一种基于特征融合多任务卷积网络光性能检测方法及系统技术方案

本发明专利技术涉及一种基于特征融合多任务卷积网络光性能检测方法及系统，该方法基于特征融合多任务卷积神经网络，获取并融合二维散点图的局部和全局信息，同时对信号的光性能参数和速率/格式类别进行监测与识别。随后，构建特征融合多任务卷积网络，使用训练数据集对网络模型进行训练和优化。最后，使用测试数据集评价训练完成的网络性能。经过试验验证，本发明专利技术通过二维散点图中提取并共享融合特征，使得不同任务之间相互促进，提升了光性能监测和速率/格式识别的性能。对未来复杂的光网络性能以及信号属性的监测识别任务中，能做到对光性能监测任务和速率/格式识别任务的联合执行，且自动提取并融合特征，不同任务间相互促进，提升性能。

【技术实现步骤摘要】
一种基于特征融合多任务卷积网络光性能检测方法及系统
本专利技术涉及光纤网络性能监测和深度学习的交叉结合领域，具体地说是使用特征融合多任务卷积神经网络方法，对光性能(OPM)参数和速率/格式(BR-MFI)信息进行监测和识别的技术，以实现快速准确的监测识别，同时借助特征融合技术，获取散点图的全局与局部信息提示网络的监测性能。
技术介绍
未来的光网络被设计成动态的和异构的。为了满足终端用户的各种需求，光网络需要能够传输具有不同调制格式和比特率的各种信号。由于光网络的复杂性，光信号可以传输不同的路径并累积各种传输损伤。因此，有必要在动态光纤通信网络的中间节点部署足够的OPM设备，用于信道损伤的实时监测。类似地，BR-MFI可以提供附加信息来选择合适的载波恢复模块或提高OPM精度。近年来，OPM和B-MFI的结合已成为一种发展趋势。各种机器学习算法已经被应用于光通信，包括反向传播人工神经网络(BP-ANN)，k-最近邻(KNN)，以及支持向量机(SVM)。针对联合OPM和BR-MFI，提出了一种基于PCA的异步延迟抽头图(ADTP)模式识别方法本文档来自技高网...

【技术保护点】
1.一种基于特征融合多任务卷积网络光性能检测方法，其特征在于，所述检测方法具体包括以下步骤：/nS1)在仿真平台上搭建光纤通信系统，在光信号传输过程中添加不同的光性能损伤参数；/nS2)对S1)的光信号进行采样并转化为二维散点图，并按照比例划分训练集和测试集；/nS3)搭建基于特征融合的多任务卷积神经网络模型，以二维散点图作为输入对特征融合的多任务卷积神经网络模型进行训练；/nS4)将S2)得到训练集作为特征融合的多任务卷积神经网络模型的输入数据，进行优化，得到优化后的特征融合的多任务卷积神经网络模型；/nS5)将S2)得到测试集作为优化后的特征融合的多任务卷积神经网络模型的网络输入，即得到测...

【技术特征摘要】
1.一种基于特征融合多任务卷积网络光性能检测方法，其特征在于，所述检测方法具体包括以下步骤：
S1)在仿真平台上搭建光纤通信系统，在光信号传输过程中添加不同的光性能损伤参数；
S2)对S1)的光信号进行采样并转化为二维散点图，并按照比例划分训练集和测试集；
S3)搭建基于特征融合的多任务卷积神经网络模型，以二维散点图作为输入对特征融合的多任务卷积神经网络模型进行训练；
S4)将S2)得到训练集作为特征融合的多任务卷积神经网络模型的输入数据，进行优化，得到优化后的特征融合的多任务卷积神经网络模型；
S5)将S2)得到测试集作为优化后的特征融合的多任务卷积神经网络模型的网络输入，即得到测试结果。


2.根据权利要求1所述的检测方法，其特征在于，所述S1)中的仿真平台为VPI仿真平台；
光性能损伤参数为：
色散CD：其取值范围为[0,450],步长为50；
偏振模色散DGD，其取值范围为[0,10],步长为1；
光信噪比OSNR，其取值范围为[10,28]，步长为2。


3.根据权利要求1所述的检测方法，其特征在于，所述S1)中所述光信号的调制格式为QPSK、16QAM和64QAM；速率为60Gbps和100Gbps。


4.根据权利要求1所述的检测方法，其特征在于，所述S2)的具体步骤为：S2.1)每种类型的按照信号在不同损伤参数的组合下各收集至少1100次，总共得到至少6600个样本数据；
S2.2)利用异步单通道采样方法，将S2.1)采集的至少6600个样本数据转换为二维散点图；
S2.3)每张散点图的标签是三种光损伤参数以及速率和格式的类别，以5:1的比例划分为训练集和测试集。


5.根据权利要求1所述的检测方法，其特征在于，所述S3)的具体步骤为：
S3.1)以由8个卷积赤化层作为整...

【专利技术属性】
技术研发人员：王建萍，范潇杰，任芳，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：北京;11