[0049] 下面对本发明的具体实施方式进行描述,以便于本领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
[0050] 实施例1:
[0051] 本实施例中,针对EON系统的波特率、调制格式识别以及光性能联合监测问题,提出了一种基于拉东变换和多任务神经网络的波特率、调制格式识别与光性能联合监测方法,具体技术流程如图1所示。该方法首先利用相干接收机完成双偏振高阶调制格式信号的光电转换和模数转换,其次对信号进行数字信号处理,例如IQ正交化、CD补偿和CMA均衡等,并将预处理后的信号转换成相应的星座图依次进行数字图像预处理及拉东变换,最后将所得拉东变换图像送入多任务神经网络进行多参数联合识别及监测,以便用于后端的多模算法(multi‑modulus algorithm,MMA)均衡、载波相位恢复和误码率计算。进行波特率、调制格式识别以及光性能监测时,如图2所示,包括以下步骤:
[0052] S1、在EON系统中,通过相干接收机对双偏振高阶调制格式信号进行光电转换和模数转换,对转换后信号进行数字信号预处理,并根据预处理后的信号生成为信号星座图;
[0053] S2、对生成的信号星座图进行数字图像预处理;
[0054] S3、对预处理后的信号星座图进行拉东变换,获得对应的三基色图像;
[0055] S4、根据获取的三基色图像,通过多任务神经网络模型进行关键多参数识别及监测,实现关键参数联合监测。
[0056] 在本实施例的步骤S1中生成每个信号星座图的符号数为213。
[0057] 在本实施例的步骤S2中,对信号星座图依次进行灰度化、边缘化检测及下采样处理。
[0058] 具体地,如图3所示,以偏振复用正交振幅调制(polarization division multiplexing‑8quadrature amplitude modulation,PDM‑8QAM)星座图为例演示图片的处理过程。首先将已经过DSP算法预处理后的信号生成星座图,其后对该星座图的图像进行灰度处理,由原始的彩色星座图像(800*800*3)转换为黑白图像(800*800),再通过基于Canny算法的边缘化检测技术(包括高斯平滑滤波、计算梯度幅值和方向、非最大值抑制、双阈值算法、滞后边界跟踪等步骤),将图像的细节信息模糊处理并提取边缘信息,以减少冗余信息干扰并降低运算复杂度,最后将边缘检测之后的星座图进行下采样,即将边缘处理之后的高分辨率(800*800)图像转换为低分辨率(32*32)图像,以降低方法的整体复杂度。
[0059] 本实施例的步骤S3中,基于拉东变换公式,将上述步骤S2所得信号星座图进行拉东变换,得到32*32*3的24位三基色图像。其中,进行拉东变换的公式为:
[0060]
[0061] 式中,R(ρ,θ)为拉东变换图,δ(·)为狄拉克函数,ρ为从原点到投影直线的距离,θ为投影角度,即法向距离与x的夹角,I'(x,y)为接收信号的星座图。
[0062] 其中,投影角度θ的取值范围为0°到180°,以使拉东变换图像包含信号星座图的全部特征。
[0063] 图4为拉东变换示意图。图5、图6分别给出了理想条件下,相干光通信中最常用的两种波特率以及五种调制格式的星座图像及其拉东变换图。在该系统,本实施例中选取了14GBaud和28GBaud两种波特率与(PDM‑QPSK、PDM‑8QAM、PDM‑16QAM、PDM‑32QAM、PDM‑64QAM)五种常用调制格式光信号的拉东变换图像。
[0064] 本实施例中的步骤S4中,为实现波特率及调制格式的识别、色散、差分群时延及光信噪比等多参数的联合监测,本实施例中采用的多任务神经网络模型如图7所示,包括依次连接的输入单元、共享参数单元和子任务单元;
[0065] 其中,所述输入单元的输入为上述32*32*3的24位三基色图像;
[0066] 所述共享参数单元包括依次连接的2个卷积核大小为5*5的卷积层、2个滑动窗口大小为2*2的池化层、1个平坦层和2个全连接层;具体地,在进行图像处理时,通过卷积层和池化层,对图像进行多层特征提取、映射以及最大池化以减少整个网络的参数数量,然后经过平坦层,使三维矩阵特征转换为一维向量,最后使用2个全连接层对神经元进行映射,并采用relu激活函数增强所使用的多任务神经网络的非线性拟合能力;
[0067] 所述子任务单元包括5个子任务层,且各个子任务层结构相同,均为2个全连接层;5个子任务层对应的任务分别为波特率识别、调制格式识别、色度色散识别、差分群时延监测和光信噪比监测,其中,波特率识别、调制格式识别和色度色散识别均为分类任务,差分群时延监测和光信噪比监测为回归任务;
[0068] 上述波特率识别、调制格式识别和色度色散识别对应的各个输出层中,均使用softmax激活函数将其多分类任务神经元的输出映射到(0,1)区间内进行分类,其损失函数为交叉熵函数;
[0069] 其中,交叉熵函数Lk的表达式为:
[0070]
[0071] 式中,下标k为子任务索引号,k=1,2,3,M为接收符号的总数,下标i为符号的索引号, 为预测概率值,yi为任务标签。
[0072] 差分群时延监测和光信噪比监测对应的各输出层中,使用的激活函数及损失函数分别为linear函数及平均绝对误差函数。
[0073] 其中,平均绝对误差函数LMAE的表达式为:
[0074]
[0075] 基于上述结构及损失函数设置,本实施例中的多任务神经网络模型的总损失函数L为:
[0076] L=λ1L1+λ2L2+λ3L3+λ4L4,MAE+λ5L5,MAE
[0077] 式中,L1,L2,L3分别表示波特率识别、调制格式识别和色度色散识别对应的各子任务层的损失函数,λ1,λ2,λ3分别为波特率识别、调制格式识别和色度色散识别对应的各子任务层损失函数的权重系数,L4,MAE及L5,MAE分别为差分群时延监测和光信噪比监测对应的各子任务层的损失函数,λ4及λ5分别为差分群时延监测和光信噪比监测对应的各子任务层损失函数的权重系数,其中,λ1=0.2,λ2=0.2,λ3=0.5,λ4=1,λ5=1。
[0078] 具体地,在进行分类任务时,波特率包括但不限于14GBaud、28GBaud,调制格式包括但不仅限于PDM‑QPSK、PDM‑8QAM、PDM‑16QAM、32QAM、PDM‑64QAM;在进行差分群时延监测时,由于不同波特率的相同差分群时延数值处于不同的差分群时延周期,本发明中统一用所处周期位置量纲来表示差分群时延的数值,以便于对不同波特率信号进行差分群时延的监测,例如,以符号周期为量纲,14GBaud信号中的2ps相当于28GBaud的1ps,它们与各自周期的比值相同,也就是0.028倍的符号周期。
[0079] 实施例2:
[0080] 本实施例中,基于VPI Transmission Maker Optical System 9.3和Keras Library机器学习库建立仿真系统,以验证本方法进行弹性光网络中关键参数联合监测的性能。图8所示为演示所使用的14/28GBaud PDM‑EON传输仿真系统框图。首先,光发射机产15
生伪随机二进制序列长度为2 ‑1的各种EON调制格式信号,包括14/28GBaud PDM‑QPSK、14/
28GBaud PDM‑8QAM、14/28GBaud PDM‑16QAM、14/28GBaud PDM‑32QAM、14/28GBaud PDM‑
64QAM等,然后使用掺铒光纤放大器和可变光衰减器调节光信噪比(范围为10‑28dB,步长为
1dB),其后利用CD模拟器在链路中添加一定的残余色散(范围为0‑300ps/nm,步长为50ps/nm),同时系统使用偏振模色散仿真器调整光纤链路的DGD,当信号为14GBaud时DGD设置在
0‑20ps(步长为2ps)范围内;当信号为28GBaud波特率时DGD设置在0‑10ps(步长为1ps)范围内,以保证进行DGD监测时不同波特率信号的残余DGD相对其周期为同一数值。
[0081] 经过相干接收后,共采集得到14630组数据,其中包括2种波特率、5种调制格式、19种光信噪比、7种色散值、11种差分群时延值。我们将每组数据随机生成20张星座图,数据集共有14630*20=292600张图片,将数据集随机打乱,其中随机抽取60%作为训练集,抽取20%作为验证集,抽取20%作为测试集。然后利用上述实例1中的方法进行多参数联合监测。
[0082] 所得波特率识别、调制格式识别、色散识别、DGD监测以及OSNR监测的仿真结果如图9所示。其中,BR、MF、CD三种分类任务的结果使用识别准确率表示,DGD、OSNR两种预测任务的结果用MAE表示。进行DGD监测结果表示时,我们统一用所处的周期位置来表示DGD的数值。例如,以相应的符号周期为量纲,14GBaud信号中的2ps DGD相当于28GBaud的1ps DGD,它们与各自周期的比值相同,均为0.028个符号周期。
[0083] 由图9(a)(b)可得:训练集与验证集迭代曲线基本吻合,说明多任务学习网络模型具有良好的泛化性能。根据图9(b)可知:对于验证集数据,在分别经过83次和93次迭代之后,波特率与调制格式识别这两个分类任务的准确率均可以达到100%;经过173次迭代之后,CD识别的准确率可以达到99.7%;对于监测任务,在经过178次迭代之后,DGD与周期比值的MAE达到0.021,经过185次迭代,OSNR的MAE达到0.468dB。
[0084] 图10给出了进行DGD监测时的MAE变化曲线。可以看出,对于PDM‑QPSK/8QAM/16QAM/32QAM/64QAM信号,本方法得到的DGD监测MAE的误差曲线波动均较为平缓,均位于
0.5ps~0.9ps范围内。
[0085] 图11及图12分别给出了进行OSNR监测时得到的真实值与估计值的对应曲线,以及相应的MAE曲线。可以看出:本方法得到的OSNR估计值与真实值吻合较好;本方法对于PDM‑QPSK/8QAM/16QAM/32QAM/64QAM进行OSNR估计的MAE具有随着OSNR的升高而增长的趋势,但最大MAE仅为1.6dB。
[0086] 实施例3:
[0087] 本实施例中,为进一步验证本方法的性能,我们还构建了14/28GBaud相干光传输实验系统。首先,在任意波形发生器(AWG,Keysight M8195A)中对于发射信号进行数字信号预处理,包括比特‑符号映射、滚降因子为0.75的脉冲整形、发射机预失真处理等,伪随机位15
序列设置为2 ‑1。经过每通道65GS/s采样率和25GHz模拟带宽的数模转换后,AWG输出4通道
14/28GBaud QPSK/16QAM/32QAM的射频信号,送入一个偏振复用‑IQ调制器。此外,本系统使用2个线宽约为100KHz的外腔激光器作为发射激光器及本振激光器,中心波长均设置在
1550nm。此后,发射机输出的光信号送入光纤链路进行传输。在接收端,信号首先由相干接收机进行光电转换,然后利用每通道采样率为80GS/s、电带宽为36GHz的4通道实时示波器(Teledyne Lecroy,Labmaster 10Zi)进行模拟信号采集,每次采集65536个符号(即262144个样值)送入至数字信号处理模块进行离线处理。
[0088] 使用的数字信号处理流程包括IQ正交化、CD补偿、重采样及CMA均衡等。进行PDM‑QPSK/16QAM/32QAM的偏振解复用时,CMA的抽头系数、迭代次数和步长分别设置为7、20和3e‑4。利用上述实施例1中的方法,每次从采集的65536个符号中随机选择8192个符号,进行多参数联合监测。
[0089] 本实验主要利用14/28GBaud PDM‑QPSK/16QAM/32QAM动态光信噪比传输实验来验证所提监测方法的有效性。图13给出了对于实验数据,波特率、调制格式识别准确率和光信噪比监测的MAE值。由图13(a)(b)可以看出,利用本方法后,训练集与验证集迭代曲线基本吻合;而对于验证集数据,经200次迭代之后波特率识别的准确率可达99.71%,调制格式识别准确率达到100%,OSNR监测的MAE稳定在0.548dB。由此证明仿真结果与实验结果基本吻合,从而进一步验证了本发明的有效性。
[0090] 综上,经仿真和实验验证,本发明基于拉东变换和多任务神经网络原理,能够智能、快速和稳定地进行弹性光网络中多参数的联合监测,实现波特率、调制格式、光信噪比、残余CD及DGD等多种关键参数的联合识别及监测。具有监测参数多,鲁棒性好,识别精度高等优点。