CN115549780A - 光通信网络性能参数监测方法及装置 - Google Patents
光通信网络性能参数监测方法及装置 Download PDFInfo
- Publication number
- CN115549780A CN115549780A CN202211046179.5A CN202211046179A CN115549780A CN 115549780 A CN115549780 A CN 115549780A CN 202211046179 A CN202211046179 A CN 202211046179A CN 115549780 A CN115549780 A CN 115549780A
- Authority
- CN
- China
- Prior art keywords
- coherent light
- network
- signal
- optical communication
- original
- 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.)
- Granted
Links
- 230000003287 optical effect Effects 0.000 title claims abstract description 210
- 238000004891 communication Methods 0.000 title claims abstract description 153
- 238000012544 monitoring process Methods 0.000 title claims abstract description 131
- 238000000034 method Methods 0.000 title claims abstract description 89
- 230000001427 coherent effect Effects 0.000 claims abstract description 116
- 238000013527 convolutional neural network Methods 0.000 claims description 53
- 230000010287 polarization Effects 0.000 claims description 46
- 230000015654 memory Effects 0.000 claims description 43
- 238000013528 artificial neural network Methods 0.000 claims description 40
- 238000012549 training Methods 0.000 claims description 34
- 238000012360 testing method Methods 0.000 claims description 27
- 230000002457 bidirectional effect Effects 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012806 monitoring device Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 8
- 230000002123 temporal effect Effects 0.000 claims description 8
- 210000002364 input neuron Anatomy 0.000 claims description 6
- 230000006870 function Effects 0.000 description 29
- 238000011176 pooling Methods 0.000 description 12
- 210000002569 neuron Anatomy 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 9
- 230000004913 activation Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 239000013307 optical fiber Substances 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 238000012546 transfer 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Optical Communication System (AREA)
Abstract
本申请提供一种光通信网络性能参数监测方法及装置,方法包括:获取光通信系统接收端接收的目标偏振相干光原始信号;将目标偏振相干光原始信号输入预设的时空特征网络,以使该时空特征网络输出目标偏振相干光原始信号对应的调制格式和光信噪比,以将该调制格式和光信噪比作为当前光通信网络性能参数监测结果。本申请能够有效缩短光通信网络性能参数监测所需的时间,提高光通信网络性能参数监测的效率及实时性;同时能够保证光通信网络性能参数监测结果的识别准确性,进而能够满足光通信系统进行光通信网络性能参数监测的实时性和高精度的要求。
Description
技术领域
本申请涉及光纤通信技术和机器学习技术领域,尤其涉及光通信网络性能参数监测方法及装置。
背景技术
随着全球网络数据流量需求的不断增长,光网络正逐渐从传统的固定系统演变为灵活的体系结构,并同时满足超大容量、超高速率和动态特性的要求。未来光通信技术具有异构性和动态性,其调制格式和传输速率等参数可以根据不同的信道特性自适应改变。调制格式识别(Modulation Format Identification,MFI)技术可以根据接收信号特性自动识别调制类型,并为后续相干接收机中的DSP算法提供所需信息。下一代光网络中,光信噪比(OSNR)反映了信号在传输过程中被噪声干扰的程度,与误码率直接相关,该指标的监测是衡量光网络性能优劣的重要标志之一。因此,调制格式识别和OSNR估计对于监测光传输质量、发展更加智能化的光通信系统具有重要作用,如何实现高精度的实时的光网络性能监测已经成为当前的研究热点。
传统的基于信号时频域数据处理的调制格式识别和OSNR估计等光网络性能参数监测方法成本高,实时性差。随着机器学习领域的不断发展,基于神经网络的光性能监测技术也随之改进,例如:提取眼图或者星座图中的特征参数训练CNN,利用振幅直方图结合5层DNN进行训练,将快速傅里叶变换(FFT)后的经过色散补偿的信号频域数据输入到LSTM网络,接收信号转化为斯托克斯矢量或者空间投影图再输入到神经网络中进行训练,以上提到的这些方法需要对接收信号进行预先损失补偿或者利用数据统计、空间转换等方式提取特征输入到神经网络中进行训练,增加了额外的复杂度,因此本发明提出一种基于时空特征网络的光通信系统调制格式与光信噪比联合监测方法,直接利用原始信号数据样本,结合神经网络充分提取时空特征,完成高精度的实时的光性能参数监测。
发明内容
鉴于此,本申请实施例提供了光通信网络性能参数监测方法及装置,以消除或改善现有技术中存在的一个或更多个缺陷。
本申请的一个方面提供了一种光通信网络性能参数监测方法,包括:
获取光通信系统接收端接收的目标偏振相干光原始信号;
将所述目标偏振相干光原始信号输入预设的时空特征网络,以使该时空特征网络输出所述目标偏振相干光原始信号对应的调制格式和光信噪比,以将该调制格式和光信噪比作为当前光通信网络性能参数监测结果。
在本申请的一些实施例中,在所述将所述目标偏振相干光原始信号输入预设的时空特征网络之前,还包括:
基于预设的均值方差标准化方式,对所述目标偏振相干光原始信号进行标准化处理。
在本申请的一些实施例中,所述时空特征网络为:包含有用于提取空间特征的卷积神经网络CNN和用于提取时间特征的双向长短时记忆网络Bi-LSTM的深度神经网络。
在本申请的一些实施例中,所述深度神经网络包括:依次连接的输入层、特征提取层、特征融合层和输出层;
所述特征提取层包含有:所述卷积神经网络CNN和所述双向长短时记忆网络Bi-LSTM;
所述输入层中的输入神经元的数量与偏振相干光原始信号的路数相同;
所述卷积神经网络CNN用于根据输入所述输入层的偏振相干光原始信号,提取对应的空间特征;
所述双向长短时记忆网络Bi-LSTM用于根据输入所述输入层的偏振相干光原始信号,提取对应的时间特征;
所述特征融合层用于对所述空间特征和时间特征进行融合拼接得到新的特征向量;
所述输出层包括:用于根据所述新的特征向量输出所述偏振相干光原始信号的调制格式的第一全连接层,以及,用于根据所述新的特征向量输出所述偏振相干光原始信号的光信噪比的第二全连接层。
在本申请的一些实施例中,还包括:
获取在多种光信噪比和多种调制格式下的多个历史偏振相干光原始信号,其中,所述历史偏振相干光原始信号包括:用于表示历史偏振相干光原始信号在不同时刻的幅值和相位信息的四路电信号;
根据各个所述历史偏振相干光原始信号生成对应的矩阵序列,并在该矩阵序列中添加各个所述历史偏振相干光原始信号分别对应的标签以形成对应的数据集,其中,所述标签包括:调制格式和光信噪比;
基于所述数据集生成对应的训练集和测试集;
应用所述训练集训练一包含有卷积神经网络CNN和双向长短时记忆网络Bi-LSTM的深度神经网络,使得该深度神经网络用于提取偏振相干光原始信号的调制格式和光信噪比,以及,应用所述测试集对所述深度神经网络进行测试并根据测试结果对所述深度神经网络进行调制以形成对应的所述时空特征网络。
在本申请的一些实施例中,所述获取在多种光信噪比和多种调制格式下的多个历史偏振相干光原始信号,包括:
构建一偏振复用相干光通信系统;
采用所述偏振复用相干光通信系统分别发送不同调制格式的偏振相干光原始信号,并调整调节各个所述偏振相干光原始信号的光信噪比;
采用相干接收机获取不同光信噪比下的各类调制格式的偏振相干光原始信号,以作为各个历史偏振相干光原始信号。
在本申请的一些实施例中,所述基于所述数据集生成对应的训练集和测试集,包括:
基于预设的均值方差标准化方式,对所述数据集中的各个所述历史偏振相干光原始信号分别进行标准化处理;
将经标准化处理后的所述数据集划分为训练集和测试集。
本申请的另一个方面提供了一种光通信网络性能参数监测装置,包括:
原始信号获取模块,用于获取光通信系统接收端接收的目标偏振相干光原始信号;
性能参数监测模块,用于将所述目标偏振相干光原始信号输入预设的时空特征网络,以使该时空特征网络输出所述目标偏振相干光原始信号对应的调制格式和光信噪比,以将该调制格式和光信噪比作为当前光通信网络性能参数监测结果。
本申请的另一个方面提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述的光通信网络性能参数监测方法。
本申请的另一个方面提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现所述的光通信网络性能参数监测方法。
本申请提供的光通信网络性能参数监测方法,获取光通信系统接收端接收的目标偏振相干光原始信号;将所述目标偏振相干光原始信号输入预设的时空特征网络,以使该时空特征网络输出所述目标偏振相干光原始信号对应的调制格式和光信噪比,以将该调制格式和光信噪比作为当前光通信网络性能参数监测结果;通过预先设置用于输出偏振相干光原始信号对应的调制格式和光信噪比的时空特征网络,使得能够直接采用偏振相干光原始信号输入时空特征网络,以实现调制格式和光信噪比的联合监测,无需在识别前进行任何其他手动特征提取和数据统计,也无需使用DSP算法对信号进行预先补偿,能够有效节省其他的额外计算量,能够有效缩短光通信网络性能参数监测所需的时间,能够有效提高光通信网络性能参数监测的效率及实时性;同时通过采用时空特征识别网络,能够有效保证光通信网络性能参数监测结果的识别准确性,进而能够满足光通信系统进行光通信网络性能参数监测的实时性和高精度的要求。
本申请的附加优点、目的,以及特征将在下面的描述中将部分地加以阐述,且将对于本领域普通技术人员在研究下文后部分地变得明显,或者可以根据本申请的实践而获知。本申请的目的和其它优点可以通过在说明书以及附图中具体指出的结构实现到并获得。
本领域技术人员将会理解的是,能够用本申请实现的目的和优点不限于以上具体所述,并且根据以下详细说明将更清楚地理解本申请能够实现的上述和其他目的。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,并不构成对本申请的限定。附图中的部件不是成比例绘制的,而只是为了示出本申请的原理。为了便于示出和描述本申请的一些部分,附图中对应部分可能被放大,即,相对于依据本申请实际制造的示例性装置中的其它部件可能变得更大。在附图中:
图1为本申请一实施例中的光通信网络性能参数监测方法的总流程示意图。
图2为为本申请一实施例中的光通信网络性能参数监测方法的具体流程示意图。
图3为本申请一实施例中的光通信网络性能参数监测方法中步骤010的具体流程示意图。
图4为本申请一实施例中的光通信网络性能参数监测方法中步骤030的具体流程示意图。
图5为本申请另一实施例中的光通信网络性能参数监测装置的结构示意图。
图6是本申请应用实例提供的基于时空特征网络的光通信系统调制格式与光信噪比联合监测方法的流程示意图。
图7是本申请应用实例提供的光通信系统调制格式与光信噪比联合监测的原理示意图。
图8是本申请举例的相干光通信系统的举例示意图。
图9是本申请举例提及的所用的时空特征网络的结构示意图。
图10是本申请举例提及的时空特征网络的参数示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白,下面结合实施方式和附图,对本申请做进一步详细说明。在此,本申请的示意性实施方式及其说明用于解释本申请,但并不作为对本申请的限定。
在此,还需要说明的是,为了避免因不必要的细节而模糊了本申请,在附图中仅仅示出了与根据本申请的方案密切相关的结构和/或处理步骤,而省略了与本申请关系不大的其他细节。
应该强调,术语“包括/包含”在本文使用时指特征、要素、步骤或组件的存在,但并不排除一个或更多个其它特征、要素、步骤或组件的存在或附加。
在此,还需要说明的是,如果没有特殊说明,术语“连接”在本文不仅可以指直接连接,也可以表示存在中间物的间接连接。
在下文中,将参考附图描述本申请的实施例。在附图中,相同的附图标记代表相同或类似的部件,或者相同或类似的步骤。
针对未来灵活光网络部署场景多样化、速率按需可调节的应用需求,光通信系统接收端需要根据接收信号特征获取其调制格式和光信噪比(OSNR)等信息,从而实现自适应信号均衡和性能监测。本申请提出一种基于时空特征网络的光通信系统调制格式与光信噪比联合监测方法,具体内容包括:采集相干接收机输出的XI、XQ、YI、YQ四路信号构建数据集,对各组调制信号进行标准化处理,将处理后的样本以及对应的标签输入时空特征网络中,其中卷积神经网络(CNN)提取空间特征,双向长短期记忆网络(Bi-LSTM)提取时间特征,进行时空特征信息融合,完成调制格式识别和OSNR估计。本申请提出的基于时空特征网络的光通信系统调制格式与光信噪比联合监测方法,直接利用数据信号构成数据集,无需任何其他手动特征提取和数据统计,利用结合CNN和Bi-LSTM的时空特征网络进行联合监测,能够在有效完成不同调制格式的高精度分类的同时实现OSNR估计,在未来智能光纤通信系统技术领域中具有实时监测和高识别精度的应用潜力。
在本申请的一个或多个实施例中,所述光通信网络性能参数是指调制格式和光信噪比,而在实际应用中,也可以根据实际应用需求将其中一个或全部替换为其他类型的参数。
具体通过下述实施例进行详细说明。
基于此,本申请实施例提供一种光通信网络性能参数监测方法,参见图1,所述光通信网络性能参数监测方法具体包含有如下内容:
步骤100:获取光通信系统接收端接收的目标偏振相干光原始信号。
可以理解的是,光通信系统接收端需要根据接收信号特征获取其调制格式和光信噪比(OSNR)等信息,从而实现自适应信号均衡和性能监测。
在步骤100中,执行所述步骤100的光通信网络性能参数监测装置可以为独立于光通信系统接收端之外的功能模块,用于获取光通信系统接收端接收的目标偏振相干光原始信号用于进行步骤200时空特征网络的模型监测;而该光通信网络性能参数监测装置还可以为所述光通信系统接收端自身的一个功能模块,用于在光通信系统接收端接收到目标偏振相干光原始信号后,直接获取该信号并输入时空特征网络。同时,所述光通信网络性能参数监测装置可以设置在所述光通信系统内部,也可以作为独立设置在所述光通信系统之外且与所述光通信系统之间通信连接的独立服务器或客户端设备。
其中,在本申请的一个或多个实施例中,所述目标偏振相干光原始信号以及所述历史偏振相干光原始信号的信号构成完全相同,均属于偏振相干光原始信号,“目标”和“历史”的表述仅用于区分时空特征网络的模型应用阶段和模型训练阶段。
在一种具体举例中,所述振相干光原始信号包含有XI、XQ、YI、YQ四路电信号,分别包含了偏振复用信号在不同时刻的幅度和相位信息,其中X、Y表示偏振方向,I、Q分别表示同向分量和正交分量,将四路数据组合成[4xN]矩阵序列作为原始数据集样本,N表示采样点数,同时分别记录信号对应的调制格式和OSNR值,作为该样本对应的标签,格式为[调制格式,OSNR],每个样本数据对应的标签包含两种内容,可以实现调制格式识别和OSNR估计的联合监测。
步骤200:将所述目标偏振相干光原始信号输入预设的时空特征网络,以使该时空特征网络输出所述目标偏振相干光原始信号对应的调制格式和光信噪比,以将该调制格式和光信噪比作为当前光通信网络性能参数监测结果。
在步骤200中,所述时空特征网络是指能够用于提取输入数据的时空特征和空间特征的机器学习模型,具体可以为一种深度学习模型,当然,当前能够实现提取输入数据的时空特征和空间特征的模型均在本申请提及的所述时空特征网络的保护范围之内。
可以理解的是,预设的时空特征网络是指预先训练得到的用于提取输入数据的时空特征和空间特征的时空特征网络,其可以预先在光通信网络性能参数监测装置中训练,也可以预先在其他客户端设备或服务器中在线或离线训练好,再由光通信网络性能参数监测装置调取后之间使用,以降低光通信网络性能参数监测装置自身的计算复杂度,保证其运转可靠性。
从上述描述可知,本申请实施例提供的光通信网络性能参数监测方法,通过预先设置用于输出偏振相干光原始信号对应的调制格式和光信噪比的时空特征网络,使得能够直接采用偏振相干光原始信号输入时空特征网络,以实现调制格式和光信噪比的联合监测,无需在识别前进行任何其他手动特征提取和数据统计,也无需使用DSP算法对信号进行预先补偿,能够有效节省其他的额外计算量,能够有效缩短光通信网络性能参数监测所需的时间,能够有效提高光通信网络性能参数监测的效率及实时性;同时通过采用时空特征识别网络,能够有效保证光通信网络性能参数监测结果的识别准确性,进而能够满足光通信系统进行光通信网络性能参数监测的实时性和高精度的要求。
为了进一步提高神经网络特征提取的速度和准确性,在本申请实施例提供的一种光通信网络性能参数监测方法中,参见图2,所述光通信网络性能参数监测方法中步骤100和步骤200之间还具体包含有如下内容:
步骤110:基于预设的均值方差标准化方式,对所述目标偏振相干光原始信号进行标准化处理。
具体来说,可以为对目标偏振相干光原始信号进行标准化处理,该操作能够基于原始特征进行缩放使其具有均值为0,方差为1的标准正态分布特性,计算公式为:
从上述描述可知,本申请实施例提供的光通信网络性能参数监测方法,能够有效提高神经网络特征提取的速度和准确性,进而能够进一步提高光通信网络性能参数监测的效率及实时性;同时通过采用时空特征识别网络,能够有效保证光通信网络性能参数监测结果的识别准确性,进而能够满足光通信系统进行光通信网络性能参数监测的实时性和高精度的要求。
为了进一步提高应用时空特征网络提取所述目标偏振相干光原始信号对应的调制格式和光信噪比的应用可靠性及有效性,在本申请实施例提供的一种光通信网络性能参数监测方法中,所述时空特征网络为:包含有用于提取空间特征的卷积神经网络CNN和用于提取时间特征的双向长短时记忆网络Bi-LSTM的深度神经网络。
具体来说,构建基于CNN和Bi-LSTM的时空特征网络,CNN主要用于提取空间特征,由多个卷积层和池化层组成,卷积操作提取输入样本的特征信息,池化操作将输入张量进行特征降维,对数据参数的数量进行压缩,Bi-LSTM是一种双向循环神经网络,主要用于提取时间特征,其结合了输入时间序列前向和后向两个方向的信息,相当于两层方向相反的LSTM。
也就是说,卷积神经网络CNN提取空间特征,双向长短期记忆网络Bi-LSTM提取时间特征,进行时空特征信息融合,完成调制格式识别和OSNR估计。利用结合CNN和Bi-LSTM的时空特征网络进行联合监测,能够在有效完成不同调制格式的高精度分类的同时实现OSNR估计,在未来智能光纤通信系统技术领域中具有实时监测和高识别精度的应用潜力。
从上述描述可知,本申请实施例提供的光通信网络性能参数监测方法,通过采用用于提取偏振相干光原始信号对应的空间特征和时间特征的基于卷积神经网络CNN和双向长短时记忆网络Bi-LSTM形成的深度神经网络,能够有效提高应用时空特征网络提取所述目标偏振相干光原始信号对应的调制格式和光信噪比的应用可靠性及有效性,进而能够进一步提高光通信网络性能参数监测结果的准确性及可靠性。
为了进一步提高应用时空特征网络提取所述目标偏振相干光原始信号对应的调制格式和光信噪比的应用可靠性及有效性,在本申请实施例提供的一种光通信网络性能参数监测方法中,所述深度神经网络包括:依次连接的输入层、特征提取层、特征融合层和输出层;
所述特征提取层包含有:所述卷积神经网络CNN和所述双向长短时记忆网络Bi-LSTM;
所述输入层中的输入神经元的数量与偏振相干光原始信号的路数相同;
所述卷积神经网络CNN用于根据输入所述输入层的偏振相干光原始信号,提取对应的空间特征;
所述双向长短时记忆网络Bi-LSTM用于根据输入所述输入层的偏振相干光原始信号,提取对应的时间特征;
所述特征融合层用于对所述空间特征和时间特征进行融合拼接得到新的特征向量;
所述输出层包括:用于根据所述新的特征向量输出所述偏振相干光原始信号的调制格式的第一全连接层,以及,用于根据所述新的特征向量输出所述偏振相干光原始信号的光信噪比的第二全连接层。具体来说,CNN主要用于提取空间特征,由多个卷积层和池化层组成,卷积操作(conv层)提取输入样本的特征信息,池化操作(pooling层)将卷积层后得到的小范围内的特征点整合计算得到新的特征,即对输入张量进行特征降维,对数据参数的数量进行压缩。Bi-LSTM是一种双向循环神经网络,主要用于提取时间特征,其结合了输入时间序列前向和后向两个方向的信息,相当于两层方向相反的LSTM,数据样本以正序和逆序输入至神经网络进行特征提取,使同一时刻的特征数据同时拥有过去和将来之间的信息,Bi-LSTM和LSTM一样,使用三个门来控制序列信息的传输,遗忘门决定长期记忆的保留程度,输入门用于更新单元状态,输出门用于确定新的隐藏状态,但其是提取效率和性能表现都要要优于单个LSTM结构模型。
在一种具体举例中,数据样本的四路对应4个输入神经元,通过CNN提取空间特征信息,Bi-LSTM提取时间特征信息,将时空特征进行融合拼接得到新的特征向量,分别通过两个全连接层输出结果,其中,调制格式识别部分的全连接层神经元个数为调制类型的总数量,使用Softmax作为激活函数,使用交叉熵作为损失函数;OSNR估计部分的全连接层神经元个数为1,使用线性激活函数,使用MSE作为损失函数,最终同时输出测试数据样本对应的调制格式和OSNR值,完成联合监测。
从上述描述可知,本申请实施例提供的光通信网络性能参数监测方法,能够进一步提高应用时空特征网络提取所述目标偏振相干光原始信号对应的调制格式和光信噪比的应用可靠性及有效性,既不需要利用DSP算法预先对信号进行时钟恢复、色散补偿等处理,也不需要进行数据统计、手动提取特征,仅利用数字相干检测采集信号构造数据集,结合时空特征网络充分提取特征,完成调制格式与OSNR联合监测。
为了保证包含有卷积神经网络CNN和双向长短时记忆网络Bi-LSTM的深度神经网络的训练可靠性及有效性,在本申请实施例提供的一种光通信网络性能参数监测方法中,参见图2,所述光通信网络性能参数监测方法中步骤100之前还具体包含有如下内容:
步骤010:获取在多种光信噪比和多种调制格式下的多个历史偏振相干光原始信号,其中,所述历史偏振相干光原始信号包括:用于表示历史偏振相干光原始信号在不同时刻的幅值和相位信息的四路电信号。
步骤020:根据各个所述历史偏振相干光原始信号生成对应的矩阵序列,并在该矩阵序列中添加各个所述历史偏振相干光原始信号分别对应的标签以形成对应的数据集,其中,所述标签包括:调制格式和光信噪比;
步骤030:基于所述数据集生成对应的训练集和测试集;
步骤040:应用所述训练集训练一包含有卷积神经网络CNN和双向长短时记忆网络Bi-LSTM的深度神经网络,使得该深度神经网络用于提取偏振相干光原始信号的调制格式和光信噪比,以及,应用所述测试集对所述深度神经网络进行测试并根据测试结果对所述深度神经网络进行调制以形成对应的所述时空特征网络。
具体来说,将经过标准化的数据样本和包含调制格式类型与OSNR值的标签一起输入到CNN和Bi-LSTM结合的时空特征网络中,数据样本的四路对应4个输入神经元,通过CNN提取空间特征信息,Bi-LSTM提取时间特征信息,将时空特征进行融合拼接得到新的特征向量,分别通过两个全连接层输出结果,其中调制格式识别部分的全连接层神经元个数为调制类型的总数量,使用Softmax作为激活函数,使用交叉熵作为损失函数,OSNR估计部分的全连接层神经元个数为1,使用线性激活函数,使用MSE作为损失函数,最终同时输出测试数据样本对应的调制格式和OSNR值,完成联合监测。
在调制格式识别部分,不同类型的输出值通过Softmax函数转换为[0,1]的概率分布,其中概率最大值表示该数据样本的调制格式,计算公式为:
其中,zj表示神经网络多分类问题输出数组z中的第j个元素值,通过Softmax函数转化成概率值。
在OSNR估计部分,不同OSNR的输出值通过线性函数进行回归预测,通过MAE函数反映预测值的误差情况,计算公式为:
其中,X表示输入神经网络的数据集,h表示预测标签合集,h(xi)表示数据集中第i个样本对应的预测标签,yi表示第i个样本对应的真实的标签。
为了提高最终预测结果的准确率,可以使用adam优化算法最小化损失函数,训练过程中使用Dropout和EarlyStopping防止过拟合。
从上述描述可知,本申请实施例提供的光通信网络性能参数监测方法,能够有效保证包含有卷积神经网络CNN和双向长短时记忆网络Bi-LSTM的深度神经网络的训练可靠性及有效性,进而能够有效保证训练得到的时空特征网络的应用可靠性及有效性。
为了进一步提高采集不同光信噪比下不同调制格式的信号样本的可靠性及有效性,在本申请实施例提供的一种光通信网络性能参数监测方法中,参见图3,所述光通信网络性能参数监测方法中的步骤010具体包含有如下内容:
步骤011:构建一偏振复用相干光通信系统;
步骤012:采用所述偏振复用相干光通信系统分别发送不同调制格式的偏振相干光原始信号,并调整调节各个所述偏振相干光原始信号的光信噪比;
步骤013:采用相干接收机获取不同光信噪比下的各类调制格式的偏振相干光原始信号,以作为各个历史偏振相干光原始信号。
具体来说,为了采集不同光信噪比下不同调制格式的信号样本,在一些实施例中,搭建偏振复用相干光通信,分别发送不同调制格式的信号,信号可选的调制类型可以是:BPSK、QPSK、16QAM、32QAM、64QAM等,在另一些实施例中,也可以选取概率整形后的信号:PS16QAM、PS64QAM等。调节OSNR参数设置,一般选取5-30dB,以1dB为步长,利用相干接收机获取不同信噪比下各类调制格式信号的原始数据信息,在一些实施例中,为了获得更加精确的监测效果,可以进一步减小步长,如0.5dB、0.2dB等。
接收的XI、XQ、YI、YQ四路电信号,分别包含了偏振复用信号在不同时刻的幅度和相位信息,其中X、Y表示偏振方向,I、Q分别表示同向分量和正交分量,将四路数据组合成[4xN]矩阵序列作为原始数据集样本,N表示采样点数,同时分别记录信号对应的调制格式和OSNR值,作为该样本对应的标签,格式为[调制格式,OSNR],每个样本数据对应的标签包含两种内容,可以实现调制格式识别和OSNR估计的联合监测。
从上述描述可知,本申请实施例提供的光通信网络性能参数监测方法,能够有效提高采集不同光信噪比下不同调制格式的信号样本的可靠性及有效性,进而能够有效保证训练一包含有卷积神经网络CNN和双向长短时记忆网络Bi-LSTM的深度神经网络的可靠性及训练结果的有效性。
为了进一步提高神经网络特征提取的速度和准确性,在本申请实施例提供的一种光通信网络性能参数监测方法中,参见图4,所述光通信网络性能参数监测方法中的步骤030具体包含有如下内容:
步骤031:基于预设的均值方差标准化方式,对所述数据集中的各个所述历史偏振相干光原始信号分别进行标准化处理;
步骤032:将经标准化处理后的所述数据集划分为训练集和测试集。
具体来说,为了提高神经网络特征提取的速度和准确性,对调制信号数据集进行标准化处理,该操作能够基于原始特征进行缩放使其具有均值为0,方差为1的标准正态分布特性,计算公式为:
对训练集数据进行了标准化计算后,也应该对测试集进行同样的操作,需要注意的是必须使用训练集参数的均值μ和方差σ对测试集进行标准化处理,以确保一致性。
从上述描述可知,本申请实施例提供的光通信网络性能参数监测方法,能够有效提高神经网络特征提取的速度和准确性,进而能够进一步提高光通信网络性能参数监测的效率及实时性;同时通过采用时空特征识别网络,能够有效保证光通信网络性能参数监测结果的识别准确性,进而能够满足光通信系统进行光通信网络性能参数监测的实时性和高精度的要求。
从软件层面来说,本申请还提供一种用于执行所述光通信网络性能参数监测方法中全部或部分内的光通信网络性能参数监测装置,参见图5,所述光通信网络性能参数监测装置具体包含有如下内容:
原始信号获取模块10,用于获取光通信系统接收端接收的目标偏振相干光原始信号;
性能参数监测模块20,用于将所述目标偏振相干光原始信号输入预设的时空特征网络,以使该时空特征网络输出所述目标偏振相干光原始信号对应的调制格式和光信噪比,以将该调制格式和光信噪比作为当前光通信网络性能参数监测结果。
本申请提供的光通信网络性能参数监测装置的实施例具体可以用于执行上述实施例中的光通信网络性能参数监测方法的实施例的处理流程,其功能在此不再赘述,可以参照上述光通信网络性能参数监测方法实施例的详细描述。
所述光通信网络性能参数监测装置进行光通信网络性能参数监测的部分可以在服务器中执行,而在另一种实际应用情形中,也可以所有的操作都在客户端设备中完成。具体可以根据所述客户端设备的处理能力,以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述客户端设备中完成,所述客户端设备还可以包括处理器,用于光通信网络性能参数监测的具体处理。
上述的客户端设备可以具有通信模块(即通信单元),可以与远程的服务器进行通信连接,实现与所述服务器的数据传输。所述服务器可以包括任务调度中心一侧的服务器,其他的实施场景中也可以包括中间平台的服务器,例如与任务调度中心服务器有通信链接的第三方服务器平台的服务器。所述的服务器可以包括单台计算机设备,也可以包括多个服务器组成的服务器集群,或者分布式装置的服务器结构。
上述服务器与所述客户端设备端之间可以使用任何合适的网络协议进行通信,包括在本申请提交日尚未开发出的网络协议。所述网络协议例如可以包括TCP/IP协议、UDP/IP协议、HTTP协议、HTTPS协议等。当然,所述网络协议例如还可以包括在上述协议之上使用的RPC协议(Remote Procedure Call Protocol,远程过程调用协议)、REST协议(Representational State Transfer,表述性状态转移协议)等。
从上述描述可知,本申请实施例提供的光通信网络性能参数监测装置,通过预先设置用于输出偏振相干光原始信号对应的调制格式和光信噪比的时空特征网络,使得能够直接采用偏振相干光原始信号输入时空特征网络,以实现调制格式和光信噪比的联合监测,无需在识别前进行任何其他手动特征提取和数据统计,也无需使用DSP算法对信号进行预先补偿,能够有效节省其他的额外计算量,能够有效缩短光通信网络性能参数监测所需的时间,能够有效提高光通信网络性能参数监测的效率及实时性;同时通过采用时空特征识别网络,能够有效保证光通信网络性能参数监测结果的识别准确性,进而能够满足光通信系统进行光通信网络性能参数监测的实时性和高精度的要求。
为了进一步说明本方案,本申请还提供一种用于实现光通信网络性能参数监测方法的具体应用实例,具体可以为一种基于时空特征网络的光通信系统调制格式与光信噪比联合监测方法,上述现有技术需要使用DSP算法对信号进行预先补偿,或者采用数据统计和手动提取特征等方法,利用信号的不同特征进行计算或者训练,本申请直接从原始信号数据样本中提取特征,无需其他额外的计算量,通过离线方式预先训练好网络模型,在实际应用中输入测试数据,仅需要极短的时间完成结果输出,在实现调制格式识别与OSNR估计联合监测的同时,能一定程度上满足实时性和高精度的要求。
具体来说,参见图6,所述基于时空特征网络的光通信系统调制格式与光信噪比联合监测方法具体包含有如下内容:
(一)步骤一:采集多种光信噪比下不同调制格式的相干接收信号,组成矩阵序列,添加对应的标签,构建数据集;具体如下:
搭建相干光通信系统,分别发送不同调制格式的信号,通过调节OSNR参数,在接收端获取不同信噪比下各类调制格式信号的原始数据信息。
经过数字相干检测后输出的XI、XQ、YI、YQ四路电信号,包含了不同时刻下信号的幅度和相位信息,其中X、Y表示偏振方向,I、Q分别表示同向和正交分量,将四路数据组成[4xN]的矩阵序列,作为数据集的原始数据样本。
记录每条数据样本对应的调制格式和OSNR值,作为该样本对应的标签,格式为[调制格式,OSNR]。
其中,在步骤一中,不同调制格式信号下采集的IQ分量具有不同的幅度和相位特性,不同的光信噪比对信号的幅度和相位的干扰程度不同,以信号对应的调制格式和OSNR值同时作为标签,每个样本数据对应的标签包含两种内容,可以实现调制格式识别和OSNR估计的联合监测。
举例来说,在步骤一中,为了采集不同光信噪比下不同调制格式的信号样本,在一些实施例中,搭建偏振复用相干光通信,分别发送不同调制格式的信号,信号可选的调制类型可以是:BPSK、QPSK、16QAM、32QAM、64QAM等,在另一些实施例中,也可以选取概率整形后的信号:PS16QAM、PS64QAM等。调节OSNR参数设置,一般选取5-30dB,以1dB为步长,利用相干接收机获取不同信噪比下各类调制格式信号的原始数据信息,在一些实施例中,为了获得更加精确的监测效果,可以进一步减小步长,如0.5dB、0.2dB等。
接收的XI、XQ、YI、YQ四路电信号,分别包含了偏振复用信号在不同时刻的幅度和相位信息,其中X、Y表示偏振方向,I、Q分别表示同向分量和正交分量,将四路数据组合成[4xN]矩阵序列作为原始数据集样本,N表示采样点数,同时分别记录信号对应的调制格式和OSNR值,作为该样本对应的标签,格式为[调制格式,OSNR],每个样本数据对应的标签包含两种内容,可以实现调制格式识别和OSNR估计的联合监测。
(二)步骤二:对调制信号数据集进行标准化处理,得到输入网络的数据;
其中,根据以下公式对训练集进行标准化计算,公式为:
进一步的,所述步骤二中,对训练集数据进行了标准化计算后,应使用训练集参数的μ和σ对测试集进行标准化处理,以确保训练集与测试集的标准化操作一致。
(三)步骤三:构建基于CNN和Bi-LSTM的网络;具体如下:
构建基于CNN和Bi-LSTM的时空特征网络,CNN主要用于提取空间特征,由多个卷积层和池化层组成,卷积操作(conv层)提取输入样本的特征信息,池化操作(pooling层)将卷积层后得到的小范围内的特征点整合计算得到新的特征,即对输入张量进行特征降维,对数据参数的数量进行压缩。Bi-LSTM是一种双向循环神经网络,主要用于提取时间特征,其结合了输入时间序列前向和后向两个方向的信息,相当于两层方向相反的LSTM,数据样本以正序和逆序输入至神经网络进行特征提取,使同一时刻的特征数据同时拥有过去和将来之间的信息,Bi-LSTM和LSTM一样,使用三个门来控制序列信息的传输,遗忘门决定长期记忆的保留程度,输入门用于更新单元状态,输出门用于确定新的隐藏状态,但其是提取效率和性能表现都要要优于单个LSTM结构模型。
(四)步骤四:输入样本和标签,训练网络模型,实现调制格式识别和OSNR估计的联合监测;具体如下:
参见图7,在步骤四中,将经过标准化的数据样本和包含调制格式类型与OSNR值的标签一起输入到CNN和Bi-LSTM结合的时空特征网络中,数据样本的四路对应4个输入神经元,通过CNN提取空间特征信息,Bi-LSTM提取时间特征信息,将时空特征进行融合拼接得到新的特征向量,分别通过两个全连接层输出结果,其中调制格式识别部分的全连接层神经元个数为调制类型的总数量,使用Softmax作为激活函数,使用交叉熵作为损失函数,OSNR估计部分的全连接层神经元个数为1,使用线性激活函数Linear,使用MSE作为损失函数,最终同时输出测试数据样本对应的调制格式MFI和OSNR值,完成联合监测。
在调制格式识别部分,不同类型的输出值通过Softmax函数转换为[0,1]的概率分布,其中概率最大值表示该数据样本的调制格式,计算公式为:
其中,zj表示神经网络多分类问题输出数组z中的第j个元素值,通过Softmax函数转化成概率值。
在OSNR估计部分,不同OSNR的输出值通过线性函数进行回归预测,通过MAE函数反映预测值的误差情况,计算公式为:
其中,X表示输入神经网络的数据集,h表示预测标签合集,h(xi)表示数据集中第i个样本对应的预测标签,yi表示第i个样本对应的真实的标签。
为了提高最终预测结果的准确率,可以使用adam优化算法最小化损失函数,训练过程中使用Dropout和EarlyStopping防止过拟合。
本申请应用实例提出的基于时空特征网络的光通信系统调制格式与光信噪比联合监测方法,直接利用接收到的原始信号构建数据集,不需要预先进行DSP算法补偿、数据统计、人工特征提取等操作,减少额外的计算量,利用CNN和Bi-LSTM充分提取信号的时空特征信息,同时使用两个全连接层对调制格式和OSNR值分别输出结果实现联合监测,网络模型以离线方式预先训练,直接对输入数据样本进行测试,在未来光通信系统的应用中,本申请能够满足实现调制格式与OSNR联合监测的实时性、准确性。
为了进一步解释说明本申请上述实施例及应用实例提及的基于时空特征网络的光通信系统调制格式与光信噪比联合监测方法,本申请还提供一种具体举例:
如图8所示的相干光通信系统(也可以称之为:偏振复用相干光通信系统),选择PDM-QPSK/16QAM/32QAM/64QAM作为待识别的调制格式类型,选择5-30dB作为需要识别的OSNR值范围,以1dB作为步长进行调整。
在发射机端,PRBS(伪随机二进制序列)生成的符号被映射为不同调制格式的信号,然后传输到总长度为1000km的光纤链路,通过ASE噪声源调整OSNR值,使用相干接收机采集信号样本进行调制格式识别和OSNR监测,利用联合监测结果为后续DSP处理提供所需信息,完成色散补偿、时钟恢复、CMA均衡、频偏估计、载波相位恢复、码元判决。每种调制格式在不同光信噪比下分别采集1024组数据,每路样本长256,构成的矩阵序列为[XI1 XQ1YI1 YQ1][XI2 XQ2 YI2 YQ2]...[XI256 XQ256 YI256 YQ256],数据集总数的70%用于训练,剩余30%用于测试,batch_size设置为1024。
本举例使用的时空特征网络图和参数设置分别参见如图9和图10,输入层(InputLayer)4个神经元分别对应四路输入数据,之后利用CNN部分提取空间特征,两个卷积层(Convolution,Conv)分别使用32和64个卷积核,选择same填充,以保证输出尺寸和输入一致,将Leaky_ReLU作为激活函数,同时池化层均使用一维最大池化(Max_pool),尺寸设置为2进行降维,输出特征的大小为64x64,利用Bi-LSTM部分提取时间特征,两层网络分别有64和32个神经元,值得注意的是Bi-LSTM相当于双向的LSTM层,故输出分别是256x128和256x64,为保证特征拼接融合时维度一致,需要再添加一个最大池化层,尺寸为4,故最后输出特征同样为64x64,其中,图9中的h1、h2、h3用于代表不同的标签。在图10中,InputLayer表示输入层;Conv1和Conv2用于表示不同的卷积层;Max_pool、Max_pool1、Max_pool2用于表示不同的最大池化层;Bi-LSTM1和Bi-LSTM2用于表示不同的双向长短时记忆网络层;Concatenate表示特征融合层;Flatten表示展平;Dense(MFI)表示调制格式全连接层;Dense(OSNR)表示光信噪比全连接层。
将分别提取到的空间和时间特征进行融合(Concatenate)得到新的特征向量,展平(Flatten)数组,然后通过两个全连接层(Dense)进行输出的计算。在调制格式识别(MFI)部分中,对调制格式进行one_hot编码作为输入标签,全连接层一共有4个神经元,4个类别的输出值通过Softmax激活函数转换为[0,1]的分布,且所有概率值之和为1,概率最大的值代表信号对应的调制格式,使用交叉熵作为损失函数,Accuracy作为衡量准确度的指标。在光信噪比(OSNR)估计部分中,直接使用OSNR值作为输入标签,全连接层仅有一个神经元,使用线性激活函数输出回归值,使用MSE作为损失函数,MAE反映预测值的误差情况。为了得到更高精度的联合监测结果,使用adam优化算法最小化损失函数,训练过程中使用Dropout和EarlyStopping防止过拟合。在实际应用中,可以通过大量的数据预先训练好网络模型,进行测试仅需要极短的时间,可以同时满足实时性的要求。
本申请直接利用原始信号样本构造数据集,通过结合CNN和Bi-LSTM的时空网络充分提取特征信息,能够在有效完成不同调制格式的高精度分类的同时实现OSNR估计,在下一代光网络通信中具有良好的应用前景。
本申请实施例还提供了一种电子设备(也即电子设备),该电子设备可以包括处理器、存储器、接收器及发送器,处理器用于执行上述实施例提及的光通信网络性能参数监测方法,其中处理器和存储器可以通过总线或者其他方式连接,以通过总线连接为例。该接收器可通过有线或无线方式与处理器、存储器连接。所述电子设备可自所述无线多媒体传感器网络中的传感器接收实时运动数据,并自所述视频采集装置接收原始视频序列。
处理器可以为中央处理器(Central Processing Unit,CPU)。处理器还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本申请实施例中的光通信网络性能参数监测方法对应的程序指令/模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及数据处理,即实现上述方法实施例中的光通信网络性能参数监测方法。
存储器可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储处理器所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器中,当被所述处理器执行时,执行实施例中的光通信网络性能参数监测方法。
在本申请的一些实施例中,用户设备可以包括处理器、存储器和收发单元,该收发单元可包括接收器和发送器,处理器、存储器、接收器和发送器可通过总线系统连接,存储器用于存储计算机指令,处理器用于执行存储器中存储的计算机指令,以控制收发单元收发信号。
作为一种实现方式,本申请中接收器和发送器的功能可以考虑通过收发电路或者收发的专用芯片来实现,处理器可以考虑通过专用处理芯片、处理电路或通用芯片实现。
作为另一种实现方式,可以考虑使用通用计算机的方式来实现本申请实施例提供的服务器。即将实现处理器,接收器和发送器功能的程序代码存储在存储器中,通用处理器通过执行存储器中的代码来实现处理器,接收器和发送器的功能。
本申请实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时以实现前述光通信网络性能参数监测方法的步骤。该计算机可读存储介质可以是有形存储介质,诸如随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、软盘、硬盘、可移动存储盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质。
本领域普通技术人员应该可以明白,结合本文中所公开的实施方式描述的各示例性的组成部分、系统和方法,能够以硬件、软件或者二者的结合来实现。具体究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。
需要明确的是,本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本申请的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本申请的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
本申请中,针对一个实施方式描述和/或例示的特征,可以在一个或更多个其它实施方式中以相同方式或以类似方式使用,和/或与其他实施方式的特征相结合或代替其他实施方式的特征。
以上所述仅为本申请的优选实施例,并不用于限制本申请,对于本领域的技术人员来说,本申请实施例可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种光通信网络性能参数监测方法,其特征在于,包括:
获取光通信系统接收端接收的目标偏振相干光原始信号;
将所述目标偏振相干光原始信号输入预设的时空特征网络,以使该时空特征网络输出所述目标偏振相干光原始信号对应的调制格式和光信噪比,以将该调制格式和光信噪比作为当前光通信网络性能参数监测结果。
2.根据权利要求1所述的光通信网络性能参数监测方法,其特征在于,在所述将所述目标偏振相干光原始信号输入预设的时空特征网络之前,还包括:
基于预设的均值方差标准化方式,对所述目标偏振相干光原始信号进行标准化处理。
3.根据权利要求1所述的光通信网络性能参数监测方法,其特征在于,所述时空特征网络为:包含有用于提取空间特征的卷积神经网络CNN和用于提取时间特征的双向长短时记忆网络Bi-LSTM的深度神经网络。
4.根据权利要求3所述的光通信网络性能参数监测方法,其特征在于,所述深度神经网络包括:依次连接的输入层、特征提取层、特征融合层和输出层;
所述特征提取层包含有:所述卷积神经网络CNN和所述双向长短时记忆网络Bi-LSTM;
所述输入层中的输入神经元的数量与偏振相干光原始信号的路数相同;
所述卷积神经网络CNN用于根据输入所述输入层的偏振相干光原始信号,提取对应的空间特征;
所述双向长短时记忆网络Bi-LSTM用于根据输入所述输入层的偏振相干光原始信号,提取对应的时间特征;
所述特征融合层用于对所述空间特征和时间特征进行融合拼接得到新的特征向量;
所述输出层包括:用于根据所述新的特征向量输出所述偏振相干光原始信号的调制格式的第一全连接层,以及,用于根据所述新的特征向量输出所述偏振相干光原始信号的光信噪比的第二全连接层。
5.根据权利要求1所述的光通信网络性能参数监测方法,其特征在于,还包括:
获取在多种光信噪比和多种调制格式下的多个历史偏振相干光原始信号,其中,所述历史偏振相干光原始信号包括:用于表示历史偏振相干光原始信号在不同时刻的幅值和相位信息的四路电信号;
根据各个所述历史偏振相干光原始信号生成对应的矩阵序列,并在该矩阵序列中添加各个所述历史偏振相干光原始信号分别对应的标签以形成对应的数据集,其中,所述标签包括:调制格式和光信噪比;
基于所述数据集生成对应的训练集和测试集;
应用所述训练集训练一包含有卷积神经网络CNN和双向长短时记忆网络Bi-LSTM的深度神经网络,使得该深度神经网络用于提取偏振相干光原始信号的调制格式和光信噪比,以及,应用所述测试集对所述深度神经网络进行测试并根据测试结果对所述深度神经网络进行调制以形成对应的所述时空特征网络。
6.根据权利要求5所述的光通信网络性能参数监测方法,其特征在于,所述获取在多种光信噪比和多种调制格式下的多个历史偏振相干光原始信号,包括:
构建一偏振复用相干光通信系统;
采用所述偏振复用相干光通信系统分别发送不同调制格式的偏振相干光原始信号,并调整调节各个所述偏振相干光原始信号的光信噪比;
采用相干接收机获取不同光信噪比下的各类调制格式的偏振相干光原始信号,以作为各个历史偏振相干光原始信号。
7.根据权利要求5所述的光通信网络性能参数监测方法,其特征在于,所述基于所述数据集生成对应的训练集和测试集,包括:
基于预设的均值方差标准化方式,对所述数据集中的各个所述历史偏振相干光原始信号分别进行标准化处理;
将经标准化处理后的所述数据集划分为训练集和测试集。
8.一种光通信网络性能参数监测装置,其特征在于,包括:
原始信号获取模块,用于获取光通信系统接收端接收的目标偏振相干光原始信号;
性能参数监测模块,用于将所述目标偏振相干光原始信号输入预设的时空特征网络,以使该时空特征网络输出所述目标偏振相干光原始信号对应的调制格式和光信噪比,以将该调制格式和光信噪比作为当前光通信网络性能参数监测结果。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的光通信网络性能参数监测方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至7任一项所述的光通信网络性能参数监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211046179.5A CN115549780B (zh) | 2022-08-30 | 2022-08-30 | 光通信网络性能参数监测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211046179.5A CN115549780B (zh) | 2022-08-30 | 2022-08-30 | 光通信网络性能参数监测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115549780A true CN115549780A (zh) | 2022-12-30 |
CN115549780B CN115549780B (zh) | 2024-06-14 |
Family
ID=84725274
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211046179.5A Active CN115549780B (zh) | 2022-08-30 | 2022-08-30 | 光通信网络性能参数监测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115549780B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110896381A (zh) * | 2019-11-25 | 2020-03-20 | 中国科学院深圳先进技术研究院 | 一种基于深度神经网络的流量分类方法、系统及电子设备 |
CN111970050A (zh) * | 2020-07-14 | 2020-11-20 | 电子科技大学 | 一种基于异常检测的联合监测调制格式和光信噪比的系统 |
CN112241724A (zh) * | 2020-10-30 | 2021-01-19 | 南京信息工程大学滨江学院 | 一种基于双路卷积长短期神经网络的自动识别方法及系统 |
CN112383518A (zh) * | 2020-10-30 | 2021-02-19 | 广东工业大学 | 一种僵尸网络检测方法及装置 |
US20210111794A1 (en) * | 2019-10-08 | 2021-04-15 | Nec Laboratories America, Inc. | Optical network performance evaluation using a hybrid neural network |
CN113517926A (zh) * | 2021-07-01 | 2021-10-19 | 中天通信技术有限公司 | 光性能监测方法、电子设备及计算机可读存储介质 |
CN113938188A (zh) * | 2021-09-02 | 2022-01-14 | 华中科技大学 | 一种光信噪比监测模型的构建方法及应用 |
-
2022
- 2022-08-30 CN CN202211046179.5A patent/CN115549780B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210111794A1 (en) * | 2019-10-08 | 2021-04-15 | Nec Laboratories America, Inc. | Optical network performance evaluation using a hybrid neural network |
CN110896381A (zh) * | 2019-11-25 | 2020-03-20 | 中国科学院深圳先进技术研究院 | 一种基于深度神经网络的流量分类方法、系统及电子设备 |
CN111970050A (zh) * | 2020-07-14 | 2020-11-20 | 电子科技大学 | 一种基于异常检测的联合监测调制格式和光信噪比的系统 |
CN112241724A (zh) * | 2020-10-30 | 2021-01-19 | 南京信息工程大学滨江学院 | 一种基于双路卷积长短期神经网络的自动识别方法及系统 |
CN112383518A (zh) * | 2020-10-30 | 2021-02-19 | 广东工业大学 | 一种僵尸网络检测方法及装置 |
CN113517926A (zh) * | 2021-07-01 | 2021-10-19 | 中天通信技术有限公司 | 光性能监测方法、电子设备及计算机可读存储介质 |
CN113938188A (zh) * | 2021-09-02 | 2022-01-14 | 华中科技大学 | 一种光信噪比监测模型的构建方法及应用 |
Non-Patent Citations (1)
Title |
---|
潘卫军;冷元飞;吴天祎: "基于时空特征融合的飞机尾涡识别", 科学技术与工程, vol. 22, no. 031 * |
Also Published As
Publication number | Publication date |
---|---|
CN115549780B (zh) | 2024-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113938232A (zh) | 通信的方法及通信装置 | |
CN111614398B (zh) | 基于异或神经网络的调制格式及信噪比识别方法及装置 | |
CN109995449B (zh) | 一种基于深度学习的毫米波信号检测方法 | |
CN115149986B (zh) | 一种针对语义通信的信道分集方法及装置 | |
Khan et al. | Real-time throughput prediction for cognitive Wi-Fi networks | |
CN114039870A (zh) | 基于深度学习的蜂窝网络中视频流应用实时带宽预测方法 | |
CN114881971A (zh) | 视频质量评估方法及其装置、设备、介质 | |
CN114925720A (zh) | 基于时空混合特征提取网络的小样本调制信号识别方法 | |
CN114726412B (zh) | 信道信息获取方法、装置及相关设备 | |
CN114374975A (zh) | 一种可抗多径衰落的射频指纹识别方法及系统 | |
Khosraviyani et al. | Higher order statistics for modulation and STBC recognition in MIMO systems | |
CN115549780A (zh) | 光通信网络性能参数监测方法及装置 | |
Sivaroopan et al. | SyNIG: synthetic network traffic generation through time series imaging | |
CN116384470A (zh) | 联合量化与剪枝的卷积神经网络模型压缩方法及装置 | |
Jiyuan et al. | Multi-modulation recognition using convolution gated recurrent unit networks | |
Estiri et al. | A variational auto-encoder approach for image transmission in wireless channel | |
Yamada et al. | Exploring Pseudo-Analog Video Transmission for Edge-AI Vision Applications | |
CN116955996B (zh) | 一种基于云无线接入网的云边协同智能推理方法及系统 | |
Deng et al. | Deep learning approaches for photonic-assisted modulation format recognition | |
CN117978247B (zh) | 基于高通量卫星物联网的数据压缩方法和装置 | |
CN109558839A (zh) | 自适应人脸识别方法和实现该方法的设备及系统 | |
EP4203358A1 (en) | Communication systems and methods for transmitting and processing of data | |
US20240129004A1 (en) | Method and apparatus for transmitting channel state information | |
Nikolov | Adaptive Uplink Data Rate Prediction and NetworkSelection in a Vehicular Mobile Channel | |
Zhou et al. | TiRE-GAN: Task-Incentivized Generative Learning Models for Radiomap Estimation with Radio Propagation Model |
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 |