一种空分复用信号光性能监测方法及系统技术方案

本发明专利技术公开了光性能监测领域的一种空分复用信号光性能监测方法及系统，包括：由各光性能监测任务的信道中获取特征信息，构建训练数据集；利用训练数据集以多种方式训练神经网络模型光性能的监测能力，将训练后的神经网络模型作为教师模型；由教师模型中获取各信道对应的软目标集合，根据信道的温度T计算得到各软目标集合的权重，利用赋予权重的软目标集合训练学生模型；收集到待检测信道的信号特征并输入给学生模型，获取信道性能监测结果；本发明专利技术实现只用一个轻量级的神经网络模型即可实现空分复用光纤中所有信道的光性能监测任务。现空分复用光纤中所有信道的光性能监测任务。现空分复用光纤中所有信道的光性能监测任务。

【技术实现步骤摘要】
一种空分复用信号光性能监测方法及系统


[0001]本专利技术属于光性能监测
，具体涉及一种空分复用信号光性能监测方法及系统。

技术介绍

[0002]随着空分复用光纤通信技术的蓬勃发展，以空分复用光纤为传输介质的长跨距光传输系统得到了广阔的应用，空分复用传输系统是一个能够成数量级增加信道容量且同时降低单位带宽的传输成本的技术方案。与此同时，由于光网络中信号类型越来越多，接收端对于信号的处理越来越困难。光网络发射端会根据链路情况与业务需求，动态改变信号的传输速率、调制格式等信息，此时对于接收端来说接收信号就是未知信号。对复杂多变的大容量动态光网络性能进行有效的监测是实现网络资源合理配置和保障网络高效稳定运行的必要技术手段。
[0003]基于少模多芯光纤的相干光通信系统中开展的光性能监测可以实现对物理层参数的实时感知，相干接收机后端DSP中信道均衡、载波相位恢复等算法需要以信号的调制格式作为先验知识。目前，基于机器学习的光性能监测方案正受到越来越多的关注。该类方案利用神经网络模型学习不同链路状况下的信号特征，在复杂环境下实现智能的光网络性能监测。目前的基于特征的神经网络模型只能处理给定的任务，然而基于少模多芯光纤的光网络拥有多个传输信道。如果信道的环境参数发生改变，如信道变更等，此时的神经网络模型就不再适用当前信道的监测任务。

技术实现思路

[0004]本专利技术的目的在于提供一种空分复用信号光性能监测方法及系统，以知识蒸馏的形式把训练好的教师模型的知识转移到轻量级的学生模型上，实现只用一个轻量级的神经网络模型即可实现空分复用光纤中所有信道的光性能监测任务。
[0005]为达到上述目的，本专利技术所采用的技术方案是：
[0006]本专利技术一方面提供了一种空分复用信号光性能监测方法，包括：
[0007]收集到待检测信道的信号特征并输入至训练好的学生模型，获取信道性能监测结果；
[0008]所述学生模型的训练方法包括：
[0009]由各光性能监测任务的信道中获取特征信息，构建训练数据集；
[0010]利用训练数据集以多种方式训练神经网络模型光性能的监测能力，同时训练过程通过损失函数修正神经网络模型各参数的权重，将训练后的神经网络模型作为教师模型；
[0011]建立低复杂度的轻量化神经网络，作为学生模型；由教师模型中获取各信道对应的软目标集合，根据信道的温度T计算得到各软目标集合的权重，利用赋予权重的软目标集合训练学生模型。
[0012]优选的，训练神经网络模型光性能的监测能力方法，包括：
[0013]将k
‑
1个信道学习到的先验知识迁移至当前的神经网络模型，通过当前神经网络模型对第k个信道的特征信息进行学习获得知识数据；对知识数据进行提炼和存储作为下一次迁移的先验知识。
[0014]优选的，训练神经网络模型的方式包括：知识保留、知识迁移和模型拓展。
[0015]优选的，所述特征信息包括：空分复用信号的斯托克斯矢量和对应链路的OSNR值。
[0016]优选的，所述损失函数的公式为：
[0017][0018]其中，L(θ)为当前信道下的损失函数；θ表示神经网络的参数，包括权重和偏置，i表示第i个信道，θ
i
表示第i个信道中更新后的参数，为第i个信道中更新前的参数；b
i
表示对于第i个信道中参数θ
i
的重要程度，b
i
越大则参数θ
i
越重要；λ表示为神经网络模型的训练损失和准确率结果的参数。
[0019]优选的，根据信道的温度T计算得到各软目标集合的权重，计算公式为：
[0020][0021]其中，参数T控制每一个软目标的重要程度，q
i
表示第i个信道中信号的监测结果的概率，Z
i
和Z
j
分别表示第i个信道和第j个信道的网络全连接层的输出矢量。
[0022]本专利技术另一方面提供了一种空分复用信号光性能监测系统，包括：
[0023]采集模块，用于由各光性能监测任务的信道中获取特征信息，构建训练数据集；
[0024]训练模块，用于利用训练数据集以多种方式训练神经网络模型光性能的监测能力，同时训练过程通过损失函数修正神经网络模型各参数的权重，将训练后的神经网络模型作为教师模型；
[0025]知识蒸馏模块，用于由教师模型中获取各信道对应的软目标集合，根据信道的温度T计算得到各软目标集合的权重，利用赋予权重的软目标集合训练学生模型；
[0026]监测模块，用于收集到待检测信道的信号特征并输入至训练好的学生模型，获取信道性能监测结果。
[0027]与现有技术相比，本专利技术所达到的有益效果：
[0028]本专利技术中由教师模型中获取各信道对应的软目标集合，利用软目标集合训练学生模型；收集到待检测信道的信号特征并输入给学生模型，获取信道性能监测结果；只需要一个轻量级的学生模型即可完成空分复用光纤中所有的光性能监测任务，极大地降低了基于神经网络的空分复用信号调制格式识别方案训练成本和实际部署难度。同时，轻量化的学生模型可以提高系统的响应速度，降低网络的计算复杂度。
[0029]本专利技术中根据信道的温度T计算得到各软目标集合的权重，利用赋予权重的软目标集合训练学生模型；保证知识蒸馏过程中学生模型获取知识数据的正确性和可靠性。
附图说明
[0030]图1为本专利技术提供的一种空分复用信号光性能监测方法的流程图；
[0031]图2为本专利技术中基于终身学习的教师模型训练流程图；
[0032]图3为本专利技术提供的学生模型监测空分复用信号光性能的流程图。
具体实施方式
[0033]下面结合附图对本专利技术作进一步描述。以下实施例仅用于更加清楚地说明本专利技术的技术方案，而不能以此来限制本专利技术的保护范围。
[0034]实施例一
[0035]如图1所示，一种空分复用信号光性能监测方法，包括：收集到待检测信道的信号特征并输入至训练好的学生模型，获取信道性能监测结果；
[0036]所述学生模型的训练方法包括：
[0037]由各光性能监测任务的信道中空分复用信号的斯托克斯矢量和对应链路的OSNR值，构建训练数据集；
[0038]利用训练数据集以知识保留、知识迁移和模型拓展的方式训练神经网络模型光性能的监测能力，其中，训练神经网络模型光性能的监测能力过程，包括：如图2所示，将k
‑
1个信道学习到的先验知识迁移至当前的神经网络模型，通过当前神经网络模型对第k个信道的特征信息进行学习获得知识数据；对知识数据进行提炼和存储作为下一次迁移的先验知识。
[0039]同时训练过程通过损失函数修正神经网络模型各参数的权重，将训练后的神经网络模型作为教师模型；所述损失函数的公式为：
[0040][0041]其中，L(θ)为当前信道下的损失函数；θ表示神经网络的参数，包括权本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种空分复用信号光性能监测方法，其特征在于，包括：收集到待检测信道的信号特征并输入至训练好的学生模型，获取信道性能监测结果；所述学生模型的训练方法包括：由各光性能监测任务的信道中获取特征信息，构建训练数据集；利用训练数据集以多种方式训练神经网络模型光性能的监测能力，同时训练过程通过损失函数修正神经网络模型各参数的权重，将训练后的神经网络模型作为教师模型；建立低复杂度的轻量化神经网络，作为学生模型；由教师模型中获取各信道对应的软目标集合，根据信道的温度T计算得到各软目标集合的权重，利用赋予权重的软目标集合训练学生模型。2.根据权利要求1所述的空分复用信号光性能监测方法，其特征在于，训练神经网络模型光性能的监测能力的方法，包括：将k
‑
1个信道学习到的先验知识迁移至当前的神经网络模型，通过当前神经网络模型对第k个信道的特征信息进行学习获得知识数据；对知识数据进行提炼和存储作为下一次迁移的先验知识。3.根据权利要求1所述的空分复用信号光性能监测方法，其特征在于，所述训练神经网络模型的方式包括：知识保留、知识迁移和模型拓展。4.根据权利要求1所述的空分复用信号光性能监测方法，其特征在于，所述特征信息包括：空分复用信号的斯托克斯矢量和对应链路的OSNR值。5.根据权利要求1所述的空分复用信号光性能监测方法，其特征在于，所述损失函数的公式为：其中，L(θ)为当前信道下的损失函数；θ表示神经网络的参数，包括权...

【专利技术属性】
技术研发人员：朱旭，刘博，任建新，毛雅亚，朱筱嵘，吴翔宇，柏宇，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：