光性能监测方法、装置、设备及存储介质制造方法及图纸

本发明专利技术提供了一种光性能监测方法、装置、设备及存储介质，该光性能监测方法包括：对接收的光信号进行预处理，得到接收符号；将所述接收符号映射至星座图的一象限；获取所述星座图的一象限中相邻接收符号之间的跳变信息；利用所述相邻接收符号之间的跳变信息来构造邻接矩阵；对所述邻接矩阵进行特征分解，得到最大特征值对应的特征向量，所述特征向量与所述光信号的调制格式和/或光信噪比相关；将所述最大特征值对应的特征向量输入至预训练的一维卷积神经网络，得到所述光信号的调制格式的分类结果和/或光信噪比。该方法利用更具泛化能力的一维卷积神经网络，以提高调制格式识别结果和光信噪比估计结果的准确率。结果和光信噪比估计结果的准确率。结果和光信噪比估计结果的准确率。

【技术实现步骤摘要】
光性能监测方法、装置、设备及存储介质


[0001]本专利技术涉及光通信
，尤其涉及一种光性能监测方法、装置、设备及存储介质。

技术介绍

[0002]光性能监测是光网络系统中的重要组成部分。光性能监测的发展对数字信号处理技术的发展至关重要。在相干光通信中，选用一种优越的调制格式识别(Modulation Format Identification，MFI)和光信噪比(Optical Signal To Noise Ratio，OSNR)估计方法至关重要。目前已经提出了几种较好的方案，例如，利用信号的幅度直方图信息作为输入的深度神经网络来实现调制格式识别和光信噪比监测，但该方案以牺牲复杂性来换取监测有效性，基于累积分布函数的人工神经网络或支持向量机来实现调制格式识别和光信噪比监测，但该些方案在海量数据处理和抗噪性能方面表现出一定的局限性。
[0003]为此，亟需提供一种新的光性能监测模型来实现调制格式识别和光信噪比监测，以改善上述问题。

技术实现思路

[0004]本专利技术的目的在于提供一种光性能监测方法、装置、设备及存储介质，用以借助更具泛化能力的一维卷积神经网络来进行特征提取，以提高调制格式识别结果和光信噪比估计结果的准确率。
[0005]第一方面，本专利技术提供一种光性能监测方法，所述方法包括：
[0006]首先对接收的光信号进行预处理，得到接收符号；之后将所述接收符号映射至星座图的一象限；进一步获取所述星座图的一象限中相邻接收符号之间的跳变信息；以及利用所述相邻接收符号之间的跳变信息来构造邻接矩阵；之后对所述邻接矩阵进行特征分解，得到最大特征值对应的特征向量，所述特征向量与所述光信号的调制格式和/或光信噪比相关；最终将所述最大特征值对应的特征向量输入至一维卷积神经网络，得到光性能监测模型，所述光性能监测模型用于估计光信号的调制格式的分类结果和/或光信噪比。
[0007]本专利技术提供的光性能监测方法的有益效果在于：按照上述方法分解提取的特征向量与所述光信号的调制格式和/或光信噪比相关，属于关键参数，特征向量包含的特征足够明显，所以对取得的最大特征值对应的特征向量采用一维卷积神经网络作更深一步的特征提取，可以实现不同调制格式的正确区分与光信噪比的估计。
[0008]在一种可能的实施例中，所述邻接矩阵按以下公式进行特征分解：
[0009][0010]其中，A为所述邻接矩阵，U表示特征向量，U
T
表示特征向量的转置，Λ＝diag{λ1,
…
,λ
N
}表示按特征值从小到大排序的对角矩阵，特征值λ
i
表示第i个特征值，u
i
表示与λ
i
对应的特征向量，表示u
i
的转置，i为正整数，N为特征值的总数。
[0011]在一种可能的实施例中，所述特征值为特征方程|A
‑
λE|＝0的解；其中，A为所述邻接矩阵，|A
‑
λE|为所述邻接矩阵A的特征多项式，特征方程的次数为解的个数，N阶所述邻接矩阵A在复数范围内有N个特征值，所述最大特征值对应的为所述N个特征值中的最大值。
[0012]在一种可能的实施例中，所述一维卷积神经网络包括输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、平坦层、第一全连接层、第二全连接层和输出层。
[0013]在一种可能的实施例中，所述第一卷积层包括64个形状为5
×
1的卷积核，所述第一卷积层用于进行初步特征提取；所述第一池化层和第二池化层均采用池化窗口为2
×
1的最大池化操作，所述第一池化层和和第二池化层均用于降维和统计，有利于防止模型过拟合；所述第二卷积层包括128个形状为5
×
1的卷积核，所述第二卷积层用于进行深度特征提取；第一全连接层包括256个神经元，第二全连接层包括128个神经元，用于增强模型的非线性表达能力；所述输出层为包括五个神经元的全连接层，或所述输出层为包括一个神经元的全连接层。
[0014]在一种可能的实施例中，当所述输出层为包括五个神经元的全连接层时，所述输出层的激活函数使用Softmax函数，最终的输出结果是所述光信号的调制格式的分类结果；当所述输出层为包括一个神经元的全连接层时，所述输出层的激活函数使用使用linear函数，输出结果是所述光信号的光信噪比估计值。
[0015]第二方面，本专利技术提供一种光性能监测装置，该装置包括执行上述第一方面的任意一种可能的设计的方法的模块/单元。这些模块/单元可以通过硬件实现，也可以通过硬件执行相应的软件实现。
[0016]第三方面，本专利技术实施例提供一种电子设备，包括处理器和存储器。其中，存储器用于存储一个或多个计算机程序；当存储器存储的一个或多个计算机程序被处理器执行时，使得该电子设备能够实现上述第一方面的任意一种可能的设计的方法。
[0017]第四方面，本专利技术提供一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，该计算机程序被处理器执行时，实现如上述实施例中任一项该的方法。
[0018]第五方面，本专利技术实施例另提供一种计算机程序产品，当该计算机程序产品在电子设备上运行时，使得该电子设备执行上述第一方面的任意一种可能的设计的方法。
[0019]关于上述第二方面至第五方面的有益效果可以参见上述第一方面中的描述。
附图说明
[0020]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0021]图1为本专利技术提供的一种光性能监测方法流程示意图；
[0022]图2为本专利技术提供的另一种光性能监测方法流程示意图；
[0023]图3为本专利技术提供的一种构造邻接矩阵的仿真效果示意图；
[0024]图4为本专利技术提供的一种一维卷积神经网络模型示意图；
[0025]图5为本专利技术提供的一种仿真设置示意图；
[0026]图6为本专利技术提供的调制格式识别仿真效果图；
[0027]图7A至图7E为本专利技术提供的五种光信号的OSNR估计仿真效果图；
[0028]图8为本专利技术提供的一种光性能监测装置示意图；
[0029]图9为本专利技术提供的一种电子设备结构示意图。
具体实施方式
[0030]值得说明的是，在光通信领域中，测量光信号质量是光通信中最重要的任务之一。一般来说，在强度调制直接检测(IM
‑
DD)系统中，眼图作为常用的分析对象，其定性地反映了所有损伤对信号质量的影响，特别是对于开关键控(OOK)和脉冲幅度调制(PAM)。然而近年来，随着相干光通信系统和先进的调制格式如M进制相移键控(PSK)和正交幅度调制(QAM)不断的发展，由于眼图缺少相位信息，使本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种光性能监测方法，其特征在于，所述方法包括：对接收的光信号进行预处理，得到接收符号；将所述接收符号映射至星座图的一象限；获取所述星座图的一象限中相邻接收符号之间的跳变信息；利用所述相邻接收符号之间的跳变信息来构造邻接矩阵；对所述邻接矩阵进行特征分解，得到最大特征值对应的特征向量，所述特征向量与所述光信号的调制格式和/或光信噪比相关；将所述最大特征值对应的特征向量输入至预训练的一维卷积神经网络，得到所述光信号的调制格式的分类结果和/或光信噪比的估计值。2.根据权利要求1所述的方法，其特征在于，所述邻接矩阵按以下公式进行特征分解：其中，A表示所述邻接矩阵，U表示特征向量，U
T
表示特征向量的转置，Λ＝diag{λ1,
…
,λ
N
}表示按特征值从小到大排序的对角矩阵，特征值λ
i
表示第i个特征值，u
i
表示与λ
i
对应的特征向量，表示u
i
的转置，i为正整数，N为特征值的总数。3.根据权利要求2所述的方法，其特征在于，所述特征值为特征方程|A
‑
λE|＝0的解；其中，A为所述邻接矩阵，|A
‑
λE|为所述邻接矩阵A的特征多项式，特征方程的次数为解的个数，N阶所述邻接矩阵A在复数范围内有N个特征值，所述最大特征值对应的为所述N个特征值中的最大值。4.根据权利要求1至3任一项所述的方法，其特征在于，所述一维卷积神经网络包括输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、平坦层、第一全连接层、第二全连接层和输出层。5.根据权利要求4所述的方法，其特征在于，所述第一卷积层包括64个尺寸为5
×
1的卷积核，所述第一卷积层用于进行初步特征提取；所述第一池化层和第二池化层均采用池化窗口大小为2
×
1的最大池化操作，所述第一池化层和和第二池化层均用于降维和统计；所述第二卷积层包括128个形状为5
×
1的卷积核，所述第二卷积层用于进行深度特征提取；第一全连接层包括256个神经元，第二...

【专利技术属性】
技术研发人员：杨立通，杨立山，白成林，许恒迎，孙伟斌，周唐磊，赵熙杰，胡保业，
申请(专利权)人：聊城大学，
类型：发明
国别省市：