存储介质存储有机器可执行指令，所述机器可执行指令在被处理器调用和执行时，所述机器可执行指令促使所述处理器实现如上所述的任一种光信号调制参数提取模型的构建方法和/或如上所述的任一种多通道光信号调制参数提取方法。
总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：
1、本发明提供了一种光信号调制参数提取模型的构建方法，通过采用不同调制参数对单通道光信号进行调制，同时引入不同的损伤因素，生成含有多调制参数、多损伤因素的用于训练光信号调制参数提取模型的单通道光信号超高分辨率光谱样本集，可以提高信号调制参数提取方法在信号受到多种损伤环境下的鲁棒性，即在信号受损伤较为严重时仍能准确提取调制参数，适用性更强，相较未考虑多种损伤因素的情况，考虑多种损伤因素后所建立的光信号调制参数提取模型提取信号调制参数的准确性较高。
2、本发明提供了一种多通道光信号调制参数提取方法，对多通道光信号的超高分辨率光谱进行划分，截取出单通道光信号超高分辨率光谱，能够对多通道信号光谱进行分析，一次性得到多个单通道信号超高分辨率光谱中所包含的信号调制参数，提升了光信号调制参数提取方法的适用范围，能够以较高的准确度提取多通道光信号的调制参数。
附图说明
图1为本发明实施例1所提供的光信号调制参数提取模型的构建方法流程图；
图2为本发明实施例1所提供的单通道理想光谱在引入各种类型的损伤后所导致的光谱畸变的示意图；
图3为本发明实施例2所提供的多通道光信号调制参数提取方法流程图；
图4为本发明实施例2所提供的多通道光信号通道划分流程图；
图5为本发明实施例2所提供的多通道光信号通道划分的过程图；其中，(a)为待提取调制参数的不等间距的多通道光信号的超高分辨率光谱示意图，(b)为平滑降噪处理后的多通道光信号的超高分辨率光谱示意图，(c)为剩余的各波峰位置处的波峰波长示意图，(d)为计算所得的各相邻波峰位置处的峰值波长的差值示意图，(e)为不等间距多通道光信号超高分辨率光谱中各通道的间距示意图，(f)为截取出的单通道光信号超高分辨率光谱示意图；
图6为本发明实施例2所提供的考虑多种损伤因素对信号调制参数提取正确率的影响对照图。
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。
实施例1、
一种光信号调制参数提取模型的构建方法，如图1所示，包括：
分别采用不同调制参数对单通道光信号进行调制，同时引入不同的损伤因素，得到具有不同调制参数和不同损伤因素的单通道光信号；生成所得单通道光信号的超高分辨率光谱，得到单通道光信号超高分辨率光谱样本集；
具体的，本实施例根据光信号不同调制参数(如调制格式、比特率与脉冲形状)的组合，选择多光信号类型。并且，为了能够在一定损伤范围内也能以较高的正确率实现信号参数提取，本发明引入损伤因素，使得单通道光信号超高分辨率光谱样本集中包含的每一个样本均代表一种调制参数组合和一种损伤因素组合下的光谱。具体的，本实施例中同时引入了中心波长漂移、光信噪比劣化、调制器偏置电压漂移、级联滤波效应和偏心滤波效应的损伤因素；具体为：信号经光发射机发射至光纤传输，并由掺铒光纤放大器放大以补偿传输损耗。改变激光器中心波长以模拟激光器中心波长漂移，不同功率的自发辐射噪声经耦合器附加于信号上，来获得不同的光信噪比，改变调制器模块的偏置电压以模拟偏置电压漂移，改变光纤链路中的光学滤波器个数以模拟级联滤波效应带来的损伤，改变滤波器中心频率以模拟偏心滤波效应。在系统接收端利用光谱测量装置对产生的已引入多损伤因素光谱样本进行采集和保存，从而构建含有大量具有多调制参数、多损伤因素的单通道光信号超高分辨率光谱样本集。需要说明的是，所引入的损伤因素包括但不限于中心波长漂移、光信噪比劣化、调制器偏置电压漂移、级联滤波效应和偏心滤波效应。具体的，单通道理想光谱在引入各种类型的损伤后所导致的光谱畸变的示意图如图2所示。
对所得单通道光信号超高分辨率光谱样本集中的各样本进行特征提取形成训练特征向量集；
以训练特征向量集为输入，训练特征向量集中的各特征向量所对应的调制参数为输出训练机器学习模型，得到光信号调制参数提取模型。
具体的，本实施例中，采用主成分分析算法对所得单通道光信号超高分辨率光谱样本集中的各样本进行特征提取；上述机器学习模型为支持向量机模型；其中，主成分分析能够对高分辨光谱的数据进行了降维，去掉了噪声等冗余信息，保留了绝大部分有用的信息，有利于下一步的训练操作；支持向量机作为监督学习中一种常用的机器学习方法，能处理非线性问题。其计算的复杂性不由样本空间的维数而是由支持向量的数目来决定，可避免因样本维数较多而带来的不利影响。
实施例2、
一种多通道光信号调制参数提取方法，如图3所示，包括以下步骤：
S1、生成待提取调制参数的不等间距的多通道光信号的超高分辨率光谱；具体的，采用基于受激布里渊散射效应的超高分辨率光谱分析系统，生成待提取调制参数的不等间距的多通道光信号的超高分辨率光谱。该系统可获取分辨率高于0.1pm、含有更多精细成分的光谱。优选的，上述不等间距多通道光信号的超高分辨率光谱中所包含的通道波长范围包括整个C波段。
S2、对所得超高分辨率光谱进行预处理后，提取各波峰位置处的峰值波长，并计算各相邻波峰位置处的峰值波长的差值，得到超高分辨率光谱中的各通道间距；基于所得各峰值波长和通道间距，对所述超高分辨率光谱按照标称频率范围进行划分，截取出单通道光信号超高分辨率光谱；
具体的，如图4所示，包括以下步骤：
S21、平滑降噪：对所得超高分辨率光谱(如图5中的(a)图所示)进行平滑降噪处理，以消除功率过高的数据点所带来的干扰，如图5中的(b)图所示，其中，横坐标为光信号的频率，纵坐标为光谱功率；
S22、峰值查找：对平滑降噪处理后的超高分辨率光谱中位于预设功率阈值之上的波峰位置进行定位，排除因功率过低接近光谱噪声基底的波峰所带来的干扰，本实施例预设功率阈值的典型值为-50dBm，并根据ITU-T制订的G.694.1标准中所规定的标称中心波长过滤波峰波长不等于标称波长值的波峰以排除不符合标准的波峰波长，并得到剩余的各波峰位置处的波峰波长，如图5中的(c)图所示；
S23、确定通道间距：计算剩余的各相邻波峰位置处的峰值波长的差值，如图5中的(d)图所示，得到不等间距多通道光信号超高分辨率光谱中各通道的间距，如图5中的(e)图所示；其中，通道间距包括但不限于25GHz，50GHz和100GHz。
S24、单通道超高分辨率光谱截取：将S23中所得到的光谱中各通道的间距与G.694.1标准中规定的标称频率范围(该标准所规定的标称频率范围包括但不限于25GHz，50GHz和100GHz)进行对比，找到与光谱中各通道的间距最接近的标称频率范围，即各峰值波长所对应的标称频率范围；对各峰值波长，分别以峰值波长所对应的频率为中心，截取其左右各二分之一的对应标称频率范围内的光谱，得到单通道光信号超高分辨率光谱，如图5中的(f)图所示。需要说明书的是，对于某一峰值若其处于两个通道的间距之间，这其所对应的标称频率范围为较小通道间距所对应的标称频率范围。
S3、对所得单通道光信号超高分辨率光谱进行特征提取后，分别输入至采用实施例1所提供的光信号调制参数提取模型的构建方法所构建的光信号调制参数提取模型中，得到各单通道光信号超高分辨率光谱中所包含的调制参数，即多通道光信号的调制参数。
具体的，与对比文件1对应，本实施例采用实施例1中所得的主成分矩阵对所得单通道光信号超高分辨率光谱进行特征提取，具体的，将所得单通道光信号超高分辨率光谱与上述主成分矩阵相乘，实现特征提取。
进一步的，当发现所述多通道光信号调制参数输出有误时，可将调制参数输出错误的单通道光信号超高分辨率光谱样本加入至实施例1中所述单通道光信号超高分辨率光谱样本集中，可实现对所述识别模型的反馈优化。
需要说明的是，多通道信号光谱是由多个单通道的光谱所组成的。但是因通道个数与单通道信号的调制参数的不同，构成多通道光谱的组合方式是无法确定的，其组合方式理论上会有无穷多种，形成样本集时无法涵盖所有情况，故不能直接构建多通道光信号调制参数提取模型；而单通道信号光谱的情况则相对固定单一，仅需考虑单通道信号光谱自身的变化，故将多通道光谱划分成单通道来进行提取。
进一步的，为了验证本发明所提供的信号调制参数提取方法的准确性，分别采用未考虑多种损伤因素的光信号调制参数提取模型和考虑多种损伤因素后所建立的光信号调制参数提取模型对不同类型的信号进行调制参数提取，得到如图6所示的结果；从图6可以看出，相较于未考虑多种损伤因素的情况，采用考虑多种损伤因素后所建立的光信号调制参数提取模型进行信号调制参数提取的正确率有明显提升。
需要说明的是，实施例1-2中所采用的进行特征提取的方法(主成分分析算法)，以及机器学习模型(采用支持向量机)仅为其中一种较佳实施例而已，而非对其限制。本领域的普通技术人员依然可以对该实施例所记载的技术方案进行修改或进行等同替换。
实施例3、
一种机器可读存储介质，所述机器可读存储介质存储有机器可执行指令，所述机器可执行指令在被处理器调用和执行时，所述机器可执行指令促使所述处理器实现如上实施例1所述的光信号调制参数提取模型的构建方法和/或如上实施例2所述的多通道光信号调制参数提取方法。
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 (10)

1.一种光信号调制参数提取模型的构建方法，其特征在于，包括：
分别采用不同调制参数对单通道光信号进行调制，同时引入不同的损伤因素，得到具有不同调制参数和不同损伤因素的单通道光信号；生成所述单通道光信号的超高分辨率光谱，得到单通道光信号超高分辨率光谱样本集；
对所述单通道光信号超高分辨率光谱样本集中的各样本进行特征提取形成训练特征向量集；
以所述训练特征向量集为输入，训练特征向量集中的各特征向量所对应的调制参数为输出训练机器学习模型，得到光信号调制参数提取模型。
2.根据权利要求1所述的光信号调制参数提取模型的构建方法，其特征在于，所述调制参数包括：调制格式、比特率和脉冲形状。
3.根据权利要求1所述的光信号调制参数提取模型的构建方法，其特征在于，所述损伤因素包括：中心波长漂移、光信噪比劣化、调制器偏置电压漂移、级联滤波效应和偏心滤波效应。
4.根据权利要求1所述的光信号调制参数提取模型的构建方法，其特征在于，所述机器学习模型为支持向量机模型。
5.根据权利要求1-4任意一项所述的光信号调制参数提取模型的构建方法，其特征在于，采用主成分分析算法对所述单通道光信号超高分辨率光谱样本集中的各样本进行特征提取，得到训练特征向量集和主成分矩阵。
6.一种多通道光信号调制参数提取方法，其特征在于，包括以下步骤：
S1、生成待提取调制参数的不等间距的多通道光信号的超高分辨率光谱；
S2、对所述超高分辨率光谱进行预处理后，提取各波峰位置处的峰值波长，并计算各相邻波峰位置处的峰值波长的差值，得到超高分辨率光谱中的各通道间距；基于各峰值波长和通道间距，对所述超高分辨率光谱按照标称频率范围进行划分，截取出单通道光信号超高分辨率光谱；
S3、对所述单通道光信号超高分辨率光谱进行特征提取后，分别输入至采用如权利要求1-5任意一项所述的光信号调制参数提取模型的构建方法所构建的光信号调制参数提取模型中，得到各单通道光信号超高分辨率光谱中所包含的调制参数，即多通道光信号的调制参数。
7.根据权利要求6所述的多通道光信号调制参数提取方法，其特征在于，采用基于受激布里渊散射效应的超高分辨率光谱分析系统，生成待提取调制参数的不等间距的多通道光信号的超高分辨率光谱。
8.根据权利要求6所述的多通道光信号调制参数提取方法，其特征在于，步骤S2包括以下步骤：
S21、对所述超高分辨率光谱进行平滑降噪；
S22、对平滑降噪处理后的超高分辨率光谱中位于预设功率阈值之上的波峰位置进行定位，并根据ITU-T制订的G.694.1标准中所规定的标称中心波长，过滤掉波峰波长不等于所述标称中心波长的波峰后，得到剩余的各波峰位置处的波峰波长；
S23、计算剩余的各相邻波峰位置处的峰值波长的差值，得到不等间距多通道光信号超高分辨率光谱中的各通道间距；
S24、将所述各通道间距分别与G.694.1标准中的各标称频率范围进行对比，确定各峰值波长所对应的标称频率范围；对各峰值波长，分别以峰值波长所对应的频率为中心，截取其左右各二分之一的对应标称频率范围内的光谱，得到单通道光信号超高分辨率光谱。
9.根据权利要求6-8任意一项所述的多通道光信号调制参数提取方法，其特征在于，采用权利要求5所述的主成分矩阵对所得单通道光信号超高分辨率光谱进行特征提取。
10.一种机器可读存储介质，其特征在于，所述机器可读存储介质存储有机器可执行指令，所述机器可执行指令在被处理器调用和执行时，所述机器可执行指令促使所述处理器实现权利要求1-5任意一项所述的光信号调制参数提取模型的构建方法和/或如权利要求6-9任意一项所述的多通道光信号调制参数提取方法。
CN202110125270.5A 2021-01-29 2021-01-29 一种光信号调制参数提取模型的构建方法及其应用 Active CN112819179B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110125270.5A CN112819179B (zh) 2021-01-29 2021-01-29 一种光信号调制参数提取模型的构建方法及其应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110125270.5A CN112819179B (zh) 2021-01-29 2021-01-29 一种光信号调制参数提取模型的构建方法及其应用

Publications (2)

Publication Number Publication Date
CN112819179A true CN112819179A (zh) 2021-05-18
CN112819179B CN112819179B (zh) 2022-05-24

Family

ID=75860179

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110125270.5A Active CN112819179B (zh) 2021-01-29 2021-01-29 一种光信号调制参数提取模型的构建方法及其应用

Country Status (1)

Country Link
CN (1) CN112819179B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080151247A1 (en) * 2006-12-21 2008-06-26 Alex Salnik Methods for depth profiling in semiconductors using modulated optical reflectance technology
US20110286477A1 (en) * 2010-05-18 2011-11-24 Dmitri Vladislavovich Kuksenkov Multiple Wavelength Optical Systems
CN105515650A (zh) * 2015-11-24 2016-04-20 华中科技大学 基于光谱特征的光信号调制格式识别方法
CN109217923A (zh) * 2018-09-28 2019-01-15 北京科技大学 一种联合光性能监测和速率、调制格式识别方法及系统
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
CN110095470A (zh) * 2019-04-15 2019-08-06 北京航空航天大学 一种基于光纤光栅传感器的裂纹损伤定量方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080151247A1 (en) * 2006-12-21 2008-06-26 Alex Salnik Methods for depth profiling in semiconductors using modulated optical reflectance technology
US20110286477A1 (en) * 2010-05-18 2011-11-24 Dmitri Vladislavovich Kuksenkov Multiple Wavelength Optical Systems
CN105515650A (zh) * 2015-11-24 2016-04-20 华中科技大学 基于光谱特征的光信号调制格式识别方法
CN109217923A (zh) * 2018-09-28 2019-01-15 北京科技大学 一种联合光性能监测和速率、调制格式识别方法及系统
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
CN110095470A (zh) * 2019-04-15 2019-08-06 北京航空航天大学 一种基于光纤光栅传感器的裂纹损伤定量方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
鄢然，郑豪，李蔚: "基于机器学习的光链路建立中的传输质量预测技术", 《光通信技术》 *

Also Published As

Publication number Publication date
CN112819179B (zh) 2022-05-24

Similar Documents

Publication Publication Date Title
US11133865B2 (en) Optical network performance evaluation using a hybrid neural network
CN110838928B (zh) Odn的逻辑拓扑信息的获取方法、装置、设备和存储介质
US10887009B2 (en) G-OSNR estimation on dynamic PS-QAM channels using hybrid neural networks
CN111884716B (zh) 一种基于神经网络的光纤通信系统性能评估方法
CA2656911C (en) Method and arrangements for determining the optical signal-to-noise ratio for an optical transmission system
CN113726301B (zh) 一种光纤拉曼放大器动态增益调控方法及设备
EP3832907B1 (en) Method and apparatus for establishing data model
US11038587B2 (en) Method and apparatus for locating fault cause, and storage medium
CN110212976B (zh) 一种基于人工神经网络的光信噪比监测方法
CN109450836B (zh) 一种状态转换概率分布的光数字通信调制格式识别方法
US7623790B2 (en) Signal identification method
US20220353003A1 (en) Method and system for providing a maximum channel capacity in a wavelength division multiplexing transmission system
CN113424465B (zh) 基于快速误码率（ber）统计数据的光学性能监控
CN112819179B (zh) 一种光信号调制参数提取模型的构建方法及其应用
EP2688228B1 (en) Method and apparatus for monitoring optical power
US9917639B2 (en) Optical signal quality monitoring apparatus, optical signal quality monitoring method and optical repeater
Hu et al. A novel cost-effective and distributed in-band OSNR monitoring method using Gaussian process regression
Salehiomran et al. Fast BER distribution and neural networks for joint monitoring of linear and nonlinear noise-to-signal ratios
US20050276601A1 (en) Nonlinear data processing dedicated to an optical spectrum analyzer
CN112422177B (zh) 光通道识别方法、装置、光通信监测设备及存储介质
Sun et al. Digital residual spectrum-based generalized soft failure detection and identification in optical networks
Kruse et al. Experimental demonstration of soft-failure management using variational autoencoder and GAN on optical spectrum
de Koster et al. Fibre model identification for nonlinear Fourier transform-based transmission
Liu et al. Building a digital twin of EDFA: a grey-box modeling approach
EP1376899B1 (en) System and method for quantification of optical signal-to-noise ratio using low frequency electrical signal analysis

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