一种基于动量梯度下降法的相干光通信系统光信噪比监测方法技术方案

本发明专利技术提出一种基于动量梯度下降法的相干光通信系统光信噪比监测方法，其方法包含如下步骤：提出特征值，即通过观察不同的光信噪比对应的采样信号的幅度图，截取幅度图的一部分来实现特征值提取，将幅度图的纵坐标作为特征值输入到人工神经网络的输入层，基于动量梯度下降法优化训练的人工神经网络模型信息运算，输出层输出运算的光信噪比。该方法与目前基于神经网络的光信噪比监测方法相比，特征值相对减少，数据集简单，简化人工神经网络模型；采用动量梯度下降法，使得网络训练过程中达到最优解的速度较快，系统具有较好的稳定性，监测结果准确率较高。

An optical signal to noise ratio monitoring method for coherent optical communication system based on momentum gradient descent method

【技术实现步骤摘要】
一种基于动量梯度下降法的相干光通信系统光信噪比监测方法
本专利技术涉及光通信系统领域中的光信噪比监测，具体涉及一种基于动量梯度下降法的相干光通信系统光信噪比监测方法。
技术介绍
随着通信的业务量和复杂度的增加，对网络带宽需求越来越高。强度调制直接检测系统中只有信号幅度可以被用来调制信息，通信速率的提高依然存在瓶颈。在相干光通信中，光信号的幅度和相位都可以被调制，高阶的幅度或相位调制格式极大地提高系统的频谱效率，从而可以保证高速光纤通信系统的实现。高速相干光通信系统中的光信号更容易受到多种传输损伤，随着数字信号处理技术的不断发展，相干通信系统中的线性损伤能够在接收端得到完全的补偿。因此，需要在光网络传输过程中采取适当的方法对光信号进行精确和实时地监测，并进行相应的补偿，从而改善高速相干光通信系统的性能。光信号的传输质量主要由光信噪比决定，光信噪比与误码率直接相关。因此，光信噪比成为了相干光通信系统中最重要的监测参数之一。相干光通信系统中的光信噪比监测方法主要是在相干光接收端经过数字信号处理算法对信号进行线性补偿，然后再通过信号分析来实现监测。目前相干光通信系统中的光信噪比监测方法主要包括统计矩，误差矢量幅度，延迟线干涉仪，Stoke参数，Golay序列,偏移滤波和光功率测量等。随着人工神经网络取得了引人注目地发展，机器学习方法被越来越多的研究者提出。机器学习包括人工神经网络，深度神经网络，卷积神经网络，循环神经网络，支持向量机等，这些方法已经被成功应用于分类，回归，降维，信息检索，图像识别和语音处理等工作中。人工神经网络(ArtificialNeuralNetwork，即ANN)，是20世纪80年代以来人工智能领域兴起的研究热点。它从信息处理角度对人脑神经元网络进行抽象，建立某种简单模型，按不同的连接方式组成不同的网络。在工程与学术界也常直接简称为神经网络或类神经网络。神经网络是一种运算模型，由大量的节点(或称神经元)之间相互连接构成。每个节点代表一种特定的输出函数，称为激励函数。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。人工神经网络具有从多层感知器中自主学习并提取数据特征的能力，通过不断训练能够使用复杂函数实现输入层到输出层数据的映射。
技术实现思路
基于上述问题，本专利技术的目的旨在至少解决所述技术缺陷之一。提出在于提出如何提取采样信号的特征值输入到人工神经网络，并采用动量梯度下降法来优化神经网络训练模型，提高输出结果的准确性和稳定性，实现有效监测相干光通信系统的光信噪比的功能。为实现上述目的，本专利技术采用如下技术方案：一种基于动量梯度下降法的相干光通信系统光信噪比监测方法，其特征在于，所述方法包含如下步骤：S1.提出特征值，即通过观察不同的光信噪比对应的采样信号的幅度图，截取幅度图的一部分来实现特征值提取，S2.所述幅度图的纵坐标作为特征值输入到人工神经网络的输入层S3.基于动量梯度下降法优化训练的人工神经网络模型信息运算，S4.输出层输出运算的光信噪比。优选的，该S1中，还包含提取采样信号的部分幅度值绘制幅度图，所述幅度图的横坐标代表幅度区间，纵坐标代表所述幅度区间在整个采样信号的幅度中出现的次数。优选的，该S3中，基于Vdm＝βVdm+(1-β)dwVdb＝βVdb+(l-β)db进行动量梯度下降算法迭代，其中，α代表学习率，参数β控制着指数加权平均数，表示动力的大小，其取值介于0.80～0.95，Vdw，Vdb指数加权平均，dw是损失函数对w的偏导数，db是损失函数对b的偏导数。优选的，该S3中，学习率α选取0.01，参数β为0.9。优选的，该S1之前还包含，信号处理模块，其基于相干光接收端接收的信号进行处理，其包含光电装置，用以将接收端接收的光信号转换为电信号，模数转换模块，其用以将经光电装置转换输出的电信号进行数模转换，补偿模块，其电性连接ADC的输出端，以将接收的ADC转换的电信号进行色散补偿及时钟相位恢复，CMA均衡模块，其电性连接补偿模块，以补偿所有的线性传输损伤，其中，相干光通信系统中接收端接收的光信号先经过光电装置经光电转换变为电信号后传输至与其的连接的模数转换模块，经模数转换模块模数转换变为数字信号后传输至与其连接的补偿模块，所述补偿模块进行色散补偿及时钟相位恢复，并将补偿后的信号传输至CMA均衡模块，所述CMA均衡模块基于CMA均衡算法来补偿所有的线性传输损伤。优选的，该相干光通信系统光信噪比监测方法，还包含对CMA均衡后的信号进行采样，并将采样信号的幅度值提取出来作为原始数据。优选的，该人工神经网络模型包含有4层结构：输入层、二层隐含层、输出层，其中，输入层的特征值为经过预处理后的采样信号幅度图的纵坐标，输入层神经元的个数与特征值的个数相同，两层隐含层的激活函数皆使用sigmoid函数，输出层的激活函数使用的是Relu函数。优选的，该输出层的神经元为一个。相对于现有技术中的方案，本专利技术实施方式的的优点：1.该方法与目前存在的一些基于神经网络的光信噪比监测方法相比，特征值相对减少，数据集简单，简化人工神经网络模型；2.在光信噪比监测模型中采用动量梯度下降法，使得网络训练过程中达到最优解的速度较快，系统具有较好的稳定性，监测结果准确率较高。附图说明为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图：图1所示为本专利技术实施例的光信噪比监测方法的流程示意图，图2所示为本专利技术实施例的动量梯度法的迭代示意图，图3所示为本专利技术实施的光通信系统光信噪比监测结构示意图；图4所示本专利技术实施例中的信号处理模块的示意图；图5所示为本专利技术实施例的人工神经网络模型。具体实施方式以下结合具体实施例对上述方案做进一步说明。应理解，这些实施例是用于说明本专利技术而不限于限制本专利技术的范围。实施例中采用的实施条件可以如具体厂家的条件做进一步调整，未注明的实施条件通常为常规实验中的条件。本申请提出的基于动量梯度下降法的相干光通信系统光信噪比监测方法，其机理在于通过计算梯度的指数加权平均数，并利用该梯度来更新权重。本实施方法中有两个参数，学习率a以及参数β，β控制着指数加权平均数，该方法中特征值数量少，数据集简单，简化人工神经网络模型；系统的稳定性好。请参考图1所示为本申请实施例的基于动量梯度下降法的相干光通信系统光信噪比监测方法的流程示意图，所述方法包括：S1.输入层特本文档来自技高网...

【技术保护点】
1.一种基于动量梯度下降法的相干光通信系统光信噪比监测方法，其特征在于，所述方法包含如下步骤：/nS1.提出特征值，即通过观察不同的光信噪比对应的采样信号的幅度图，截取幅度图的一部分来实现特征值提取，/nS2.所述幅度图的纵坐标作为特征值输入到人工神经网络的输入层，/nS3.基于动量梯度下降法优化训练的人工神经网络模型信息运算，/nS4.输出层输出运算的光信噪比。/n

【技术特征摘要】
1.一种基于动量梯度下降法的相干光通信系统光信噪比监测方法，其特征在于，所述方法包含如下步骤：
S1.提出特征值，即通过观察不同的光信噪比对应的采样信号的幅度图，截取幅度图的一部分来实现特征值提取，
S2.所述幅度图的纵坐标作为特征值输入到人工神经网络的输入层，
S3.基于动量梯度下降法优化训练的人工神经网络模型信息运算，
S4.输出层输出运算的光信噪比。


2.如权利要求1所述的相干光通信系统光信噪比监测方法，其特征在于，所述S1中，还包含提取采样信号的部分幅度值绘制幅度图，
所述幅度图的横坐标代表幅度区间，纵坐标代表所述幅度区间在整个采样信号的幅度中出现的次数。


3.如权利要求1所述的相干光通信系统光信噪比监测方法，其特征在于，所述S3中，基于
Vdm＝βVdm+(1-β)dw
Vdb＝βVdb+(1-β)db






进行动量梯度下降算法迭代，其中，α代表学习率，参数β控制着指数加权平均数，表示动力的大小，其取值介于0.80～0.95，Vdw，Vdb指数加权平均，dw是损失函数对w的偏导数，db是损失函数对b的偏导数。


4.如权利要求3所述的相干光通信系统光信噪比监测方法，其特征在于，所述S3中，学习率α选取0.01，参数β为0.9。


5.如权利要求1所述的相干光通信系统光信噪比监测方法，其特征在于，所述S1之前还包含，...

【专利技术属性】
技术研发人员：王峰，游善红，李响，倪珅晟，罗鸣，
申请(专利权)人：苏州大学，
类型：发明
国别省市：江苏;32