CN113452439A - 一种弹性光网络中的关键参数联合监测方法 - Google Patents

一种弹性光网络中的关键参数联合监测方法 Download PDF

Info

Publication number
CN113452439A
CN113452439A CN202110720613.2A CN202110720613A CN113452439A CN 113452439 A CN113452439 A CN 113452439A CN 202110720613 A CN202110720613 A CN 202110720613A CN 113452439 A CN113452439 A CN 113452439A
Authority
CN
China
Prior art keywords
signal
identification
monitoring
subtask
modulation format
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
CN202110720613.2A
Other languages
English (en)
Other versions
CN113452439B (zh
Inventor
许恒迎
周唐磊
唐雪
王志国
毕岩峰
白成林
杨立山
孙伟斌
赵如清
李保堃
于新阔
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.)
Liaocheng University
Original Assignee
Liaocheng University
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 Liaocheng University filed Critical Liaocheng University
Priority to CN202110720613.2A priority Critical patent/CN113452439B/zh
Publication of CN113452439A publication Critical patent/CN113452439A/zh
Application granted granted Critical
Publication of CN113452439B publication Critical patent/CN113452439B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H04B10/0793—Network aspects, e.g. central monitoring of transmission parameters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04Q—SELECTING
    • H04Q11/00—Selecting arrangements for multiplex systems
    • H04Q11/0001—Selecting arrangements for multiplex systems using optical switching
    • H04Q11/0062—Network aspects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04Q—SELECTING
    • H04Q11/00—Selecting arrangements for multiplex systems
    • H04Q11/0001—Selecting arrangements for multiplex systems using optical switching
    • H04Q11/0062—Network aspects
    • H04Q2011/0079—Operation or maintenance aspects
    • H04Q2011/0083—Testing; Monitoring

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Electromagnetism (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Optical Communication System (AREA)

Abstract

本发明公开了一种弹性光网络(EON)中的关键参数联合监测方法，包括以下步骤：S1、在EON系统中，通过相干接收机对双偏振高阶调制格式信号进行光电转换和模数转换，对转换后信号进行数字信号预处理，并根据预处理后的信号生成信号星座图；S2、对生成的信号星座图进行数字图像预处理；S3、对预处理后的信号星座图进行拉东变换，获得对应的三基色图像；S4、根据获取的三基色图像，通过多任务神经网络模型实现多个关键参数的联合识别及监测。本发明方法基于拉东变换和多任务神经网络，能够智能、快速和稳定地识别或监测五种光信号关键参数或性能指标；基于具体的仿真及实验验证，本发明方法具有监测参数多、识别精度高及鲁棒性好的优点。

Description

一种弹性光网络中的关键参数联合监测方法
技术领域
本发明属于光纤通信技术领域，具体涉及一种弹性光网络中的关键参数联合监测方法。
背景技术
为了满足全球国际互联协议流量不断增长的容量需求，并进一步提高光纤通信系统的频谱利用效率，2008年以来，学者们提出了基于相干接收的弹性光网络(EON)架构，采用更加精细的频谱格栅及带宽可变收发机，自适应改变多种发射机参数(比如调制格式、波特率、子载波数量等)，向每次连接需求提供“刚刚够”的频谱调度以满足动态变化的流量需求。这种网络相对于现有的密集波分复用(dense wavelength division multiplex,DWDM)系统，其频谱效率可提高5％-95％，被视为下一代光纤通信骨干网络最有可能的选用方案。
对于相干接收的弹性光网络系统而言，当发射端信号波特率、调制格式等参数随用户流量、光纤链路条件改变时，运营商需要针对该传输链路进行盲的波特率及调制格式识别，便于对相干接收后的光信号进行与波特率及调制格式密切相关的数字信号处理。作为EON光性能监测的关键技术之一，传输链路中的光信噪比(OSNR)直接决定了该链路中EON光信号的传输性能，也与最终系统的误码率息息相关。此外，为降低动态光网络的运营成本，实现对光网络的精细化管理，确保带宽资源的最佳利用，也必须在EON的关键节点中对各光传输路径进行色度色散(CD)和差分群时延(DGD)等信道损伤的实时监测。
目前，已提出的基于机器学习的波特率、调制格式识别和光性能监测方案大致可以分为如下几类：(1)基于星座图的识别方案：包括利用人工神经网络(artificial neuralnetwork,ANN)、卷积神经网络(convolutional neural network,CNN)等算法，结合星座图图像自动提取关键特征进行波特率、调制格式识别和光信噪比监测，该方案性能良好，但对于相位噪声以及偏振态旋转的容忍度较差；(2)在三维斯托克斯空间中基于K近邻、K-means等聚类算法进行调制格式识别，这些方案的优点是无需大量数据辅助，复杂度低，但只能实现一到两种参数监测。
从专利检索情况来说，使用深度神经网络进行调制格式识别和光性能监测方案主要有：北京邮电大学于振明等人提出的发明专利“一种光性能监测的方法、装置、电子设备及介质”(申请号CN201910578593.2)，该专利首先获取色散补偿后的待监测光信号的信号星座图，然后将信号星座图输入二值神经网络进行训练，最终确定待监测光信号的调制格式和光信噪比。该方法基于二值卷积神经网络，其计算复杂度低但精度有待提高。
西南交通大学的易安林、闫连山等人的发明专利“一种相干光通信系统调制格式识别和光信噪比监控方法”(申请号CN201810576751.6)，该专利首先将2个偏振态上的信号Ex和Ey进行色散补偿及恒模算法(constant modulus algorithm,CMA)预均衡，并映射于斯托克斯空间，其后对其在S1和S2矢量方向上的统计分布S1d和S2d进行曲线拟合以及一阶求导，得到特征增强信号S'1和S'2，然后将S'1和S'2送入深度神经网络(deep neuralnetwork,DNN)，最终实现信号调制格式识别和光信噪比监测。北京邮电大学的余建国等人提出的发明专利“一种光性能监测方法、装置、电子设备及可读存储介质”(申请号CN201811540912.2)，主要内容包括：首先统计待监测信号幅度图中位于各预设区间内幅度值的次数，得到幅度值向量，然后将该幅度值向量送入神经网络模型，以实现波特率、调制格式的识别，以及OSNR的监测。该方法能够监测或识别的参数种类有限。
发明内容
针对现有技术中的上述不足，本发明公开了一种弹性光网络中的关键参数联合监测方法，以期解决现有方法中存在的监测参数少、识别精度低和鲁棒性差的问题。
为了达到上述目的，本发明采用的技术方案为：一种弹性光网络中的关键参数联合监测方法，包括以下步骤：
S1、在EON系统中，通过相干接收机对双偏振高阶调制格式信号进行光电转换和模数转换，对转换后信号进行数字信号预处理，并根据预处理后的信号生成为信号星座图；
S2、对生成的信号星座图进行数字图像预处理；
S3、对预处理后的信号星座图进行拉东变换，获得对应的三基色图像；
S4、根据获取的三基色图像，通过多任务神经网络模型实现关键多参数的联合识别及监测。
进一步地，所述步骤S2具体为：
对信号星座图依次进行灰度化、边缘化检测及下采样处理。
进一步地，所述步骤S3中，进行拉东变换的公式为：
Figure BDA0003136365240000031
式中，R(ρ,θ)为拉东变换图，δ(·)为狄拉克函数，ρ为从原点到投影直线的距离，θ为投影角度，即法向距离与x的夹角，I'(x,y)为接收信号的星座图。
进一步地，所述投影角度θ的取值范围为0°到180°。
进一步地，所述步骤S4中的多任务神经网络模型包括依次连接的输入单元、共享参数单元和子任务单元；
其中，所述输入单元的输入为三基色图像；
所述共享参数单元包括依次连接的2个卷积核大小为5*5的卷积层、滑动窗口大小为2*2的池化层、平坦层和2个全连接层；
所述子任务单元包括5个子任务层，且各个子任务层结构相同，均为2个全连接层；5个子任务层对应的任务分别为波特率识别、调制格式识别、色度色散识别、差分群时延监测和光信噪比监测，其中，波特率识别、调制格式识别和色度色散识别均为分类任务，差分群时延监测和光信噪比监测为回归任务。
进一步地，所述波特率识别、调制格式识别和色度色散识别对应的各个输出层中，均使用softmax激活函数将其多分类任务神经元的输出映射到(0,1)区间内进行分类，其损失函数为交叉熵函数；
其中，交叉熵函数Lk的表达式为：
Figure BDA0003136365240000041
式中，下标k为子任务索引号，k＝1,2,3，M为接收符号的总数，下标i为符号的索引号，
Figure BDA0003136365240000042
为预测概率值，yi为任务的标签。
进一步地，所述差分群时延监测和光信噪比监测对应的各输出层中，使用的激活函数及损失函数分别为linear函数及平均绝对误差函数；
其中，平均绝对误差函数LMAE的表达式为：
Figure BDA0003136365240000043
进一步地，所述多任务神经网络模型的总损失函数L为：
L＝λ1L1+λ2L2+λ3L3+λ4L4,MAE+λ5L5,MAE
式中，L1,L2,L3分别为波特率识别、调制格式识别和色度色散识别对应的各子任务层的损失函数，λ1,λ2,λ3分别为波特率识别、调制格式识别调制格式识别和色度色散识别对应的各子任务层的损失函数的权重系数，L4,MAE及L5,MAE分别为差分群时延监测和光信噪比监测对应的各子任务层的损失函数，λ4,λ5分别为差分群时延监测和光信噪比监测对应的各子任务层损失函数的权重系数。
本发明的有益效果为：
(1)本发明针对EON系统的波特率、调制格式识别以及光性能联合监测问题，提供了一种多参数联合监测方法，该方法能够智能、快速和稳定地基于拉东变换和多任务神经网络，同时识别或监测五种光信号关键参数或性能指标；
(2)基于具体的仿真及实验验证，本发明方法具有监测参数多、识别精度高及鲁棒性好的优点。
附图说明
图1为本发明提供的技术流程图。
图2为本发明提供的弹性光网络中的关键参数联合监测方法流程图。
图3为本发明提供的PDM-正交振幅调制(quadrature amplitude modulation,QAM)信号为例的数字图像处理流程图。
图4为本发明提供的对信号星座图进行拉东变换基本原理示意图。
图5为本发明提供的在100MHz频偏及100KHz线宽下，14/28GBaud五种调制格式的星座图及其拉东变换图像对比图。
图6为本发明提供的28GBaud PDM-四相相移键控(quadrature phase shiftkeying，QPSK)在不同损伤下星座图及其拉东变换图像对比图。
图7为本发明提供的多任务神经网络模型示意图。
图8为本发明提供的14/28GBaud PDM-EON仿真传输系统的示意图。
图9为本发明提供的仿真系统的训练集和测试集下，各识别/监测任务随迭代次数的变化曲线示意图。
图10为本发明提供的28GBaud信号下DGD的平均绝对误差(MAE)曲线图。
图11为本发明提供的28GBaud信号下OSNR的误差棒曲线图。
图12为本发明提供的28GBaud信号下OSNR的MAE曲线图。
图13为本发明提供的实验系统的训练集和测试集下，各识别/监测任务随迭代次数的变化曲线图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
实施例1：
本实施例中，针对EON系统的波特率、调制格式识别以及光性能联合监测问题，提出了一种基于拉东变换和多任务神经网络的波特率、调制格式识别与光性能联合监测方法，具体技术流程如图1所示。该方法首先利用相干接收机完成双偏振高阶调制格式信号的光电转换和模数转换，其次对信号进行数字信号处理，例如IQ正交化、CD补偿和CMA均衡等，并将预处理后的信号转换成相应的星座图依次进行数字图像预处理及拉东变换，最后将所得拉东变换图像送入多任务神经网络进行多参数联合识别及监测，以便用于后端的多模算法(multi-modulus algorithm,MMA)均衡、载波相位恢复和误码率计算。进行波特率、调制格式识别以及光性能监测时，如图2所示，包括以下步骤：
S1、在EON系统中，通过相干接收机对双偏振高阶调制格式信号进行光电转换和模数转换，对转换后信号进行数字信号预处理，并根据预处理后的信号生成为信号星座图；
S2、对生成的信号星座图进行数字图像预处理；
S3、对预处理后的信号星座图进行拉东变换，获得对应的三基色图像；
S4、根据获取的三基色图像，通过多任务神经网络模型进行关键多参数识别及监测，实现关键参数联合监测。
在本实施例的步骤S1中生成每个信号星座图的符号数为213。
在本实施例的步骤S2中，对信号星座图依次进行灰度化、边缘化检测及下采样处理。
具体地，如图3所示，以偏振复用正交振幅调制(polarization divisionmultiplexing-8quadrature amplitude modulation,PDM-8QAM)星座图为例演示图片的处理过程。首先将已经过DSP算法预处理后的信号生成星座图，其后对该星座图的图像进行灰度处理，由原始的彩色星座图像(800*800*3)转换为黑白图像(800*800)，再通过基于Canny算法的边缘化检测技术(包括高斯平滑滤波、计算梯度幅值和方向、非最大值抑制、双阈值算法、滞后边界跟踪等步骤)，将图像的细节信息模糊处理并提取边缘信息，以减少冗余信息干扰并降低运算复杂度，最后将边缘检测之后的星座图进行下采样，即将边缘处理之后的高分辨率(800*800)图像转换为低分辨率(32*32)图像，以降低方法的整体复杂度。
本实施例的步骤S3中，基于拉东变换公式，将上述步骤S2所得信号星座图进行拉东变换，得到32*32*3的24位三基色图像。其中，进行拉东变换的公式为：
Figure BDA0003136365240000071
式中，R(ρ,θ)为拉东变换图，δ(·)为狄拉克函数，ρ为从原点到投影直线的距离，θ为投影角度，即法向距离与x的夹角，I'(x,y)为接收信号的星座图。
其中，投影角度θ的取值范围为0°到180°，以使拉东变换图像包含信号星座图的全部特征。
图4为拉东变换示意图。图5、图6分别给出了理想条件下，相干光通信中最常用的两种波特率以及五种调制格式的星座图像及其拉东变换图。在该系统，本实施例中选取了14GBaud和28GBaud两种波特率与(PDM-QPSK、PDM-8QAM、PDM-16QAM、PDM-32QAM、PDM-64QAM)五种常用调制格式光信号的拉东变换图像。
本实施例中的步骤S4中，为实现波特率及调制格式的识别、色散、差分群时延及光信噪比等多参数的联合监测，本实施例中采用的多任务神经网络模型如图7所示，包括依次连接的输入单元、共享参数单元和子任务单元；
其中，所述输入单元的输入为上述32*32*3的24位三基色图像；
所述共享参数单元包括依次连接的2个卷积核大小为5*5的卷积层、2个滑动窗口大小为2*2的池化层、1个平坦层和2个全连接层；具体地，在进行图像处理时，通过卷积层和池化层，对图像进行多层特征提取、映射以及最大池化以减少整个网络的参数数量，然后经过平坦层，使三维矩阵特征转换为一维向量，最后使用2个全连接层对神经元进行映射，并采用relu激活函数增强所使用的多任务神经网络的非线性拟合能力；
所述子任务单元包括5个子任务层，且各个子任务层结构相同，均为2个全连接层；5个子任务层对应的任务分别为波特率识别、调制格式识别、色度色散识别、差分群时延监测和光信噪比监测，其中，波特率识别、调制格式识别和色度色散识别均为分类任务，差分群时延监测和光信噪比监测为回归任务；
上述波特率识别、调制格式识别和色度色散识别对应的各个输出层中，均使用softmax激活函数将其多分类任务神经元的输出映射到(0,1)区间内进行分类，其损失函数为交叉熵函数；
其中，交叉熵函数Lk的表达式为：
Figure BDA0003136365240000091
式中，下标k为子任务索引号，k＝1,2,3，M为接收符号的总数，下标i为符号的索引号，
Figure BDA0003136365240000092
为预测概率值，yi为任务标签。
差分群时延监测和光信噪比监测对应的各输出层中，使用的激活函数及损失函数分别为linear函数及平均绝对误差函数。
其中，平均绝对误差函数LMAE的表达式为：
Figure BDA0003136365240000093
基于上述结构及损失函数设置，本实施例中的多任务神经网络模型的总损失函数L为：
L＝λ1L1+λ2L2+λ3L3+λ4L4,MAE+λ5L5,MAE
式中，L1,L2,L3分别表示波特率识别、调制格式识别和色度色散识别对应的各子任务层的损失函数，λ1,λ2,λ3分别为波特率识别、调制格式识别和色度色散识别对应的各子任务层损失函数的权重系数，L4,MAE及L5,MAE分别为差分群时延监测和光信噪比监测对应的各子任务层的损失函数，λ4及λ5分别为差分群时延监测和光信噪比监测对应的各子任务层损失函数的权重系数，其中，λ1＝0.2，λ2＝0.2，λ3＝0.5，λ4＝1，λ5＝1。
具体地，在进行分类任务时，波特率包括但不限于14GBaud、28GBaud，调制格式包括但不仅限于PDM-QPSK、PDM-8QAM、PDM-16QAM、32QAM、PDM-64QAM；在进行差分群时延监测时，由于不同波特率的相同差分群时延数值处于不同的差分群时延周期，本发明中统一用所处周期位置量纲来表示差分群时延的数值，以便于对不同波特率信号进行差分群时延的监测，例如，以符号周期为量纲，14GBaud信号中的2ps相当于28GBaud的1ps，它们与各自周期的比值相同，也就是0.028倍的符号周期。
实施例2：
本实施例中，基于VPI Transmission Maker Optical System 9.3和KerasLibrary机器学习库建立仿真系统，以验证本方法进行弹性光网络中关键参数联合监测的性能。图8所示为演示所使用的14/28GBaud PDM-EON传输仿真系统框图。首先，光发射机产生伪随机二进制序列长度为215-1的各种EON调制格式信号，包括14/28GBaud PDM-QPSK、14/28GBaud PDM-8QAM、14/28GBaud PDM-16QAM、14/28GBaud PDM-32QAM、14/28GBaud PDM-64QAM等，然后使用掺铒光纤放大器和可变光衰减器调节光信噪比(范围为10-28dB，步长为1dB)，其后利用CD模拟器在链路中添加一定的残余色散(范围为0-300ps/nm，步长为50ps/nm)，同时系统使用偏振模色散仿真器调整光纤链路的DGD，当信号为14GBaud时DGD设置在0-20ps(步长为2ps)范围内；当信号为28GBaud波特率时DGD设置在0-10ps(步长为1ps)范围内，以保证进行DGD监测时不同波特率信号的残余DGD相对其周期为同一数值。
经过相干接收后，共采集得到14630组数据，其中包括2种波特率、5种调制格式、19种光信噪比、7种色散值、11种差分群时延值。我们将每组数据随机生成20张星座图，数据集共有14630*20＝292600张图片，将数据集随机打乱，其中随机抽取60％作为训练集，抽取20％作为验证集，抽取20％作为测试集。然后利用上述实例1中的方法进行多参数联合监测。
所得波特率识别、调制格式识别、色散识别、DGD监测以及OSNR监测的仿真结果如图9所示。其中，BR、MF、CD三种分类任务的结果使用识别准确率表示，DGD、OSNR两种预测任务的结果用MAE表示。进行DGD监测结果表示时，我们统一用所处的周期位置来表示DGD的数值。例如，以相应的符号周期为量纲，14GBaud信号中的2ps DGD相当于28GBaud的1ps DGD，它们与各自周期的比值相同，均为0.028个符号周期。
由图9(a)(b)可得：训练集与验证集迭代曲线基本吻合，说明多任务学习网络模型具有良好的泛化性能。根据图9(b)可知：对于验证集数据，在分别经过83次和93次迭代之后，波特率与调制格式识别这两个分类任务的准确率均可以达到100％；经过173次迭代之后，CD识别的准确率可以达到99.7％；对于监测任务，在经过178次迭代之后，DGD与周期比值的MAE达到0.021，经过185次迭代，OSNR的MAE达到0.468dB。
图10给出了进行DGD监测时的MAE变化曲线。可以看出，对于PDM-QPSK/8QAM/16QAM/32QAM/64QAM信号，本方法得到的DGD监测MAE的误差曲线波动均较为平缓，均位于0.5ps～0.9ps范围内。
图11及图12分别给出了进行OSNR监测时得到的真实值与估计值的对应曲线，以及相应的MAE曲线。可以看出：本方法得到的OSNR估计值与真实值吻合较好；本方法对于PDM-QPSK/8QAM/16QAM/32QAM/64QAM进行OSNR估计的MAE具有随着OSNR的升高而增长的趋势，但最大MAE仅为1.6dB。
实施例3：
本实施例中，为进一步验证本方法的性能，我们还构建了14/28GBaud相干光传输实验系统。首先，在任意波形发生器(AWG，Keysight M8195A)中对于发射信号进行数字信号预处理，包括比特-符号映射、滚降因子为0.75的脉冲整形、发射机预失真处理等，伪随机位序列设置为215-1。经过每通道65GS/s采样率和25GHz模拟带宽的数模转换后，AWG输出4通道14/28GBaud QPSK/16QAM/32QAM的射频信号，送入一个偏振复用-IQ调制器。此外，本系统使用2个线宽约为100KHz的外腔激光器作为发射激光器及本振激光器，中心波长均设置在1550nm。此后，发射机输出的光信号送入光纤链路进行传输。在接收端，信号首先由相干接收机进行光电转换，然后利用每通道采样率为80GS/s、电带宽为36GHz的4通道实时示波器(Teledyne Lecroy，Labmaster 10Zi)进行模拟信号采集，每次采集65536个符号(即262144个样值)送入至数字信号处理模块进行离线处理。
使用的数字信号处理流程包括IQ正交化、CD补偿、重采样及CMA均衡等。进行PDM-QPSK/16QAM/32QAM的偏振解复用时，CMA的抽头系数、迭代次数和步长分别设置为7、20和3e-4。利用上述实施例1中的方法，每次从采集的65536个符号中随机选择8192个符号，进行多参数联合监测。
本实验主要利用14/28GBaud PDM-QPSK/16QAM/32QAM动态光信噪比传输实验来验证所提监测方法的有效性。图13给出了对于实验数据，波特率、调制格式识别准确率和光信噪比监测的MAE值。由图13(a)(b)可以看出，利用本方法后，训练集与验证集迭代曲线基本吻合；而对于验证集数据，经200次迭代之后波特率识别的准确率可达99.71％，调制格式识别准确率达到100％，OSNR监测的MAE稳定在0.548dB。由此证明仿真结果与实验结果基本吻合，从而进一步验证了本发明的有效性。
综上，经仿真和实验验证，本发明基于拉东变换和多任务神经网络原理，能够智能、快速和稳定地进行弹性光网络中多参数的联合监测，实现波特率、调制格式、光信噪比、残余CD及DGD等多种关键参数的联合识别及监测。具有监测参数多，鲁棒性好，识别精度高等优点。

Claims (8)

1.一种弹性光网络中的关键参数联合监测方法，其特征在于，包括以下步骤：
S1、在弹性光网络系统中，通过相干接收机对双偏振高阶调制格式信号进行光电转换和模数转换，对转换后信号进行数字信号预处理，并根据预处理后的信号生成为信号星座图；
S2、对生成的信号星座图进行数字图像预处理；
S3、对预处理后的信号星座图进行拉东变换，获得对应的三基色图像；
S4、根据获取的三基色图像，通过多任务神经网络模型实现关键多参数的联合识别及监测。
2.根据权利要求1所述的弹性光网络中的关键参数联合监测方法，其特征在于，所述步骤S2具体为：
对信号星座图依次进行灰度化、边缘化检测及下采样处理。
3.根据权利要求2所述的弹性光网络中的关键参数联合监测方法，其特征在于，所述步骤S3中，进行拉东变换的公式为：
Figure FDA0003136365230000011
式中，R(ρ,θ)为拉东变换图，δ(·)为狄拉克函数，ρ为从原点到投影直线的距离，θ为投影角度，即法向距离与x的夹角，I'(x,y)为接收信号的星座图。
4.根据权利要求2所述的弹性光网络中的关键参数联合监测方法，其特征在于，所述投影角度θ的取值范围为0°到180°。
5.根据权利要求3所述的弹性光网络中的关键参数联合监测方法，其特征在于，所述步骤S4中的多任务神经网络模型包括依次连接的输入单元、共享参数单元和子任务单元；
其中，所述输入单元的输入为三基色图像；
所述共享参数单元包括依次连接的2个卷积核大小为5*5的卷积层、滑动窗口大小为2*2的池化层、平坦层和2个全连接层；
所述子任务单元包括5个子任务层，且各个子任务层结构相同，均为2个全连接层；5个子任务层对应的任务分别为波特率识别、调制格式识别、色度色散识别、差分群时延监测和光信噪比监测，其中，波特率识别、调制格式识别和色度色散识别均为分类任务，差分群时延监测和光信噪比监测为回归任务。
6.根据权利要求3所述的弹性光网络中的关键参数联合监测方法，其特征在于，所述波特率识别、调制格式识别和色度色散识别对应的各个输出层中，均使用softmax激活函数将其多分类任务神经元的输出映射到(0,1)区间内进行分类，其损失函数为交叉熵函数；
其中，交叉熵函数Lk的表达式为：
Figure FDA0003136365230000021
式中，下标k为子任务索引号，k＝1,2,3，M为接收符号的总数，下标i为符号的索引号，
Figure FDA0003136365230000022
为预测概率值，yi为任务的标签。
7.根据权利要求6所述的弹性光网络中的关键参数联合监测方法，其特征在于，所述差分群时延监测和光信噪比监测对应的各输出层中，使用的激活函数及损失函数分别为linear函数及平均绝对误差函数；
其中，平均绝对误差函数LMAE的表达式为：
Figure FDA0003136365230000023
8.根据权利要求7所述的弹性光网络中的关键参数联合监测方法，其特征在于，所述多任务神经网络模型的总损失函数L为：
L＝λ1L1+λ2L2+λ3L3+λ4L4,MAE+λ5L5,MAE
式中，L1,L2,L3分别为波特率识别、调制格式识别和色度色散识别对应的各子任务层的损失函数，λ1,λ2,λ3分别为波特率识别、调制格式识别调制格式识别和色度色散识别对应的各子任务层的损失函数的权重系数，L4,MAE，L5,MAE分别为差分群时延监测和光信噪比监测对应的各子任务层的损失函数，λ4,λ5分别为差分群时延监测和光信噪比监测对应的各子任务层损失函数的权重系数。
CN202110720613.2A 2021-06-28 2021-06-28 一种弹性光网络中的关键参数联合监测方法 Active CN113452439B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110720613.2A CN113452439B (zh) 2021-06-28 2021-06-28 一种弹性光网络中的关键参数联合监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110720613.2A CN113452439B (zh) 2021-06-28 2021-06-28 一种弹性光网络中的关键参数联合监测方法

Publications (2)

Publication Number Publication Date
CN113452439A true CN113452439A (zh) 2021-09-28
CN113452439B CN113452439B (zh) 2022-07-01

Family

ID=77813510

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110720613.2A Active CN113452439B (zh) 2021-06-28 2021-06-28 一种弹性光网络中的关键参数联合监测方法

Country Status (1)

Country Link
CN (1) CN113452439B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140211838A1 (en) * 2013-01-29 2014-07-31 Zte (Usa) Inc. Method and apparatus for algorithm on flexible square-qam coherent detection
US20160269110A1 (en) * 2015-03-09 2016-09-15 Eci Telecom Ltd. Channel performance monitoring and an optical communication system using same
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
CN108880692A (zh) * 2018-06-05 2018-11-23 西南交通大学 一种相干光通信系统调制格式识别和光信噪比监控方法
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
CN112632855A (zh) * 2020-12-18 2021-04-09 北京科技大学 一种基于特征融合多任务卷积网络光性能检测方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140211838A1 (en) * 2013-01-29 2014-07-31 Zte (Usa) Inc. Method and apparatus for algorithm on flexible square-qam coherent detection
US20160269110A1 (en) * 2015-03-09 2016-09-15 Eci Telecom Ltd. Channel performance monitoring and an optical communication system using same
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
CN108880692A (zh) * 2018-06-05 2018-11-23 西南交通大学 一种相干光通信系统调制格式识别和光信噪比监控方法
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
CN112632855A (zh) * 2020-12-18 2021-04-09 北京科技大学 一种基于特征融合多任务卷积网络光性能检测方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
彭超然等: "基于深度卷积神经网络的数字调制方式识别", 《计算机测量与控制》 *
桂祥胜等: "一种基于卷积神经网络的信号调制方式识别方法", 《现代计算机(专业版)》 *
许恒迎: "弹性光网络参数辨识及偏振损伤均衡技术研究", 《中国博士学位论文》 *

Also Published As

Publication number Publication date
CN113452439B (zh) 2022-07-01

Similar Documents

Publication Publication Date Title
Khan et al. Modulation format identification in coherent receivers using deep machine learning
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
Saif et al. Machine learning techniques for optical performance monitoring and modulation format identification: A survey
Zhang et al. Non-data-aided k-nearest neighbors technique for optical fiber nonlinearity mitigation
CN113141325B (zh) 光ofdm信号子载波调制格式识别模型训练方法、识别方法及装置
CN109347562A (zh) 一种co-ofdm系统相位噪声优化补偿方法
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
Zhang et al. Identifying probabilistically shaped modulation formats through 2D stokes planes with two-stage deep neural networks
Wang et al. Comprehensive eye diagram analysis: a transfer learning approach
Yu et al. A modified PSO assisted blind modulation format identification scheme for elastic optical networks
Zhao et al. Blind modulation format identification based on improved PSO clustering in a 2D Stokes plane
Guesmi et al. Modulation formats recognition technique using artificial neural networks for radio over fiber systems
CN102035602A (zh) 基于最优信道编码调制的自适应光传输系统和方法
Hao et al. Stokes space modulation format identification for optical signals using probabilistic neural network
CN113364527B (zh) 一种适用于高速相干偏振复用系统的非线性损伤补偿方法
CN113542172B (zh) 基于改进pso聚类的弹性光网络调制格式识别方法及系统
CN114513394A (zh) 一种基于注意力机制图神经网络的信号调制格式识别方法、系统、装置及存储介质
Jones Machine learning methods in coherent optical communication systems
CN113452439B (zh) 一种弹性光网络中的关键参数联合监测方法
CN115001912B (zh) 基于BiLSTM的IFDMA-PON改善方法
Zhang et al. Convolutional neural network equalizer for Short-reach optical communication systems
CN109587091A (zh) 基于逻辑回归算法的相干光通信系统调制格式识别方法
Guo et al. Deep neural network based chromatic dispersion estimation with ultra-low sampling rate for optical fiber communication systems
He et al. Design and implementation of adaptive filtering algorithm for vlc based on convolutional neural network
CN113364519B (zh) 一种光性能监测方法、装置、电子设备以及存储介质

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