CN114358061A - 一种空分复用信号光性能监测方法及系统 - Google Patents
一种空分复用信号光性能监测方法及系统 Download PDFInfo
- Publication number
- CN114358061A CN114358061A CN202111577464.5A CN202111577464A CN114358061A CN 114358061 A CN114358061 A CN 114358061A CN 202111577464 A CN202111577464 A CN 202111577464A CN 114358061 A CN114358061 A CN 114358061A
- Authority
- CN
- China
- Prior art keywords
- channel
- neural network
- training
- optical performance
- 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.)
- Pending
Links
Images
Landscapes
- Optical Communication System (AREA)
Abstract
本发明公开了光性能监测领域的一种空分复用信号光性能监测方法及系统，包括：由各光性能监测任务的信道中获取特征信息，构建训练数据集；利用训练数据集以多种方式训练神经网络模型光性能的监测能力，将训练后的神经网络模型作为教师模型；由教师模型中获取各信道对应的软目标集合，根据信道的温度T计算得到各软目标集合的权重，利用赋予权重的软目标集合训练学生模型；收集到待检测信道的信号特征并输入给学生模型，获取信道性能监测结果；本发明实现只用一个轻量级的神经网络模型即可实现空分复用光纤中所有信道的光性能监测任务。
Description
技术领域
本发明属于光性能监测技术领域，具体涉及一种空分复用信号光性能监测方法及系统。
背景技术
随着空分复用光纤通信技术的蓬勃发展，以空分复用光纤为传输介质的长跨距光传输系统得到了广阔的应用，空分复用传输系统是一个能够成数量级增加信道容量且同时降低单位带宽的传输成本的技术方案。与此同时，由于光网络中信号类型越来越多，接收端对于信号的处理越来越困难。光网络发射端会根据链路情况与业务需求，动态改变信号的传输速率、调制格式等信息，此时对于接收端来说接收信号就是未知信号。对复杂多变的大容量动态光网络性能进行有效的监测是实现网络资源合理配置和保障网络高效稳定运行的必要技术手段。
基于少模多芯光纤的相干光通信系统中开展的光性能监测可以实现对物理层参数的实时感知，相干接收机后端DSP中信道均衡、载波相位恢复等算法需要以信号的调制格式作为先验知识。目前，基于机器学习的光性能监测方案正受到越来越多的关注。该类方案利用神经网络模型学习不同链路状况下的信号特征，在复杂环境下实现智能的光网络性能监测。目前的基于特征的神经网络模型只能处理给定的任务，然而基于少模多芯光纤的光网络拥有多个传输信道。如果信道的环境参数发生改变，如信道变更等，此时的神经网络模型就不再适用当前信道的监测任务。
发明内容
本发明的目的在于提供一种空分复用信号光性能监测方法及系统，以知识蒸馏的形式把训练好的教师模型的知识转移到轻量级的学生模型上，实现只用一个轻量级的神经网络模型即可实现空分复用光纤中所有信道的光性能监测任务。
为达到上述目的，本发明所采用的技术方案是：
本发明一方面提供了一种空分复用信号光性能监测方法，包括：
收集到待检测信道的信号特征并输入至训练好的学生模型，获取信道性能监测结果；
所述学生模型的训练方法包括：
由各光性能监测任务的信道中获取特征信息，构建训练数据集；
利用训练数据集以多种方式训练神经网络模型光性能的监测能力，同时训练过程通过损失函数修正神经网络模型各参数的权重，将训练后的神经网络模型作为教师模型；
建立低复杂度的轻量化神经网络，作为学生模型；由教师模型中获取各信道对应的软目标集合，根据信道的温度T计算得到各软目标集合的权重，利用赋予权重的软目标集合训练学生模型。
优选的，训练神经网络模型光性能的监测能力方法，包括：
将k-1个信道学习到的先验知识迁移至当前的神经网络模型，通过当前神经网络模型对第k个信道的特征信息进行学习获得知识数据；对知识数据进行提炼和存储作为下一次迁移的先验知识。
优选的，训练神经网络模型的方式包括：知识保留、知识迁移和模型拓展。
优选的，所述特征信息包括：空分复用信号的斯托克斯矢量和对应链路的OSNR值。
优选的，所述损失函数的公式为：
其中，L(θ)为当前信道下的损失函数；θ表示神经网络的参数，包括权重和偏置，i表示第i个信道，θi表示第i个信道中更新后的参数，
为第i个信道中更新前的参数；bi表示对于第i个信道中参数θi的重要程度，bi越大则参数θi越重要；λ表示为神经网络模型的训练损失和准确率结果的参数。
优选的，根据信道的温度T计算得到各软目标集合的权重，计算公式为：
其中，参数T控制每一个软目标的重要程度，qi表示第i个信道中信号的监测结果的概率，Zi和Zj分别表示第i个信道和第j个信道的网络全连接层的输出矢量。
本发明另一方面提供了一种空分复用信号光性能监测系统，包括：
采集模块，用于由各光性能监测任务的信道中获取特征信息，构建训练数据集；
训练模块，用于利用训练数据集以多种方式训练神经网络模型光性能的监测能力，同时训练过程通过损失函数修正神经网络模型各参数的权重，将训练后的神经网络模型作为教师模型；
知识蒸馏模块，用于由教师模型中获取各信道对应的软目标集合，根据信道的温度T计算得到各软目标集合的权重，利用赋予权重的软目标集合训练学生模型；
监测模块，用于收集到待检测信道的信号特征并输入至训练好的学生模型，获取信道性能监测结果。
与现有技术相比，本发明所达到的有益效果：
本发明中由教师模型中获取各信道对应的软目标集合，利用软目标集合训练学生模型；收集到待检测信道的信号特征并输入给学生模型，获取信道性能监测结果；只需要一个轻量级的学生模型即可完成空分复用光纤中所有的光性能监测任务，极大地降低了基于神经网络的空分复用信号调制格式识别方案训练成本和实际部署难度。同时，轻量化的学生模型可以提高系统的响应速度，降低网络的计算复杂度。
本发明中根据信道的温度T计算得到各软目标集合的权重，利用赋予权重的软目标集合训练学生模型；保证知识蒸馏过程中学生模型获取知识数据的正确性和可靠性。
附图说明
图1为本发明提供的一种空分复用信号光性能监测方法的流程图；
图2为本发明中基于终身学习的教师模型训练流程图；
图3为本发明提供的学生模型监测空分复用信号光性能的流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例一
如图1所示，一种空分复用信号光性能监测方法，包括：收集到待检测信道的信号特征并输入至训练好的学生模型，获取信道性能监测结果；
所述学生模型的训练方法包括：
由各光性能监测任务的信道中空分复用信号的斯托克斯矢量和对应链路的OSNR值，构建训练数据集；
利用训练数据集以知识保留、知识迁移和模型拓展的方式训练神经网络模型光性能的监测能力，其中，训练神经网络模型光性能的监测能力过程，包括：如图2所示，将k-1个信道学习到的先验知识迁移至当前的神经网络模型，通过当前神经网络模型对第k个信道的特征信息进行学习获得知识数据；对知识数据进行提炼和存储作为下一次迁移的先验知识。
同时训练过程通过损失函数修正神经网络模型各参数的权重，将训练后的神经网络模型作为教师模型；所述损失函数的公式为：
其中，L(θ)为当前信道下的损失函数；θ表示神经网络的参数，包括权重和偏置，i表示第i个信道，θi表示第i个信道中更新后的参数，
为第i个信道中更新前的参数；bi表示对于第i个信道中参数θi的重要程度，bi越大则参数θi越重要；λ表示为神经网络模型的训练损失和准确率结果的参数。
建立低复杂度的轻量化神经网络，作为学生模型；由教师模型中获取各信道对应的软目标集合，根据信道的温度T计算得到各软目标集合的权重，利用赋予权重的软目标集合训练学生模型；
根据信道的温度T计算得到各软目标集合的权重，计算公式为：
其中，参数T控制每一个软目标的重要程度，qi表示第i个信道中信号的监测结果的概率，Zi和Zj分别表示第i个信道和第j个信道的网络全连接层的输出矢量。
如图3所示，发射机Tx1到Txn分别将调制好的信号通过空分复用器加载在n个不同的信道上，并经过空分复用光纤将信号的传输至空分解复用器；弹性光网络根据用户的需求和信道的状况，动态地改变传输信号的调制格式、码元速率等各项参数，达到合理配置系统资源的效果。在空分复用光纤传输的过程中，不同的传输信道会产生随机耦合，不同信道的干扰和信道传输情况各不相同；空分解复用器将光束解成n路单模光纤中。
接收机Rx1到Rxn需要利用DSP单元对信号进行相应的补偿、均衡等算法处理。DSP会先提取信号特征并作为学生模型的输入。接着，按照本发明所提出的方案，训练后的学生模型可以直接对n个不同信道中的信号进行监测，得到接收信号的调制格式和链路的光信噪比，并反馈给光网络的控制层，实现网络参数的控制。
实施例二
本实施例提供可以应用于实施例一所述的监测方法，一种空分复用信号光性能监测系统，包括：
采集模块，用于由各光性能监测任务的信道中获取特征信息，构建训练数据集；
训练模块，用于利用训练数据集以多种方式训练神经网络模型光性能的监测能力，同时训练过程通过损失函数修正神经网络模型各参数的权重，将训练后的神经网络模型作为教师模型；
知识蒸馏模块，用于由教师模型中获取各信道对应的软目标集合，根据信道的温度T计算得到各软目标集合的权重，利用赋予权重的软目标集合训练学生模型；
监测模块，用于收集到待检测信道的信号特征并输入至训练好的学生模型，获取信道性能监测结果。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
Claims (7)
1.一种空分复用信号光性能监测方法，其特征在于，包括：收集到待检测信道的信号特征并输入至训练好的学生模型，获取信道性能监测结果；
所述学生模型的训练方法包括：
由各光性能监测任务的信道中获取特征信息，构建训练数据集；
利用训练数据集以多种方式训练神经网络模型光性能的监测能力，同时训练过程通过损失函数修正神经网络模型各参数的权重，将训练后的神经网络模型作为教师模型；
建立低复杂度的轻量化神经网络，作为学生模型；由教师模型中获取各信道对应的软目标集合，根据信道的温度T计算得到各软目标集合的权重，利用赋予权重的软目标集合训练学生模型。
2.根据权利要求1所述的空分复用信号光性能监测方法，其特征在于，训练神经网络模型光性能的监测能力的方法，包括：
将k-1个信道学习到的先验知识迁移至当前的神经网络模型，通过当前神经网络模型对第k个信道的特征信息进行学习获得知识数据；对知识数据进行提炼和存储作为下一次迁移的先验知识。
3.根据权利要求1所述的空分复用信号光性能监测方法，其特征在于，所述训练神经网络模型的方式包括：知识保留、知识迁移和模型拓展。
4.根据权利要求1所述的空分复用信号光性能监测方法，其特征在于，所述特征信息包括：空分复用信号的斯托克斯矢量和对应链路的OSNR值。
5.根据权利要求1所述的空分复用信号光性能监测方法，其特征在于，所述损失函数的公式为：
其中，L(θ)为当前信道下的损失函数；θ表示神经网络的参数，包括权重和偏置，i表示第i个信道，θi表示第i个信道中更新后的参数，
为第i个信道中更新前的参数；bi表示对于第i个信道中参数θi的重要程度，bi越大则参数θi越重要；λ表示为神经网络模型的训练损失和准确率结果的参数。
6.根据权利要求1所述的空分复用信号光性能监测方法，其特征在于，根据信道的温度T计算得到各软目标集合的权重，计算公式为：
其中，参数T控制每一个软目标的重要程度，qi表示第i个信道中信号的监测结果的概率，Zi和Zj分别表示第i个信道和第j个信道的网络全连接层的输出矢量。
7.一种空分复用信号光性能监测系统，其特征在于，包括：
采集模块，用于由各光性能监测任务的信道中获取特征信息，构建训练数据集；
训练模块，用于利用训练数据集以多种方式训练神经网络模型光性能的监测能力，同时训练过程通过损失函数修正神经网络模型各参数的权重，将训练后的神经网络模型作为教师模型；
知识蒸馏模块，用于由教师模型中获取各信道对应的软目标集合，根据信道的温度T计算得到各软目标集合的权重，利用赋予权重的软目标集合训练学生模型；
监测模块，用于收集到待检测信道的信号特征并输入至训练好的学生模型，获取信道性能监测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111577464.5A CN114358061A (zh) | 2021-12-22 | 2021-12-22 | 一种空分复用信号光性能监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111577464.5A CN114358061A (zh) | 2021-12-22 | 2021-12-22 | 一种空分复用信号光性能监测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114358061A true CN114358061A (zh) | 2022-04-15 |
Family
ID=81101636
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111577464.5A Pending CN114358061A (zh) | 2021-12-22 | 2021-12-22 | 一种空分复用信号光性能监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114358061A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115085805A (zh) * | 2022-06-09 | 2022-09-20 | 南京信息工程大学 | 一种基于对抗蒸馏模型的少模多芯光纤光性能监测方法、系统、装置及存储介质 |
-
2021
- 2021-12-22 CN CN202111577464.5A patent/CN114358061A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115085805A (zh) * | 2022-06-09 | 2022-09-20 | 南京信息工程大学 | 一种基于对抗蒸馏模型的少模多芯光纤光性能监测方法、系统、装置及存储介质 |
| CN115085805B (zh) * | 2022-06-09 | 2024-03-19 | 南京信息工程大学 | 一种基于对抗蒸馏模型的光纤光性能监测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110505020B (zh) | 基于迁移学习的光非线性均衡方法 | |
| CN112688772B (zh) | 一种机器学习叠加训练序列帧同步方法 | |
| CN114358061A (zh) | 一种空分复用信号光性能监测方法及系统 | |
| CN113626960B (zh) | 一种抗模式耦合少模信号复杂格式解析方法及装置 | |
| JP7460890B2 (ja) | 伝送路監視装置及び伝送路監視方法 | |
| CN114553315B (zh) | 基于CNN-biRNN的光纤非线性均衡方法及系统 | |
| Zhang et al. | Modulation format identification in heterogeneous fiber-optic networks using artificial neural networks and genetic algorithms | |
| Zhang et al. | Eye diagram measurement-based joint modulation format, OSNR, ROF, and skew monitoring of coherent channel using deep learning | |
| CN114285715B (zh) | 基于双向gru-条件随机场的非线性均衡方法 | |
| Liu et al. | A data-fusion-assisted telemetry layer for autonomous optical networks | |
| CN101764649B (zh) | 基于ica信号分离算法的mgdm多模光纤通信系统及方法 | |
| 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 | |
| US11943277B2 (en) | Conversion system, method and program | |
| Sindhumitha et al. | Joint modulation format recognition and optical performance monitoring for efficient fiber-optic communication links using ensemble deep transfer learning | |
| CN105429912A (zh) | 具有信道估计机制的计算系统及其操作方法 | |
| Shahkarami et al. | Efficient deep learning of nonlinear fiber-optic communications using a convolutional recurrent neural network | |
| CN115987394A (zh) | 一种基于Wide&Deep模型的光纤非线性均衡方法 | |
| CN114553650B (zh) | 基于多层级神经网络的抗模式耦合信号复杂格式解析方法 | |
| Sun et al. | Optical Performance monitoring using Q-learning optimized least square support vector machine in optical network | |
| JP6127627B2 (ja) | 光ネットワーク・シミュレーションの最適化 | |
| CN114024810A (zh) | 一种多芯光纤信道调制格式识别方法及其装置 | |
| CN113033781A (zh) | 一种基于自进化优化bp神经网络的非线性均衡补偿方法 | |
| Kaur et al. | Wind driven based heuristic solution for multiobjective traffic grooming in optical networks | |
| EP4173243A1 (en) | Training in communication systems | |
| CN111246417A (zh) | 一种基于随机游走的压缩数据收集方法及系统 |
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 |