CN115441945A - 光功率预测方法及装置 - Google Patents

光功率预测方法及装置 Download PDF

Info

Publication number
CN115441945A
CN115441945A CN202211003118.0A CN202211003118A CN115441945A CN 115441945 A CN115441945 A CN 115441945A CN 202211003118 A CN202211003118 A CN 202211003118A CN 115441945 A CN115441945 A CN 115441945A
Authority
CN
China
Prior art keywords
optical power
machine learning
learning model
preset machine
signal light
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
Application number
CN202211003118.0A
Other languages
English (en)
Inventor
刘武
罗鸣
杨超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Research Institute of Posts and Telecommunications Co Ltd
Original Assignee
Wuhan Research Institute of Posts and Telecommunications Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan Research Institute of Posts and Telecommunications Co Ltd filed Critical Wuhan Research Institute of Posts and Telecommunications Co Ltd
Priority to CN202211003118.0A priority Critical patent/CN115441945A/zh
Publication of CN115441945A publication Critical patent/CN115441945A/zh
Pending legal-status Critical Current

Links

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
    • H04B10/07955—Monitoring or measuring power
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04J—MULTIPLEX COMMUNICATION
    • H04J14/00—Optical multiplex systems
    • H04J14/02—Wavelength-division multiplex systems
    • H04J14/0201—Add-and-drop multiplexing
    • H04J14/0202—Arrangements therefor
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04J—MULTIPLEX COMMUNICATION
    • H04J14/00—Optical multiplex systems
    • H04J14/02—Wavelength-division multiplex systems
    • H04J14/0227—Operation, administration, maintenance or provisioning [OAMP] of WDM networks, e.g. media access, routing or wavelength allocation

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Electromagnetism (AREA)
  • Optical Communication System (AREA)

Abstract

本发明提供一种光功率预测方法及装置。该方法包括：测量各个模拟信号光经过待测链路前的第一光功率以及经过待测链路后的第二光功率，其中，不同模拟信号光之间的波长不同；以每个模拟信号光对应的第一光功率以及第二光功率为一组训练数据，得到多组训练数据；基于多组训练数据分别对第一、二预设机器学习模型进行训练，得到第一、二预测模型；将待测信号光的原始光功率输入第一预测模型，得到预测输出光功率；将期望输出光功率输入第二预测模型，得到期望输入光功率。通过本发明，可以在输入光功率已知时预测输出光功率的大小，还可以在指定输出光功率大小后，确定输入光功率的大小，对于光纤链路的快速部署和性能优化具有重大价值。

Description

光功率预测方法及装置
技术领域
本发明涉及光通信技术领域，尤其涉及一种光功率预测方法及装置。
背景技术
在波分复用(WDM)系统中，在多跨距传输后，由于光放大器和受激拉曼散射(SRS)的偏移，不同波长信号光的光功率变化可能会发生很大的差异，为了实现光纤链路的快速部署和性能优化，亟需一种方法既能预测信号光在多跨距传输后的光功率，又能预先根据实际需要设置跨距传输前的信号光的光功率。
发明内容
为解决上述技术问题，本发明的主要目的在于提供一种光功率预测方法及装置。
第一方面，本发明提供一种光功率预测方法，所述光功率预测方法包括：
测量各个模拟信号光经过待测链路前的第一光功率以及经过待测链路后的第二光功率，其中，不同模拟信号光之间的波长不同；
以每个模拟信号光对应的第一光功率以及第二光功率为一组训练数据，得到多组训练数据；
基于多组训练数据对第一预设机器学习模型进行训练，得到第一预测模型；
基于多组训练数据对第二预设机器学习模型进行训练，得到第二预测模型；
将待测信号光的原始光功率输入第一预测模型，得到第一预测模型输出的预测输出光功率；
将期望输出光功率输入第二预测模型，得到第二预测模型输出的期望输入光功率。
可选的，所述测量各个模拟信号光经过待测链路前的第一光功率以及经过待测链路后的第二光功率的步骤包括：
将各个模拟信号光等功率分路为第一路信号光和第二路信号光；
将各个模拟信号光对应的第一路信号光输入光谱仪，获取光谱仪输出的各个模拟信号光经过待测链路前的第一光功率；
将各个模拟信号光对应的第二路信号光输入待测链路，将经过待测链路后的第二路信号光输入光谱仪，获取光谱仪输出的各个模拟信号光经过待测链路后的第二光功率。
可选的，所述基于多组训练数据对第一预设机器学习模型进行训练，得到第一预测模型的步骤包括：
将每组训练数据中的第一光功率分别输入第一预设机器学习模型，得到第一预设机器学习模型输出的每个第一光功率对应的预测值；
基于每个第一光功率对应的预测值以及每个第一光功率对应的第二光功率计算得到损失；
基于损失调整第一预设机器学习模型的参数，得到新的第一预设机器学习模型；
当不满足停止条件时，以新的第一预设机器学习模型作为第一预设机器学习模型，并返回所述将每组训练数据中的第一光功率分别输入第一预设机器学习模型，得到第一预设机器学习模型输出的每个第一光功率对应的预测值的步骤；
当满足停止条件时，以新的第一预设机器学习模型作为第一预测模型。
可选的，所述基于多组训练数据对第二预设机器学习模型进行训练，得到第二预测模型的步骤包括：
将每组训练数据中的第二光功率分别输入第二预设机器学习模型，得到第二预设机器学习模型输出的每个第二光功率对应的预测值；
基于每个第二光功率对应的预测值以及每个第二光功率对应的第一光功率计算得到损失；
基于损失调整第二预设机器学习模型的参数，得到新的第二预设机器学习模型；
当不满足停止条件时，以新的第二预设机器学习模型作为第二预设机器学习模型，并返回所述将每组训练数据中的第二光功率分别输入第二预设机器学习模型，得到第二预设机器学习模型输出的每个第二光功率对应的预测值的步骤；
当满足停止条件时，以新的第二预设机器学习模型作为第二预测模型。
可选的，所述待测链路由级联的光纤、光放大器以及滤波器组成。
第二方面，本发明还提供一种光功率预测装置，所述光功率预测装置包括：
测量模块，用于测量各个模拟信号光经过待测链路前的第一光功率以及经过待测链路后的第二光功率，其中，不同模拟信号光之间的波长不同；
构建模块，用于以每个模拟信号光对应的第一光功率以及第二光功率为一组训练数据，得到多组训练数据；
训练模块，用于基于多组训练数据对第一预设机器学习模型进行训练，得到第一预测模型；基于多组训练数据对第二预设机器学习模型进行训练，得到第二预测模型；
预测模块，用于将待测信号光的原始光功率输入第一预测模型，得到第一预测模型输出的预测输出光功率；将期望输出光功率输入第二预测模型，得到第二预测模型输出的期望输入光功率。
可选的，所述测量模块，用于：
将各个模拟信号光等功率分路为第一路信号光和第二路信号光；
将各个模拟信号光对应的第一路信号光输入光谱仪，获取光谱仪输出的各个模拟信号光经过待测链路前的第一光功率；
将各个模拟信号光对应的第二路信号光输入待测链路，将经过待测链路后的第二路信号光输入光谱仪，获取光谱仪输出的各个模拟信号光经过待测链路后的第二光功率。
可选的，所述训练模块，用于：
将每组训练数据中的第一光功率分别输入第一预设机器学习模型，得到第一预设机器学习模型输出的每个第一光功率对应的预测值；
基于每个第一光功率对应的预测值以及每个第一光功率对应的第二光功率计算得到损失；
基于损失调整第一预设机器学习模型的参数，得到新的第一预设机器学习模型；
当不满足停止条件时，以新的第一预设机器学习模型作为第一预设机器学习模型，并返回所述将每组训练数据中的第一光功率分别输入第一预设机器学习模型，得到第一预设机器学习模型输出的每个第一光功率对应的预测值的步骤；
当满足停止条件时，以新的第一预设机器学习模型作为第一预测模型。
可选的，所述训练模块，用于：
将每组训练数据中的第二光功率分别输入第二预设机器学习模型，得到第二预设机器学习模型输出的每个第二光功率对应的预测值；
基于每个第二光功率对应的预测值以及每个第二光功率对应的第一光功率计算得到损失；
基于损失调整第二预设机器学习模型的参数，得到新的第二预设机器学习模型；
当不满足停止条件时，以新的第二预设机器学习模型作为第二预设机器学习模型，并返回所述将每组训练数据中的第二光功率分别输入第二预设机器学习模型，得到第二预设机器学习模型输出的每个第二光功率对应的预测值的步骤；
当满足停止条件时，以新的第二预设机器学习模型作为第二预测模型。
可选的，所述待测链路由级联的光纤、光放大器以及滤波器组成。
本发明中，测量各个模拟信号光经过待测链路前的第一光功率以及经过待测链路后的第二光功率，其中，不同模拟信号光之间的波长不同；以每个模拟信号光对应的第一光功率以及第二光功率为一组训练数据，得到多组训练数据；基于多组训练数据对第一预设机器学习模型进行训练，得到第一预测模型；基于多组训练数据对第二预设机器学习模型进行训练，得到第二预测模型；将待测信号光的原始光功率输入第一预测模型，得到第一预测模型输出的预测输出光功率；将期望输出光功率输入第二预测模型，得到第二预测模型输出的期望输入光功率。通过本发明，可以在输入光功率已知时预测输出光功率的大小，还可以在指定输出光功率大小后，确定输入光功率的大小，对于光纤链路的快速部署和性能优化具有重大价值。
附图说明
图1为本发明光功率预测方法一实施例的流程示意图；
图2为测量各个模拟信号光经过待测链路前后的光功率的场景示意图；
图3为图1中步骤S30的细化流程示意图；
图4为图1中步骤S30的细化流程示意图；
图5为本发明光功率预测装置一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
第一方面，本发明实施例提供了一种光功率预测方法。
一实施例中，参照图1，图1为本发明光功率预测方法一实施例的流程示意图。如图1所示，光功率预测方法包括：
步骤S10，测量各个模拟信号光经过待测链路前的第一光功率以及经过待测链路后的第二光功率，其中，不同模拟信号光之间的波长不同；
本实施例中，由ASE噪声源产生的宽谱噪声经过波长选择开关整形，得到各个模拟信号光，其中，不同模拟信号光之间的波长不同。例如，得到模拟信号光1、模拟信号光2、......模拟信号光100。需要说明的是，此处仅为对模拟信号光数量的示意性说明。
通过光谱仪测量模拟信号光1的第一光功率A1、测量模拟信号光2的第一光功率A2......测量模拟信号光100的第一光功率A100。
通过光谱仪测量模拟信号光1经过待测链路后的第二光功率B1、测量模拟信号光2经过待测链路后的第二光功率B2......测量模拟信号光100经过待测链路后的第二光功率B100。
进一步地，一实施例中，步骤S10包括：
将各个模拟信号光等功率分路为第一路信号光和第二路信号光；将各个模拟信号光对应的第一路信号光输入光谱仪，获取光谱仪输出的各个模拟信号光经过待测链路前的第一光功率；将各个模拟信号光对应的第二路信号光输入待测链路，将经过待测链路后的第二路信号光输入光谱仪，获取光谱仪输出的各个模拟信号光经过待测链路后的第二光功率。
本实施例中，参照图2，图2为测量各个模拟信号光经过待测链路前后的光功率的场景示意图。如图2所示，ASE噪声源的产生宽谱噪声通过波长选择开关1切割和调整增益，得到模拟信号光；光分路器的作用是将模拟信号光等功率分成两路，其中一路用作观测进入链路前的模拟信号光，另一路输入待测链路；波长选择开关2用于控制输入光谱仪的模拟光信号，当选通1端口时将进入链路前的模拟信号光输入光谱仪，当选通2端口时将经过待测链路后的模拟信号光输入光谱仪；光谱仪用于测量收到的模拟信号光的光功率。
进一步地，一实施例中，待测链路由级联的光纤、光放大器以及滤波器组成。
本实施例中，光纤、光放大器、滤波器数量视工程需要布设，需要说明的是，滤波器数量可能少于光纤和光放大器的数量。其中，将模拟信号光经过待测链路，相当于模拟了信号光的多跨距传输过程。
步骤S20，以每个模拟信号光对应的第一光功率以及第二光功率为一组训练数据，得到多组训练数据；
本实施例中，通过步骤S10，得到了每个模拟信号光对应的第一光功率以及第二光功率，例如，模拟信号光1对应的第一光功率A1以及第二光功率B1、模拟信号光2对应的第一光功率A2以及第二光功率B2......模拟信号光100对应的第一光功率A100以及第二光功率B100。至此，即可将A1和B1作为一组训练数据，将A2和B2作为一组训练数据......将A100和B100作为一组训练数据，即得到多组训练数据。
步骤S30，基于多组训练数据对第一预设机器学习模型进行训练，得到第一预测模型；
本实施例中，第一预设机器学习模型可以是卷积神经网络模型CNN、循环神经网络模型RNN或长短时记忆LSTM中的任一种，具体根据实际需要进行选择。容易理解的是，第一预设机器学习模型的参数为预设参数，基于多组训练数据对第一预设机器学习模型进行训练，即对第一预设机器学习模型的参数进行调整，得到第一预测模型。
进一步地，一实施例中，参照图3，图3为图1中步骤S30的细化流程示意图。如图3所示，步骤S30包括：
将每组训练数据中的第一光功率分别输入第一预设机器学习模型，得到第一预设机器学习模型输出的每个第一光功率对应的预测值；基于每个第一光功率对应的预测值以及每个第一光功率对应的第二光功率计算得到损失；基于损失调整第一预设机器学习模型的参数，得到新的第一预设机器学习模型；当不满足停止条件时，以新的第一预设机器学习模型作为第一预设机器学习模型，并返回所述将每组训练数据中的第一光功率分别输入第一预设机器学习模型，得到第一预设机器学习模型输出的每个第一光功率对应的预测值的步骤；当满足停止条件时，以新的第一预设机器学习模型作为第一预测模型。
本实施例中，将A1输入第一预设机器学习模型后，得到对应的预测值C1，同样的，将A2输入第一预设机器学习模型后，得到对应的预测值C2，以此类推，得到的预测值包括C1、C2......C100。在此基础上，基于B1～B100、C1～C100以及损失函数，即可得到损失，其中损失函数的选择根据实际需要确定。基于得到的损失即可对第一预设机器学习模型的参数进行调整，得到新的第一预设机器学习模型。此时，判断是否满足结束条件，具体的，若迭代次数达到预设次数或损失收敛，则确定满足结束条件。若未满足结束条件，则以新的第一预设机器学习模型作为第一预设机器学习模型，并重复上述过程；若满足结束条件，则以新的第一预设机器学习模型作为第一预测模型。
步骤S40，基于多组训练数据对第二预设机器学习模型进行训练，得到第二预测模型；
本实施例中，第二预设机器学习模型可以是卷积神经网络模型CNN、循环神经网络模型RNN或长短时记忆LSTM中的任一种，具体根据实际需要进行选择。容易理解的是，第二预设机器学习模型的参数为预设参数，基于多组训练数据对第二预设机器学习模型进行训练，即对第二预设机器学习模型的参数进行调整，得到第二预测模型。
进一步地，一实施例中，参照图4，图4为图1中步骤S30的细化流程示意图。如图4所示，步骤S40包括：
将每组训练数据中的第二光功率分别输入第二预设机器学习模型，得到第二预设机器学习模型输出的每个第二光功率对应的预测值；基于每个第二光功率对应的预测值以及每个第二光功率对应的第一光功率计算得到损失；基于损失调整第二预设机器学习模型的参数，得到新的第二预设机器学习模型；当不满足停止条件时，以新的第二预设机器学习模型作为第二预设机器学习模型，并返回所述将每组训练数据中的第二光功率分别输入第二预设机器学习模型，得到第二预设机器学习模型输出的每个第二光功率对应的预测值的步骤；当满足停止条件时，以新的第二预设机器学习模型作为第二预测模型。
本实施例中，将B1输入第二预设机器学习模型后，得到对应的预测值D1，同样的，将B2输入第二预设机器学习模型后，得到对应的预测值D2，以此类推，得到的预测值包括D1、D2......D100。在此基础上，基于A1～A100、D1～D100以及损失函数，即可得到损失，其中损失函数的选择根据实际需要确定。基于得到的损失即可对第二预设机器学习模型的参数进行调整，得到新的第二预设机器学习模型。此时，判断是否满足结束条件，具体的，若迭代次数达到预设次数或损失收敛，则确定满足结束条件。若未满足结束条件，则以新的第二预设机器学习模型作为第二预设机器学习模型，并重复上述过程；若满足结束条件，则以新的第二预设机器学习模型作为第二预测模型。
步骤S50，将待测信号光的原始光功率输入第一预测模型，得到第一预测模型输出的预测输出光功率；
本实施例中，参见上述步骤S30的实施例，相当于以模拟信号光的原始光功率为输入，以模拟信号光经过待测链路后的光功率为标签，对第一预设机器学习模型进行训练，得到第一预测模型。在此基础上，第一预测模型即可用于预测输入的光功率对应的输出光功率。即将待测信号光的原始光功率输入第一预测模型，即可得到第一预测模型输出的预测输出光功率。
步骤S60，将期望输出光功率输入第二预测模型，得到第二预测模型输出的期望输入光功率。
本实施例中，参见上述步骤S40的实施例，相当于以模拟信号光经过待测链路后的光功率为输入，以模拟信号光的原始光功率为标签，对第二预设机器学习模型进行训练，得到第二预测模型。在此基础上，第一预测模型即可用于预测输出光功率对应的输入光功率。即将期望输出光功率输入第二预测模型，即可得到第二预测模型输出的期望输入光功率。
本实施例中，测量各个模拟信号光经过待测链路前的第一光功率以及经过待测链路后的第二光功率，其中，不同模拟信号光之间的波长不同；以每个模拟信号光对应的第一光功率以及第二光功率为一组训练数据，得到多组训练数据；基于多组训练数据对第一预设机器学习模型进行训练，得到第一预测模型；基于多组训练数据对第二预设机器学习模型进行训练，得到第二预测模型；将待测信号光的原始光功率输入第一预测模型，得到第一预测模型输出的预测输出光功率；将期望输出光功率输入第二预测模型，得到第二预测模型输出的期望输入光功率。通过本实施例，可以在输入光功率已知时预测输出光功率的大小，还可以在指定输出光功率大小后，确定输入光功率的大小，对于光纤链路的快速部署和性能优化具有重大价值。
第二方面，本发明实施例还提供一种光功率预测装置。
一实施例中，参照图5，图5为本发明光功率预测装置一实施例的功能模块示意图。如图5所示，光功率预测装置包括：
测量模块10，用于测量各个模拟信号光经过待测链路前的第一光功率以及经过待测链路后的第二光功率，其中，不同模拟信号光之间的波长不同；
构建模块20，用于以每个模拟信号光对应的第一光功率以及第二光功率为一组训练数据，得到多组训练数据；
训练模块30，用于基于多组训练数据对第一预设机器学习模型进行训练，得到第一预测模型；基于多组训练数据对第二预设机器学习模型进行训练，得到第二预测模型；
预测模块40，用于将待测信号光的原始光功率输入第一预测模型，得到第一预测模型输出的预测输出光功率；将期望输出光功率输入第二预测模型，得到第二预测模型输出的期望输入光功率。
进一步地，一实施例中，测量模块10，用于：
将各个模拟信号光等功率分路为第一路信号光和第二路信号光；
将各个模拟信号光对应的第一路信号光输入光谱仪，获取光谱仪输出的各个模拟信号光经过待测链路前的第一光功率；
将各个模拟信号光对应的第二路信号光输入待测链路，将经过待测链路后的第二路信号光输入光谱仪，获取光谱仪输出的各个模拟信号光经过待测链路后的第二光功率。
进一步地，一实施例中，训练模块30，用于：
将每组训练数据中的第一光功率分别输入第一预设机器学习模型，得到第一预设机器学习模型输出的每个第一光功率对应的预测值；
基于每个第一光功率对应的预测值以及每个第一光功率对应的第二光功率计算得到损失；
基于损失调整第一预设机器学习模型的参数，得到新的第一预设机器学习模型；
当不满足停止条件时，以新的第一预设机器学习模型作为第一预设机器学习模型，并返回所述将每组训练数据中的第一光功率分别输入第一预设机器学习模型，得到第一预设机器学习模型输出的每个第一光功率对应的预测值的步骤；
当满足停止条件时，以新的第一预设机器学习模型作为第一预测模型。
进一步地，一实施例中，训练模块30，用于：
将每组训练数据中的第二光功率分别输入第二预设机器学习模型，得到第二预设机器学习模型输出的每个第二光功率对应的预测值；
基于每个第二光功率对应的预测值以及每个第二光功率对应的第一光功率计算得到损失；
基于损失调整第二预设机器学习模型的参数，得到新的第二预设机器学习模型；
当不满足停止条件时，以新的第二预设机器学习模型作为第二预设机器学习模型，并返回所述将每组训练数据中的第二光功率分别输入第二预设机器学习模型，得到第二预设机器学习模型输出的每个第二光功率对应的预测值的步骤；
当满足停止条件时，以新的第二预设机器学习模型作为第二预测模型。
进一步地，一实施例中，待测链路由级联的光纤、光放大器以及滤波器组成。
其中，上述光功率预测装置中各个模块的功能实现与上述光功率预测方法实施例中各步骤相对应，其功能和实现过程在此处不再一一赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种光功率预测方法，其特征在于，所述光功率预测方法包括：
测量各个模拟信号光经过待测链路前的第一光功率以及经过待测链路后的第二光功率，其中，不同模拟信号光之间的波长不同；
以每个模拟信号光对应的第一光功率以及第二光功率为一组训练数据，得到多组训练数据；
基于多组训练数据对第一预设机器学习模型进行训练，得到第一预测模型；
基于多组训练数据对第二预设机器学习模型进行训练，得到第二预测模型；
将待测信号光的原始光功率输入第一预测模型，得到第一预测模型输出的预测输出光功率；
将期望输出光功率输入第二预测模型，得到第二预测模型输出的期望输入光功率。
2.如权利要求1所述的光功率预测方法，其特征在于，所述测量各个模拟信号光经过待测链路前的第一光功率以及经过待测链路后的第二光功率的步骤包括：
将各个模拟信号光等功率分路为第一路信号光和第二路信号光；
将各个模拟信号光对应的第一路信号光输入光谱仪，获取光谱仪输出的各个模拟信号光经过待测链路前的第一光功率；
将各个模拟信号光对应的第二路信号光输入待测链路，将经过待测链路后的第二路信号光输入光谱仪，获取光谱仪输出的各个模拟信号光经过待测链路后的第二光功率。
3.如权利要求1所述的光功率预测方法，其特征在于，所述基于多组训练数据对第一预设机器学习模型进行训练，得到第一预测模型的步骤包括：
将每组训练数据中的第一光功率分别输入第一预设机器学习模型，得到第一预设机器学习模型输出的每个第一光功率对应的预测值；
基于每个第一光功率对应的预测值以及每个第一光功率对应的第二光功率计算得到损失；
基于损失调整第一预设机器学习模型的参数，得到新的第一预设机器学习模型；
当不满足停止条件时，以新的第一预设机器学习模型作为第一预设机器学习模型，并返回所述将每组训练数据中的第一光功率分别输入第一预设机器学习模型，得到第一预设机器学习模型输出的每个第一光功率对应的预测值的步骤；
当满足停止条件时，以新的第一预设机器学习模型作为第一预测模型。
4.如权利要求1所述的光功率预测方法，其特征在于，所述基于多组训练数据对第二预设机器学习模型进行训练，得到第二预测模型的步骤包括：
将每组训练数据中的第二光功率分别输入第二预设机器学习模型，得到第二预设机器学习模型输出的每个第二光功率对应的预测值；
基于每个第二光功率对应的预测值以及每个第二光功率对应的第一光功率计算得到损失；
基于损失调整第二预设机器学习模型的参数，得到新的第二预设机器学习模型；
当不满足停止条件时，以新的第二预设机器学习模型作为第二预设机器学习模型，并返回所述将每组训练数据中的第二光功率分别输入第二预设机器学习模型，得到第二预设机器学习模型输出的每个第二光功率对应的预测值的步骤；
当满足停止条件时，以新的第二预设机器学习模型作为第二预测模型。
5.如权利要求1至5中任一项所述的光功率预测方法，其特征在于，所述待测链路由级联的光纤、光放大器以及滤波器组成。
6.一种光功率预测装置，其特征在于，所述光功率预测装置包括：
测量模块，用于测量各个模拟信号光经过待测链路前的第一光功率以及经过待测链路后的第二光功率，其中，不同模拟信号光之间的波长不同；
构建模块，用于以每个模拟信号光对应的第一光功率以及第二光功率为一组训练数据，得到多组训练数据；
训练模块，用于基于多组训练数据对第一预设机器学习模型进行训练，得到第一预测模型；基于多组训练数据对第二预设机器学习模型进行训练，得到第二预测模型；
预测模块，用于将待测信号光的原始光功率输入第一预测模型，得到第一预测模型输出的预测输出光功率；将期望输出光功率输入第二预测模型，得到第二预测模型输出的期望输入光功率。
7.如权利要求6所述的光功率预测装置，其特征在于，所述测量模块，用于：
将各个模拟信号光等功率分路为第一路信号光和第二路信号光；
将各个模拟信号光对应的第一路信号光输入光谱仪，获取光谱仪输出的各个模拟信号光经过待测链路前的第一光功率；
将各个模拟信号光对应的第二路信号光输入待测链路，将经过待测链路后的第二路信号光输入光谱仪，获取光谱仪输出的各个模拟信号光经过待测链路后的第二光功率。
8.如权利要求6所述的光功率预测装置，其特征在于，所述训练模块，用于：
将每组训练数据中的第一光功率分别输入第一预设机器学习模型，得到第一预设机器学习模型输出的每个第一光功率对应的预测值；
基于每个第一光功率对应的预测值以及每个第一光功率对应的第二光功率计算得到损失；
基于损失调整第一预设机器学习模型的参数，得到新的第一预设机器学习模型；
当不满足停止条件时，以新的第一预设机器学习模型作为第一预设机器学习模型，并返回所述将每组训练数据中的第一光功率分别输入第一预设机器学习模型，得到第一预设机器学习模型输出的每个第一光功率对应的预测值的步骤；
当满足停止条件时，以新的第一预设机器学习模型作为第一预测模型。
9.如权利要求6所述的光功率预测装置，其特征在于，所述训练模块，用于：
将每组训练数据中的第二光功率分别输入第二预设机器学习模型，得到第二预设机器学习模型输出的每个第二光功率对应的预测值；
基于每个第二光功率对应的预测值以及每个第二光功率对应的第一光功率计算得到损失；
基于损失调整第二预设机器学习模型的参数，得到新的第二预设机器学习模型；
当不满足停止条件时，以新的第二预设机器学习模型作为第二预设机器学习模型，并返回所述将每组训练数据中的第二光功率分别输入第二预设机器学习模型，得到第二预设机器学习模型输出的每个第二光功率对应的预测值的步骤；
当满足停止条件时，以新的第二预设机器学习模型作为第二预测模型。
10.如权利要求6所述的光功率预测装置，其特征在于，所述待测链路由级联的光纤、光放大器以及滤波器组成。
CN202211003118.0A 2022-08-19 2022-08-19 光功率预测方法及装置 Pending CN115441945A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211003118.0A CN115441945A (zh) 2022-08-19 2022-08-19 光功率预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211003118.0A CN115441945A (zh) 2022-08-19 2022-08-19 光功率预测方法及装置

Publications (1)

Publication Number Publication Date
CN115441945A true CN115441945A (zh) 2022-12-06

Family

ID=84241712

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211003118.0A Pending CN115441945A (zh) 2022-08-19 2022-08-19 光功率预测方法及装置

Country Status (1)

Country Link
CN (1) CN115441945A (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101634590A (zh) * 2009-07-29 2010-01-27 武汉光迅科技股份有限公司 快速变化光功率的检测和预测计算的方法
CN102299738A (zh) * 2011-07-01 2011-12-28 华为技术有限公司 获得光网络链路性能参数的方法及装置
CN104331635A (zh) * 2014-11-24 2015-02-04 国网吉林省电力有限公司信息通信公司 电力光纤通信光功率预测的方法
CN106503386A (zh) * 2016-11-07 2017-03-15 上海思源弘瑞自动化有限公司 评估光功率预测算法性能优劣的方法及装置
US20190319734A1 (en) * 2018-04-11 2019-10-17 Huawei Technologies Co., Ltd. System and method for optical channel reconfiguration
CN112311454A (zh) * 2020-11-04 2021-02-02 中国联合网络通信集团有限公司 光模块的状态确定方法、装置及设备
CN112585889A (zh) * 2018-08-20 2021-03-30 华为技术有限公司 一种建立数据模型的方法及装置
CN113141208A (zh) * 2020-01-19 2021-07-20 烽火通信科技股份有限公司 一种实现光通道路径健康度评估和故障定位的方法及系统
CN113282470A (zh) * 2021-05-12 2021-08-20 中国联合网络通信集团有限公司 一种性能预测方法及装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101634590A (zh) * 2009-07-29 2010-01-27 武汉光迅科技股份有限公司 快速变化光功率的检测和预测计算的方法
CN102299738A (zh) * 2011-07-01 2011-12-28 华为技术有限公司 获得光网络链路性能参数的方法及装置
CN104331635A (zh) * 2014-11-24 2015-02-04 国网吉林省电力有限公司信息通信公司 电力光纤通信光功率预测的方法
CN106503386A (zh) * 2016-11-07 2017-03-15 上海思源弘瑞自动化有限公司 评估光功率预测算法性能优劣的方法及装置
US20190319734A1 (en) * 2018-04-11 2019-10-17 Huawei Technologies Co., Ltd. System and method for optical channel reconfiguration
CN112585889A (zh) * 2018-08-20 2021-03-30 华为技术有限公司 一种建立数据模型的方法及装置
CN113141208A (zh) * 2020-01-19 2021-07-20 烽火通信科技股份有限公司 一种实现光通道路径健康度评估和故障定位的方法及系统
CN112311454A (zh) * 2020-11-04 2021-02-02 中国联合网络通信集团有限公司 光模块的状态确定方法、装置及设备
CN113282470A (zh) * 2021-05-12 2021-08-20 中国联合网络通信集团有限公司 一种性能预测方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
FREIRE, M (FREIRE, MARIA) [1] ; MANSFELD, S (MANSFELD, SEBASTIEN): "Predicting Optical Power Excursions in Erbium Doped Fiber Amplifiers using Neural Networks", 《 2018 ASIA COMMUNICATIONS AND PHOTONICS CONFERENCE (ACP)》, 15 March 2019 (2019-03-15) *
高云鹏: "基于机器学习的光通信保护系统中光功率预测研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, 15 March 2022 (2022-03-15) *

Similar Documents

Publication Publication Date Title
Zhu et al. Machine learning based prediction of erbium-doped fiber WDM line amplifier gain spectra
Pulikkaseril et al. Spectral modeling of channel band shapes in wavelength selective switches
Samadi et al. Quality of transmission prediction with machine learning for dynamic operation of optical WDM networks
You et al. Machine learning-based EDFA gain model
US10236982B1 (en) Fiber parameter identification
Wang et al. Machine learning-based multifunctional optical spectrum analysis technique
Wass et al. Gaussian process regression for WDM system performance prediction
Locatelli et al. Machine learning-based in-band OSNR estimation from optical spectra
Oda et al. A learning living network for open ROADM networks
Lin et al. Auxiliary neural network assisted machine learning EDFA gain model
Wang et al. Optical signal spectrum prediction using machine learning and in-line channel monitors in a multi-span ROADM system
US10630416B2 (en) System and method for optical channel reconfiguration
CN115441945A (zh) 光功率预测方法及装置
US20050276601A1 (en) Nonlinear data processing dedicated to an optical spectrum analyzer
US9819411B2 (en) Signal to noise ratio estimation in optical communication networks
JP2000199880A (ja) 波長等化装置
Li et al. Which features most impact: prediction of ANN-based lightpath quality of transmission?
CA3153319A1 (en) Methods, mediums, and systems for testing fiber optic telecommunication systems
CN115441946B (zh) 一种基于光纤环测量edfa增益曲线的方法及装置
EP0716515B1 (en) Arrangement for providing optical signals with different wavelengths and arrangement and method for operating and testing an optical device
CN109696243B (zh) 一种光噪声测量方法及装置、计算机可读存储介质
Borraccini et al. Optical Line Physical Parameters Calibration in Presence of EDFA Total Power Monitors
Rittner et al. Measurement procedure for the inverse spectral hole burning characteristics of erbium-doped fiber amplifiers (edfa)
Sequeira et al. Lightweight Optical Constellation Modeling by Concatenating Artificial Neural Networks
Li et al. A Data-Efficient Erbium-Doped Fiber Amplifier Model Under Partial Channel Loadings

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