CN115208462A - 光通信系统光模块控制参数优化方法及系统 - Google Patents
光通信系统光模块控制参数优化方法及系统 Download PDFInfo
- Publication number
- CN115208462A CN115208462A CN202210825349.3A CN202210825349A CN115208462A CN 115208462 A CN115208462 A CN 115208462A CN 202210825349 A CN202210825349 A CN 202210825349A CN 115208462 A CN115208462 A CN 115208462A
- Authority
- CN
- China
- Prior art keywords
- optical
- communication system
- module
- optical communication
- control parameters
- 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
- 230000003287 optical effect Effects 0.000 title claims abstract description 171
- 238000004891 communication Methods 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000005457 optimization Methods 0.000 title claims abstract description 39
- 230000008569 process Effects 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000005259 measurement Methods 0.000 claims description 24
- 238000004088 simulation Methods 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000001069 Raman spectroscopy Methods 0.000 claims description 13
- 239000013307 optical fiber Substances 0.000 claims description 7
- 230000003321 amplification Effects 0.000 description 13
- 238000003199 nucleic acid amplification method Methods 0.000 description 13
- 230000005540 biological transmission Effects 0.000 description 11
- 239000000835 fiber Substances 0.000 description 4
- 230000008054 signal transmission Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000013461 design Methods 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
- 229910052691 Erbium Inorganic materials 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- UYAHIZSMUZPPFV-UHFFFAOYSA-N erbium Chemical compound [Er] UYAHIZSMUZPPFV-UHFFFAOYSA-N 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- H04B10/073—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an out-of-service signal
- H04B10/0731—Testing or characterisation of optical devices, e.g. amplifiers
-
- 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
-
- 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
-
- 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
-
- 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
- H04B10/07955—Monitoring or measuring power
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Optical Communication System (AREA)
Abstract
本发明提供一种光通信系统光模块控制参数优化方法及系统,包括:测量当前光通信系统各光器件模块控制参数与系统平均性能,利用高斯过程回归模型建立系统性能估计的数字模型,利用贝叶斯优化算法预测最佳系统控制参数并进行测量,重复以上步骤逐步采集不同系统控制参数设置下的系统平均性能添加至训练集并重新训练高斯过程回归模型至模型稳定。本发明能够在线快速优化系统设置。
Description
技术领域
本发明涉及光通信器件制造及光通信应用技术领域,具体地,涉及一种光通信系统光模块控制参数优化方法及系统。
背景技术
随着网络应用不断发展,全球数据流量不断增长。为了支持该流量增长,全球光网络系统也需要不断扩容。对于现有的光网络系统,最高效且低成本的扩容方法是将C波段传输扩展为S+C+L波段传输,则传输容量可以从100Tbit/s升级为300Tbit/s。为了实现多波段传输,传统的C波段放大系统需要进一步升级。因此,高效的光通信系统控制和优化非常重要。
对于多波段传输系统,学界已经存在一定的研究。其中,利用拉曼放大和掺铒光纤放大实现的混合放大传输系统是被广泛应用的多波段传输系统。该系统相比于传统C波段掺铒光纤放大系统,增加了拉曼泵浦用于放大。拉曼泵浦放大基于各个泵浦功率的配合,相比于传统掺铒光纤放大器的传输系统,光通信系统的控制与优化变得更为复杂。信号传输的过程中,需要实现多种放大过程、参数设计的相互配合,从而获取最优配置。考虑到长距离光纤通信系统的复杂性,通过测量或仿真模拟获取多波段光通信系统的放大性能在计算复杂度、测量成本上都较高。传统的优化算法一般通过经验进行设计,或通过大量数据建立神经网络进行反向设计。然而,这两类方法存在设计无法达到最优或需要大量测量和计算,导致性能不佳、成本过高。
综上所述,传统的光通信系统光模块控制参数优化方案考虑因素不全面,虽然能够对系统进行初步的优化,但在优化效果、优化成本上均存在提升空间。
发明内容
针对现有技术中的缺陷,本发明提供一种光通信系统光模块控制参数优化方法及系统。
根据本发明提供的一种光通信系统光模块控制参数优化方法及系统,所述方案如下:
第一方面,提供了一种光通信系统光模块控制参数优化方法,所述方法包括:
步骤S1:测量或计算随机一到两组初始各光通信系统光器件模块控制参数及其对应多波段系统此时的所有信号的综合性能;
步骤S2:利用测量的光通信系统光器件模块控制参数为输入,所有信号的综合性能指标作为输出,建立高斯过程回归模型;
步骤S3:利用贝叶斯优化算法,根据构建的高斯过程回归模型,预测当前测量结果下最优光通信系统光器件模块控制参数,并进行测量或仿真模拟,获得该光通信系统光器件模块控制参数配置下实际系统综合性能;
步骤S4:将测量或计算仿真获得的泵浦配置及此时对应的系统综合性能加入数据集,重新训练S2中的高斯过程回归模型;
重复步骤S3和步骤S4至优化结果稳定。
优选地,所述步骤S1包括:
步骤S1.1:随机生成一到两组初始各光通信系统光器件模块控制参数配置,对于含有x个控制参数的光通信系统,x个控制参数的特征矩阵表示为:
P=[p1,p2,p3,…px]
其中,pi(i=1,2,…x)代表第i个光器件的控制参数;
步骤S1.2:利用信号接收装置或系统仿真模型计算或测量当前光通信系统光器件模块控制参数设置下,所有上波光信号的系统综合性能,对于各个光信号,一般用广义信噪比(GSNR)表示为:
其中,GSNRi表示第i个信道的广义信噪比。
优选地,所述步骤S1.2中通过信号接收装置进行测量或系统仿真模型进行计算,所述信号测量装置包括光收发机、光纤以及光放大器。
优选地,所述步骤S3包括:利用贝叶斯优化算法,根据已建立的高斯回归模型,选取最优光通信系统光器件模块控制参数配置,并对该配置进行仿真计算或实验测量。
优选地,所述步骤S4包括:将步骤S3中新测量的拉曼泵浦功率特征矩阵及其对应的平均增益添加入数据集,重新训练高斯回归模型,循环步骤S3与步骤S4,直至系统稳定。
第二方面,提供了一种光通信系统光模块控制参数优化系统,所述系统包括:
模块M1:测量或计算随机一到两组初始各光通信系统光器件模块控制参数及其对应多波段系统此时的所有信号的综合性能;
模块M2:利用测量的光通信系统光器件模块控制参数为输入,所有信号的综合性能指标作为输出,建立高斯过程回归模型;
模块M3:利用贝叶斯优化算法,根据构建的高斯过程回归模型,预测当前测量结果下最优光通信系统光器件模块控制参数,并进行测量或仿真模拟,获得该光通信系统光器件模块控制参数配置下实际系统综合性能;
模块M4:将测量或计算仿真获得的泵浦配置及此时对应的系统综合性能加入数据集,重新训练M2中的高斯过程回归模型;
重复模块M3和模块M4至优化结果稳定。
优选地,所述模块M1包括:
模块M1.1:随机生成一到两组初始各光通信系统光器件模块控制参数配置,对于含有x个控制参数的光通信系统,x个控制参数的特征矩阵表示为:
P=[p1,p2,p3,…px]
其中,pi(i=1,2,…x)代表第i个光器件的控制参数;
模块M1.2:利用信号接收装置或系统仿真模型计算或测量当前光通信系统光器件模块控制参数设置下,所有上波光信号的系统综合性能,对于各个光信号,一般用广义信噪比(GSNR)表示为:
GSNRi表示第i个信道的广义信噪比;
其中,通过信号接收装置进行测量或系统仿真模型进行计算,所述信号测量装置包括光收发机、光纤以及光放大器。
优选地,所述模块M3包括:利用贝叶斯优化算法,根据已建立的高斯回归模型,选取最优光通信系统光器件模块控制参数配置,并对该配置进行仿真计算或实验测量;
所述模块M4包括:将模块M3中新测量的拉曼泵浦功率特征矩阵及其对应的平均增益添加入数据集,重新训练高斯回归模型,循环模块M3与模块M4,直至系统稳定。
与现有技术相比,本发明具有如下的有益效果:
1、本发明提出光通信系统光模块控制参数优化方法,具备提升放大系统中信号传输性能并降低计算或测量成本;
2、本发明包括针对给定的光通信系统光模块控制参数组合进行仿真或测量;获得对应光通信系统光模块控制参数下所有信号的平均性能;利用高斯过程回归模型对光信号传输性能进行建模;利用贝叶斯优化算法预测并选取最可能的最优光通信系统光模块控制参数设置;测量贝叶斯优化算法选出的最优配置,并加入数据集重新训练高斯过程回归模型;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为本发明的基于贝叶斯优化的的光通信系统光模块控制参数优化方法方案图;
图2为本发明方法应用于一个光放大器实例中得到的优化精度示意图。
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。
本发明实施例提供了一种光通信系统光模块控制参数优化方法,参照图1所示,该方法具体包括:
步骤S1:测量或计算随机一到两组初始各光通信系统光器件模块控制参数及其对应多波段系统此时的所有信号的综合性能,一般用各信道平均广义信噪比表示。
该步骤S1具体包括:
步骤S1.1:随机生成一到两组初始各光通信系统光器件模块控制参数配置,对于含有x个控制参数的光通信系统,x个控制参数的特征矩阵可以表示为:
P=[p1,p2,p3,…px]
其中,pi(i=1,2,…x)代表第i个光器件的控制参数。光器件模块控制参数包括但不限于光放大器的控制参数(例如掺铒光纤平均增益、斜率、拉曼放大器泵浦光功率等)、信号发射功率等。
步骤S1.2:利用信号接收装置或系统仿真模型计算或测量当前光通信系统光器件模块控制参数设置下,所有上波光信号的系统综合性能,对于各个光信号,一般用广义信噪比(GSNR)表示为:
其中,GSNRi表示第i个信道的广义信噪比。通过信号接收装置进行测量或系统仿真模型进行计算,所述信号测量装置包括光收发机、光纤以及光放大器等。
步骤S2:利用测量的光通信系统光器件模块控制参数为输入,所有信号的综合性能指标作为输出,建立高斯过程回归模型。
步骤S3:利用贝叶斯优化算法,根据已建立的高斯回归模型,选取最有可能的最优光通信系统光器件模块控制参数配置,并对该配置进行仿真计算或实验测量。其中,本发明对贝叶斯优化算法并无特定限制。
步骤S4:将步骤S3中新测量的光通信系统光器件模块控制参数特征矩阵及其对应的平均广义信噪比添加入数据集,重新训练高斯回归模型,循环S3与S4,直至系统稳定。
如附图2所示,本发明所设计的光通信系统光器件模块控制参数优化算法应用于特定光通信传输系统中,将得到的系统优化曲线进行了展示。实施例中利用80km长的G.652光纤进行传输,利用混合拉曼放大系统进行放大,跨段数为6。拉曼泵浦个数为5,且均为后向放大,其中泵浦波长设为常见经验值,即1426nm、1440nm、1454nm、1472nm、1496nm,已上波的待放大信号传输速率为32G波特,共200个信号。在本样例中,本发明对系统拉曼泵浦功率进行了优化,附图2中可以总结得出,采用本申请提出的方法设计的拉曼放大系统能快速优化收敛,获取最优光通信系统光器件模块控制参数配置。
本发明实施例提供的一种光通信系统光模块控制参数优化方法及系统,具备提升放大系统中信号传输性能并降低计算或测量成本;结构合理,使用方便,能够克服现有技术的缺陷。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以,本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构;也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
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 (10)
1.一种光通信系统光模块控制参数优化方法,其特征在于,包括:
步骤S1:测量或计算随机初始各光通信系统光器件模块控制参数及其对应多波段系统此时的所有信号的综合性能;
步骤S2:利用测量的光通信系统光器件模块控制参数为输入,所有信号的综合性能指标作为输出,建立高斯过程回归模型;
步骤S3:利用贝叶斯优化算法,根据构建的高斯过程回归模型,预测当前测量结果下最优光通信系统光器件模块控制参数,并进行测量或仿真模拟,获得该光通信系统光器件模块控制参数配置下实际系统综合性能;
步骤S4:将测量或计算仿真获得的泵浦配置及此时对应的系统综合性能加入数据集,重新训练S2中的高斯过程回归模型;
重复步骤S3和步骤S4至优化结果稳定。
2.根据权利要求1所述的光通信系统光模块控制参数优化方法,其特征在于,所述步骤S1包括:
步骤S1.1:随机生成一到两组初始各光通信系统光器件模块控制参数配置,对于含有x个控制参数的光通信系统,x个控制参数的特征矩阵表示为:
P=[p1,p2,p3,…px]
其中,pi(i=1,2,…x)代表第i个光器件的控制参数;
步骤S1.2:利用信号接收装置或系统仿真模型计算或测量当前光通信系统光器件模块控制参数设置下,所有上波光信号的系统综合性能,对于各个光信号,一般用广义信噪比(GSNR)表示为:
其中,GSNRi表示第i个信道的广义信噪比。
3.根据权利要求2所述的光通信系统光模块控制参数优化方法,其特征在于,所述步骤S1.2中通过信号接收装置进行测量或系统仿真模型进行计算,所述信号测量装置包括光收发机、光纤以及光放大器。
5.根据权利要求1所述的光通信系统光模块控制参数优化方法,其特征在于,所述步骤S3包括:利用贝叶斯优化算法,根据已建立的高斯回归模型,选取最优光通信系统光器件模块控制参数配置,并对该配置进行仿真计算或实验测量。
6.根据权利要求1所述的光通信系统光模块控制参数优化方法,其特征在于,所述步骤S4包括:将步骤S3中新测量的拉曼泵浦功率特征矩阵及其对应的平均增益添加入数据集,重新训练高斯回归模型,循环步骤S3与步骤S4,直至系统稳定。
7.一种光通信系统光模块控制参数优化系统,其特征在于,包括:
模块M1:测量或计算随机初始各光通信系统光器件模块控制参数及其对应多波段系统此时的所有信号的综合性能;
模块M2:利用测量的光通信系统光器件模块控制参数为输入,所有信号的综合性能指标作为输出,建立高斯过程回归模型;
模块M3:利用贝叶斯优化算法,根据构建的高斯过程回归模型,预测当前测量结果下最优光通信系统光器件模块控制参数,并进行测量或仿真模拟,获得该光通信系统光器件模块控制参数配置下实际系统综合性能;
模块M4:将测量或计算仿真获得的泵浦配置及此时对应的系统综合性能加入数据集,重新训练M2中的高斯过程回归模型;
重复模块M3和模块M4至优化结果稳定。
8.根据权利要求7所述的光通信系统光模块控制参数优化系统,其特征在于,所述模块M1包括:
模块M1.1:随机生成一到两组初始各光通信系统光器件模块控制参数配置,对于含有x个控制参数的光通信系统,x个控制参数的特征矩阵表示为:
P=[p1,p2,p3,…px]
其中,pi(i=1,2,…x)代表第i个光器件的控制参数;
模块M1.2:利用信号接收装置或系统仿真模型计算或测量当前光通信系统光器件模块控制参数设置下,所有上波光信号的系统综合性能,对于各个光信号,一般用广义信噪比(GSNR)表示为:
GSNRi表示第i个信道的广义信噪比;
其中,通过信号接收装置进行测量或系统仿真模型进行计算,所述信号测量装置包括光收发机、光纤以及光放大器。
10.根据权利要求7所述的光通信系统光模块控制参数优化系统,其特征在于,所述模块M3包括:利用贝叶斯优化算法,根据已建立的高斯回归模型,选取最优光通信系统光器件模块控制参数配置,并对该配置进行仿真计算或实验测量;
所述模块M4包括:将模块M3中新测量的拉曼泵浦功率特征矩阵及其对应的平均增益添加入数据集,重新训练高斯回归模型,循环模块M3与模块M4,直至系统稳定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210825349.3A CN115208462A (zh) | 2022-07-14 | 2022-07-14 | 光通信系统光模块控制参数优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210825349.3A CN115208462A (zh) | 2022-07-14 | 2022-07-14 | 光通信系统光模块控制参数优化方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115208462A true CN115208462A (zh) | 2022-10-18 |
Family
ID=83580538
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210825349.3A Pending CN115208462A (zh) | 2022-07-14 | 2022-07-14 | 光通信系统光模块控制参数优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115208462A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109474336A (zh) * | 2019-01-08 | 2019-03-15 | 北京科技大学 | 一种光信噪比监测装置及监测方法 |
CN109615860A (zh) * | 2018-12-26 | 2019-04-12 | 银江股份有限公司 | 一种基于非参数贝叶斯框架的信号交叉口状态估计方法 |
CN113536725A (zh) * | 2021-06-23 | 2021-10-22 | 香港理工大学深圳研究院 | 一种应用于超宽带波分复用系统的预放大参数优化方法 |
CN114298166A (zh) * | 2021-12-10 | 2022-04-08 | 南京航空航天大学 | 一种基于无线通信网络的频谱可用性预测方法和系统 |
CN114598581A (zh) * | 2022-01-24 | 2022-06-07 | 北京邮电大学 | 概率整形信号的双阶段检测模型训练方法、识别方法及装置 |
-
2022
- 2022-07-14 CN CN202210825349.3A patent/CN115208462A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109615860A (zh) * | 2018-12-26 | 2019-04-12 | 银江股份有限公司 | 一种基于非参数贝叶斯框架的信号交叉口状态估计方法 |
CN109474336A (zh) * | 2019-01-08 | 2019-03-15 | 北京科技大学 | 一种光信噪比监测装置及监测方法 |
CN113536725A (zh) * | 2021-06-23 | 2021-10-22 | 香港理工大学深圳研究院 | 一种应用于超宽带波分复用系统的预放大参数优化方法 |
CN114298166A (zh) * | 2021-12-10 | 2022-04-08 | 南京航空航天大学 | 一种基于无线通信网络的频谱可用性预测方法和系统 |
CN114598581A (zh) * | 2022-01-24 | 2022-06-07 | 北京邮电大学 | 概率整形信号的双阶段检测模型训练方法、识别方法及装置 |
Non-Patent Citations (1)
Title |
---|
ZHUGE QUNBI等: ""Application of Machine Learning in Fiber Nonlinearity Modeling and Monitoring for Elastic Optical Networks"", 《JOURNAL OF LIGHTWAVE TECHNOLOGY》, 31 July 2019 (2019-07-31) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114499679B (zh) | 多波段拉曼放大器设计方法及系统 | |
Perlin et al. | On distributed Raman amplification for ultrabroad-band long-haul WDM systems | |
Perlin et al. | Optimal design of flat-gain wide-band fiber Raman amplifiers | |
US9172475B2 (en) | Method and apparatus for equalizing link performance | |
CN102790643B (zh) | 参数仿真处理方法和装置 | |
EP3567755B1 (en) | Multi-wavelength distributed raman amplification set-up | |
Liu et al. | Optimal design for ultra-broad-band amplifier | |
WO2015161473A1 (zh) | 一种优化光通信网络性能的方法及装置 | |
Safari et al. | Deep convolutional neural network for network-wide QoT estimation | |
Da Ros et al. | Optimization of a hybrid EDFA-Raman C+ L band amplifier through neural-network models | |
Zhang et al. | Raman pump optimization for maximizing capacity of C+ L optical transmission systems | |
CN115208462A (zh) | 光通信系统光模块控制参数优化方法及系统 | |
CN1175315C (zh) | 低噪声、高增益、高平坦的长波段掺铒光纤放大器 | |
CN113536725A (zh) | 一种应用于超宽带波分复用系统的预放大参数优化方法 | |
Riveros et al. | Erbium-doped fiber amplifier design with multi-objective water cycle algorithm | |
Singh et al. | On the optimization of Raman fiber amplifier using genetic algorithm in the scenario of a 64 nm 320 channels dense wavelength division multiplexed system | |
Mineto et al. | Performance of artificial-intelligence-based modelling for distributed Raman amplification | |
Javaid et al. | Performance optimization of different Raman amplifier configurations for improved gain using multiparameter optimization algorithm | |
US6674568B2 (en) | Method and apparatus for achieving flat broadband Raman gain | |
Della Lucia et al. | Natural computing algorithms for optimization of high-order distributed Raman amplifiers | |
Yankov et al. | Forward Raman amplifier optimization using machine learning-aided physical modeling | |
CN104009803A (zh) | 一种基于智能算法的对拉曼增益谱优化的方法 | |
US6381560B1 (en) | Methods of modeling erbium doped fiber amplifiers | |
CN101141204A (zh) | 一种光传输系统中光放大器增益控制的方法及装置 | |
CN110600982A (zh) | 一种可提高泵浦入纤功率的远程泵浦系统 |
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 |