光功率预测方法及装置制造方法及图纸

本发明专利技术提供一种光功率预测方法及装置。该方法包括：测量各个模拟信号光经过待测链路前的第一光功率以及经过待测链路后的第二光功率，其中，不同模拟信号光之间的波长不同；以每个模拟信号光对应的第一光功率以及第二光功率为一组训练数据，得到多组训练数据；基于多组训练数据分别对第一、二预设机器学习模型进行训练，得到第一、二预测模型；将待测信号光的原始光功率输入第一预测模型，得到预测输出光功率；将期望输出光功率输入第二预测模型，得到期望输入光功率。通过本发明专利技术，可以在输入光功率已知时预测输出光功率的大小，还可以在指定输出光功率大小后，确定输入光功率的大小，对于光纤链路的快速部署和性能优化具有重大价值。价值。价值。

【技术实现步骤摘要】
光功率预测方法及装置


[0001]本专利技术涉及光通信
，尤其涉及一种光功率预测方法及装置。

技术介绍

[0002]在波分复用(WDM)系统中，在多跨距传输后，由于光放大器和受激拉曼散射(SRS)的偏移，不同波长信号光的光功率变化可能会发生很大的差异，为了实现光纤链路的快速部署和性能优化，亟需一种方法既能预测信号光在多跨距传输后的光功率，又能预先根据实际需要设置跨距传输前的信号光的光功率。

技术实现思路

[0003]为解决上述技术问题，本专利技术的主要目的在于提供一种光功率预测方法及装置。
[0004]第一方面，本专利技术提供一种光功率预测方法，所述光功率预测方法包括：
[0005]测量各个模拟信号光经过待测链路前的第一光功率以及经过待测链路后的第二光功率，其中，不同模拟信号光之间的波长不同；
[0006]以每个模拟信号光对应的第一光功率以及第二光功率为一组训练数据，得到多组训练数据；
[0007]基于多组训练数据对第一预设机器学习模型进行训练，得到第一预测模型；
[0008]基于多组训练数据对第二预设机器学习模型进行训练，得到第二预测模型；
[0009]将待测信号光的原始光功率输入第一预测模型，得到第一预测模型输出的预测输出光功率；
[0010]将期望输出光功率输入第二预测模型，得到第二预测模型输出的期望输入光功率。
[0011]可选的，所述测量各个模拟信号光经过待测链路前的第一光功率以及经过待测链路后的第二光功率的步骤包括：r/>[0012]将各个模拟信号光等功率分路为第一路信号光和第二路信号光；
[0013]将各个模拟信号光对应的第一路信号光输入光谱仪，获取光谱仪输出的各个模拟信号光经过待测链路前的第一光功率；
[0014]将各个模拟信号光对应的第二路信号光输入待测链路，将经过待测链路后的第二路信号光输入光谱仪，获取光谱仪输出的各个模拟信号光经过待测链路后的第二光功率。
[0015]可选的，所述基于多组训练数据对第一预设机器学习模型进行训练，得到第一预测模型的步骤包括：
[0016]将每组训练数据中的第一光功率分别输入第一预设机器学习模型，得到第一预设机器学习模型输出的每个第一光功率对应的预测值；
[0017]基于每个第一光功率对应的预测值以及每个第一光功率对应的第二光功率计算得到损失；
[0018]基于损失调整第一预设机器学习模型的参数，得到新的第一预设机器学习模型；
[0019]当不满足停止条件时，以新的第一预设机器学习模型作为第一预设机器学习模型，并返回所述将每组训练数据中的第一光功率分别输入第一预设机器学习模型，得到第一预设机器学习模型输出的每个第一光功率对应的预测值的步骤；
[0020]当满足停止条件时，以新的第一预设机器学习模型作为第一预测模型。
[0021]可选的，所述基于多组训练数据对第二预设机器学习模型进行训练，得到第二预测模型的步骤包括：
[0022]将每组训练数据中的第二光功率分别输入第二预设机器学习模型，得到第二预设机器学习模型输出的每个第二光功率对应的预测值；
[0023]基于每个第二光功率对应的预测值以及每个第二光功率对应的第一光功率计算得到损失；
[0024]基于损失调整第二预设机器学习模型的参数，得到新的第二预设机器学习模型；
[0025]当不满足停止条件时，以新的第二预设机器学习模型作为第二预设机器学习模型，并返回所述将每组训练数据中的第二光功率分别输入第二预设机器学习模型，得到第二预设机器学习模型输出的每个第二光功率对应的预测值的步骤；
[0026]当满足停止条件时，以新的第二预设机器学习模型作为第二预测模型。
[0027]可选的，所述待测链路由级联的光纤、光放大器以及滤波器组成。
[0028]第二方面，本专利技术还提供一种光功率预测装置，所述光功率预测装置包括：
[0029]测量模块，用于测量各个模拟信号光经过待测链路前的第一光功率以及经过待测链路后的第二光功率，其中，不同模拟信号光之间的波长不同；
[0030]构建模块，用于以每个模拟信号光对应的第一光功率以及第二光功率为一组训练数据，得到多组训练数据；
[0031]训练模块，用于基于多组训练数据对第一预设机器学习模型进行训练，得到第一预测模型；基于多组训练数据对第二预设机器学习模型进行训练，得到第二预测模型；
[0032]预测模块，用于将待测信号光的原始光功率输入第一预测模型，得到第一预测模型输出的预测输出光功率；将期望输出光功率输入第二预测模型，得到第二预测模型输出的期望输入光功率。
[0033]可选的，所述测量模块，用于：
[0034]将各个模拟信号光等功率分路为第一路信号光和第二路信号光；
[0035]将各个模拟信号光对应的第一路信号光输入光谱仪，获取光谱仪输出的各个模拟信号光经过待测链路前的第一光功率；
[0036]将各个模拟信号光对应的第二路信号光输入待测链路，将经过待测链路后的第二路信号光输入光谱仪，获取光谱仪输出的各个模拟信号光经过待测链路后的第二光功率。
[0037]可选的，所述训练模块，用于：
[0038]将每组训练数据中的第一光功率分别输入第一预设机器学习模型，得到第一预设机器学习模型输出的每个第一光功率对应的预测值；
[0039]基于每个第一光功率对应的预测值以及每个第一光功率对应的第二光功率计算得到损失；
[0040]基于损失调整第一预设机器学习模型的参数，得到新的第一预设机器学习模型；
[0041]当不满足停止条件时，以新的第一预设机器学习模型作为第一预设机器学习模
型，并返回所述将每组训练数据中的第一光功率分别输入第一预设机器学习模型，得到第一预设机器学习模型输出的每个第一光功率对应的预测值的步骤；
[0042]当满足停止条件时，以新的第一预设机器学习模型作为第一预测模型。
[0043]可选的，所述训练模块，用于：
[0044]将每组训练数据中的第二光功率分别输入第二预设机器学习模型，得到第二预设机器学习模型输出的每个第二光功率对应的预测值；
[0045]基于每个第二光功率对应的预测值以及每个第二光功率对应的第一光功率计算得到损失；
[0046]基于损失调整第二预设机器学习模型的参数，得到新的第二预设机器学习模型；
[0047]当不满足停止条件时，以新的第二预设机器学习模型作为第二预设机器学习模型，并返回所述将每组训练数据中的第二光功率分别输入第二预设机器学习模型，得到第二预设机器学习模型输出的每个第二光功率对应的预测值的步骤；
[0048]当满足停止条件时，以新的第二预设机器学习模型作为第二预测模型。
[0049]可选的，所述待测链路由级联的光纤、光放大器以及滤波器组成。
[0050]本专利技术中，测量各个模拟信号光经过待测链路前的第一光功率以及经本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种光功率预测方法，其特征在于，所述光功率预测方法包括：测量各个模拟信号光经过待测链路前的第一光功率以及经过待测链路后的第二光功率，其中，不同模拟信号光之间的波长不同；以每个模拟信号光对应的第一光功率以及第二光功率为一组训练数据，得到多组训练数据；基于多组训练数据对第一预设机器学习模型进行训练，得到第一预测模型；基于多组训练数据对第二预设机器学习模型进行训练，得到第二预测模型；将待测信号光的原始光功率输入第一预测模型，得到第一预测模型输出的预测输出光功率；将期望输出光功率输入第二预测模型，得到第二预测模型输出的期望输入光功率。2.如权利要求1所述的光功率预测方法，其特征在于，所述测量各个模拟信号光经过待测链路前的第一光功率以及经过待测链路后的第二光功率的步骤包括：将各个模拟信号光等功率分路为第一路信号光和第二路信号光；将各个模拟信号光对应的第一路信号光输入光谱仪，获取光谱仪输出的各个模拟信号光经过待测链路前的第一光功率；将各个模拟信号光对应的第二路信号光输入待测链路，将经过待测链路后的第二路信号光输入光谱仪，获取光谱仪输出的各个模拟信号光经过待测链路后的第二光功率。3.如权利要求1所述的光功率预测方法，其特征在于，所述基于多组训练数据对第一预设机器学习模型进行训练，得到第一预测模型的步骤包括：将每组训练数据中的第一光功率分别输入第一预设机器学习模型，得到第一预设机器学习模型输出的每个第一光功率对应的预测值；基于每个第一光功率对应的预测值以及每个第一光功率对应的第二光功率计算得到损失；基于损失调整第一预设机器学习模型的参数，得到新的第一预设机器学习模型；当不满足停止条件时，以新的第一预设机器学习模型作为第一预设机器学习模型，并返回所述将每组训练数据中的第一光功率分别输入第一预设机器学习模型，得到第一预设机器学习模型输出的每个第一光功率对应的预测值的步骤；当满足停止条件时，以新的第一预设机器学习模型作为第一预测模型。4.如权利要求1所述的光功率预测方法，其特征在于，所述基于多组训练数据对第二预设机器学习模型进行训练，得到第二预测模型的步骤包括：将每组训练数据中的第二光功率分别输入第二预设机器学习模型，得到第二预设机器学习模型输出的每个第二光功率对应的预测值；基于每个第二光功率对应的预测值以及每个第二光功率对应的第一光功率计算得到损失；基于损失调整第二预设机器学习模型的参数，得到新的第二预设机器学习模型；当不满足停止条件时，以新的第二预设机器学习模型作为第二预设机器学习模型，并返回所述将每组训练数据中的第二光功率分别输入第二预设机器学习模型，得到第二预设机器学习模型输出的每个第二光功率对应的预测值的步骤；当满足停止条件时，以新的第二预设机器学习模型作为第二预测模型。
5.如权利要求1至5中任一项所述的光功率预测方...

【专利技术属性】
技术研发人员：刘武，罗鸣，杨超，
申请(专利权)人：武汉邮电科学研究院有限公司，
类型：发明
国别省市：