CN113837120A - 基于神经网络的多芯光纤串扰监测方法与系统 - Google Patents
基于神经网络的多芯光纤串扰监测方法与系统 Download PDFInfo
- Publication number
- CN113837120A CN113837120A CN202111142131.XA CN202111142131A CN113837120A CN 113837120 A CN113837120 A CN 113837120A CN 202111142131 A CN202111142131 A CN 202111142131A CN 113837120 A CN113837120 A CN 113837120A
- Authority
- CN
- China
- Prior art keywords
- neural network
- crosstalk
- optical fiber
- core optical
- asynchronous
- 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.)
- Pending
Links
- 239000013307 optical fiber Substances 0.000 title claims abstract description 82
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 80
- 238000012544 monitoring process Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000005070 sampling Methods 0.000 claims abstract description 22
- 230000003287 optical effect Effects 0.000 claims description 32
- 239000000835 fiber Substances 0.000 claims description 26
- 238000003062 neural network model Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000002790 cross-validation Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims 1
- 230000005540 biological transmission Effects 0.000 abstract description 2
- 238000012423 maintenance Methods 0.000 abstract description 2
- 239000007787 solid Substances 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 13
- 230000008878 coupling Effects 0.000 description 5
- 238000010168 coupling process Methods 0.000 description 5
- 238000005859 coupling reaction Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- GQYHUHYESMUTHG-UHFFFAOYSA-N lithium niobate Chemical compound [Li+].[O-][Nb](=O)=O GQYHUHYESMUTHG-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
-
- 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 Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Signal Processing (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Testing Of Optical Devices Or Fibers (AREA)
Abstract
本发明公开一种基于神经网络的多芯光纤串扰监测方法：在接收端获取原始时间序列信号，同时利用功率计测量得到串扰值；对原始时间序列信号进行异步采样，获得异步幅度直方图；将异步幅度直方图与对应的串扰标签值输入神经网络进行训练，得到训练完成的神经网络；获取当前链路中的信号，通过异步采样得到异步幅度直方图后，输入训练完成的神经网络中，即可实现空分复用系统中多芯光纤串扰的实时在线监测。本发明提供的基于神经网络的多芯光纤串扰监测方法，能够对于空分复用链路中波动剧烈的串扰实现实时动态监测，为空分复用系统的稳定传输提供了坚实的运维技术支持。本发明还提供了相应的基于神经网络的多芯光纤串扰监测系统。
Description
技术领域
本发明属于光纤通信和光网络技术领域，更具体地，涉及一种基于神经网络的多芯光纤串扰监测方法与系统。
背景技术
在成倍地提升光纤通信容量的方式中，多芯光纤为代表的空分复用光纤能够在光的空间维度上很好地填补当前系统容量的缺口。目前，基于多芯光纤空分复用的强度调制-直接检测系统在数据中心短距光互连中具有很高的应用前景。但是，多芯光纤芯间距极小的特征为光纤通信系统引入了新的物理损伤——芯间串扰。
多芯光纤芯间串扰的本质为邻近纤芯之间光能量的横向模式耦合。近年研究表明，芯间串扰这一物理量在时域与频域中均呈现动态随机波动的特性，当芯间串扰出现剧烈波动时，会显著影响光纤通信系统的误码率，导致系统中断的发生。因此，对于多芯光纤的芯间串扰监测，是多芯光纤空分复用系统中不可或缺的重要技术之一。
目前多芯光纤芯间串扰的估计主要依据模式耦合理论与功率耦合理论进行计算，得到的结果均为静态串扰，只适合应用于多芯光纤制备过程中的串扰估计。对于实际的多芯光纤空分复用系统，目前仍缺乏合适的技术能够在系统正常运行的状态下在线地监测动态串扰。
发明内容
为了解决背景技术中存在的问题，本发明提供了一种基于神经网络的多芯光纤串扰监测方法，实现芯间串扰的在线智能监测。该监测方法通过深度神经网络学习得到异步幅度直方图与串扰值之间的联系，而异步幅度直方图为接收端电信号的统计特征，可以充分反映信号的幅值分布。基于深度学习与异步幅度直方图的动态串扰监测方法具有准确度高，复杂度低，无需时钟同步的特点，可以实现在线实时监测多芯空分复用系统的动态串扰。
为实现上述目的，按照本发明的一个方面，提供了一种基于神经网络的多芯光纤串扰监测方法，包括如下步骤：
(1)在强度调制-直接检测的多芯光纤空分复用系统中，由发射端产生多路强度调制的光信号，经过多芯光纤信道独立地传输后，在接收端的光电二极管处获得受芯间串扰损伤的信号序列，同时利用功率计测量多芯光纤的输入功率与输出功率，计算得到标定的串扰值；
(2)对接收端获取的电域时间序列信号振幅进行随机幅度异步抽样，统计获得异步幅度直方图；
(3)将异步幅度直方图作为样本，对应的串扰值作为标签，输入深度神经网络模型进行训练，得到训练完成的神经网络；
(4)在多芯光纤空分复用系统的接收端获取链路信号作为测试样本，利用异步采样技术获得异步幅度直方图，输入由步骤(3)获得的训练完成的神经网络中，即可实现空分复用系统中多芯光纤芯间串扰的实时在线监测。
更进一步地，步骤(1)中步骤(1)中利用功率计测量多芯光纤的输入功率与输出功率，计算得到标定的串扰值，其流程为，将激光注入m芯，使用光功率计测量得到输入端光功率Pm,in，在多芯光纤的输出端，测得n芯的输出光功率为Pn,out，则此时标定的m芯到n芯的芯间串扰为：
其中N为纤芯个数。
更进一步地，步骤(3)中所述神经网络为全连接深度神经网络，所述全连接深度神经网络中激活函数选用带泄露线性整流函数。
更进一步地，步骤(3)中所述深度神经网络模型中，训练集分出一部分数据作为验证集，进行K折交叉验证。
更进一步地，步骤(3)中所述深度神经网络模型中对于学习参数进行初始化策略。
更进一步地，步骤(3)中所述深度神经网络模型中优化器选择为自适应矩估计优化器；所述深度神经网络模型中选择均方误差作为损失函数的评价指标，选择平均绝对误差作为监测误差的评价指标。
更进一步地，步骤(3)中所述深度神经网络模型中加入Dropout训练策略，训练过程中随机将部分隐藏层的节点置零。
更进一步地，步骤(3)中所述深度神经网络模型中对每个批次的数据分布均进行归一化。
更进一步地，步骤(3)中所述深度神经网络模型中加入学习率衰减策略，随着迭代次数的增加，学习率逐渐减少；所述深度神经网络模型在训练过程中使用早停法，经过多个训练步长误差仍不变时停止训练。
按照本发明的另一个方面，提供了一种基于神经网络的多芯光纤串扰监测系统，包括串扰数据采集模块，异步幅度采样模块，神经网络训练模块以及在线串扰监测模块，其中：
所述串扰数据采集模块，用于在强度调制-直接检测的多芯光纤空分复用系统中，由发射端产生多路强度调制的光信号，经过多芯光纤信道独立地传输后，在接收端的光电二极管处获得受芯间串扰损伤的信号序列，并利用功率计测量多芯光纤的输入功率与输出功率，计算得到标定的串扰值；
所述异步幅度采样模块，用于对接收端获取的电域时间序列信号振幅进行随机幅度异步抽样，统计获得异步幅度直方图；
所述神经网络训练模块，用于将异步幅度直方图作为样本，对应的串扰值作为标签，输入深度神经网络模型进行训练，得到训练完成的神经网络；
所述在线串扰监测模块，用于在多芯光纤空分复用系统的接收端获取链路信号作为测试样本，利用异步采样技术获得异步幅度直方图，输入训练完成的神经网络中，即可实现空分复用系统中多芯光纤芯间串扰的实时在线监测。
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，具有如下有益效果：
(1)本发明提供的基于神经网络的多芯光纤串扰监测系统方法，可以实现在线实时监测多芯空分复用系统的动态串扰。由此解决现有串扰估计方法中依据模式耦合理论与功率耦合理论估计的结果均为静态串扰，无法监测实际波动中芯间串扰的技术问题；
(2)本发明提供的基于神经网络的多芯光纤串扰监测系统方法，利用深度学习的强大计算能力挖掘出受芯间串扰损伤的信号与芯间串扰大小之间的复杂函数关系，具有准确度高，智能化，可迁移的特点；
(3)本发明提供的基于神经网络的多芯光纤串扰监测系统方法，利用异步幅度直方图提取受芯间串扰损伤的信号的特征，无需时钟同步，同时大幅降低了输入信号的维度，具有复杂度低的特点；
(4)本发明利用神经网络实现了多芯光纤空分复用链路中芯间串扰这一物理损伤的实时在线监测，无需断开链路测量功率；利用神经网络实现了多芯光纤空分复用链路中芯间串扰这一物理损伤的智能准确监测，误差小于0.5dB。
附图说明
图1为本发明提供的一种基于神经网络的多芯光纤串扰监测方法的流程图；
图2为本发明提供的一种基于神经网络的多芯光纤串扰监测方法的实验装置图；
图3为本发明提供的一种基于神经网络的多芯光纤串扰监测方法的实验用多芯光纤示意图：其中图3(a)为多芯光纤的纤芯分布示意图，图3(b)为实验用多芯光纤的剖面图；
图4为本发明提供的一种基于神经网络的多芯光纤串扰监测方法的异步幅度直方图示意图：其中图4(a)为异步幅度直方图的原理，图4(b)与图4(c)为实验中测量得到的异步幅度直方图示意图；
图5为本发明提供的一种基于神经网络的多芯光纤串扰监测方法的神经网络估计串扰的算法示意图；
图6为本发明提供的一种基于神经网络的多芯光纤串扰监测方法的实验结果图：其中图6(a)为深度神经网络的训练结果图，图6(b)为监测结果的误差棒图；
图7为本发明提供的一种基于神经网络的多芯光纤串扰监测系统的结构示意图。
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。
为解决现有技术存在的问题，如图1所示，本发明提供了一种基于神经网络的多芯光纤串扰监测方法，包括如下步骤：
步骤一：在强度调制-直接检测的多芯光纤空分复用系统中，由发射端产生多路强度调制的光信号，经过多芯光纤信道独立地传输后，在接收端的光电二极管处获得受芯间串扰损伤的信号序列，同时利用功率计测量多芯光纤的输入功率与输出功率，计算得到标定的串扰值；
优选地，在本步骤中，利用功率计测量多芯光纤的输入输出功率以计算串扰值，其流程为，将激光注入m芯，使用光功率计测量得到输入端光功率Pm,in，在多芯光纤的输出端，测得n芯的输出光功率为Pn,out，则此时标定的m芯到n芯的芯间串扰为：
其中N为纤芯个数。
步骤二：对接收端获取的电域时间序列信号振幅进行随机幅度异步抽样，统计获得异步幅度直方图；
优选地，在本步骤中，为了降低后续深度神经网络提取动态串扰特征的复杂度，只保留异步幅度直方图的纵轴数值，即落入每个幅度区间的幅度个数，而将横轴信息舍去，此时异步幅度直方图转化为一个1×nb的一位向量，其中nb代表幅度区间的个数。假设总共采集了nA个异步幅度直方图，则输入神经网络进行离线训练学习的参数仅为一个nA×nb的矩阵，大幅降低了存储空间与后续处理的复杂度。
步骤三：将异步幅度直方图作为样本，对应的串扰值作为标签，输入深度神经网络模型进行训练，得到训练完成的神经网络；
优选地，在本步骤中，神经网络选择为全连接深度神经网络，其中激活函数选用带泄露线性整流函数，优化器选择为自适应矩估计优化器。
优选地，在本步骤中，所述深度神经网络模型中训练集分出一部分数据作为验证集，进行K折交叉验证。选择均方误差作为损失函数的评价指标，选择平均绝对误差作为监测误差的评价指标。
优选地，在本步骤中，所述深度神经网络模型训练中对每个批次的数据分布均进行归一化；对于学习参数进行初始化策略；加入Dropout训练策略，训练过程中随机将部分隐藏层的节点置零；加入学习率衰减策略，随着迭代次数的增加，学习率逐渐减少；使用早停法，经过多个训练步长误差仍不变时停止训练。
步骤四：在多芯光纤空分复用系统的接收端获取链路信号作为测试样本，利用异步采样技术获得异步幅度直方图，输入由步骤三获得的训练完成的神经网络中，即可实现空分复用系统中多芯光纤芯间串扰的实时在线监测。
以下结合一具体实施例说明本发明上述方法：
本发明实例使用的多芯光纤空分复用系统的芯间串扰监测实验装置图如图2所示。使用线宽100kHz，中心波长1550.00nm的可调谐四通道外腔激光器1作为实验光源，由50：50的耦合器2分为两路。两路波特率为10Gbaud的开关键控(on-off keying，OOK)信号分别由65GSa/s采样率的任意波形发生器3和6产生，分别使用速率43Gb/s的双输入铌酸锂射频驱动放大器4和7以驱动电光调制器。使用的电光调制器为40GHz的马赫-曾德调制器5和8。在两路光信号进入七芯光纤之前，被串扰路与串扰路各加入一个可调节光衰减器9和10。两路光信号经由多芯光纤复用器11，进入多芯光纤12。使用的多芯光纤12是3.5km同质无沟道弱耦合七芯光纤，如图3所示：其中图3(a)为多芯光纤12的纤芯分布示意图，图3(b)为多芯光纤12的剖面图。选择纤芯1作为被串扰芯，纤芯5作为串扰芯。经过3.5km的多芯光纤传输后经由多芯光纤解复用器13输出，分别使用10GHz的光电二极管/跨阻放大器14与15探测纤芯1与纤芯5的信号光，得到的被串扰路的电信号使用数字采样示波器16采样并生成异步幅度直方图。
本发明实例使用的异步幅度直方图示意图如图4所示。其中图4(a)为异步幅度直方图的原理，对电信号的振幅进行随机幅度抽样，并统计得到直方图。图4(b)与图4(c)为实验中测量得到的异步幅度直方图，其横轴表示间隔均匀的幅度区间，纵轴表示落入每个幅度区间的幅度个数。实例中系统的直方图幅度区间划分为80个。其中图4(b)为芯间串扰为-24dB的异步幅度直方图，图4(c)为串扰为-33dB的异步幅度直方图，当串扰由-24dB降低至-33dB时，两个代表符号“0”与符号“1”的尖峰明显分离开。
本发明实例中的基于神经网络的多芯光纤串扰监测方法的神经网络估计串扰的算法示意图如图5所示。实例中使用的深度神经网络为5层DNN模型，输入层的神经元数量为80个，中间三层隐藏层的神经元数量分别为160个，80个，40个，输出层的神经元数量为1个，即输出动态串扰的数值。在总数据集中划分训练集与测试集，比例为80％与20％。在训练集中，使用4折交叉验证提升模型的泛化能力。迭代次数为200。
本发明实例中神经网络算法基于Python实现，训练过程中每一次迭代花费时间为1s，测试过程中整个测试集的总测试时间为1ms。本发明实例中基于神经网络的多芯光纤串扰监测方法的实验结果图如图6所示。其中图6(a)为深度神经网络的训练结果图，迭代次数为20以上时，训练误差趋于稳定。图6(b)为测试集中使用深度神经网络进行串扰监测得到的估计串扰与真实串扰的比较。10Gbaud开关键控空分复用系统的芯间串扰监测的平均绝对值误差为0.46dB。
进一步地，如图7所示，本发明提供了一种基于神经网络的多芯光纤串扰监测系统，包括串扰数据采集模块，异步幅度采样模块，神经网络训练模块以及在线串扰监测模块，其中：
所述串扰数据采集模块，用于在强度调制-直接检测的多芯光纤空分复用系统中，由发射端产生多路强度调制的光信号，经过多芯光纤信道独立地传输后，在接收端的光电二极管处获得受芯间串扰损伤的信号序列，同时利用功率计测量多芯光纤的输入功率与输出功率，计算得到标定的串扰值；
优选地，在本模块中，利用功率计测量多芯光纤的输入功率与输出功率，计算得到标定的串扰值，其流程为：将激光注入m芯，使用光功率计测量得到输入端光功率Pm,in，在多芯光纤的输出端，测得n芯的输出光功率为Pn,out，则此时标定的m芯到n芯的芯间串扰为：
其中N为纤芯个数。
所述异步幅度采样模块，用于对接收端获取的电域时间序列信号振幅进行随机幅度异步抽样，统计获得异步幅度直方图；
优选地，在本模块中，为了降低后续深度神经网络提取动态串扰特征的复杂度，只保留异步幅度直方图的纵轴数值，即落入每个幅度区间的幅度个数，而将横轴信息舍去，此时异步幅度直方图转化为一个1×nb的一位向量，其中nb代表幅度区间的个数。假设总共采集了nA个异步幅度直方图，则输入神经网络进行离线训练学习的参数仅为一个nA×nb的矩阵，大幅降低了存储空间与后续处理的复杂度。
所述神经网络训练模块，用于将异步幅度直方图作为样本，对应的串扰值作为标签，输入深度神经网络模型进行训练，得到训练完成的神经网络；
优选地，在本模块中，神经网络选择为全连接深度神经网络，其中激活函数选用带泄露线性整流函数，优化器选择为自适应矩估计优化器。
优选地，在本模块中，所述深度神经网络模型中训练集分出一部分数据作为验证集，进行K折交叉验证。选择均方误差作为损失函数的评价指标，选择平均绝对误差作为监测误差的评价指标。
优选地，在本模块中，所述深度神经网络模型训练中对每个批次的数据分布均进行归一化；对于学习参数进行初始化策略；加入Dropout训练策略，训练过程中随机将部分隐藏层的节点置零；加入学习率衰减策略，随着迭代次数的增加，学习率逐渐减少；使用早停法，经过多个训练步长误差仍不变时停止训练。
所述在线串扰监测模块，用于在多芯光纤空分复用系统的接收端获取链路信号作为测试样本，利用异步采样技术获得异步幅度直方图，输入训练完成的神经网络中，即可实现空分复用系统中多芯光纤芯间串扰的实时在线监测。
总体而言，本发明提供了基于神经网络的多芯光纤串扰监测方法，该监测方法通过深度神经网络学习得到异步幅度直方图与串扰值之间的联系，而异步幅度直方图为接收端电信号的统计特征，可以充分的反映出信号的幅值分布。该监测方法可以对空分复用链路中波动剧烈的串扰实现实时动态监测，监测精度高，复杂度低，无需时钟同步，为空分复用系统的稳定传输提供了坚实的运维技术支持。
本发明提供的基于神经网络的多芯光纤串扰监测方法，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)
1.一种基于神经网络的多芯光纤串扰监测方法，其特征在于，包括如下步骤：
(1)在强度调制-直接检测的多芯光纤空分复用系统中，由发射端产生多路强度调制的光信号，经过多芯光纤信道独立地传输后，在接收端的光电二极管处获得受芯间串扰损伤的信号序列，同时利用功率计测量多芯光纤的输入功率与输出功率，计算得到标定的串扰值；
(2)对接收端获取的电域时间序列信号振幅进行随机幅度异步抽样，统计获得异步幅度直方图；
(3)将异步幅度直方图作为样本，对应的串扰值作为标签，输入深度神经网络模型进行训练，得到训练完成的神经网络；
(4)在多芯光纤空分复用系统的接收端获取链路信号作为测试样本，利用异步采样技术获得异步幅度直方图，输入由步骤(3)获得的训练完成的神经网络中，即可实现空分复用系统中多芯光纤芯间串扰的实时在线监测。
2.如权利要求1所述的基于神经网络的多芯光纤串扰监测方法，其特征在于，步骤(1)中利用功率计测量多芯光纤的输入功率与输出功率，计算得到标定的串扰值，其流程为：
将激光注入m芯，使用光功率计测量得到输入端光功率Pm,in，在多芯光纤的输出端，测得n芯的输出光功率为Pn,out，则此时标定的m芯到n芯的芯间串扰为：
其中N为纤芯个数。
3.如权利要求1或2所述的基于神经网络的多芯光纤串扰监测方法，其特征在于，步骤(3)中所述神经网络为全连接深度神经网络，所述全连接深度神经网络中激活函数选用带泄露线性整流函数。
4.如权利要求1或2所述的基于神经网络的多芯光纤串扰监测方法，其特征在于，所述深度神经网络模型中训练集分出一部分数据作为验证集，进行K折交叉验证。
5.如权利要求1或2所述的基于神经网络的多芯光纤串扰监测方法，其特征在于，所述深度神经网络模型中对于学习参数进行初始化策略。
6.如权利要求1或2所述的基于神经网络的多芯光纤串扰监测方法，其特征在于，所述深度神经网络模型中优化器选择为自适应矩估计优化器；所述深度神经网络模型中选择均方误差作为损失函数的评价指标，选择平均绝对误差作为监测误差的评价指标。
7.如权利要求1或2所述的基于神经网络的多芯光纤串扰监测方法，其特征在于，所述深度神经网络模型中加入Dropout训练策略，训练过程中随机将部分隐藏层的节点置零。
8.如权利要求1或2所述的基于神经网络的多芯光纤串扰监测方法，其特征在于，所述深度神经网络模型中对每个批次的数据分布均进行归一化。
9.如权利要求1或2所述的基于神经网络的多芯光纤串扰监测方法，其特征在于，所述深度神经网络模型中加入学习率衰减策略，随着迭代次数的增加，学习率逐渐减少；所述深度神经网络模型在训练过程中使用早停法，经过多个训练步长误差仍不变时停止训练。
10.一种基于神经网络的多芯光纤串扰监测系统，其特征在于，包括串扰数据采集模块，异步幅度采样模块，神经网络训练模块以及在线串扰监测模块，其中：
所述串扰数据采集模块，用于在强度调制-直接检测的多芯光纤空分复用系统中，由发射端产生多路强度调制的光信号，经过多芯光纤信道独立地传输后，在接收端的光电二极管处获得受芯间串扰损伤的信号序列，同时利用功率计测量多芯光纤的输入功率与输出功率，计算得到标定的串扰值；
所述异步幅度采样模块，用于对接收端获取的电域时间序列信号振幅进行随机幅度异步抽样，统计获得异步幅度直方图；
所述神经网络训练模块，用于将异步幅度直方图作为样本，对应的串扰值作为标签，输入深度神经网络模型进行训练，得到训练完成的神经网络；
所述在线串扰监测模块，用于在多芯光纤空分复用系统的接收端获取链路信号作为测试样本，利用异步采样技术获得异步幅度直方图，输入训练完成的神经网络中，即可实现空分复用系统中多芯光纤芯间串扰的实时在线监测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111142131.XA CN113837120A (zh) | 2021-09-28 | 2021-09-28 | 基于神经网络的多芯光纤串扰监测方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111142131.XA CN113837120A (zh) | 2021-09-28 | 2021-09-28 | 基于神经网络的多芯光纤串扰监测方法与系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113837120A true CN113837120A (zh) | 2021-12-24 |
Family
ID=78966942
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111142131.XA Pending CN113837120A (zh) | 2021-09-28 | 2021-09-28 | 基于神经网络的多芯光纤串扰监测方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113837120A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115250144A (zh) * | 2022-06-08 | 2022-10-28 | 华中科技大学 | 多芯光纤可视化耦合与大动态范围串扰测试方法和装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6965736B1 (en) * | 1999-02-12 | 2005-11-15 | Deutsche Telekom Ag | Method for monitoring the transmission quality of an optical transmission system, in particular of an optical wavelength-division multiplex network |
| 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 |
| CN113141325A (zh) * | 2021-04-14 | 2021-07-20 | 北京邮电大学 | 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 |
-
2021
- 2021-09-28 CN CN202111142131.XA patent/CN113837120A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6965736B1 (en) * | 1999-02-12 | 2005-11-15 | Deutsche Telekom Ag | Method for monitoring the transmission quality of an optical transmission system, in particular of an optical wavelength-division multiplex network |
| 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 |
| CN113141325A (zh) * | 2021-04-14 | 2021-07-20 | 北京邮电大学 | 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 |
Non-Patent Citations (2)
| Title |
|---|
| MAOQI ZHANG等: "Crosstalk Monitoring and Outage Prediction in Multi-core Fibers Based on Multi-task Deep neural network", 26TH OPTOELECTRONICS AND COMMUNICATIONS CONFERENCE, 3 July 2021 (2021-07-03), pages 1 - 3, XP034178679, DOI: 10.1364/OECC.2021.M4F.4 * |
| 孔婧: "特种光纤光栅弯曲传感器", 中国优秀博硕士学位论文全文数据库（博士）信息科技辑, no. 6, 15 June 2018 (2018-06-15), pages 22 - 25 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115250144A (zh) * | 2022-06-08 | 2022-10-28 | 华中科技大学 | 多芯光纤可视化耦合与大动态范围串扰测试方法和装置 |
| CN115250144B (zh) * | 2022-06-08 | 2024-04-19 | 华中科技大学 | 多芯光纤可视化耦合与大动态范围串扰测试方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fan et al. | Joint optical performance monitoring and modulation format/bit-rate identification by CNN-based multi-task learning | |
| CN101958750B (zh) | 一种基于光参量放大器的全光信号质量监测器 | |
| CN103281120B (zh) | 一种光信号调制格式识别方法及系统 | |
| CN105022606A (zh) | 基于激光相位波动的超高速量子随机数发生器和发生方法 | |
| Wang et al. | Comprehensive eye diagram analysis: a transfer learning approach | |
| CN204759398U (zh) | 基于激光相位波动的超高速量子随机数发生器 | |
| CN113837120A (zh) | 基于神经网络的多芯光纤串扰监测方法与系统 | |
| Li et al. | End-to-end learning for optical fiber communication with data-driven channel model | |
| CN114285715A (zh) | 基于双向gru-条件随机场的非线性均衡方法 | |
| CN116346217B (zh) | 一种基于深度学习的光通信系统信道构建方法 | |
| CN103916190B (zh) | 一种光传输过程中对光非线性相位补偿的优化方法 | |
| Guo et al. | Deep neural network based chromatic dispersion estimation with ultra-low sampling rate for optical fiber communication systems | |
| Xia et al. | 8× 250 Gbit/s PAM4 transmission over 1 km single mode fiber with an all-silicon LAN WDM transmitter | |
| Liu et al. | Significant dynamic range and precision improvements for FMF mode-coupling measurements by utilizing adaptive wavelet threshold denoising | |
| CN114070407B (zh) | 一种可同时实现光纤链路损伤补偿与异常损耗监测的方法 | |
| Kruse et al. | Experimental investigation of spectral data enhanced QoT estimation | |
| Hu et al. | Beyond 300Gbps Silicon Microring Modulator with AI Acceleration | |
| CN104467979A (zh) | Qpsk信号的共轭关系识别方法、装置及色散补偿方法、系统 | |
| Zhang et al. | Dynamic Crosstalk Monitoring of Real-time Transmission in Multi-core Fibers Based on Deep Learning | |
| CN102882595A (zh) | 大范围、抗干扰和全盲自动化光信号色散损伤监测方法 | |
| Cui et al. | Optical Fiber Channel Modeling Method Using Multi-BiLSTM for PM-QPSK Systems | |
| CN113992323A (zh) | 一种基于芯片的测量设备无关量子密钥分发系统及方法 | |
| Zuo et al. | Integrated silicon photonic reservoir computing with pso training algorithm for fiber communication channel equalization | |
| Xia et al. | Research on OSNR monitoring technology based on deep neural network | |
| Zhang et al. | Neural Operator-based Fiber Channel Modeling for WDM Optical Transmission System |
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 |