光传送网OTN的色散计算方法技术

本发明专利技术公开了一种光传送网OTN的色散计算方法，包括以下步骤，1)获取参数数据，所述的参数数据包括波道总数、使用波道数量、光缆线路长度、光缆衰耗系数；2)将所述的参数数据作为输入量输入预先训练好的BP神经网络模型并得到光输送网络的色散求解。本发明专利技术的光传送网OTN的色散计算方法可以针对不同条件下OTN色散补偿值进行计算，不仅能对当前运行情况下的色散进行优化，也能对未来新增业务需求的色散进行预测，从而实现OTN光路运行状态优化调整。在建立的色散计算模型基础上，将影响因素或解释变量的取值代入，由此实现光传送网络OTN在各种情况下的色散求解。

Dispersion calculation method of OTN

【技术实现步骤摘要】
光传送网OTN的色散计算方法
本专利技术属于光传送网
，具体涉及一种光传送网OTN的色散计算方法。
技术介绍
作为宽带多业务光网络的高端传输体系，OTN正逐步承担起光通信骨干传输网络系统的重任。相对于当前DWDM系统和SDH系统，OTN具有业务承载能力强，传输带宽大、通道速率高、调度颗粒大、网络管理与维护开销多、系统监控能力强、复分接关系简单等特点。由于采用异步传输体系，所以OTN相对于SDH具有网络体系简单的特点，同时由于在帧开销中加入了前向纠错技术(FEC)，所以具有很强的无再生传输能力，特别适用于采用DWDM技术以光放大技术进行超长距的信号传输。在业务承载能力方面，OTN定义了多种业务承载类型，可以直接承载2.5Gbps以上速率的SDH业务和万兆以太网业务，并具有承载其它多种业务的技术手段。色散是OTN光传送网络的一个重要技术参数，光纤衰减、色度色散、偏振膜色散等损伤的累计会导致传输的光信号性能劣化，使传输距离、业务路由受限。配合合理的色散补偿，将有效提高OTN网络的传输距离。OTN光传送网络色散计算是根据已有波长色散情况，对新增波道后色散进行计算。目前，色散补偿的选择尚无有效的计算方法，主要采用经验数值并且实际调节过程较为繁琐，因此存在较大的局限性。在OTN网络实际运行过程中，增加业务波长的情况较多，且在不同波段波长复合的过程中，其色散补偿数值不同。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种光传送网OTN的色散计算方法。本专利技术是通过以下技术方案实现的：在上述技术方案中，一种光传送网OTN的色散计算方法，包括以下步骤，1)获取参数数据，所述的参数数据包括波道总数、使用波道数量、光缆线路长度、光缆衰耗系数；2)将所述的参数数据作为输入量输入预先训练好的BP神经网络模型并得到光输送网络的色散求解。所述的BP神经网络模型的训练方法包括以下步骤，模型建立步骤：使用BP网络的S型函数，其中，以影响因素为输入，输出为定义输入向量：隐含层输入向量：隐含层输出向量：输出层输入向量：输出层输出向量：期望输出向量：输入层与隐含层的连接权值wih隐含层与输出层的连接权值who隐含层各神经元的阈值bh输出层各神经元的阈值bo激活函数：输出层的输出计算误差函数：模型训练步骤：第一步，网络初始化，以影响0TN传输光路色散的各项因素作为输入值，给各连接权值分别赋一个区间(-1，1)内的随机数，设定误差函数e，给定计算精度值和最大学习次数M；第二步，随机选取第k个输入样本及对应的输出期望，第三步，计算隐含层和输出层各神经元的输入和输出，第四步，利用网络期望色散补偿数值和实际输出色散值，计算误差函数对输出层的各神经元的偏导数δ0(k)，第五步，利用隐含层到输出层的连接权值who、输出层的各神经元的偏导数的δ0(k)和隐含层的输出计算误差函数e对隐含层各神经元的偏导数δh(k)，第六步，利用误差函数对输出层的各神经元的偏导数δo(k)和隐含层各神经元的输出来修正连接权值who(k)；第七步，利用输出计算误差函数e对隐含层各神经元的偏导数的δh(k)和输入层各神经元的输入来修正输入层与隐含层的连接权值wih，第八步，计算期望输出色散值与计算色散值之间的误差，第九步，判断网络误差是否满足要求，当误差达到预设精度或学习次数大于设定的最大次数，则结束算法；否则，选取下一个学习样本及对应的期望输出，返回到第三步，进入下一轮学习直至学习完毕。本专利技术的优点和有益效果为：本专利技术的光传送网OTN的色散计算方法可以针对不同条件下OTN色散补偿值进行计算，不仅能对当前运行情况下的色散进行优化，也能对未来新增业务需求的色散进行预测，从而实现OTN光路运行状态优化调整。在建立的色散计算模型基础上，将影响因素或解释变量的取值代入，由此实现光传送网络OTN在各种情况下的色散求解。色散计算模型基于BP神经网络结构梯度下降法，建立OTN光传送网络的色散计算模型，将OTN光传送网络的色散计算模型S型函数进行修正，然后使用标准的梯度优化算法实现上述模型的求解。附图说明图1为本专利技术的光传送网络OTN色散计算神经网络模型结构。图2位本专利技术的光传送网络OTN色散计算方法流程图。对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，可以根据以上附图获得其他的相关附图。具体实施方式为了使本
的人员更好地理解本专利技术方案，下面结合具体实施例进一步说明本专利技术的技术方案。本专利技术的光传送网OTN的色散计算方法，包括以下步骤，1)获取参数数据，所述的参数数据包括波道总数、使用波道数量、光缆线路长度、光缆衰耗系数；2)将所述的参数数据作为输入量输入预先训练好的BP神经网络模型并得到光输送网络的色散求解。其中，所述的BP神经网络模型基于BP神经网络结构梯度下降法建立，以S型函数进行修正，然后使用标准的梯度优化算法实现所述的BP神经网络模型的求解。所述的BP神经网络模型的训练方法包括以下步骤，选取波道总数、使用波道数量、光缆线路长度、光缆衰耗系数，输入量的模型建立步骤：使用BP网络的S型函数，其中，以影响因素为输入，输出为定义输入向量：隐含层输入向量：隐含层输出向量：输出层输入向量：输出层输出向量：期望输出向量：输入层与隐含层的连接权值wih隐含层与输出层的连接权值who隐含层各神经元的阈值bh输出层各神经元的阈值bo这两个阈值的作用是确保数值在允许的误差范围内，激活函数：输出层的输出计算误差函数：模型训练步骤：第一步，网络初始化，以影响OTN传输光路色散的各项因素作为输入值，给各连接权值分别赋一个区间(-1，1)内的随机数，设定误差函数e，给定计算精度值和最大学习次数M；第二步，随机选取第k个输入样本及对应的输出期望，第三步，计算隐含层和输出层各神经元的输入和输出，第四步，利用网络期望色散补偿数值和实际输出色散值，计算误差函数对输出层的各神经元的偏导数δ0(k)，第五步，利用隐含层到输出层的连接权值who、计算误差函数对输出层的各神经元的偏导数的δ0(k)和隐含层的输出计算误差函数e对隐含层各神经元的偏导数δh(k)，这步骤中δ0(k)是误差函数对输出层的各神经元的偏导本文档来自技高网...

【技术保护点】
1.一种光传送网OTN的色散计算方法，其特征在于：包括以下步骤，/n1)获取参数数据，所述的参数数据包括波道总数、使用波道数量、光缆线路长度、光缆衰耗系数；/n2)将所述的参数数据作为输入量输入预先训练好的BP神经网络模型并得到光输送网络的色散求解。/n

【技术特征摘要】
1.一种光传送网OTN的色散计算方法，其特征在于：包括以下步骤，
1)获取参数数据，所述的参数数据包括波道总数、使用波道数量、光缆线路长度、光缆衰耗系数；
2)将所述的参数数据作为输入量输入预先训练好的BP神经网络模型并得到光输送网络的色散求解。


2.根据权利要求1所述的一种光传送网OTN的色散计算方法，其特征在于：所述的BP神经网络模型的训练方法包括以下步骤，
模型建立步骤：使用BP网络的S型函数，其中，以影响因素为输入，输出为
定义输入向量：
隐含层输入向量：
隐含层输出向量：
输出层输入向量：
输出层输出向量：
期望输出向量：
输入层与隐含层的连接权值wih
隐含层与输出层的连接权值who
隐含层各神经元的阈值bh
输出层各神经元的阈值bo
激活函数：
输出层的输出计算误差函数：
模型训练步骤：
第一步，网络初始化，以影响OTN传输光路色散的各项因素作为输入值，给各连接权值分别赋一个区间(-1，1)内的随机数，设定误差函数e，给定计算精度值和最大学习次数M；
第二步，随机选取第k个输入样本及对应的输出期望，






第三步，计算隐含层和输出层各神经元的...

【专利技术属性】
技术研发人员：孟兆娜，张倩宜，李妍，郑庆竹，王梓蒴，常晓润，胡博，
申请(专利权)人：国网天津市电力公司，国家电网有限公司，
类型：发明
国别省市：天津;12