CN113938188B - 一种光信噪比监测模型的构建方法及应用 - Google Patents

一种光信噪比监测模型的构建方法及应用 Download PDF

Info

Publication number
CN113938188B
CN113938188B CN202111024452.XA CN202111024452A CN113938188B CN 113938188 B CN113938188 B CN 113938188B CN 202111024452 A CN202111024452 A CN 202111024452A CN 113938188 B CN113938188 B CN 113938188B
Authority
CN
China
Prior art keywords
noise ratio
optical signal
digital signal
original digital
signal
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.)
Active
Application number
CN202111024452.XA
Other languages
English (en)
Other versions
CN113938188A (zh
Inventor
赵葳葳
付松年
杨正
程逸骏
唐明
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 CN202111024452.XA priority Critical patent/CN113938188B/zh
Publication of CN113938188A publication Critical patent/CN113938188A/zh
Application granted granted Critical
Publication of CN113938188B publication Critical patent/CN113938188B/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
    • 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
    • G06N3/04—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

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

本发明公开了一种光信噪比监测模型的构建方法及应用，属于光纤通信领域，包括：S1、将相干接收机在不同链路参数条件下接收到的各原始数字信号分别窗口化后进行数据增强，得到增强后的数字信号；其中，链路参数包括传输距离、调制格式和波特率；S2、将各窗口化后的原始数字信号与增强后的数字信号一同作为训练样本，与对应的光信噪比标签一起构成训练数据集；S3、将训练数据集输入到深度神经网络中进行训练，得到光信噪比监测模型。本发明不仅可以使有限样本产生等价于多样本的价值，从原始数字信号中提取出更多信息，减小训练的复杂度，还进一步提高了光信噪比监测的准确度。

Description

一种光信噪比监测模型的构建方法及应用
技术领域
本发明属于光纤通信领域，更具体地，涉及一种光信噪比监测模型的构建方法及应用。
背景技术
近年来为了满足海量数据传输的需求，光纤通信系统的容量不断增加，并且光网络的体系结构向着异构，透明和动态的趋势发展。这样的网络需求对下一代光纤通信系统的容量和可靠性提出了更高的要求。其中光性能监测可以提供有关光纤传输链路的质量信息，在光纤链路中光性能监测可以监测光信噪比、色散、偏振模色散和光纤非线性等，其中光信噪比是数字相干光纤通信系统性能监测的最重要的参数之一。在光纤通信系统中，当线性和非线性损伤由数字相干接收机中的数字信号处理技术完全补偿后，噪声的损伤便成为限制光通信系统性能的最终因素，因此光信噪比与误码率性能直接相关，可以用于准确评估光信号传输性能，并进一步实现自动故障检测与诊断。但目前光信噪比监测的实施过程中需要大量的数据从而增加光信噪比监测方案的复杂度；并且准确率也比较有限，达不到高性能的应用需求。
随着人工智能技术飞速发展，机器学习技术被广泛应用于各种领域，在光纤通信系统中，面向大容量、高速率和高精度的光信噪比监测需求提供了一种直接从数据中学习目标的方法，基于机器学习的光信噪比监测技术展现出强大的发展潜力。机器学习技术根据有无标签可以分为监督学习和无监督学习两大类，其中监督学习相对于无监督学习，在已知的样本独立分布且有标签备注时，可以直接寻找训练数据集中的规律，对模型的建立更准确、高效。监督学习光性能监测中通过分析已知的训练集来获得输入和输出之间的映射关系，获得所需神经网络的参数，具备无需先验信息和较强的自适应能力的优势。然而仅仅使用神经网络的算法需要庞大的训练数据集，这会增加神经网络训练的复杂度和时间，同时由于光网络部署涉及到不同公司与用户的数据交换，涉及到复杂的数据读取步骤和敏感的数据安全问题，我们在实际场景中往往很难从不断变化的通信系统中获得大量、实时的信号数据，无法使数据具有多样性和实时性，从而限制了基于深度学习的光信噪比监测方案的准确率和可行性。
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噪比监测模型的构建方法及应用，用以解决现有技术难以从不断变化的通信系统中获得大量实时的多样的信号数据而导致的光信噪比监测的准确度较低的技术问题。
为了实现上述目的，第一方面，本发明提供了一种光信噪比监测模型的构建方法，包括以下步骤：
S1、将相干接收机在不同链路参数条件下接收到的各原始数字信号分别窗口化后进行数据增强，得到增强后的数字信号；其中，链路参数包括传输距离、调制格式和波特率；
S2、将各窗口化后的原始数字信号与增强后的数字信号一同作为训练样本，与对应的光信噪比标签一起构成训练数据集；
S3、将训练数据集输入到深度神经网络中进行训练，得到光信噪比监测模型。
进一步优选地，对原始数字信号进行窗口化的方法包括：采用滑动窗口在原始数字信号上顺序进行滑动，将原始数字信号映射为一个二维矩阵，即窗口化后的原始数字信号，其大小为W*H；其中，W为滑动窗口的窗口长度，H为滑动次数。
进一步优选地，滑动窗口的窗口长度为41；滑动次数为10、100、200、300和400中的一种或多种。
进一步优选地，数据增强包括：相位增强、时间增强和偏振增强中的一种或多种。
进一步优选地，相位增强的方法包括：将窗口化后的原始数字信号上的每个数据点均一个乘以一个随机选择的相位；其中，每一个数据点所乘相位相同，或者，每一列上的数据点所乘相位相同；
时间增强的方法包括：对于窗口化后的原始数字信号，交换预设时间点之前和之后的传输数据在窗口化数据中的位置；
偏振增强的方法包括：对于窗口化后的原始数字信号，交换两个正交偏振分量数据。
进一步优选地，上述深度神经网络包括输入层、隐藏层和输出层，神经网络是全连接的；输入层中的神经元个数为窗口化处理所采用的滑动窗口的窗口长度；输出层包括一个神经元，用于输出预测的光信噪比；深度神经网络包括三个隐藏层，各隐藏层中的神经元个数依次为400、250和150个，激活函数优选为ReLU，最后一个隐藏层与输出层采用线性函数连接。
第二方面，本发明提供了一种光信噪比监测方法，包括：将相干接收机接收到的原始数字信号窗口化后输入到采用本发明第一方面所提供的光信噪比监测模型的构建方法所得的光信噪比监测模型中，得到该信号的光信噪比。
第三方面，一种光信噪比监测系统，包括：
模型构建模块，用于执行本发明第一方面所提供的光信噪比监测模型的构建方法，得到光信噪比监测模型；
光信噪比监测模块，用于将相干接收机接收到的原始数字信号窗口化后输入到光信噪比监测模型中，得到该信号的光信噪比。
第四方面，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本发明第一方面所提供的光信噪比监测模型的构建方法和/或本发明第二方面所提供的光信噪比监测方法。
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：
本发明提供了一种光信噪比监测模型的构建方法，将相干接收机在不同链路参数条件下接收到的各原始数字信号分别窗口化后进行数据增强，并将各窗口化后的原始数字信号与增强后的数字信号一同作为训练样本，构建训练数据集以对深度神经网络进行训练，本发明可以使有限样本产生等价于多样本的价值，从原始数字信号中提取出更多信息，增加了辅助学习的数据量，提高了光信噪比监测的准确度。
附图说明
图1为本发明实施例1提供的光信噪比监测模型的构建方法流程图；
图2为本发明实施例1提供的典型相干光传输系统的结构示意图；
图3为本发明实施例1提供的不同处理方式下光信噪比监测模型的应用效果示意图；其中，(a)为仅采用原始数字信号进行训练所得的光信噪比监测模型、以及对窗口化后的原始数字信号分别只进行相位增强、只进行时间增强和时间相位均增强后的数据进行训练所得的光信噪比监测模型进行光信噪比监测的均方误差随窗口数的变化曲线图；(b)为采用对窗口化后的原始数字信号分别只进行相位增强、只进行时间增强以及相位时间均增强后的数据进行训练所得的光信噪比监测模型相比于仅采用原始数字信号进行训练所得的光信噪比监测模型进行光信噪比监测所降低的均方误差随窗口数的变化曲线图；
图4为本发明实施例1提供的深度神经网络结构示意图；
图5为本发明实施例2提供的光信噪比监测方法流程图。
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、
一种光信噪比监测模型的构建方法，如图1所示，包括以下步骤：
S1、将相干接收机在不同链路参数条件下接收到的各原始数字信号分别窗口化后进行数据增强，得到增强后的数字信号；其中，链路参数包括传输距离、调制格式和波特率；
本发明针对相干接收机所得的原始数字信号；具体地，本实施例中，采用如图2所示的一种典型的相干光传输系统，该系统可分为发射端、传输链路和接收端三部分。本实施例中仅在单偏振下研究。发送端产生待识别信号，调制后的光信号通过光放大器进入光信道传输，光信道包含光纤和光放大器链路，经过光信道的信号到达接收端和本地振荡器进行混频，随后通过光电探测器和数模转换器，输出的I、Q两路信号经过重采样后得到数字域信号，即原始数字信号。在不同传输距离、调制格式和波特率下采集多个原始数字信号后，对各原始数字信号分别进行窗口化。
具体地，对原始数字信号进行窗口化的方法包括：采用滑动窗口在原始数字信号上顺序进行滑动，将原始数字信号映射为一个二维矩阵，即窗口化后的原始数字信号，其大小为W*H；其中，W为滑动窗口的窗口长度，H为滑动次数。本实施例中，窗口长度优选为41，滑动次数(即窗口数)优选为10、100、200、300和400中的一种或多种。接收到的原始数字信号为串行数据，将原始数字信号顺序以滑动窗口的方式映射为一个二维矩阵。
进一步地，数据增强可直接用于接收到的原始数字信号得到增强数字信号，在扩展数据量的同时依然保持了接收信号的传输特征。其中，数据增强包括：相位增强、时间增强和偏振增强中的一种或多种。
其中，相位增强的方法包括：将窗口化后的原始数字信号上的每个数据点均一个乘以一个随机选择的相位；其中，每一个数据点所乘相位相同，或者，每一列上的数据点所乘相位相同。
时间增强的方法包括：对于窗口化后的原始数字信号，对时间进行反向处理，即交换预设时间点之前和之后的传输数据在窗口化数据中的位置。
偏振增强的方法包括：对于窗口化后的原始数字信号，交换两个正交偏振分量数据，这样可以增大数据集的容量。
三种增强方式可以根据实际情况搭配使用，即可以对窗口化后的原始数字信号同时或先后采用上述增强方式中的一种或多种进行增强；经过增强处理后所得的信号与原始数字信号相比，数据量可以增大到任意倍数。
需要说明的是，现有的光信噪比监测技术需要庞大的数据集来训练，这可能会增加训练的复杂度，另外也很难从不断变化的系统中获得大量、实时的信号数据，无法使数据具有多样性和实时性，提高方案的精度并减少复杂度。针对现有方案的这些缺陷，以单偏振场景为例，本发明在接收端直接接收信号，先然后设置窗口数和窗口长度，采用滑动窗口的方式将接收信号映射为一个二维矩阵，再采用相位增强增加数据的多样性，由于信号正负对称的特性，将预设时间点前后的信号点交换，这样就可以使神经网络对两种情况都有效，大大增强了信号的特征，使整个样本包含的信息更有效。最后使用深度神经网络对经过预处理的信号进行训练，使均方误差达到最小，网络中的参数达到最佳，这样就可以用来监测光信噪比为6-12dB的信号。经过与原始数字信号的对比可以发现，本发明在降低光信噪比的同时可以大大减少训练的样本数量，减少了训练的复杂度，提高了方案的精度。
在单偏振场景下，数据增强的方式优选为相位增强和时间增强。相位增强增加了传输信号相位上的特征；在本实例中将窗口化后的原始数字信号上的每一个数据点乘以随机的离散相移；本实施例中在0、π/2、π和3π/2中随机选择相位用于与信号数据点相乘。
实验表明，在选择窗口数10到400时，光信噪比监测误差均随着窗口数的增大而减少，相比于直接使用原始数据，只采用相位增强后可以显著降低光信噪比监测的均方误差，也就是说，在实现相同的精度条件下，数据增强可以明显减少数据信号的使用量，或者在数据信号量相同时可以实现更高精度的预测，最多可以节省80％的数据量。
接着，本实施例也研究了时间增强、数据增强和两种增强方式结合的提升效果，发现三种方案效果相当，监测的均方误差整体都呈下降趋势，所以实际应用中也可根据实际情况来选择合适的增强方案来准确监测光信噪比。
而作为可选窗口数的实施方式，本实施例中，具体窗口数可以根据实际情况选择；具体地，如图3中的(a)图所示，数据增强监测均方误差一般随着窗口数的增大渐渐下降；进一步地，如图3中的(b)图所示，提升程度整体的变化趋势是逐渐减小后趋于平稳；所以，应用场景不同，窗口数的选择也有所不同。
S2、将各窗口化后的原始数字信号与增强后的数字信号一同作为训练样本，与对应的光信噪比标签一起构成训练数据集；其中，光信噪比标签由光谱仪测量得到；
具体地，将各窗口化后的原始数字信号与增强后的数字信号相混合得到一个新的矩阵，作为待处理信号放入深度神经网络中训练。
S3、将训练数据集输入到深度神经网络中进行训练，得到光信噪比监测模型。
具体地，如图4所示，上述深度神经网络包括输入层、隐藏层和输出层，神经网络是全连接的；输入层中的神经元个数为滑动窗口的窗口长度，本实施例中取值为41；输出层包括一个神经元，用于输出预测得到的光信噪比；深度神经网络可以包含多个隐藏层，优选为三个隐藏层，各隐藏层中的神经元个数依次优选为400、250和150个。整个神经网络层与层之间为全连接，激活函数为ReLU，最后一个隐藏层与输出层连接的函数为线性函数，采用训练数据集进行训练，通过梯度下降法更新权值和偏置，采用损失函数计算训练误差，损失函数优选为均方误差函数，训练过程由Adam算法和minibatch算法优化，其中，训练时间为250个循环，minibatch算法的batchsize大小优选为700。每个应用场景包含20个样本，在每次训练中，通过不断地迭代，利用梯度下降法更新权值和偏置，通过训练集训练好适合这种场景的深度神经网络。使用测试集来测试神经网络的训练效果，使用均方误差来评价神经网络训练效果，因此训练好的神经网络可以输出待识别信号的光信噪比。最终，本实例可以在保证光信噪比监测均方误差在1dB以内时，所需要的信号数据量最多减少80％，具有减小训练复杂度的优势；光信噪比监测的均方误差最多恶化0.6dB，具有减少数据样本数量并提高训练精度的优势。
相比于现有光信噪比监测方案，本发明将原始数字信号经过增强处理后与原始数字信号进行混合再进行训练，这样不仅可以使有限样本产生等价于多样本的价值，从原始数字信号中提取出更多信息，减小训练的复杂度，还可以提高模型的准确度，相比于直接使用原始数字信号进行训练的方法进一步减少OSNR监测误差。
需要注意的是，本发明所提出的光信噪比监测模型在小样本数据监测方面更有优势，即仅依靠原始数字信号无法实现准确的光信噪比监测时，对信号进行增强处理后对于提升监测准确度、节省数据量的作用更明显。除了实施例中的应用场景，还可以选择其它数据增强方式，例如对于双偏振复用传输系统可以结合偏振增强方式，并根据传输距离、波特率、调制格式等传输参数调节窗口长度和窗口数以发挥本方案的优势。
实施例2、
一种光信噪比监测方法，包括：将相干接收机接收到的原始数字信号窗口化后输入到采用实施例1所提供的光信噪比监测模型的构建方法所得的光信噪比监测模型中，得到该信号的光信噪比。
具体地，以如图2所示的相干光传输系统为例，对应的光信噪比监测方法流程图如图5所示，发送端产生待识别信号，调制格式为QPSK，波长为1550nm，速率可选56GBaud，发射功率为0dBm，光信噪比为6-12dB(间隔1dB)，调制后的光信号通过光放大器进入光信道传输，光信道包含光纤和光放大器链路，标准单模光纤的传输距离为800km，光纤损耗系数＝0.2dB/km、光纤非线性系数＝1.3(W*km)-1、色散＝16.8ps/(nm*km)，经过光信道的信号到达接收端和本地振荡器进行混频，随后通过光电探测器和数模转换器，输出的I、Q两路信号经过重采样后得到数字域信号，即原始数字信号。在接收端对原始数字信号进行窗口化后输入到光信噪比监测模型中得到相应的光信噪比。其中，发射端信号的调制格式为QPSK，窗口化方法同实施例1中的训练过程。
相关技术方案同实施例1，这里不做赘述。
实施例3、
一种光信噪比监测系统，包括：
模型构建模块，用于执行实施例1所提供的光信噪比监测模型的构建方法，得到光信噪比监测模型；
光信噪比监测模块，用于将相干接收机接收到的原始数字信号窗口化后输入到光信噪比监测模型中，得到该信号的光信噪比。
相关技术方案同实施例1，这里不做赘述。
实施例4、
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实施例1所提供的光信噪比监测模型的构建方法和/或实施例2所提供的光信噪比监测方法。
相关技术方案同实施例1，这里不做赘述。
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 (6)

1.一种光信噪比监测模型的构建方法，其特征在于，包括以下步骤：
S1、将相干接收机在不同链路参数条件下接收到的各原始数字信号分别窗口化后进行数据增强，得到增强后的数字信号；其中，所述链路参数包括传输距离、调制格式和波特率；
所述数据增强包括：相位增强、时间增强和偏振增强中的一种或多种；
所述相位增强的方法包括：将窗口化后的原始数字信号上的每个数据点均一个乘以一个随机选择的相位；其中，每一个数据点所乘相位相同，或者，每一列上的数据点所乘相位相同；
所述时间增强的方法包括：对于窗口化后的原始数字信号，交换预设时间点之前和之后的传输数据在窗口化数据中的位置；
所述偏振增强的方法包括：对于窗口化后的原始数字信号，交换两个正交偏振分量数据；
S2、将各窗口化后的原始数字信号与增强后的数字信号一同作为训练样本，与对应的光信噪比标签一起构成训练数据集；
S3、将所述训练数据集输入到深度神经网络中进行训练，得到光信噪比监测模型；
所述深度神经网络包括输入层、隐藏层和输出层；层与层之间全连接；所述输入层中的神经元个数为窗口化处理所采用的滑动窗口的窗口长度；所述输出层包括一个神经元，用于输出预测的光信噪比；
所述深度神经网络包括三个级联的隐藏层，各隐藏层中的神经元个数依次为400、250和150个，激活函数为ReLU，最后一个隐藏层与所述输出层采用线性函数连接。
2.根据权利要求1所述的光信噪比监测模型的构建方法，其特征在于，对原始数字信号进行窗口化的方法包括：采用滑动窗口在原始数字信号上顺序进行滑动，将原始数字信号映射为一个二维矩阵，即窗口化后的原始数字信号，其大小为W*H；其中，W为滑动窗口的窗口长度，H为滑动次数。
3.根据权利要求2所述的光信噪比监测模型的构建方法，其特征在于，所述滑动窗口的窗口长度为41；所述滑动次数为10、100、200、300和400中的一种或多种。
4.一种光信噪比监测方法，其特征在于，包括：将相干接收机接收到的原始数字信号窗口化后输入到采用权利要求1-3任意一项所述的光信噪比监测模型的构建方法所得的光信噪比监测模型中，得到该信号的光信噪比。
5.一种光信噪比监测系统，其特征在于，包括：
模型构建模块，用于执行权利要求1-3任意一项所述的光信噪比监测模型的构建方法，得到光信噪比监测模型；
光信噪比监测模块，用于将相干接收机接收到的原始数字信号窗口化后输入到所述光信噪比监测模型中，得到该信号的光信噪比。
6.一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1-3任意一项所述的光信噪比监测模型的构建方法和/或权利要求4所述的光信噪比监测方法。
CN202111024452.XA 2021-09-02 2021-09-02 一种光信噪比监测模型的构建方法及应用 Active CN113938188B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111024452.XA CN113938188B (zh) 2021-09-02 2021-09-02 一种光信噪比监测模型的构建方法及应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111024452.XA CN113938188B (zh) 2021-09-02 2021-09-02 一种光信噪比监测模型的构建方法及应用

Publications (2)

Publication Number Publication Date
CN113938188A CN113938188A (zh) 2022-01-14
CN113938188B true CN113938188B (zh) 2022-09-27

Family

ID=79274907

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111024452.XA Active CN113938188B (zh) 2021-09-02 2021-09-02 一种光信噪比监测模型的构建方法及应用

Country Status (1)

Country Link
CN (1) CN113938188B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN115549780B (zh) * 2022-08-30 2024-06-14 北京邮电大学 光通信网络性能参数监测方法及装置
CN116131963A (zh) * 2023-02-02 2023-05-16 广东工业大学 基于lstm神经网络的光纤链路多径干扰噪声均衡方法
CN115950531B (zh) * 2023-03-15 2023-06-20 长春理工大学 一种探测器信噪比获取方法及检测装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110932809A (zh) * 2019-11-20 2020-03-27 北京邮电大学 光纤信道模型模拟方法及装置
CN111541483A (zh) * 2020-04-20 2020-08-14 苏州大学 基于高阶统计矩的相干光通信系统光信噪比监测方法
CN111951796A (zh) * 2020-08-19 2020-11-17 北京达佳互联信息技术有限公司 语音识别方法及装置、电子设备、存储介质
CN112784589A (zh) * 2021-01-29 2021-05-11 北京百度网讯科技有限公司 一种训练样本的生成方法、装置及电子设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112585889B (zh) * 2018-08-20 2022-10-11 华为技术有限公司 一种建立数据模型的方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110932809A (zh) * 2019-11-20 2020-03-27 北京邮电大学 光纤信道模型模拟方法及装置
CN111541483A (zh) * 2020-04-20 2020-08-14 苏州大学 基于高阶统计矩的相干光通信系统光信噪比监测方法
CN111951796A (zh) * 2020-08-19 2020-11-17 北京达佳互联信息技术有限公司 语音识别方法及装置、电子设备、存储介质
CN112784589A (zh) * 2021-01-29 2021-05-11 北京百度网讯科技有限公司 一种训练样本的生成方法、装置及电子设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于深度学习的光网络性能预测;李文超;《CNKI》;20201201;全文 *
基于深度神经网络的光信噪比估计算法优化;余建兴;《CNKI》;20190705;全文 *

Also Published As

Publication number Publication date
CN113938188A (zh) 2022-01-14

Similar Documents

Publication Publication Date Title
CN113938188B (zh) 一种光信噪比监测模型的构建方法及应用
Wang et al. OSNR and nonlinear noise power estimation for optical fiber communication systems using LSTM based deep learning technique
US20210111794A1 (en) Optical network performance evaluation using a hybrid neural network
CN111884716B (zh) 一种基于神经网络的光纤通信系统性能评估方法
US10887009B2 (en) G-OSNR estimation on dynamic PS-QAM channels using hybrid neural networks
CN114553315B (zh) 基于CNN-biRNN的光纤非线性均衡方法及系统
Lun et al. Machine-learning-based telemetry for monitoring long-haul optical transmission impairments: methodologies and challenges
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
CN113472451A (zh) 机固互联的量子时间同步方法
Deligiannidis et al. Performance and complexity evaluation of recurrent neural network models for fibre nonlinear equalization in digital coherent systems
Feng et al. Intelligent optical performance monitoring based on intensity and differential-phase features for digital coherent receivers
CN114499723A (zh) 一种基于傅立叶神经算子的光纤信道快速建模方法
Zhou et al. Simultaneous baud rate/modulation format identification and multi-parameter optical performance monitoring using multi-task learning with enhanced picture of Radon transform
Fan et al. Experimental validation of CNNs versus FFNNs for time-and energy-efficient EVM estimation in coherent optical systems
Ye et al. OSNR monitoring based on a low-bandwidth coherent receiver and LSTM classifier
Zhao et al. Nonlinear SNR estimation based on the data augmentation-assisted DNN with a small-scale dataset
Shu et al. Low-complexity storage-reduced digital spectrum-based soft-failure management with Welch’s method
Ye et al. Impact of the input OSNR on data-driven optical fiber channel modeling
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
Guo et al. Deep neural network based chromatic dispersion estimation with ultra-low sampling rate for optical fiber communication systems
CN115524764A (zh) 基于光子衍射神经网络的大气湍流强度检测方法及系统
Sun et al. Generalized soft failure identification enabled by digital residual spectrum and autoencoder
CN111934755B (zh) Sdn控制器以及光通信设备的光信噪比预测方法
Cui et al. Optical fiber channel modeling method using multi-BiLSTM for PM-QPSK systems
Yang et al. A cost-effective joint multi-parameter optical performance monitoring scheme for high baud rate mode division multiplexing 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
GR01 Patent grant
GR01 Patent grant