CN115276789A - 光性能监测方法、装置、设备及存储介质 - Google Patents
光性能监测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115276789A CN115276789A CN202210528375.XA CN202210528375A CN115276789A CN 115276789 A CN115276789 A CN 115276789A CN 202210528375 A CN202210528375 A CN 202210528375A CN 115276789 A CN115276789 A CN 115276789A
- Authority
- CN
- China
- Prior art keywords
- optical signal
- layer
- matrix
- characteristic
- adjacent
- 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 92
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012544 monitoring process Methods 0.000 title claims abstract description 28
- 239000011159 matrix material Substances 0.000 claims abstract description 50
- 239000013598 vector Substances 0.000 claims abstract description 38
- 238000010586 diagram Methods 0.000 claims abstract description 22
- 238000013507 mapping Methods 0.000 claims abstract description 10
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000012806 monitoring device Methods 0.000 claims abstract description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 21
- 210000002569 neuron Anatomy 0.000 claims description 18
- 238000011176 pooling Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 238000012886 linear function Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 claims 1
- 238000004088 simulation Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000001427 coherent effect Effects 0.000 description 4
- 239000006185 dispersion Substances 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000006735 deficit Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification 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
- H04B10/075—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
Landscapes
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Optical Communication System (AREA)
Abstract
本发明提供了一种光性能监测方法、装置、设备及存储介质，该光性能监测方法包括：对接收的光信号进行预处理，得到接收符号；将所述接收符号映射至星座图的一象限；获取所述星座图的一象限中相邻接收符号之间的跳变信息；利用所述相邻接收符号之间的跳变信息来构造邻接矩阵；对所述邻接矩阵进行特征分解，得到最大特征值对应的特征向量，所述特征向量与所述光信号的调制格式和/或光信噪比相关；将所述最大特征值对应的特征向量输入至预训练的一维卷积神经网络，得到所述光信号的调制格式的分类结果和/或光信噪比。该方法利用更具泛化能力的一维卷积神经网络，以提高调制格式识别结果和光信噪比估计结果的准确率。
Description
技术领域
本发明涉及光通信技术领域，尤其涉及一种光性能监测方法、装置、设备及存储介质。
背景技术
光性能监测是光网络系统中的重要组成部分。光性能监测的发展对数字信号处理技术的发展至关重要。在相干光通信中，选用一种优越的调制格式识别(ModulationFormat Identification，MFI)和光信噪比(Optical Signal To Noise Ratio，OSNR)估计方法至关重要。目前已经提出了几种较好的方案，例如，利用信号的幅度直方图信息作为输入的深度神经网络来实现调制格式识别和光信噪比监测，但该方案以牺牲复杂性来换取监测有效性，基于累积分布函数的人工神经网络或支持向量机来实现调制格式识别和光信噪比监测，但该些方案在海量数据处理和抗噪性能方面表现出一定的局限性。
为此，亟需提供一种新的光性能监测模型来实现调制格式识别和光信噪比监测，以改善上述问题。
发明内容
本发明的目的在于提供一种光性能监测方法、装置、设备及存储介质，用以借助更具泛化能力的一维卷积神经网络来进行特征提取，以提高调制格式识别结果和光信噪比估计结果的准确率。
第一方面，本发明提供一种光性能监测方法，所述方法包括：
首先对接收的光信号进行预处理，得到接收符号；之后将所述接收符号映射至星座图的一象限；进一步获取所述星座图的一象限中相邻接收符号之间的跳变信息；以及利用所述相邻接收符号之间的跳变信息来构造邻接矩阵；之后对所述邻接矩阵进行特征分解，得到最大特征值对应的特征向量，所述特征向量与所述光信号的调制格式和/或光信噪比相关；最终将所述最大特征值对应的特征向量输入至一维卷积神经网络，得到光性能监测模型，所述光性能监测模型用于估计光信号的调制格式的分类结果和/或光信噪比。
本发明提供的光性能监测方法的有益效果在于：按照上述方法分解提取的特征向量与所述光信号的调制格式和/或光信噪比相关，属于关键参数，特征向量包含的特征足够明显，所以对取得的最大特征值对应的特征向量采用一维卷积神经网络作更深一步的特征提取，可以实现不同调制格式的正确区分与光信噪比的估计。
在一种可能的实施例中，所述邻接矩阵按以下公式进行特征分解：
其中，A为所述邻接矩阵，U表示特征向量，UT表示特征向量的转置，Λ＝diag{λ1,…,λN}表示按特征值从小到大排序的对角矩阵，特征值λi表示第i个特征值，ui表示与λi对应的特征向量，
表示ui的转置，i为正整数，N为特征值的总数。
在一种可能的实施例中，所述特征值为特征方程|A-λE|＝0的解；其中，A为所述邻接矩阵，|A-λE|为所述邻接矩阵A的特征多项式，特征方程的次数为解的个数，N阶所述邻接矩阵A在复数范围内有N个特征值，所述最大特征值对应的为所述N个特征值中的最大值。
在一种可能的实施例中，所述一维卷积神经网络包括输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、平坦层、第一全连接层、第二全连接层和输出层。
在一种可能的实施例中，所述第一卷积层包括64个形状为5×1的卷积核，所述第一卷积层用于进行初步特征提取；所述第一池化层和第二池化层均采用池化窗口为2×1的最大池化操作，所述第一池化层和和第二池化层均用于降维和统计，有利于防止模型过拟合；所述第二卷积层包括128个形状为5×1的卷积核，所述第二卷积层用于进行深度特征提取；第一全连接层包括256个神经元，第二全连接层包括128个神经元，用于增强模型的非线性表达能力；所述输出层为包括五个神经元的全连接层，或所述输出层为包括一个神经元的全连接层。
在一种可能的实施例中，当所述输出层为包括五个神经元的全连接层时，所述输出层的激活函数使用Softmax函数，最终的输出结果是所述光信号的调制格式的分类结果；当所述输出层为包括一个神经元的全连接层时，所述输出层的激活函数使用使用linear函数，输出结果是所述光信号的光信噪比估计值。
第二方面，本发明提供一种光性能监测装置，该装置包括执行上述第一方面的任意一种可能的设计的方法的模块/单元。这些模块/单元可以通过硬件实现，也可以通过硬件执行相应的软件实现。
第三方面，本发明实施例提供一种电子设备，包括处理器和存储器。其中，存储器用于存储一个或多个计算机程序；当存储器存储的一个或多个计算机程序被处理器执行时，使得该电子设备能够实现上述第一方面的任意一种可能的设计的方法。
第四方面，本发明提供一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，该计算机程序被处理器执行时，实现如上述实施例中任一项该的方法。
第五方面，本发明实施例另提供一种计算机程序产品，当该计算机程序产品在电子设备上运行时，使得该电子设备执行上述第一方面的任意一种可能的设计的方法。
关于上述第二方面至第五方面的有益效果可以参见上述第一方面中的描述。
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要介绍，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，对于本领域的普通技术人员来讲，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为本发明提供的一种光性能监测方法流程示意图；
图2为本发明提供的另一种光性能监测方法流程示意图；
图3为本发明提供的一种构造邻接矩阵的仿真效果示意图；
图4为本发明提供的一种一维卷积神经网络模型示意图；
图5为本发明提供的一种仿真设置示意图；
图6为本发明提供的调制格式识别仿真效果图；
图7A至图7E为本发明提供的五种光信号的OSNR估计仿真效果图；
图8为本发明提供的一种光性能监测装置示意图；
图9为本发明提供的一种电子设备结构示意图。
具体实施方式
值得说明的是，在光通信领域中，测量光信号质量是光通信中最重要的任务之一。一般来说，在强度调制直接检测(IM-DD)系统中，眼图作为常用的分析对象，其定性地反映了所有损伤对信号质量的影响，特别是对于开关键控(OOK)和脉冲幅度调制(PAM)。然而近年来，随着相干光通信系统和先进的调制格式如M进制相移键控(PSK)和正交幅度调制(QAM)不断的发展，由于眼图缺少相位信息，使用它来进行性能分析不再能得到很好的效果。而星座图可以同时显示幅度和相位信息，并且能够全面度量PSK和QAM信号的多种性能。通过对星座图的观察，可以从中识别调制格式(Modulation Format Identification，MFI)、估计光信噪比(OSNR)、计算误差矢量幅度(EVM)，并且可以对各种损伤进行分析。光信噪比可衡量ASE噪声的大小，其直接与误码率(BER)相关联，所以其在一定程度上可以表征光纤通信系统的传输质量，同时它在光纤传输系统的故障诊断中也起到了关键的作用。当高速光信号的调制格式动态变化时，相干接收机的调制格式识别方案和光信噪比的估计对于处理弹性光网络中的各种瞬时业务请求至关重要。
目前发现基于机器学习的联合MFI和OSNR估计方案是比较理想的选择，它能够自动从已得到的数据特征中提取出更为抽象的特征且并给出较为准确的分类或回归结果，不需过多的人为干预，使得计算复杂度和时间成本大大降低。为此，本发明实施例提供一种光性能监测方法，该方法可以在星座图的某一象限捕获相邻接收符号的跳变信息，根据图论将这些相邻接收符号的跳变信息转换为邻接矩阵，选择与邻接矩阵的最大特征值对应的特征向量作为鉴别特征，然后将其作为输入数据送入一维卷积神经网络进一步提取特征向量的关键参数，由于训练样本充足且输入的特征向量包含的特征足够明显，所以通过有限次数的训练和学习使得神经网络模型更具泛化能力，从而实现不同调制格式的正确区分与光信噪比的估计。
下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行描述。其中，在本发明实施例的描述中，以下实施例中所使用的术语只是为了描述特定实施例的目的，而并非旨在作为对本发明的限制。如在本发明的说明书和所附权利要求书中所使用的那样，单数表达形式“一种”、“所述”、“上述”、“该”和“这一”旨在也包括例如“一个或多个”这种表达形式，除非其上下文中明确地有相反指示。还应当理解，在本发明以下各实施例中，“至少一个”、“一个或多个”是指一个或两个以上(包含两个)。术语“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系；例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B的情况，其中A、B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。
在本说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本发明的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。术语“连接”包括直接连接和间接连接，除非另外说明。“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。
在本发明实施例中，“示例性地”或者“例如”等词用于表示作例子、例证或说明。本发明实施例中被描述为“示例性地”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性地”或者“例如”等词旨在以具体方式呈现相关概念。
如图1所示，本发明提供了一种光性能监测方法，该方法可以由电子设备执行，该方法包括以下步骤：
S101，对接收的光信号进行预处理，得到接收符号。
S102，将所述接收符号映射至星座图的一象限。
值得说明的是，该象限可以是四个象限中的任意一个象限。示例性地，该步骤可以通过收缩映射将所有的接收符号全部映射到星座图的第一象限，之后在第一象限建立一个统一大小的网格，例如可以统一网格的规格为5×5的网格，将落在同一个网格的所有接收符号视为一个顶点，所以共有25个顶点。
值得说明的是，本实施例在映射之前，需要先对接收符号进行归一化，例如将接收符号在星座图中的范围归一化至[-1,1]。
S103，获取所述星座图的一象限中相邻接收符号之间的跳变信息。
S104，利用所述相邻接收符号之间的跳变信息来构造邻接矩阵。
示例性地，假设某一时刻符号
处在一个网格的i位置处，下一时隙符号
处在另一个网格的j位置处，此时在i位置和j位置之间我们认为存在着相邻接收符号的一条跳变信息，我们就可认为这是i和j两个顶点之间的一条边即eij，类似地，两个网格之间的跳变信息的数量我们就可以当做边的权重即wij，经过以上步骤，便可以构造邻接矩阵A。
S105，对所述邻接矩阵进行特征分解，得到最大特征值对应的特征向量，所述特征向量与所述光信号的调制格式和/或光信噪比相关。
一种可能的实施方式下，所述邻接矩阵按以下公式进行特征分解：
其中，A表示邻接矩阵，U表示特征向量，UT表示特征向量的转置，Λ＝diag{λ1,…,λN}表示按特征值从小到大排序的对角矩阵，特征值λi表示第i个特征值，ui表示与λi对应的特征向量，
表示ui的转置，i为正整数，N为特征值的总数。
其中，特征值为特征方程|A-λE|＝0的解；其中，A为所述邻接矩阵，|A-λE|为所述邻接矩阵A的特征多项式，特征方程的次数为解的个数，N阶所述邻接矩阵A在复数范围内有N个特征值，所述最大特征值对应的为所述N个特征值中的最大值。
S106，将所述最大特征值对应的特征向量输入至预训练的一维卷积神经网络，得到所述光信号的调制格式的分类结果和/或光信噪比的估计值。
例如，本实施例中的最大特征值λmax对应的特征向量umax作为预训练的一维卷积神经网络的输入，由于训练样本充足且输入的特征向量包含的特征足够明显，所以通过有限次数的训练和学习使得一维卷积神经网络更具泛化能力，从而实现不同调制格式的正确区分与光信噪比的估计。
具体来说，下文进一步结合图2对上述方法进行说明，参见图2，当电子设备接收光信号后，可以先执行如下预处理：对于接收的信号首先进行模数转换，然后采用色散补偿和定时相位恢复，随后进行重采样、IQ正交化和恒模(CMA)均衡算法；在CMA均衡算法之后，分为两步，第一步是为了获得一维卷积神经网络(1-D CNN)的输入数据，参照图3，即按照上述方法步骤完成星座图的映射、构造邻接矩阵，通过矩阵的特征分解求解最大特征值对应的特征向量。第二步将特征向量送入一维卷积神经网络(1-D CNN)，为了使结果更加理想，还需不断地对一维卷积神经网络(1-D CNN)进行训练与调参，最后得到调制格式的分类结果和光信噪比的估计值。
本实施例中，一维卷积神经网络包括输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、平坦层、第一全连接层、第二全连接层和输出层。作为一种可能的示例，如图4所示，所述第一卷积层包括64个形状为5×1的卷积核，所述第一卷积层用于进行初步特征提取；所述第一池化层和第二池化层均采用池化窗口为2×1的最大池化操作，所述第一池化层和和第二池化层均用于降维和统计，有利于防止模型过拟合；所述第二卷积层包括128个形状为5×1的卷积核，所述第二卷积层用于进行深度特征提取；第一全连接层包括256个神经元，第二全连接层包括128个神经元，用于增强模型的非线性表达能力；所述输出层为包括五个神经元的全连接层，或所述输出层为包括一个神经元的全连接层。
一种可能的实施例中，当所述输出层为包括五个神经元的全连接层时，所述输出层的激活函数使用Softmax函数，最终的输出结果是所述光信号的调制格式的分类结果；当所述输出层为包括一个神经元的全连接层时，所述输出层的激活函数使用使用linear函数，输出结果是所述光信号的光信噪比估计值。其余各层的激活函数可以均采用Relu函数。
一种可能的实施例中，当采用同一个一维卷积网络模型结构做分类和回归时，除了输出层使用的激活函数不同以外，还有标签、评价指标、损失函数等不同，参见如下表1。
表1
针对上述方法实现的仿真结果表明，使用的一维卷积神经网络算法无论是在调制格式识别的准确率还是在信噪比预测的拟合程度上都有着较为不错的性能。具体来说，采用VPI transmission Maker 9.3用于验证所提出的联合调制格式识别(MFI)和最小光信噪比(OSNR)估计方案的有效性。波特率为28G的PDM-QPSK,PDM-8QAM,PDM-16QAM,PDM-32QAM,PDM-64QAM的光信号在OSNR可变的加性高斯白噪声中的链路中传输，该信道是由长度为215-1的伪随机二进制序列(PRBS)产生的。发射激光器的中心波长设置为1550nm,对应线宽设置为100kHz。并使用色散(CD)和偏振膜色散(PMD)仿真器调整传输链路的残余色散和群延迟，通过ASE光源和可变光衰减器(VOA)调整OSNR值，然后利用数字相干接收机进行检测，具体的仿真设置如图5所示。测试人员生成了10个具有不同PRBS种子的独立数据集，每个数据集包含16384个符号。为了使训练后的一维卷积神经网络模型更具泛化能力，每类调制格式均有其8dB～40dB范围内的信号组成，且间隔为0.1dB，且每0.1dB下我们随机选择8个数据集作为神经网络的训练集，剩余2个则作为它的验证集。在作调制格式识别时，五种信号共有16050个样本，我们从每个数据集中随机选择7000个符号；在作OSNR估计时，每种信号各有16050个样本，分别送至一维卷积神经网络，我们从每个数据集中随机选择8000个符号；另外，划分星座图网格的规模大小设置为7×7，每个仿真结果均是100个不同的仿真数据产生的。
图6中使用的符号数是4000，横轴表示OSNR值，纵轴表示识别准确率(Identification Accuracy)。OSNR的取值范围为8dB至40dB，步长间隔为1dB。根据先验知识，对于PDM-QPSK，PDM-8QAM，PDM-16QAM，PDM-32QAM和PDM-64QAM信号所对应的7％硬判决前向纠错(FEC)阈值的理论OSNR值(对应的误码率为3.8e-3)分别为12.04dB，17.14dB，18.75dB，22dB和24dB，在图6中，我们使用黑色虚线标识这些理论OSNR值。从图6可以看出，PDM-QPSK、PDM-8QAM、PDM-16QAM、PDM-32QAM和PDM-64QAM实现100％识别所需的最低OSNR值分别为9dB、11dB、16dB、17dB和24dB，可以看出，五种信号的最低OSNR值均低于或等于各自的7％硬判决前向纠错(FEC)阈值所对应的理论OSNR值。这说明相邻接收符号之间的跳变信息包含了有关不同调制格式的特征信息，同时采用1-D CNN对这些特征信息提取的效果较为理想。
本文我们使用平均绝对误差(Mean Absolute Error，MAE)作为评价OSNR监测性能的指标，众所周知，MAE表示预测值与真实值之间绝对误差的平均值。MAE越小，说明预测值与真实值之间的误差越小，拟合的效果也更好。当符号数选择8000的时候，仿真结果如图7A至图7E所示，横轴表示真实的OSNR值，左纵轴表示估计的OSNR值(Estimated OSNR)，右纵轴表示MAE。图7A中黑色的实线代表OSNR值的参考线，水平虚线代表平均MAE值，黑色点代表100个预测值的均值。从图7A至图7E可以看出，除了图7E中的PDM-64QAM的预测值在高OSNR下的误差范围较大，其余图7A至图7D中的预测误差都在可接受范围内，并且各自的平均MAE值都比较低，分别为0.271dB,0.257dB,0.263dB,0.216dB,0.303dB。
在本申请的一些实施例中，本发明实施例还公开了一种光性能监测装置，如图8所示，该装置用于实现以上各个方法实施例中记载的方法，其包括：
信号预处理模块801，用于对接收的光信号进行预处理，得到接收符号；
映射模块802，用于将所述接收符号映射至星座图的一象限；
获取模块803，用于获取所述星座图的一象限中相邻接收符号之间的跳变信息；
矩阵构建模块804，用于利用所述相邻接收符号之间的跳变信息来构造邻接矩阵；
特征分解模块805，用于对所述邻接矩阵进行特征分解，得到最大特征值对应的特征向量，所述特征向量与所述光信号的调制格式和/或光信噪比相关；
特征提取模块806，用于将所述最大特征值对应的特征向量输入至预训练的一维卷积神经网络，得到所述光信号的调制格式的分类结果和/或光信噪比的估计值。
上述方法实施例涉及的各步骤的所有相关内容均可以援引到对应功能模块的功能描述，在此不再赘述。
在本发明的另一些实施例中，本发明实施例公开了一种电子设备，如图9所示，该电子设备900可以包括：一个或多个处理器901；存储器902；显示器903；一个或多个应用程序(未示出)；以及一个或多个计算机程序904，上述各器件可以通过一个或多个通信总线905连接。其中该一个或多个计算机程序904被存储在上述存储器902中并被配置为被该一个或多个处理器901执行，该一个或多个计算机程序904包括指令，上述指令可以用于执行如图1相应实施例中的各个步骤。
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明实施例各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：快闪存储器、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明实施例的具体实施方式，但本发明实施例的保护范围并不局限于此，任何在本发明实施例揭露的技术范围内的变化或替换，都应涵盖在本发明实施例的保护范围之内。因此，本发明实施例的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种光性能监测方法，其特征在于，所述方法包括：
对接收的光信号进行预处理，得到接收符号；
将所述接收符号映射至星座图的一象限；
获取所述星座图的一象限中相邻接收符号之间的跳变信息；
利用所述相邻接收符号之间的跳变信息来构造邻接矩阵；
对所述邻接矩阵进行特征分解，得到最大特征值对应的特征向量，所述特征向量与所述光信号的调制格式和/或光信噪比相关；
将所述最大特征值对应的特征向量输入至预训练的一维卷积神经网络，得到所述光信号的调制格式的分类结果和/或光信噪比的估计值。
2.根据权利要求1所述的方法，其特征在于，所述邻接矩阵按以下公式进行特征分解：
其中，A表示所述邻接矩阵，U表示特征向量，UT表示特征向量的转置，Λ＝diag{λ1,…,λN}表示按特征值从小到大排序的对角矩阵，特征值λi表示第i个特征值，ui表示与λi对应的特征向量，
表示ui的转置，i为正整数，N为特征值的总数。
3.根据权利要求2所述的方法，其特征在于，所述特征值为特征方程|A-λE|＝0的解；其中，A为所述邻接矩阵，|A-λE|为所述邻接矩阵A的特征多项式，特征方程的次数为解的个数，N阶所述邻接矩阵A在复数范围内有N个特征值，所述最大特征值对应的为所述N个特征值中的最大值。
4.根据权利要求1至3任一项所述的方法，其特征在于，所述一维卷积神经网络包括输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、平坦层、第一全连接层、第二全连接层和输出层。
5.根据权利要求4所述的方法，其特征在于，
所述第一卷积层包括64个尺寸为5×1的卷积核，所述第一卷积层用于进行初步特征提取；
所述第一池化层和第二池化层均采用池化窗口大小为2×1的最大池化操作，所述第一池化层和和第二池化层均用于降维和统计；
所述第二卷积层包括128个形状为5×1的卷积核，所述第二卷积层用于进行深度特征提取；
第一全连接层包括256个神经元，第二全连接层包括128个神经元，所述第一全连接层和所述第二全连接层均用于增强模型的非线性表达能力；所述输出层为包括五个神经元的全连接层，或所述输出层为包括一个神经元的全连接层。
6.根据权利要求5所述的方法，其特征在于，当所述输出层为包括五个神经元的全连接层时，所述输出层的激活函数使用Softmax函数，最终的输出结果是所述光信号的调制格式的分类结果；当所述输出层为包括一个神经元的全连接层时，所述输出层的激活函数使用使用linear函数，输出结果是所述光信号的光信噪比估计值。
7.一种光性能监测装置，其特征在于，包括：
信号预处理模块，用于对接收的光信号进行预处理，得到接收符号；
映射模块，用于将所述接收符号映射至星座图的一象限；
获取模块，用于获取所述星座图的一象限中相邻接收符号之间的跳变信息；
矩阵构建模块，用于利用所述相邻接收符号之间的跳变信息来构造邻接矩阵；
特征分解模块，用于对所述邻接矩阵进行特征分解，得到最大特征值对应的特征向量，所述特征向量与所述光信号的调制格式和/或光信噪比相关；
特征提取模块，用于将所述最大特征值对应的特征向量输入至预训练的一维卷积神经网络，得到所述光信号的调制格式的分类结果和/或光信噪比的估计值。
8.根据权利要求7所述的装置，其特征在于，所述邻接矩阵按以下公式进行特征分解：
其中，A表示所述邻接矩阵，U表示特征向量，UT表示特征向量的转置，Λ＝diag{λ1,…,λN}表示按特征值从小到大排序的对角矩阵，特征值λi表示第i个特征值，ui表示与λi对应的特征向量，
表示ui的转置，i为正整数，N为特征值的总数。
9.一种电子设备，其特征在于，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，当所述计算机程序被所述处理器执行时，使得所述处理器实现如权利要求1至6中任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1至6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210528375.XA CN115276789A (zh) | 2022-05-16 | 2022-05-16 | 光性能监测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210528375.XA CN115276789A (zh) | 2022-05-16 | 2022-05-16 | 光性能监测方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115276789A true CN115276789A (zh) | 2022-11-01 |
Family
ID=83760596
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210528375.XA Pending CN115276789A (zh) | 2022-05-16 | 2022-05-16 | 光性能监测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115276789A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103888187A (zh) * | 2014-02-19 | 2014-06-25 | 北京邮电大学 | 光信噪比监测装置及光信噪比监测方法 |
| WO2016202923A1 (en) * | 2015-06-19 | 2016-12-22 | Danmarks Tekniske Universitet | Optical signal-to-noise ratio estimator and estimation methodology for optical communication |
| CN107342962A (zh) * | 2017-07-03 | 2017-11-10 | 北京邮电大学 | 基于卷积神经网络的深度学习智能星座图分析方法 |
| CN111614398A (zh) * | 2020-05-12 | 2020-09-01 | 北京邮电大学 | 基于异或神经网络的调制格式及信噪比识别方法及装置 |
-
2022
- 2022-05-16 CN CN202210528375.XA patent/CN115276789A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103888187A (zh) * | 2014-02-19 | 2014-06-25 | 北京邮电大学 | 光信噪比监测装置及光信噪比监测方法 |
| WO2016202923A1 (en) * | 2015-06-19 | 2016-12-22 | Danmarks Tekniske Universitet | Optical signal-to-noise ratio estimator and estimation methodology for optical communication |
| CN107342962A (zh) * | 2017-07-03 | 2017-11-10 | 北京邮电大学 | 基于卷积神经网络的深度学习智能星座图分析方法 |
| CN111614398A (zh) * | 2020-05-12 | 2020-09-01 | 北京邮电大学 | 基于异或神经网络的调制格式及信噪比识别方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| LISHAN YANG 等: "Joint modulation format identification and OSNR estimation method based on trajectory information analysis", 《OPTICS COMMUNICATIONS》, pages 1 - 12 * |
| XIAOJIE FAN 等: "Joint Optical Performance Monitoring and Modulation Format Bit-Rate Identification by CNN-Based Multi-Task Learning", 《IEEE PHOTONICS JOURNAL》, pages 7906712 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107342962B (zh) | 基于卷积神经网络的深度学习智能星座图分析方法 | |
| Freire et al. | Performance versus complexity study of neural network equalizers in coherent optical systems | |
| Saif et al. | Machine learning techniques for optical performance monitoring and modulation format identification: A survey | |
| Freire et al. | Neural networks-based equalizers for coherent optical transmission: Caveats and pitfalls | |
| CN113141325B (zh) | 光ofdm信号子载波调制格式识别模型训练方法、识别方法及装置 | |
| CN111917474B (zh) | 一种隐式三元组神经网络及光纤非线性损伤均衡方法 | |
| CN109309640B (zh) | 基于机器学习的盲信号格式识别方法 | |
| CN110190909B (zh) | 一种用于光通信的信号均衡方法及装置 | |
| CN111541483A (zh) | 基于高阶统计矩的相干光通信系统光信噪比监测方法 | |
| Wang et al. | Convolutional neural network-based deep learning for intelligent OSNR estimation on eye diagrams | |
| Niu et al. | End-to-end deep learning for long-haul fiber transmission using differentiable surrogate channel | |
| Wang et al. | Comprehensive eye diagram analysis: a transfer learning approach | |
| Yu et al. | A modified PSO assisted blind modulation format identification scheme for elastic optical networks | |
| Khan et al. | Robust and efficient data transmission over noisy communication channels using stacked and denoising autoencoders | |
| CN114285715B (zh) | 基于双向gru-条件随机场的非线性均衡方法 | |
| Cho et al. | Convolutional recurrent machine learning for OSNR and launch power estimation: a critical assessment | |
| Zhao et al. | Low-complexity and joint modulation format identification and OSNR estimation using random forest for flexible coherent receivers | |
| 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 | |
| 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 | |
| CN115276789A (zh) | 光性能监测方法、装置、设备及存储介质 | |
| Fan et al. | Experimental validation of CNNs versus FFNNs for time-and energy-efficient EVM estimation in coherent optical systems | |
| CN114598581B (zh) | 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 | |
| CN113364519B (zh) | 一种光性能监测方法、装置、电子设备以及存储介质 | |
| Esteves et al. | Deep learning for BER prediction in optical connections impaired by inter-core crosstalk | |
| CN114124223A (zh) | 一种卷积神经网络光纤均衡器生成方法及系统 |
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 |