CN113472435A - 一种光信号调制参数和损伤因素同时提取的方法 - Google Patents

一种光信号调制参数和损伤因素同时提取的方法 Download PDF

Info

Publication number
CN113472435A
CN113472435A CN202110730757.6A CN202110730757A CN113472435A CN 113472435 A CN113472435 A CN 113472435A CN 202110730757 A CN202110730757 A CN 202110730757A CN 113472435 A CN113472435 A CN 113472435A
Authority
CN
China
Prior art keywords
layer
modulation parameters
optical signal
neural network
network model
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
CN202110730757.6A
Other languages
English (en)
Other versions
CN113472435B (zh
Inventor
柯昌剑
于成龙
王昊宇
钟一博
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 CN202110730757.6A priority Critical patent/CN113472435B/zh
Publication of CN113472435A publication Critical patent/CN113472435A/zh
Application granted granted Critical
Publication of CN113472435B publication Critical patent/CN113472435B/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
    • H04B10/0795—Performance monitoring; Measurement of transmission parameters
    • 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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/08—Learning methods
    • 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
    • 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

Abstract

本发明公开一种光信号调制参数和损伤因素同时提取的方法，属于光通信领域。方法包括：获取不同调制参数和损伤因素下的信号光谱，预处理后将其作为训练集；将训练集作为输入，训练多任务卷积神经网络模型，所述多任务卷积神经网络模型通过共享卷积层和池化层所提取的信号光谱信息，针对不同任务，将特定的激活函数和神经元相连接；将所需分析的信号光谱输入至训练完成的多任务卷积神经网络模型，对多个光信号调制参数和损伤因素同时进行提取。

Description

一种光信号调制参数和损伤因素同时提取的方法
技术领域
本发明涉及光通信领域，更具体地，涉及一种光信号调制参数和损伤因素同时提取的方法。
背景技术
随着云计算、高清视频、万物互联等技术相继出现，数据通信流量快速增长，弹性光网络(EON)应运而生。由于网络架构愈加庞大、复杂和灵活多变，对众多网络性能参数进行监测对于保障光网络的运行十分重要。光谱是光信号的重要特征，可以为光网络性能监测提供丰富的信息。基于光谱的光网络性能监测技术具有测试结构较为简单、分析对象直观、对色散和偏振模色散不敏感等优点，适用于光网络链路节点。
期刊文献1(Li Y,Hua N,Li J,et al.Optical spectrum feature analysis andrecognition for optical network security with machine learning[J].OpticsExpress,2019,27(17):24808.)基于光谱，利用支持向量机(SVM)和一维卷积神经网络(1D-CNN)算法，实现了光信号调制参数的分析。期刊文献2(Hu C,Zheng H,Li W,etal.Modulation-format-independent in-band OSNR monitoring technique usingGaussian process regression for a Raman amplified multi-span system with acascaded filtering effect[J].Optics express,2020,28(7):10134-10144.)基于光谱，利用高斯过程回归(GPR)算法，实现了光信号损伤因素光信噪比(OSNR)的分析。但上述两种方案基于光谱，仅能实现对光信号调制参数和损伤因素中的一类进行分析，无法实现光信号调制参数和损伤因素的同时提取，不满足未来弹性光网络对多个网络性能参数同时监测的需求。
发明内容
针对现有技术的缺陷，本发明的目的在于提供一种基于光谱的光信号调制参数和损伤因素同时提取的方法，旨在解决现有技术无法在光网络链路节点处对多个光信号调制参数和损伤因素同时进行提取的问题。
为实现上述目的，本发明提出一种基于光谱的光信号调制参数和损伤因素同时提取的方法，包括：
获取不同调制参数和损伤因素下的信号光谱，预处理后将其作为训练集；
将训练集作为输入，训练多任务卷积神经网络模型；
将所需分析的信号光谱输入至训练完成的多任务卷积神经网络模型，对多个光信号调制参数和损伤因素同时进行提取；
输出提取的光信号调制参数和损伤因素。
进一步地，所述获取不同调制参数和损伤因素下的信号光谱包括：
获取不同调制参数下的光信号，调节各光信号的光性能损伤因素，得到携带不同光性能损伤的光信号；
在系统接收端利用光谱接收装置对携带不同光性能损伤的光信号进行采集和保存，得到不同调制参数和损伤因素下的信号光谱。
进一步地，所述获取不同调制参数下的光信号，调节各光信号的光性能损伤因素，得到携带不同光性能损伤的光信号包括：
对不同调制参数下的光信号进行仿真；
在仿真过程中，调节各光信号的光性能损伤因素，以便在系统接收端，得到携带不同光性能损伤的光信号。
进一步地，所述调制参数包括：调制格式、比特率和脉冲形状。
进一步地，所述损伤因素包括：光信噪比、消光比、激光器中心频率漂移量、级联滤波器个数，滤波器中心波长偏差量。
进一步地，所述将训练集作为输入，训练多任务卷积神经网络模型包括：
将训练集作为多任务卷积神经网络模型的输入，将对应的光信号调制参数和损伤因素作为不同任务的标签值，训练所述多任务卷积神经网络模型。
进一步地，所述将对应的光信号调制参数和损伤因素作为不同任务的标签值包括：
将光信号调制参数作为分类任务标签值，将光信号损伤因素作为回归任务标签值。
进一步地，所述多任务卷积神经网络模型包括：
一个输入层，M个卷积层C1、C2、…、CM，N个池化层P1、P2、…、PN，L个全连接层F1、F2、…、FL，一个输出层；其中m个卷积层对应一个池化层，M＝m×N；
所述输入层的输入为经过预处理的信号光谱数据，输入层与M个卷积层相连；
所述卷积层Ci含有ki个大小为ai×1的卷积核，所述输入层图像经过m个卷积层特征检测后得到km个特征图，进而将得到的特征图传递至池化层；
所述池化层Pj以bj×1的大小对卷积层得到的特征图进行最大采样，得到特征筛选后的特征图，再将得到的特征图传递至下一m个卷积层；
所述卷积层和池化层对顺序连接，充分提取信号光谱特征；
所述全连接层F1是最后一个池化层PN所得特征图的像素点映射而成，每个像素点代表一个神经元节点，全连接层F1、F2、…、FL依次顺序全连接；
所述M个卷积层，N个池化层，L个全连接层之间采用ReLU激活函数；
所述输出层由最后一个全连接层FL全连接形成，其中回归任务对应的输出层神经元采用线性激活函数，分类任务对应的输出层神经元采用Softmax激活函数，模型选用Adam算法进行优化。
进一步地，所述将所需分析的信号光谱输入至训练完成的多任务卷积神经网络模型，对多个光信号调制参数和损伤因素同时进行提取包括：
将所需分析的信号光谱输入至训练完成的多任务卷积神经网络模型，通过其训练好的模型对当前输入的信号光谱数据进行分析，从而实现对多个光信号调制参数和损伤因素的同时提取。
进一步地，所述输出提取的光信号调制参数和损伤因素包括：
由所述多任务卷积神经网络模型输出不同任务的标签信息，进而得到所述多任务卷积神经网络模型同时提取的光信号调制参数和损伤因素。
总体而言，通过本发明所构思的以上技术方案，与现有技术相比，能够取得以下有益效果：
1、本发明提出的光信号调制参数和损伤因素同时提取的方法，解决了现有基于光谱的光学性能分析方案中一种算法仅能实现对光信号调制参数或损伤因素中的一类进行提取，适应度低的问题。本发明基于深度学习技术中的多任务卷积神经网络，能够同时进行对任意多个光信号调制参数和损伤因素的提取，由于其强大的特征自动提取和共享能力，本发明更加高效快速，性能优异。
2、本发明提出的光信号调制参数和损伤因素同时提取的方法，基于信号光谱，测试结构较为简单、分析对象直观、对色散和偏振模色散不敏感，适用于光网络链路节点。
附图说明
图1为本发明实施例提供的光信号调制参数和损伤因素同时提取方法的流程图；
图2为本发明实施例提供的信号光谱仿真结构图；
图3(a)为本发明实施例提供的多任务卷积神经网络模型的结构示意图；
图3(b)为本发明实施例提供的4种不同网络结构对模型性能的影响示意图；
图4为本发明实施例提供的光信号调制参数的提取结果；
图5为本发明实施例提供的光信号损伤因素的提取结果。
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。
针对现有技术的缺陷或改进需求，本发明提出了一种基于光谱的光信号调制参数和损伤因素同时提取的方法，用以解决现有技术无法在光网络链路节点处对多个光信号调制参数和损伤因素同时进行提取的问题。
如图1所示，本发明实施例提供的光信号调制参数和损伤因素同时提取的方法，包括：
获取不同调制参数和损伤因素下的信号光谱，预处理后将其作为训练集；
将训练集作为输入，训练多任务卷积神经网络模型；
将所需分析的信号光谱输入至训练完成的多任务卷积神经网络模型，对多个光信号调制参数和损伤因素同时进行提取；
输出提取的光信号调制参数和损伤因素。
在前述光信号调制参数和损伤因素同时提取方法的具体实施方式中，所述获取不同调制参数和损伤因素下的信号光谱，预处理后将其作为训练集包括：
获取不同调制参数下的光信号，调节各光信号的光性能损伤因素，得到携带不同光性能损伤的光信号；
在系统接收端利用光谱接收装置对携带不同光性能损伤的光信号进行采集和保存，得到不同调制参数和损伤因素下的信号光谱；
在前述光信号调制参数和损伤因素同时提取方法的具体实施方式中，所述获取不同调制参数下的光信号，调节各光信号的光性能损伤因素，得到携带不同光性能损伤的光信号包括：
对不同调制参数下的光信号进行仿真；
在仿真过程中，调节各光信号的光性能损伤因素，以便在系统接收端，得到携带不同光性能损伤的光信号；
图2为本发明实施例提供的信号光谱仿真结构图，包括光信号发射机1，波分复用器2，标准单模光纤3，掺铒光纤放大器4，光学带通滤波器5，自发辐射噪声6，光耦合器7，光谱接收装置8。光发射机生成不同调制格式、比特率和脉冲形状等调制参数组合的光信号，通过改变激光器中心频率以模拟激光器中心频率漂移，改变调制器的消光比模拟消光比劣化；信号经波分复用后至光纤跨度传输，掺铒光纤放大器放大用以补偿传输损耗，通过改变光学带通滤波器个数模拟级联滤波效应，改变光学带通滤波器中心波长模拟偏心滤波效应；随后自发辐射噪声经光耦合器附加于信号上，改变自发辐射噪声功率获得不同光信噪比。在系统接收端利用光谱接收装置采集不同调制参数和损伤因素下的信号光谱。
基于所述仿真系统，综合考虑调制格式、比特率和脉冲形状等调制参数，选取7种广泛应用于光纤通信系统的信号类型，其包含广泛使用的调制格式，如OOK，BPSK，QPSK，8PSK，16QAM，64QAM；信号速率范围包括光网络的主流传输速率，从10Gb/s到420Gb/s；多种脉冲整形方式，如NRZ，RZ，Nyquist。综合考虑光信噪比、消光比、激光器中心频率漂移量、级联滤波器个数，滤波器中心波长偏差量等损伤因素后，从而构建不同调制参数和损伤因素下的信号光谱样本集，每种信号光谱样本数为7776，总体信号光谱样本数为54432。对信号光谱数据进行功率归一化预处理后，按照70％：30％的比例随机划分成训练集和测试集。
在前述光信号调制参数和损伤因素同时提取方法的具体实施方式中，所述将训练集作为输入，训练多任务卷积神经网络模型包括：
将训练集作为多任务卷积神经网络模型的输入，将对应的光信号调制参数和损伤因素作为不同任务的标签值，训练所述多任务卷积神经网络模型。
在前述光信号调制参数和损伤因素同时提取方法的具体实施方式中，所述将对应的光信号调制参数和损伤因素作为不同任务的标签值包括：
将光信号调制参数作为分类任务标签值，将光信号损伤因素作为回归任务标签值。
在前述光信号调制参数和损伤因素同时提取方法的具体实施方式中，所述多任务卷积神经网络模型包括：
一个输入层，四个卷积层，两个池化层，一个全连接层，一个输出层。
图3(a)为本发明实施例提供的多任务卷积神经网络模型的结构示意图，第一层为输入层，一维信号光谱数据作为多任务卷积神经网络模型的输入；第二、三层(C1、C2)为卷积层，卷积核大小为3×1；第四层(P1)为池化层，以2×2的采样大小数据进行最大池化；第五、六层(C3、C4)为卷积层，卷积核大小为3×1；第七层(P2)为池化层，以2×2的采样大小数据进行最大池化；第八层(F1)为全连接层，其神经元节点与第七层进行全连接操作；第九层为输出层，与全连接层的神经元节点完全连接，输出8个神经元节点，其中7个神经元节点用于调制参数分析的分类任务，1个神经元节点用于损伤因素分析的回归任务。
卷积层由一系列卷积核组成，其作用是特征检测，通过遍历输入数据的整个深度，生成特征图。为了建立有效的模型，需要多个卷积核来检测特征，以生成多个特征图。总的来说，卷积层中的每个特征图都代表从输入数据中提取的特征。池化层通常跟在卷积层后面，将输入的特征图分割成较小的块，提取出各对应块中的相应特征，起到特征筛选的作用。池化操作能够有效保证特征的相对位置，在不增加待训练参数个数的情况下降低网络输出的维度，加速网络拟合过程。
常见的单任务学习将光信号调制参数和损伤因素提取分解为简单且相互独立的子任务来解决，但其忽略了任务之间所包含的丰富的关联信息。多任务学习通过充分共享卷积层和池化层所提取的信号光谱信息，并针对不同任务，将特定的激活函数和神经元相连接，在可以实现多个任务的同时提升模型的泛化能力。回归任务需要选择线性函数作为输出层的激活函数，分类任务需要选择如式(1)所示的Softmax函数作为激活函数。此外，还需根据任务类型确定相应的损失函数，对于回归任务常采用MSE损失函数如式(2)所示，对于分类任务常采用交叉熵损失函数如式(3)所示：
Figure BDA0003139760240000081
Figure BDA0003139760240000082
Figure BDA0003139760240000083
其中m是样本个数，yi和
Figure BDA0003139760240000084
分别是实际值和估计值。为了得到模型的总损失函数L，需要对不同任务的损失函数应进行加权求和，如式(4)所示：
L＝λ1L1+λ2L2 (4)
其中L1，L2分别是MSE损失函数和交叉熵损失函数；λ1，λ2是L1，L2的权重系数。λ1，λ2的值将会影响模型的监测结果，为了防止不同任务之间出现明显的性能差异，需要合理调整两个任务的权重，以优化模型的整体性能。经模型训练发现：λ1和λ2的数值分别选取0.4和1.2，是一个合理并且实用的设置。
图3(b)为本发明实施例提供的4种不同网络结构对模型性能的影响示意图，通过将上述多任务卷积神经网络模型中卷积层的层数设置为如图中所示的大小，可以发现中等规模(32,32,64,64)的网络相较于小型网络其损失函数值较低，模型性能较好。虽然大规模网络同样可以获得较低的损失函数值，但其庞大的网络规模将增加模型的运行时间。因此，在接下来利用该模型进行光信号调制参数和损伤因素同时提取的任务中，选取中等规模的网络结构。
在前述光信号调制参数和损伤因素同时提取的方法的具体实施方式中，进一步的，所述将所需分析的信号光谱输入至训练完成的多任务卷积神经网络模型，对多个光信号调制参数和损伤因素同时进行提取包括：
将所需分析的信号光谱输入至训练完成的多任务卷积神经网络模型，通过其训练好的模型对当前输入的信号光谱数据进行分析，从而实现对多个光信号调制参数和损伤因素的同时提取。
在前述光信号调制参数和损伤因素同时提取方法的具体实施方式中，进一步的，所述输出提取的光信号调制参数和损伤因素包括：
由所述多任务卷积神经网络模型输出不同任务的标签信息，进而得到所述多任务卷积神经网络模型同时提取的光信号调制参数和损伤因素。
为证明本发明所提的光信号调制参数和损伤因素同时提取方法的准确性：通过图4本发明实施例提供的光信号调制参数的提取结果，可知多任务卷积神经网络模型能够实现对上述所选取的7种信号类型调制参数的精准识别。通过图5本发明实施例提供的光信号损伤因素的提取结果，进一步的，本实施例选取光信噪比为例进行损伤因素分析，可知多任务卷积神经网络模型能够实现对上述所选取的7种信号光信噪比的低误差监测。此外，多任务卷积神经网络由于可以同时执行多个任务，即可以实现光信号调制参数和损伤因素的同时提取，因而运行速度快，能满足光网络对多个网络性能参数同时实现快速精准监测的需求。
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 (9)

1.一种光信号调制参数和损伤因素同时提取的方法，其特征在于，包括：
获取不同调制参数和损伤因素下的信号光谱，预处理后将其作为训练集；
将训练集作为输入，训练多任务卷积神经网络模型，所述多任务卷积神经网络模型通过共享卷积层和池化层所提取的信号光谱信息，针对不同任务，将特定的激活函数和神经元相连接；
将所需分析的信号光谱输入至训练完成的多任务卷积神经网络模型，对多个光信号调制参数和损伤因素同时进行提取。
2.如权利要求1所述的方法，其特征在于，所述将训练集作为输入，训练多任务卷积神经网络模型包括：
将训练集作为多任务卷积神经网络模型的输入，将对应的光信号调制参数和损伤因素作为不同任务的标签值，训练所述多任务卷积神经网络模型。
3.如权利要求2所述的方法，其特征在于，所述将对应的光信号调制参数和损伤因素作为不同任务的标签值包括：
将光信号调制参数作为分类任务标签值，将光信号损伤因素作为回归任务标签值。
4.如权利要求1所述的方法，其特征在于，所述将所需分析的信号光谱输入至训练完成的多任务卷积神经网络模型，对多个光信号调制参数和损伤因素同时进行提取包括：
将所需分析的信号光谱输入至训练完成的多任务卷积神经网络模型，通过其训练好的模型对当前输入的信号光谱数据进行分析，从而实现对多个光信号调制参数和损伤因素的同时提取。
5.如权利要求1所述的方法，其特征在于，所述获取不同调制参数和损伤因素下的信号光谱包括：
获取不同调制参数下的光信号，调节各光信号的损伤因素，得到携带不同光性能损伤的光信号，采集得到不同调制参数和损伤因素下的信号光谱。
6.如权利要求1所述的方法，其特征在于，所述输出提取的光信号调制参数和损伤因素包括：
由所述多任务卷积神经网络模型输出不同任务的标签信息，进而得到所述多任务卷积神经网络模型同时提取的光信号调制参数和损伤因素。
7.如权利要求1所述的方法，其特征在于，所述多任务卷积神经网络模型包括：
一个输入层，M个卷积层C1、C2、…、CM，N个池化层P1、P2、…、PN，L个全连接层F1、F2、…、FL，一个输出层；其中m个卷积层对应一个池化层，M＝m×N；
所述输入层的输入为经过预处理的信号光谱数据，输入层与M个卷积层相连；
所述卷积层Ci含有ki个大小为ai×1的卷积核，所述输入层图像经过m个卷积层特征检测后得到km个特征图，进而将得到的特征图传递至池化层；
所述池化层Pj以bj×1的大小对卷积层得到的特征图进行最大采样，得到特征筛选后的特征图，再将得到的特征图传递至下一m个卷积层；
所述卷积层和池化层对顺序连接，用于提取信号光谱特征；
所述全连接层F1是最后一个池化层PN所得特征图的像素点映射而成，每个像素点代表一个神经元节点，全连接层F1、F2、…、FL依次顺序全连接；
所述M个卷积层，N个池化层，L个全连接层之间采用ReLU激活函数；
所述输出层由最后一个全连接层FL全连接形成，其中回归任务对应的输出层神经元采用线性激活函数，分类任务对应的输出层神经元采用Softmax激活函数，模型选用Adam算法进行优化。
8.如权利要求1所述的方法，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。
9.如权利要求1所述的方法，其特征在于，所述损伤因素包括：光信噪比、消光比、激光器中心频率漂移量、级联滤波器个数，滤波器中心波长偏差量。
CN202110730757.6A 2021-06-30 2021-06-30 一种光信号调制参数和损伤因素同时提取的方法 Active CN113472435B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110730757.6A CN113472435B (zh) 2021-06-30 2021-06-30 一种光信号调制参数和损伤因素同时提取的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110730757.6A CN113472435B (zh) 2021-06-30 2021-06-30 一种光信号调制参数和损伤因素同时提取的方法

Publications (2)

Publication Number Publication Date
CN113472435A true CN113472435A (zh) 2021-10-01
CN113472435B CN113472435B (zh) 2022-09-27

Family

ID=77873999

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110730757.6A Active CN113472435B (zh) 2021-06-30 2021-06-30 一种光信号调制参数和损伤因素同时提取的方法

Country Status (1)

Country Link
CN (1) CN113472435B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114124214A (zh) * 2021-11-22 2022-03-01 中国联合网络通信集团有限公司 一种光纤传输优化方法、装置、电子设备及存储介质
CN115173940A (zh) * 2022-06-27 2022-10-11 华中科技大学 多信道光传输系统链路联合损伤监测方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
US20200303038A1 (en) * 2019-03-19 2020-09-24 The University Of Hong Kong Variant calling in single molecule sequencing using a convolutional neural network
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 (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US20200303038A1 (en) * 2019-03-19 2020-09-24 The University Of Hong Kong Variant calling in single molecule sequencing using a convolutional neural network
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
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

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114124214A (zh) * 2021-11-22 2022-03-01 中国联合网络通信集团有限公司 一种光纤传输优化方法、装置、电子设备及存储介质
CN114124214B (zh) * 2021-11-22 2023-02-17 中国联合网络通信集团有限公司 一种光纤传输优化方法、装置、电子设备及存储介质
CN115173940A (zh) * 2022-06-27 2022-10-11 华中科技大学 多信道光传输系统链路联合损伤监测方法及系统
CN115173940B (zh) * 2022-06-27 2024-04-23 华中科技大学 多信道光传输系统链路联合损伤监测方法及系统

Also Published As

Publication number Publication date
CN113472435B (zh) 2022-09-27

Similar Documents

Publication Publication Date Title
CN108446631B (zh) 基于卷积神经网络的深度学习的智能频谱图分析方法
CN113472435B (zh) 一种光信号调制参数和损伤因素同时提取的方法
Saif et al. Machine learning techniques for optical performance monitoring and modulation format identification: A survey
Khan et al. Modulation format identification in coherent receivers using deep machine learning
CN109217923A (zh) 一种联合光性能监测和速率、调制格式识别方法及系统
CN107342962B (zh) 基于卷积神经网络的深度学习智能星座图分析方法
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
Fan et al. Joint optical performance monitoring and modulation format/bit-rate identification by CNN-based multi-task learning
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
CN109379132B (zh) 一种低速相干探测和神经网络估计光纤色散的装置与方法
CN109905167A (zh) 一种基于卷积神经网络的光通信系统性能分析方法
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
CN103178900A (zh) 基于支持向量机的相干光通信系统非线性损伤消除装置
Wang et al. Convolutional neural network-based deep learning for intelligent OSNR estimation on eye diagrams
Cho et al. Optical performance monitoring using digital coherent receivers and convolutional neural networks
CN109347776A (zh) 一种差分相位幅度比的光通信信号调制格式识别方法
Lv et al. Joint OSNR monitoring and modulation format identification on signal amplitude histograms using convolutional neural network
CN113938188A (zh) 一种光信噪比监测模型的构建方法及应用
Yu et al. Multi-task learning convolutional neural network and optical spectrums enabled optical performance monitoring
Cho et al. Convolutional recurrent machine learning for OSNR and launch power estimation: a critical assessment
CN101764649B (zh) 基于ica信号分离算法的mgdm多模光纤通信系统及方法
Zhang et al. Intelligent equally weighted multi-task learning for joint OSNR monitoring and modulation format identification
Kashi et al. Artificial neural networks for fiber nonlinear noise estimation
Sun et al. Generalized soft failure identification enabled by digital residual spectrum and autoencoder
CN114598581A (zh) 概率整形信号的双阶段检测模型训练方法、识别方法及装置

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