CN114070407B - 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 - Google Patents

Abstract

本发明提供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，属于光纤通信领域。所述方法包括：接收信号经频偏估计后，被分为两路，第一路被重新载入色散后输入神经网络进行训练，第二路进行载波相位恢复；根据载波相位恢复过程中所估计的相位旋转量以及通过神经网络所产生的相位旋转量对训练序列进行相位旋转，得到不含有色散与非线性损伤的参考信号；将神经网络的输出信号参照参考信号进行误差反向传播，得到能够衡量系统内的色散与非线性损伤大小的最优色散β^*与非线性γ^*参数，将β^*和γ^*带入DBP算法中完成色散与非线性补偿，并通过γ^*参数值识别出光纤链路内是否有异常损耗。采用本发明，能够大大降低光网络系统的实现复杂度。

Description

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

技术领域

本发明涉及光纤通信领域，特别是指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。

背景技术

由于光纤具有高带宽、低损耗、抗干扰能力强等多个特点，大量的数据都是靠光纤进行承载，高速光纤通信将助力“新基建”，为各种场景用户提供高速、稳定的上网体验；但是随着网络变得庞大与复杂，一旦发生链路异常，将会造成通信质量降低甚至中断，未来通信技术的需求将是在完成高质量通信时，通过简单的链路分析即可监测传输状态；因此，专家们提出自治光网络的概念，背后的想法是对光纤进行监测和分析，识别网络当前状态；机器学习(ML)被认为是执行数据分析并实现网络自动配置和故障管理的最有前途的方法之一，通过访问正确的数据，机器可以自行学习如何解决特定问题，这种自动化实现复杂任务的想法在光通信领域引起了极大的兴趣，以满足未来光网络的智能化发展需求。

光纤的非线性补偿是运用于大容量长距离光网络中的关键技术之一，光链路异常监测是实现网络智能化的重要部分，在所提出的方法中可以同时完成两项任务，为通信传输的质量提供必要的保障，并可提升网络的自动化管理水平。

现有技术主要是光纤非线性补偿与异常损耗监测分别进行，不利于系统的整体构建，其中，常用的非线性补偿技术包括：

(1)基于数字反向传播(digital back-propagation,DBP)的方法实现：其实质是已知光纤色散系数β，损耗系数α，光纤非线性系数γ和传输距离、跨段等光纤链路的基本参数信息，然后反向推导发射机的原始光信号，在每个补偿步长中都需经过FFT(FastFourier Transform:快速傅里叶变换)与IFFT(Inverse Fast Fourier Transform:逆快速傅里叶变换)变换的迭代运算，其补偿精度较高，但是需要精确获取光纤链路中的各种参数；

(2)基于微扰理论的发射机前端补偿技术也是一种常用的非线性补偿方法，然而，这种方法需要在发射机端配备一个数字信号处理芯片，增加了系统的复杂度与实现成本；

(3)基于Volterra理论的非线性补偿技术，实践证明，该方式的实现极其复杂，在实际应用过程中需要占用大量的数字信号处理资源，极大增加了系统的运行成本。

对于光纤异常损耗的识别方式，常用的方法是使用光时域反射仪(Optical TimeDomain Reflectometer,OTDR)来进行损耗的测量，光时域反射仪在工作时会发送脉冲进入光纤，因为打入的脉冲信号遇到不同折射率的介质会发生瑞利散射并反射回来，在接收端脉冲信号强度会被测量到，并且是时间的函数，因此可以将之计算成光纤的长度，可以用来测量异常衰减，在光纤断掉时也可以用来测量中断点。但是，这是一种基于使用测量仪器进行实现的，在自动化网络管理中，希望通过网络中的传输数据实现实时监测而不需要额外的测量设备。

综上所述，以上系统只是单独实现光纤非线性补偿与异常损耗监测技术，并借用额外的测量设备实现异常损耗监控，增加了系统结构的复杂度，实现成本高，不能够完成网络的智能化监测。

发明内容

本发明实施例提供了可同时实现光纤链路损伤补偿与异常损耗监测的方法，能够大大降低光网络系统的实现复杂度。所述技术方案如下：

本发明实施例提供了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，包括：

接收信号进行色散补偿、偏振解复用与频偏估计后，被分为两路，第一路被重新载入色散以重构含有色散与非线性损伤的信号后输入神经网络进行训练，第二路进行载波相位恢复；

根据载波相位恢复过程中所估计的相位旋转量以及重新载入色散后的第一路信号通过神经网络所引起的相位旋转量对训练序列进行相位旋转，得到不含有色散与非线性损伤的参考信号；

将神经网络的输出信号参照参考信号进行误差反向传播，得到能够衡量系统内的色散与非线性损伤大小的最优色散β^*与非线性γ^*参数，将β^*和γ^*带入DBP算法中完成色散与非线性补偿，并通过γ^*参数值识别出光纤链路内是否有异常损耗。

进一步地，在接收信号进行色散补偿、偏振解复用与频偏估计后，被分为两路，第一路被重新载入色散以重构含有色散与非线性损伤的信号后输入神经网络；第二路进行载波相位恢复之前，所述方法还包括：

利用神经网络构建DBP算法的数学结构，将DBP算法中的色散补偿作为神经网络中的线性运算、将DBP算法中的非线性补偿作为神经网络中的激活函数，神经网络的层数N为DBP算法的补偿次数。

进一步地，神经网络的层数N等于L/Δh，其中，L为传输的总距离，Δh为DBP方法的补偿步长。

进一步地，所述将神经网络的输出信号参照参考信号进行误差反向传播，得到能够衡量系统内的色散与非线性损伤大小的最优色散β^*与非线性γ^*参数，将β^*和γ^*带入DBP算法中完成色散与非线性补偿，并通过γ^*参数值识别出光纤链路内是否有异常损耗包括：

将神经网络的输出信号

与参考信号E进行计算得到误差函数I，其寻找最优色散β^*与非线性γ^*参数的表达式为：

其中，

中包含着待优化的色散β^*与非线性γ^*参数；当神经网络共有N层时，

即每一层都有一个色散与非线性参数予以对应；

使用误差反向传播中的梯度下降方法来进行数值更新以求解最优β^*与γ^*，将得到最优色散β^*与非线性γ^*参数值反馈到DBP算法中完成色散与非线性补偿，并通过γ^*参数值识别出光纤链路内是否有异常损耗。

进一步地，求解最优β^*与γ^*的更新公式为：

其中，k表示为DBP的第几次补偿，相当于神经网络的第几层，k＝1,2…N,m为当前迭代次数，μ为学习率。

进一步地，所述通过γ^*参数值识别出光纤链路内是否有异常损耗包括：

通过γ^*参数值的陡降程度识别出光纤链路内是否有异常损耗。

本发明实施例提供的技术方案带来的有益效果至少包括：

本发明实施例中，接收信号进行色散补偿、偏振解复用与频偏估计后，被分为两路，第一路被重新载入色散以重构含有色散与非线性损伤的信号后输入神经网络进行训练；第二路进行载波相位恢复，根据载波相位恢复过程中所估计的相位旋转量以及重新载入色散后的第一路信号通过神经网络所引起的相位旋转量对训练序列进行相位旋转，得到不含有色散与非线性损伤的参考信号；将神经网络的输出信号参照参考信号进行误差反向传播，得到能够衡量系统内的色散与非线性损伤大小的最优色散β^*与非线性γ^*参数，将β^*和γ^*带入DBP算法中完成色散与非线性补偿，并在不使用任何测量工具的前提下，仅通过γ^*参数值能够识别出光纤链路内是否有异常损耗。这样，仅对接收端的接收信号进行处理即可完成光纤链路中的色散与非线性补偿以及异常损耗位置的监测与定位，从而大大降低光网络系统的实现复杂度，并提高光网络系统的智能化运行。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的DBP算法结构与神经网络结构对比示意图；

图2为本发明实施例提供的可同时实现光纤链路损伤补偿与异常损耗监测的方法的流程示意图；

图3为本发明实施例提供的不同发射功率与不同补偿步长时的非线性补偿效果示意图；

图4为本发明实施例提供的链路内不同的异常损耗大小与位置下的监测效果展示示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

本发明实施例要解决的技术问题是提供一种可同时实现光纤链路非线性补偿与异常损耗监测的新型方法，为此，首先结合图1来说明标准DBP算法与神经网络的相似性。DBP算法按照分布式计算方法，先将光纤传输链路分解成距离为Δh的若干段，Δh为补偿步长，在这一小段中近似看作为色散与非线性分别作用；然后根据接收信号与链路内已知的色散与非线性参数等信息去反向计算以模拟发射信号；在每段中，通过FFT与IFFT实现在频域上进行色散补偿，然后在时域上进行非线性损伤的补偿，通过迭代运算，最后得到与发射信号近似相同的信号，以此消除色散与非线性的影响。神经网络在结构上与DBP算法有着天然的相似性，也是进行线性与非线性的迭代运算，所以，本实施例中，利用神经网络构建DBP算法的数学结构，将DBP算法中的色散补偿作为神经网络中的线性运算、将DBP算法中的非线性补偿作为神经网络中的激活函数，神经网络的层数N为DBP算法的补偿次数等，这样神经网络中的相关超参数就会有明确的物理意义；通过训练，就可得到链路内每个Δh距离内的色散与非线性参数，将这些参数反馈到标准DBP算法中就可完成色散与非线性补偿，并从非线性参数值的特征中识别出链路内是否有异常损耗出现。

本实施例中，神经网络的层数N等于L/Δh，L为传输的总距离，Δh为DBP方法的补偿步长。

本发明实施例提供了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，具体可以包括以下步骤：

S101，如图2所示，接收信号进行色散补偿、偏振解复用与频偏估计后，被分为两路，第一路被重新载入色散以重构含有色散与非线性损伤的信号后输入神经网络进行训练，第二路进行载波相位恢复；

在通信系统中，会周期性的发送训练符号进行自适应跟踪以确保通信的正常进行，其具有已知性，所以，本实施例中，所有的训练过程总是使用训练序列来完成；当接收信号进行离线数字信号处理时，首先进行色散补偿，然后进行偏振解复用与频偏估计以补偿发射机激光器与本振激光器之间的频率偏差，之后信号被分为两路，一路(即：第一路)被重新载入色散以重构含有色散与非线性损伤的信号后输入神经网络进行训练；另一路(即：第二路)通过载波相位恢复以补偿收、发两激光器相位噪声引起的随机转动。

S102，根据载波相位恢复过程中所估计的相位旋转量θ₁以及重新载入色散后的第一路信号通过神经网络所引起的相位旋转量θ₂对训练序列进行相位旋转，得到不含有色散与非线性损伤的参考信号；

本实施例中，为了保证两路信号(包括：参考信号与经过神经网络后的信号)的相位对齐，也需要对训练序列进行θ₂的相位旋转，因此训练序列总旋转量为θ₁+θ₂，将相位旋转量(θ₁+θ₂)重新利用到训练序列中让其角度旋转以保证两路信号的相位一致性，也就是说，参考信号是训练序列经过(θ₁+θ₂)的相位旋转所生成的，其不包含色散与非线性的损伤，这样两路信号的区别就是有无色散与非线性的损伤影响。

需要说明的是：

接收信号是含有损伤的信号，因为信号在传输过程中会造成信号的质量下降，在判决后会出现错误，存在误码，利用它主要是通过载波相位恢复时可以估计相位旋转量θ₁；

训练序列是已知的，可以理解为对接收信号进行了相关处理，使其将传输所造成的所有损伤完全补偿，判决后没有任何误码，这样才能作为神经网络的参考信号，达到最优的参考效果。

S103，将神经网络的输出信号参照参考信号进行误差反向传播，得到能够衡量系统内的色散与非线性损伤大小的最优色散β^*与非线性γ^*参数，将β^*和γ^*带入DBP算法中完成色散与非线性补偿，并通过γ^*参数值识别出光纤链路内是否有异常损耗，具体可以包括以下步骤：

A1，重新载入色散后的第一路信号为需要通过神经网络的待优化支路，神经网络的线性运算为色散补偿部分，激活函数为非线性补偿部分，具体的补偿公式(色散补偿公式中的w表示光载波角频率)以及神经网络结构如图2所示，线性与非线性进行迭代运算N次，N的大小等于DBP的补偿次数，这样神经网络就可以完成创建并实现前向计算过程；之后，可以得到神经网络的输出信号

将

与参考信号E进行计算就会得到误差函数I，其寻找最优色散β^*与非线性γ^*参数的表达式为：

其中，

中包含着待优化的色散β^*与非线性γ^*参数；这就可以看作是一个经典的监督学习过程，寻找最优的γ^*,β^*成为其最终目标，因为神经网络共有N层，故

即每一层都有一个色散与非线性参数予以对应；

A2，使用误差反向传播中的梯度下降方法来进行数值更新以求解最优β^*与γ^*，其中，求解最优β^*与γ^*的更新公式为：

其中，k表示为DBP的第几次补偿，相当于神经网络的第几层，k＝1,2…N,m为当前迭代次数，μ为学习率，通过这种方式不断的迭代更新使得误差值越来越小，直到小于等于预设值，就可以得到最优的色散β^*与非线性γ^*参数值；

A3，将得到最优色散β^*与非线性γ^*参数值反馈到DBP算法中完成色散与非线性补偿，并通过γ^*参数值识别出光纤链路内是否有异常损耗。

本实施例中，所述通过γ^*参数值识别出光纤链路内是否有异常损耗包括：

通过γ^*参数值的陡降程度识别出光纤链路内是否有异常损耗。

本实施例中，将训练得到的最优色散β^*与非线性γ^*参数值反馈到DBP算法中完成色散与非线性补偿，具体过程如图2所示，然后经过偏振解复用、频偏估计、载波相位恢复、判决以及误码恢复等完整的信号处理流程，就可以根据误码率来衡量损伤补偿效果；图3为在一个测试系统中的补偿结果，查看了在不同的发射功率以及不同的补偿步长下所达到的补偿效果，并利用仅补偿色散情况下的效果进行对比，可以得到，当补偿步长越短，其最终得到的误码率越低，也就说明补偿效果越明显，信息传输质量越好，但是其复杂量也就越大，在实际使用中，需要在补偿步长与补偿效果中做一个权衡；同时，从得到的每个补偿步长内的非线性参数γ^*值中可以观测链路内的功率分布情况，如图4是设置补偿步长为20km时，光纤传输距离为1200km时的γ^*值，因为补偿步长为20km，每个补偿步长内都会有一个对应的色散与非线性参数，所以共得到60个值；图4左展示了当在360km处添加5dB、3dB、1dB光衰减器以模拟异常损耗以及正常链路情况下的值作为对比，可以从其折线图中明显看出，当存在异常损耗时，其γ^*值会有一个急剧的下降过程，而其下降的位置正好是添加异常损耗的位置，且异常损耗越大，其陡降程度也就越大；图4右展示了在360km与760km处分别设置不同大小的异常损耗，同样可以看到两个急剧下降的位置，可很好的反映出异常损耗的位置，这也就证明了所提出的方法对异常损耗监测的可靠性。

本发明实施例所述的可同时实现光纤链路损伤补偿与异常损耗监测的方法，接收信号进行色散补偿、偏振解复用与频偏估计后，被分为两路，第一路被重新载入色散以重构含有色散与非线性损伤的信号后输入神经网络进行训练，第二路进行载波相位恢复；根据载波相位恢复过程中所估计的相位旋转量以及重新载入色散后的第一路信号通过神经网络所引起的相位旋转量对训练序列进行相位旋转，得到不含有色散与非线性损伤的参考信号；将神经网络的输出信号参照参考信号进行误差反向传播，得到能够衡量系统内的色散与非线性损伤大小的最优色散β^*与非线性γ^*参数，将β^*和γ^*带入DBP算法中完成色散与非线性补偿，并在不使用任何测量工具的前提下，仅通过γ^*参数值能够识别出光纤链路内是否有异常损耗。这样，仅对接收端的接收信号进行处理即可完成光纤链路中的色散与非线性补偿以及异常损耗位置的监测与定位，从而大大降低光网络系统的实现复杂度，并提高光网络系统的智能化运行。

以上所述仅为本发明的较佳实施例，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、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种可同时实现光纤链路损伤补偿与异常损耗监测的方法，其特征在于，包括：

接收信号进行色散补偿、偏振解复用与频偏估计后，被分为两路，第一路被重新载入色散以重构含有色散与非线性损伤的信号后输入神经网络进行训练，第二路进行载波相位恢复；

根据载波相位恢复过程中所估计的相位旋转量以及重新载入色散后的第一路信号通过神经网络所引起的相位旋转量对训练序列进行相位旋转，得到不含有色散与非线性损伤的参考信号；

将神经网络的输出信号参照参考信号进行误差反向传播，得到能够衡量系统内的色散与非线性损伤大小的最优色散β^*与非线性γ^*参数，将β^*和γ^*带入数字反向传播DBP算法中完成色散与非线性补偿，并通过γ^*参数值识别出光纤链路内是否有异常损耗；

其中，神经网络的输出信号由重新载入色散后的第一路信号通过神经网络的色散补偿部分和非线性补偿部分经过补偿迭代运算得到；

其中，所述将神经网络的输出信号参照参考信号进行误差反向传播，得到能够衡量系统内的色散与非线性损伤大小的最优色散β^*与非线性γ^*参数，将β^*和γ^*带入DBP算法中完成色散与非线性补偿，并通过γ^*参数值识别出光纤链路内是否有异常损耗包括：

将神经网络的输出信号

与参考信号E进行计算得到误差函数I，其寻找最优色散β^*与非线性γ^*参数的表达式为：

其中，

中包含着待优化的色散β^*与非线性γ^*参数；N为神经网络的层数，当神经网络共有N层时，

即每一层都有一个色散与非线性参数予以对应；

使用误差反向传播中的梯度下降方法来进行数值更新以求解最优β^*与γ^*，将得到最优色散β^*与非线性γ^*参数值反馈到DBP算法中完成色散与非线性补偿，并通过γ^*参数值识别出光纤链路内是否有异常损耗。

2.根据权利要求1所述的可同时实现光纤链路损伤补偿与异常损耗监测的方法，其特征在于，在接收信号进行色散补偿、偏振解复用与频偏估计后，被分为两路，第一路被重新载入色散以重构含有色散与非线性损伤的信号后输入神经网络；第二路进行载波相位恢复之前，所述方法还包括：

利用神经网络构建DBP算法的数学结构，将DBP算法中的色散补偿作为神经网络中的线性运算、将DBP算法中的非线性补偿作为神经网络中的激活函数，神经网络的层数N为DBP算法的补偿次数。

3.根据权利要求2所述的可同时实现光纤链路损伤补偿与异常损耗监测的方法，其特征在于，神经网络的层数N等于L/Δh，其中，L为传输的总距离，Δh为DBP方法的补偿步长。

4.根据权利要求1所述的可同时实现光纤链路损伤补偿与异常损耗监测的方法，其特征在于，求解最优β^*与γ^*的更新公式为：

其中，k表示为DBP的第几次补偿，相当于神经网络的第几层，k＝1,2…N,m为当前迭代次数，μ为学习率。

5.根据权利要求1所述的可同时实现光纤链路损伤补偿与异常损耗监测的方法，其特征在于，所述通过γ^*参数值识别出光纤链路内是否有异常损耗包括：

通过γ^*参数值的陡降程度识别出光纤链路内是否有异常损耗。

Images