一种光信号调制参数和损伤因素同时提取的方法技术

本发明专利技术公开一种光信号调制参数和损伤因素同时提取的方法，属于光通信领域。方法包括：获取不同调制参数和损伤因素下的信号光谱，预处理后将其作为训练集；将训练集作为输入，训练多任务卷积神经网络模型，所述多任务卷积神经网络模型通过共享卷积层和池化层所提取的信号光谱信息，针对不同任务，将特定的激活函数和神经元相连接；将所需分析的信号光谱输入至训练完成的多任务卷积神经网络模型，对多个光信号调制参数和损伤因素同时进行提取。光信号调制参数和损伤因素同时进行提取。光信号调制参数和损伤因素同时进行提取。

【技术实现步骤摘要】
一种光信号调制参数和损伤因素同时提取的方法


[0001]本专利技术涉及光通信领域，更具体地，涉及一种光信号调制参数和损伤因素同时提取的方法。

技术介绍

[0002]随着云计算、高清视频、万物互联等技术相继出现，数据通信流量快速增长，弹性光网络(EON)应运而生。由于网络架构愈加庞大、复杂和灵活多变，对众多网络性能参数进行监测对于保障光网络的运行十分重要。光谱是光信号的重要特征，可以为光网络性能监测提供丰富的信息。基于光谱的光网络性能监测技术具有测试结构较为简单、分析对象直观、对色散和偏振模色散不敏感等优点，适用于光网络链路节点。
[0003]期刊文献1(Li Y,Hua N,Li J,et al.Optical spectrum feature analysis and recognition for optical network security with machine learning[J].Optics Express,2019,27(17):24808.)基于光谱，利用支持向量机(SVM)和一维卷积神经网络(1D
‑
CNN)算法，实现了光信号调制参数的分析。期刊文献2(Hu C,Zheng H,Li W,et al.Modulation
‑
format
‑
independent in
‑
band OSNR monitoring technique using Gaussian process regression for a Raman amplified multi
‑
span system with a cascaded filtering effect[J].Optics express,2020,28(7):10134
‑
10144.)基于光谱，利用高斯过程回归(GPR)算法，实现了光信号损伤因素光信噪比(OSNR)的分析。但上述两种方案基于光谱，仅能实现对光信号调制参数和损伤因素中的一类进行分析，无法实现光信号调制参数和损伤因素的同时提取，不满足未来弹性光网络对多个网络性能参数同时监测的需求。

技术实现思路

[0004]针对现有技术的缺陷，本专利技术的目的在于提供一种基于光谱的光信号调制参数和损伤因素同时提取的方法，旨在解决现有技术无法在光网络链路节点处对多个光信号调制参数和损伤因素同时进行提取的问题。
[0005]为实现上述目的，本专利技术提出一种基于光谱的光信号调制参数和损伤因素同时提取的方法，包括：
[0006]获取不同调制参数和损伤因素下的信号光谱，预处理后将其作为训练集；
[0007]将训练集作为输入，训练多任务卷积神经网络模型；
[0008]将所需分析的信号光谱输入至训练完成的多任务卷积神经网络模型，对多个光信号调制参数和损伤因素同时进行提取；
[0009]输出提取的光信号调制参数和损伤因素。
[0010]进一步地，所述获取不同调制参数和损伤因素下的信号光谱包括：
[0011]获取不同调制参数下的光信号，调节各光信号的光性能损伤因素，得到携带不同光性能损伤的光信号；
[0012]在系统接收端利用光谱接收装置对携带不同光性能损伤的光信号进行采集和保存，得到不同调制参数和损伤因素下的信号光谱。
[0013]进一步地，所述获取不同调制参数下的光信号，调节各光信号的光性能损伤因素，得到携带不同光性能损伤的光信号包括：
[0014]对不同调制参数下的光信号进行仿真；
[0015]在仿真过程中，调节各光信号的光性能损伤因素，以便在系统接收端，得到携带不同光性能损伤的光信号。
[0016]进一步地，所述调制参数包括：调制格式、比特率和脉冲形状。
[0017]进一步地，所述损伤因素包括：光信噪比、消光比、激光器中心频率漂移量、级联滤波器个数，滤波器中心波长偏差量。
[0018]进一步地，所述将训练集作为输入，训练多任务卷积神经网络模型包括：
[0019]将训练集作为多任务卷积神经网络模型的输入，将对应的光信号调制参数和损伤因素作为不同任务的标签值，训练所述多任务卷积神经网络模型。
[0020]进一步地，所述将对应的光信号调制参数和损伤因素作为不同任务的标签值包括：
[0021]将光信号调制参数作为分类任务标签值，将光信号损伤因素作为回归任务标签值。
[0022]进一步地，所述多任务卷积神经网络模型包括：
[0023]一个输入层，M个卷积层C1、C2、
…
、C
M
，N个池化层P1、P2、
…
、P
N
，L个全连接层F1、F2、
…
、F
L
，一个输出层；其中m个卷积层对应一个池化层，M＝m
×
N；
[0024]所述输入层的输入为经过预处理的信号光谱数据，输入层与M个卷积层相连；
[0025]所述卷积层C
i
含有k
i
个大小为a
i
×
1的卷积核，所述输入层图像经过m个卷积层特征检测后得到k
m
个特征图，进而将得到的特征图传递至池化层；
[0026]所述池化层P
j
以b
j
×
1的大小对卷积层得到的特征图进行最大采样，得到特征筛选后的特征图，再将得到的特征图传递至下一m个卷积层；
[0027]所述卷积层和池化层对顺序连接，充分提取信号光谱特征；
[0028]所述全连接层F1是最后一个池化层P
N
所得特征图的像素点映射而成，每个像素点代表一个神经元节点，全连接层F1、F2、
…
、F
L
依次顺序全连接；
[0029]所述M个卷积层，N个池化层，L个全连接层之间采用ReLU激活函数；
[0030]所述输出层由最后一个全连接层F
L
全连接形成，其中回归任务对应的输出层神经元采用线性激活函数，分类任务对应的输出层神经元采用Softmax激活函数，模型选用Adam算法进行优化。
[0031]进一步地，所述将所需分析的信号光谱输入至训练完成的多任务卷积神经网络模型，对多个光信号调制参数和损伤因素同时进行提取包括：
[0032]将所需分析的信号光谱输入至训练完成的多任务卷积神经网络模型，通过其训练好的模型对当前输入的信号光谱数据进行分析，从而实现对多个光信号调制参数和损伤因素的同时提取。
[0033]进一步地，所述输出提取的光信号调制参数和损伤因素包括：
[0034]由所述多任务卷积神经网络模型输出不同任务的标签信息，进而得到所述多任务
卷积神经网络模型同时提取的光信号调制参数和损伤因素。
[0035]总体而言，通过本专利技术所构思的以上技术方案，与现有技术相比，能够取得以本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种光信号调制参数和损伤因素同时提取的方法，其特征在于，包括：获取不同调制参数和损伤因素下的信号光谱，预处理后将其作为训练集；将训练集作为输入，训练多任务卷积神经网络模型，所述多任务卷积神经网络模型通过共享卷积层和池化层所提取的信号光谱信息，针对不同任务，将特定的激活函数和神经元相连接；将所需分析的信号光谱输入至训练完成的多任务卷积神经网络模型，对多个光信号调制参数和损伤因素同时进行提取。2.如权利要求1所述的方法，其特征在于，所述将训练集作为输入，训练多任务卷积神经网络模型包括：将训练集作为多任务卷积神经网络模型的输入，将对应的光信号调制参数和损伤因素作为不同任务的标签值，训练所述多任务卷积神经网络模型。3.如权利要求2所述的方法，其特征在于，所述将对应的光信号调制参数和损伤因素作为不同任务的标签值包括：将光信号调制参数作为分类任务标签值，将光信号损伤因素作为回归任务标签值。4.如权利要求1所述的方法，其特征在于，所述将所需分析的信号光谱输入至训练完成的多任务卷积神经网络模型，对多个光信号调制参数和损伤因素同时进行提取包括：将所需分析的信号光谱输入至训练完成的多任务卷积神经网络模型，通过其训练好的模型对当前输入的信号光谱数据进行分析，从而实现对多个光信号调制参数和损伤因素的同时提取。5.如权利要求1所述的方法，其特征在于，所述获取不同调制参数和损伤因素下的信号光谱包括：获取不同调制参数下的光信号，调节各光信号的损伤因素，得到携带不同光性能损伤的光信号，采集得到不同调制参数和损伤因素下的信号光谱。6.如权利要求1所述的方法，其特征在于，所述输出提取的光信号调制参数和损伤因素包括：由所述多任务卷积神经网络模型输出不同任务的标签信息，进而得到所述多任务卷积神经网络模型同时提取的光信号调制参数和损伤因素。7.如权利要求1所述的方法，其特征在于，所述多任务卷积神经网络模型包括：一个输入层，M个卷积层C1、C2、

【专利技术属性】
技术研发人员：柯昌剑，于成龙，王昊宇，钟一博，刘德明，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：