CN114978304B - 光放大器增益谱测量方法、系统及装置 - Google Patents
光放大器增益谱测量方法、系统及装置 Download PDFInfo
- Publication number
- CN114978304B CN114978304B CN202210520242.8A CN202210520242A CN114978304B CN 114978304 B CN114978304 B CN 114978304B CN 202210520242 A CN202210520242 A CN 202210520242A CN 114978304 B CN114978304 B CN 114978304B
- Authority
- CN
- China
- Prior art keywords
- spectrum
- optical
- optical amplifier
- amplifier
- input
- 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
Links
- 230000003287 optical effect Effects 0.000 title claims abstract description 251
- 238000001228 spectrum Methods 0.000 title claims abstract description 184
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000005259 measurement Methods 0.000 claims abstract description 19
- 238000010801 machine learning Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 80
- 230000003595 spectral effect Effects 0.000 claims description 12
- 230000003321 amplification Effects 0.000 claims description 11
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 11
- 230000000295 complement effect Effects 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 230000000153 supplemental effect Effects 0.000 claims description 6
- 238000013531 bayesian neural network Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000007493 shaping process Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- H04B10/0797—Monitoring line amplifier or line repeater equipment
-
- 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
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Signal Processing (AREA)
- Electromagnetism (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing Of Optical Devices Or Fibers (AREA)
Abstract
本发明提供了一种光放大器增益谱测量方法、系统及装置，包括预采集少量光信号上波配置下光放大器的增益谱作为初始数据集，利用机器学习算法建立光放大器增益模型，利用主动学习算法增加与初始数据集频谱特征不同的输入光信号，将需测量的光信号频谱输入光放大器并获取对应增益谱，将新测得的增益谱数据加入训练数据集，重复以上步骤逐步采集增益谱数据添加至训练集并重新训练模型至模型稳定。本发明提出光放大器建模方法具备减少光放大器实际增益谱测量数据量并提升建模精度的能力。
Description
技术领域
本发明涉及光通信器件制造及光通信应用领域，具体地，涉及一种光放大器增益谱测量方法、系统及装置。
背景技术
随着虚拟现实、自动驾驶、智能物联网等网络应用飞速发展，承载大部分网络流量的光通信系统需要进一步扩容。在目前的光通信系统中，商业化系统的单波容量已接近香农极限。在未来，需要建设更加智能、准确的光网络管理系统，从而有效地降低每比特传输成本。为了实现这一目标，需要对光物理层器件进行准确建模。光放大器能直接放大光纤信号，减少了光-电-光中继的使用，极大降低了链路传输成本。理想的光放大器可实现平整的放大增益谱线，然而，光放大器内部模块较多，结构复杂，实际生产中难以实现理想的平整增益谱。在系统性能估计中，需要为光放大器非理想的放大性能预留估计余量，导致了传输容量的浪费。因此，光放大器的准确建模是扩大网络容量，实现智能化网络管控的重点之一。
然而，传统的光放大器建模方案仍存在较大精度提升空间。传统的建模方案有理论建模与数据驱动建模两种。基于理论建模的方案只考虑了光放大器放大光信号的理论原理，并未考虑实际条件下制造工艺、材料特征、系统老化等因素对实际放大性能的影响，导致建模假设理想化，精度偏低。基于数据驱动的方案利用实际数据建模，该类算法的实现需要对每一个光放大器进行大量采数，在商业化生产中成本较高，无法实现。同时，采数中引入的测量误差会增加数据驱动模型的学习负担，导致精度的降低。
综上所述，传统的光放大器建模方案考虑因素不全面，虽然能建立初步的、单个的光放大器模型，但无法快速利用于实际系统中，在建模精度与效率上均存在提升空间。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种光放大器增益谱测量方法、系统及装置。
根据本发明提供的一种光放大器增益谱测量方法，包括：
步骤S1：生成初始训练数据集，包含随机生成的初始待放大光信号频谱，利用信号发生装置生成待放大光信号频谱并输入给定光放大器，测量给定光放大器的输入信号频谱与经光放大器放大后已放大的信号频谱，计算光放大器增益谱特征矩阵；
步骤S2：基于初始数据集中采集的待放大光信号频谱与对应的增益谱特征矩阵，利用机器学习建立光放大器初始模型；
步骤S3：利用主动学习算法基于初始光放大器增益模型选取输入光信号频谱进行补充增益谱数据采集；
步骤S4：基于补充采集的增益谱数据再次训练给定光放大器增益模型；
重复步骤S3和步骤S4至训练模型稳定。
优选地，所述步骤S1包括以下子步骤：
步骤S1.1：针对给定光放大器生成数据量较少的初始数据集，数据集内包括待输入光放大器的光信号频谱特征矩阵C，该矩阵维度等于光放大器放大范围波道数，每一维代表一个波道，其数值为该波道中信号功率，对于n波道范围内，输入放大器的光信号频谱特征矩阵表示为：
C＝[P1,P2,P3,…,Pn]T；
步骤S1.2：利用信号发生装置模拟生成待输入放大器的光信号并输入给定光放大器，设定该放大器增益值后完成光信号放大并输出放大器；
步骤S1.3：测量给定光放大器的输入光信号频谱特征矩阵Cin与经光放大器放大后输出信号频谱特征矩阵Cout；对于n波道的光信号，Cin与Cout均为n维矩阵，每一维数值Pin_i与Pout_i分别代表第i波道信号输入功率值与输出功率值，即：
Cin＝[Pin_1,Pin_2,Pin_3,…,Pin_n]T,
Cout＝[Pout_1,Pout_2,Pout_3,…,Pout_n]T；
步骤S1.4：根据测量的输入输出频谱特征矩阵Cin与Cout，计算放大器在该输入情况下的增益谱特征矩阵G,结果为：
优选地，所述步骤S1.3中通过频谱测量装置进行测量，所述频谱测量装置包括光谱仪。
优选地，所述步骤S2包括：建立机器学习光放大器初始模型，模型输入为输入光信号频谱特征矩阵Cin，模型输出为该光信号输入后增益谱特征矩阵G，使用的建模算法包括贝叶斯神经网络或高斯过程回归模型，通过建模算法输出增益谱特征矩阵G与模型估计置信度σ，σ定义为模型输出的估计方差，方差越大即置信度越低，方差越小则置信度越高。
优选地，所述步骤S3包括：建立待测数据池，包括大量待测输入光信号频谱特征矩阵Cin；使用步骤S2中获得的光放大器模型，预测该待测数据池内Cin下的输出估计增益谱特征矩阵G与模型估计置信度σ，选出置信度σ最低的m个输入信号频谱特征矩阵Cin，测量该m个光信号输入给定放大器后相应的输出增益谱特征矩阵G。
优选地，所述步骤S4包括：将步骤S3中完成测量的m个光信号频谱特征矩阵Cin从待测数据池中删除，将该m个光信号频谱特征矩阵Cin与给定放大器放大后测量的输出增益谱特征矩阵G放入初始训练数据集，利用更新后的初始训练数据集重新训练光放大器增益谱估计模型。
根据本发明提供的一种光放大器增益谱测量系统，包括：
模块M1：生成初始训练数据集，包含随机生成的初始待放大光信号频谱，利用信号发生装置生成待放大光信号频谱并输入给定光放大器，测量给定光放大器的输入信号频谱与经光放大器放大后已放大的信号频谱，计算光放大器增益谱特征矩阵；
模块M2：基于初始数据集中采集的待放大光信号频谱与对应的增益谱特征矩阵，利用机器学习建立光放大器初始模型；
模块M3：利用主动学习算法基于初始光放大器增益模型选取输入光信号频谱进行补充增益谱数据采集；
模块M4：基于补充采集的增益谱数据再次训练给定光放大器增益模型；
模块M5：重复执行模块M3和模块M4，直至训练模型稳定。
优选地，所述模块M1包括以下子模块：
模块M1.1：针对给定光放大器生成数据量较少的初始数据集，数据集内包括待输入光放大器的光信号频谱特征矩阵C，该矩阵维度等于光放大器放大范围波道数，每一维代表一个波道，其数值为该波道中信号功率，对于n波道范围内，输入放大器的光信号频谱特征矩阵表示为：
C＝[P1,P2,P3,…,Pn]T；
模块M1.2：利用信号发生装置模拟生成待输入放大器的光信号并输入给定光放大器，设定该放大器增益值后完成光信号放大并输出放大器；
模块M1.3：测量给定光放大器的输入光信号频谱特征矩阵Cin与经光放大器放大后输出信号频谱特征矩阵Cout；对于n波道的光信号，Cin与Cout均为n维矩阵，每一维数值Pin_i与Pout_i分别代表第i波道信号输入功率值与输出功率值，即：
Cin＝[Pin_1,Pin_2,Pin_3,…,Pin_n]T,
Cout＝[Pout_1,Pout_2,Pout_3,…,Pout_n]T；
模块M1.4：根据测量的输入输出频谱特征矩阵Cin与Cout，计算放大器在该输入情况下的增益谱特征矩阵G,结果为：
优选地，所述模块M1.3中通过频谱测量装置进行测量，所述频谱测量装置包括光谱仪。
根据本发明提供的一种光放大器增益谱测量装置，包括光谱测量装置、建模模型和主动学习算法；
所述光谱测量装置用于测量输入光信号频谱与输出光信号频谱，光谱测量装置包括：
信号发生装置：用于产生输入放大器光信号；
信号频谱整形装置：用于生成输入光放大器的待测光信号频谱。
与现有技术相比，本发明具有如下的有益效果：
1、本发明提出光放大器建模方法及系统，涉及光通信器件制造及光通信应用领域，具备减少光放大器实际增益谱测量数据量并提升建模精度的能力。
2、本发明包括针对给定的光放大器生成待测量输入光信号频谱数据集，基于初始测量数据集建立初始模型后，利用主动学习算法从待测量输入频谱特征矩阵数据集中选取最具测量价值的输入频谱；利用频谱测量装置测量输出光信号频谱并计算真实频谱特征矩阵；将新测量数据加入初始数据集，重新训练光放大器模型；重复以上步骤直至模型收敛或稳定。
3、本发明结构合理，使用方便，能够克服现有技术的缺陷。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明的基于主动学习的光放大器建模方案与增益谱测量方案图；
图2为本发明方法应用于一个光放大器实例中得到的建模精度示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
本发明提供了一种光放大器增益谱测量方法，参照图1，包括：
步骤S1：生成初始训练数据集，包含随机生成的初始待放大光信号频谱，利用信号发生装置生成待放大光信号频谱并输入给定光放大器，测量给定光放大器的输入信号频谱与经光放大器放大后已放大的信号频谱，计算光放大器增益谱特征矩阵。具体如下：
步骤S1.1：针对给定光放大器生成数据量较少的初始数据集，数据集内包括待输入光放大器的光信号频谱特征矩阵C，该矩阵维度等于光放大器放大范围波道数，每一维代表一个波道，其数值为该波道中信号功率，对于n波道范围内，输入放大器的光信号频谱特征矩阵表示为：
C＝[P1,P2,P3,…,Pn]T；
步骤S1.2：利用信号发生装置模拟生成待输入放大器的光信号并输入给定光放大器，设定该放大器增益值后完成光信号放大并输出放大器；
步骤S1.3：测量给定光放大器的输入光信号频谱特征矩阵Cin与经光放大器放大后输出信号频谱特征矩阵Cout；对于n波道的光信号，Cin与Cout均为n维矩阵，每一维数值Pin_i与Pout_i分别代表第i波道信号输入功率值与输出功率值，即：
Cin＝[Pin_1,Pin_2,Pin_3,…,Pin_n]T,
Cout＝[Pout_1,Pout_2,Pout_3,…,Pout_n]T；
该步骤测量可通过频谱测量装置如光谱仪实现。
步骤S1.4：根据测量的输入输出频谱特征矩阵Cin与Cout，计算放大器在该输入情况下的增益谱特征矩阵G,结果为：
步骤S2：基于初始数据集中采集的待放大光信号频谱与对应的增益谱特征矩阵，利用机器学习建立光放大器初始模型；
建立机器学习光放大器初始模型，模型输入为输入光信号频谱特征矩阵Cin，模型输出为该光信号输入后增益谱特征矩阵G，使用的建模算法包括但不限于贝叶斯神经网络或高斯过程回归模型，需保证使用算法可输出增益谱特征矩阵G与模型估计置信度σ，σ可定义为模型输出的估计方差，方差越大即置信度越低，方差越小则置信度越高。
步骤S3：利用主动学习算法基于初始光放大器增益模型选取输入光信号频谱进行补充增益谱数据采集；
步骤S3包括：建立待测数据池，包括大量待测输入光信号频谱特征矩阵Cin；使用步骤S2中获得的光放大器模型，预测该待测数据池内Cin下的输出估计增益谱特征矩阵G与模型估计置信度σ，选出置信度σ最低的m个输入信号频谱特征矩阵Cin，测量该m个光信号输入给定放大器后相应的输出增益谱特征矩阵G。
步骤S4：基于补充采集的增益谱数据再次训练给定光放大器增益模型；将步骤S3中完成测量的m个光信号频谱特征矩阵Cin从待测数据池中删除，将该m个光信号频谱特征矩阵Cin与给定放大器放大后测量的输出增益谱特征矩阵G放入初始训练数据集，利用更新后的初始训练数据集重新训练光放大器增益谱估计模型。
重复步骤S3和步骤S4至训练模型稳定。
如附图2所示，本发明所设计的光放大器模型应用于特定光放大器中，得到的增益模型与传统数据驱动方法进行了对比。本实施例中光放大器为拜安掺饵光纤放大器EDFA-LA，共上波40个波分复用信号，图中标注点为不同数量的训练样本情况下，测试集中真实采集的结果与光放大器模型输出结果的均方误差。在图2中，本发明所设计的光放大器模型与传统数据驱动模型进行了对比。从附图2中可以看出，采用本申请提出的方法设计的光放大器模型可以在相同训练数据量的情况下，降低估计误差，提升建模精度，实现了数据的有效筛选。
本发明公开了一种光放大器增益谱测量系统，包括：
模块M1：生成初始训练数据集，包含随机生成的初始待放大光信号频谱，利用信号发生装置生成待放大光信号频谱并输入给定光放大器，测量给定光放大器的输入信号频谱与经光放大器放大后已放大的信号频谱，计算光放大器增益谱特征矩阵。
模块M1包括以下子模块：
模块M1.1：针对给定光放大器生成数据量较少的初始数据集，数据集内包括待输入光放大器的光信号频谱特征矩阵C，该矩阵维度等于光放大器放大范围波道数，每一维代表一个波道，其数值为该波道中信号功率，对于n波道范围内，输入放大器的光信号频谱特征矩阵表示为：
C＝[P1,P2,P3,…,Pn]T；
模块M1.2：利用信号发生装置模拟生成待输入放大器的光信号并输入给定光放大器，设定该放大器增益值后完成光信号放大并输出放大器；
模块M1.3：测量给定光放大器的输入光信号频谱特征矩阵Cin与经光放大器放大后输出信号频谱特征矩阵Cout；对于n波道的光信号，Cin与Cout均为n维矩阵，每一维数值Pin_i与Pout_i分别代表第i波道信号输入功率值与输出功率值，即：
Cin＝[Pin_1,Pin_2,Pin_3,…,Pin_n]T,
Cout＝[Pout_1,Pout_2,Pout_3,…,Pout_n]T；
模块M1.3中通过频谱测量装置进行测量，所述频谱测量装置包括光谱仪。
模块M1.4：根据测量的输入输出频谱特征矩阵Cin与Cout，计算放大器在该输入情况下的增益谱特征矩阵G,结果为：
模块M2：基于初始数据集中采集的待放大光信号频谱与对应的增益谱特征矩阵，利用机器学习建立光放大器初始模型；
模块M3：利用主动学习算法基于初始光放大器增益模型选取输入光信号频谱进行补充增益谱数据采集；
模块M4：基于补充采集的增益谱数据再次训练给定光放大器增益模型；
模块M5：重复执行模块M3和模块M4，直至训练模型稳定。
本发明还公开了一种光放大器增益谱测量装置，采用上述的光放大器增益谱测量方法，包括光谱测量装置、建模模型和主动学习算法；
所述光谱测量装置用于测量输入光信号频谱与输出光信号频谱，光谱测量装置包括：
信号发生装置：用于产生输入放大器光信号；
信号频谱整形装置：用于生成输入光放大器的待测光信号频谱。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。
Claims (5)
1.一种光放大器增益谱测量方法，其特征在于，包括：
步骤S1：生成初始训练数据集，包含随机生成的初始待放大光信号频谱，利用信号发生装置生成待放大光信号频谱并输入给定光放大器，测量给定光放大器的输入信号频谱与经光放大器放大后已放大的信号频谱，计算光放大器增益谱特征矩阵；
步骤S2：基于初始数据集中采集的待放大光信号频谱与对应的增益谱特征矩阵，利用机器学习建立光放大器增益模型；
步骤S3：利用主动学习算法基于初始光放大器增益模型选取输入光信号频谱进行补充增益谱数据采集；
步骤S4：基于补充采集的增益谱数据再次训练给定光放大器增益模型；
重复步骤S3和步骤S4至模型稳定；
所述步骤S1包括以下子步骤：
步骤S1.1：针对给定光放大器生成数据量较少的初始数据集，数据集内包括待输入光放大器的光信号频谱特征矩阵C，该矩阵维度等于光放大器放大范围波道数，每一维代表一个波道，其数值为该波道中信号功率，对于n波道范围内，输入放大器的光信号频谱特征矩阵表示为：
C＝[P1，P2，P3，...，Pn]T；
步骤S1.2：利用信号发生装置模拟生成待输入放大器的光信号并输入给定光放大器，设定该放大器增益值后完成光信号放大并输出放大器；
步骤S1.3：测量给定光放大器的输入光信号频谱特征矩阵Cin与经光放大器放大后输出信号频谱特征矩阵Cout；对于n波道的光信号，Cin与Cout均为n维矩阵，每一维数值Pin_i与Pout_i分别代表第i波道信号输入功率值与输出功率值，即：
Cin＝[Pin_1，Pin_2，Pin_3，...，Pin_n]T，
Cout＝[Pout_1，Pout_2，Pout_3，...，Pout_n]T；
步骤S1.4：根据测量的输入输出频谱特征矩阵Cin与Cout，计算放大器在该输入情况下的增益谱特征矩阵G，结果为：
所述步骤S2包括：建立机器学习光放大器初始模型，模型输入为输入光信号频谱特征矩阵Cin，模型输出为该光信号输入后增益谱特征矩阵G，使用的建模算法包括贝叶斯神经网络或高斯过程回归模型，通过建模算法输出增益谱特征矩阵G与模型估计置信度σ，σ定义为模型输出的估计方差，方差越大即置信度越低，方差越小则置信度越高；
所述步骤S3包括：建立待测数据池，包括大量待测输入光信号频谱特征矩阵Cin；使用步骤S2中获得的光放大器模型，预测该待测数据池内Cin下的输出估计增益谱特征矩阵G与模型估计置信度σ，选出置信度σ最低的m个输入信号频谱特征矩阵Cin，测量该m个光信号输入给定放大器后相应的输出增益谱特征矩阵G；
所述步骤S4包括：将步骤S3中完成测量的m个光信号频谱特征矩阵Cin从待测数据池中删除，将该m个光信号频谱特征矩阵Cin与给定放大器放大后测量的输出增益谱特征矩阵G放入初始训练数据集，利用更新后的初始训练数据集重新训练光放大器增益谱估计模型。
2.根据权利要求1所述的光放大器增益谱测量方法，其特征在于：所述步骤S1.3中通过频谱测量装置进行测量，所述频谱测量装置包括光谱仪。
3.一种光放大器增益谱测量系统，其特征在于：包括：
模块M1：生成初始训练数据集，包含随机生成的初始待放大光信号频谱，利用信号发生装置生成待放大光信号频谱并输入给定光放大器，测量给定光放大器的输入信号频谱与经光放大器放大后已放大的信号频谱，计算光放大器增益谱特征矩阵；
模块M2：基于初始数据集中采集的待放大光信号频谱与对应的增益谱特征矩阵，利用机器学习建立光放大器增益模型；
模块M3：利用主动学习算法基于初始光放大器增益模型选取输入光信号频谱进行补充增益谱数据采集；
模块M4：基于补充采集的增益谱数据再次训练给定光放大器增益模型；
模块M5：重复执行模块M3和模块M4，直至模型稳定；
所述模块M1包括以下子模块：
模块M1.1：针对给定光放大器生成数据量较少的初始数据集，数据集内包括待输入光放大器的光信号频谱特征矩阵C，该矩阵维度等于光放大器放大范围波道数，每一维代表一个波道，其数值为该波道中信号功率，对于n波道范围内，输入放大器的光信号频谱特征矩阵表示为：
C＝[P1，P2，P3，...，Pn]T；
模块M1.2：利用信号发生装置模拟生成待输入放大器的光信号并输入给定光放大器，设定该放大器增益值后完成光信号放大并输出放大器；
模块M1.3：测量给定光放大器的输入光信号频谱特征矩阵Cin与经光放大器放大后输出信号频谱特征矩阵Cout；对于n波道的光信号，Cin与Cout均为n维矩阵，每一维数值Pin_i与Pout_i分别代表第i波道信号输入功率值与输出功率值，即：
Cin＝[Pin_1，Pin_2，Pin_3，...，Pin_n]T，
Cout＝[Pout_1，Pout_2，Pout_3，...，Pout_n]T；
模块M1.4：根据测量的输入输出频谱特征矩阵Cin与Cout，计算放大器在该输入情况下的增益谱特征矩阵G，结果为：
4.根据权利要求3所述的光放大器增益谱测量系统，其特征在于：所述模块M1.3中通过频谱测量装置进行测量，所述频谱测量装置包括光谱仪。
5.一种光放大器增益谱测量装置，采用权利要求1或2所述的光放大器增益谱测量方法，其特征在于：包括光谱测量装置、建模模型和主动学习算法；
所述光谱测量装置用于测量输入光信号频谱与输出光信号频谱，光谱测量装置包括：
信号发生装置：用于产生输入放大器光信号；
信号频谱整形装置：用于生成输入光放大器的待测光信号频谱。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210520242.8A CN114978304B (zh) | 2022-05-12 | 2022-05-12 | 光放大器增益谱测量方法、系统及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210520242.8A CN114978304B (zh) | 2022-05-12 | 2022-05-12 | 光放大器增益谱测量方法、系统及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114978304A CN114978304A (zh) | 2022-08-30 |
| CN114978304B true CN114978304B (zh) | 2023-08-25 |
Family
ID=82983227
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210520242.8A Active CN114978304B (zh) | 2022-05-12 | 2022-05-12 | 光放大器增益谱测量方法、系统及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114978304B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2002030014A1 (en) * | 2000-10-02 | 2002-04-11 | Telefonaktiebolaget L.M. Ericsson | Method of characterising optical amplifiers |
| EP1349310A2 (en) * | 2002-03-29 | 2003-10-01 | Nortel Networks Limited | Power balancing in DWDM optical networks |
| CN102075249A (zh) * | 2010-12-03 | 2011-05-25 | 电子科技大学 | 一种磁可调的光纤非线性信息处理装置 |
| CN102790643A (zh) * | 2011-05-18 | 2012-11-21 | 华为技术有限公司 | 参数仿真处理方法和装置 |
| CN103795462A (zh) * | 2014-01-20 | 2014-05-14 | 北京交通大学 | 一种测量半导体光放大器色散的方法 |
| CN104917564A (zh) * | 2015-04-24 | 2015-09-16 | 苏州大学 | 一种光路的fec选择方法及装置 |
| EP3754868A1 (en) * | 2019-06-18 | 2020-12-23 | Nokia Solutions and Networks Oy | All-optical intra-channel multi-wavelength linear-to-nonlinear power ratio monitor |
| CN113840297A (zh) * | 2021-10-08 | 2021-12-24 | 南京航空航天大学 | 一种基于射频机器学习模型驱动的频谱预测方法 |
-
2022
- 2022-05-12 CN CN202210520242.8A patent/CN114978304B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2002030014A1 (en) * | 2000-10-02 | 2002-04-11 | Telefonaktiebolaget L.M. Ericsson | Method of characterising optical amplifiers |
| EP1349310A2 (en) * | 2002-03-29 | 2003-10-01 | Nortel Networks Limited | Power balancing in DWDM optical networks |
| CN102075249A (zh) * | 2010-12-03 | 2011-05-25 | 电子科技大学 | 一种磁可调的光纤非线性信息处理装置 |
| CN102790643A (zh) * | 2011-05-18 | 2012-11-21 | 华为技术有限公司 | 参数仿真处理方法和装置 |
| CN103795462A (zh) * | 2014-01-20 | 2014-05-14 | 北京交通大学 | 一种测量半导体光放大器色散的方法 |
| CN104917564A (zh) * | 2015-04-24 | 2015-09-16 | 苏州大学 | 一种光路的fec选择方法及装置 |
| EP3754868A1 (en) * | 2019-06-18 | 2020-12-23 | Nokia Solutions and Networks Oy | All-optical intra-channel multi-wavelength linear-to-nonlinear power ratio monitor |
| CN113840297A (zh) * | 2021-10-08 | 2021-12-24 | 南京航空航天大学 | 一种基于射频机器学习模型驱动的频谱预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| "光纤通信数字孪生系统架构及关键技术研究";刘晓敏等;《信息通信技术与政策》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114978304A (zh) | 2022-08-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111930014B (zh) | 动静态数据混合驱动的Hammerstein非线性工业系统简约灰箱子空间辨识方法 | |
| CN110336594B (zh) | 一种基于共轭梯度下降法的深度学习信号检测方法 | |
| CN110956312B (zh) | 基于emd-cnn深度神经网络的光伏配电网电压预测方法 | |
| CN105846448B (zh) | 一种基于随机矩阵理论的配电网无功补偿容量确定方法 | |
| CN111200141B (zh) | 基于深度信念网络的质子交换膜燃料电池性能预测及寻优方法 | |
| CN112749784B (zh) | 一种计算设备及神经网络的加速方法 | |
| CN110954860B (zh) | 一种doa和极化参数估计方法 | |
| CN114978304B (zh) | 光放大器增益谱测量方法、系统及装置 | |
| CN115906303A (zh) | 一种基于机器学习的平面微波滤波器设计方法及装置 | |
| CN107918920B (zh) | 多光伏电站的出力关联性分析方法 | |
| CN114745311B (zh) | 一种基于二分法的网络脆弱性二维边界条件搜索方法 | |
| CN115979568A (zh) | 高超声速风洞的温度场预测方法、电子设备及存储介质 | |
| CN116911419A (zh) | 一种基于趋势相关性特征学习的长时序预测方法 | |
| CN115809725A (zh) | 一种多因素短期电量预测方法及装置 | |
| CN116248202A (zh) | 一种基于深度学习实现射频通道校准的方法 | |
| CN113722951B (zh) | 基于神经网络的散射体三维有限元网格优化方法 | |
| CN113344245A (zh) | 混合深度学习短期预测模型、方法、存储介质和计算设备 | |
| CN113156363B (zh) | 阵元互耦和幅相误差下的近场源智能定位方法 | |
| CN113447818B (zh) | 电池等效电路模型的辨识方法及系统 | |
| CN116859251B (zh) | 一种考虑恢复电压的燃料电池多步长混合预测方法及系统 | |
| CN107506778A (zh) | 一种基于最小生成树的海量数据聚类处理方法 | |
| CN116720470A (zh) | 基于lstm与迁移学习的水声宽带功放行为建模方法 | |
| CN117473932A (zh) | 一种敏捷设计库驱动的dtco高效优化方法 | |
| CN115587629A (zh) | 协方差膨胀系数估计方法、模型训练方法、存储介质终端 | |
| CN115695211A (zh) | 基于数据驱动的光纤通信实验系统端到端建模方法和系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240527 Address after: 200240 No. 800, Dongchuan Road, Shanghai, Minhang District Patentee after: ZhuGe Qunbi Country or region after: China Address before: 200240 No. 800, Dongchuan Road, Shanghai, Minhang District Patentee before: SHANGHAI JIAO TONG University Country or region before: China |
|
| TR01 | Transfer of patent right |