【技术实现步骤摘要】
本专利技术属于光纤通信，尤其涉及一种基于深度学习的光通信误码测试系统及方法。
技术介绍
1、光通信技术是以光为载体的信息传送技术，因其传输损耗低、信息容量大、传输速率快、抗干扰能力强等优点在当代通信行业中扮演着重要的角色。但在传输速率得到不断提升的同时,必须保证传输数据的可靠性；在实际的高速光通信方法中，由于光纤衰减、色散、光损耗以及外部干扰等问题的存在，数据会在传输过后不可避免的出现误码现象。误码率作为衡量通信方法优良的一个重要指标，可用于评估通信质量、预测方法性能、优化方法设计、故障排除以及监控和维护方法。通过有效的误码率检测和分析，可以提高光纤通信的可靠性和稳定性。所以对误码率的准确检测是当今光通信方法中一个非常重要且必要的过程，同时高性能的误码测试仪也成为了通信测量领域的重要研究目标。
2、目前国内市场上的误码测试仪发展较为滞后，市面上高性能误码测试仪的主要技术和设备供应大多依赖于一些国外的厂商提供。传统的误码测试仪体积庞大，价格昂贵，且多受限于单一测试速率的检测，通常使用预先定义的标准测试模式进行误码测试，如伪随机码或特定模式，但这种模式的选取可能无法完全覆盖实际通信中的各种模式和场景，在实际的工程应用中灵活性和可拓展性较差。此外，现有的误码测试仪在时钟同步、接口兼容性、高速数据处理能力等方面也面临一些挑战。因此，有必要研发一种新型化、低成本、使用灵活且支持多速率检测误码测试方法。
技术实现思路
1、本专利技术的目的在于满足实际需求，提供一种基于深度学习的光通
2、第一方面，为实现上述目的，本专利技术得到第一目的是提供一种基于深度学习的光通信误码测试系统，沿着光路依次包括：激光发射模块、校准误码仪、1×2多模光纤耦合器；在1×2多模光纤耦合器的一个出光口设置有接收模块，在1×2多模光纤耦合器的另一个出光口设置有信息采集部，所述信息采集部包括多模光纤、物镜和相机。
3、在上述基于深度学习的光通信误码测试系统的方案中，所述相机的输出端口连接计算终端。
4、在上述基于深度学习的光通信误码测试系统的方案中，所述物镜的放大倍数为40，所述相机为ccd相机。
5、在上述基于深度学习的光通信误码测试系统的方案中，所述多模光纤的包层直径为125um，纤芯直径为105um，长度为15cm。
6、在上述基于深度学习的光通信误码测试系统的方案中，所述多模光纤通过电弧放电的方式和1×2多模光纤耦合器的端口进行熔接。
7、第二方面为实现上述专利技术目的，本专利技术的第二目的是提供一种基于深度学习的光通信误码测试方法，包括：
8、s1、搭建系统；
9、搭建第一方面所述的基于深度学习的光通信误码测试系统；
10、s2、采集数据；
11、在光通信系统的不同传输速率下，使得光通信链路发生不同程度的弯曲，改变误码率，记录校准误码仪上实时的误码率，将相机中采集到的各传输速率下的不同误码率的散斑图像传送到计算终端中。
12、s3、构建模型；
13、对所述散斑图像进行预处理，使得散斑图像的尺寸变为224*224像素；将预处理后的散斑图像分为训练集、验证集、测试集，采用训练集对改进的resnet-18网络模型进行训练；采用验证集评估训练好的模型的性能，利用adam优化器将改进的resnet-18网络模型中的参数进行优化，得到了误码率识别模型；
14、s4、测试模型；
15、将所述测试集输入误码率识别模型中，预测相应的误码率和传输速率。
16、在上述基于深度学习的光通信误码测试方法的方案中，在s2中，传输速率为100mb/s～40gb/s。
17、在上述基于深度学习的光通信误码测试方法的方案中，在s2中，将相机采集到的各传输速率下的不同误码率的散斑图像传送到计算终端中包括：每个传输速率下分别实时采集10-15-10-6误码率范围下的散斑图像，每个误码率下的散斑图像采集300张，重复采集10次。
18、在上述基于深度学习的光通信误码测试方法的方案中，在s3中，将预处理后的散斑图像分为训练集、验证集、测试集包括：将预处理后的散斑图像按照7：1.5：1.5的比例分为训练集、验证集和测试集。
19、在上述基于深度学习的光通信误码测试方法的方案中，所述改进的resnet-18网络模型包括19个卷积层、1个全连接层、1个平均池化层和1个最大池化层。
20、本申请具有的积极效果是：
21、基于上述技术方案，利用深度学习算法对光通信中的误码率和传输速率进行实时预测和分析，并在保证测试的效率和准确性的前提下，及时发现潜在的问题，以采取相应的调整和优化措施来提高光通信系统的可靠性和性能；同时本申请的方法不受单一测试速率检测的限制，可根据使用者的需求调整训练模型，可支持多速率检测误码，此外可以通过增加数据集和调整网络结构来提高性能和适应新的应用场景，应对不同规模和复杂度的光通信系统，为光纤通信系统的误码率检测提供了新的解决方案。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的光通信误码测试系统，其特征在于，沿着光路依次包括：激光发射模块(1)、校准误码仪(2)、1×2多模光纤耦合器(3)；在1×2多模光纤耦合器(3)的一个出光口设置有接收模块(5)，在1×2多模光纤耦合器(3)的另一个出光口设置有信息采集部，所述信息采集部包括多模光纤(4)、物镜(6)和相机(7)。
2.根据权利要求1所述的基于深度学习的光通信误码测试系统，其特征在于，所述相机(7)的输出端连接计算终端(8)。
3.根据权利要求1所述的基于深度学习的光通信误码测试系统，其特征在于，所述物镜(6)的放大倍数为40，所述相机(7)为CCD相机。
4.根据权利要求1所述的基于深度学习的光通信误码测试方法，其特征在于，所述多模光纤(4)的包层直径为125um，纤芯直径为105um，长度为15cm。
5.根据权利要求1所述的基于深度学习的光通信误码测试方法，其特征在于，所述多模光纤(4)通过电弧放电的方式和1×2多模光纤耦合器(3)的端口进行熔接。
6.一种基于深度学习的光通信误码测试方法，其特征在于，包括以下步
7.根据权利要求6所述的基于深度学习的光通信误码测试方法，其特征在于，在S2中，传输速率为100Mb/s～40Gb/s。
8.根据权利要求6所述的基于深度学习的光通信误码测试方法，其特征在于，在S2中，将相机(7)采集到的各传输速率下的不同误码率的散斑图像传送到计算终端(8)中包括：每个传输速率下分别实时采集10-15-10-6误码率范围下的散斑图像，每个误码率下的散斑图像采集300张，重复采集10次。
9.根据权利要求6所述的基于深度学习的光通信误码测试方法，其特征在于，在S3中，将预处理后的散斑图像分为训练集、验证集、测试集包括：将预处理后的散斑图像按照7：1.5：1.5的比例分为训练集、验证集和测试集。
10.根据权利要求6所述的基于深度学习的光通信误码测试方法，其特征在于，所述改进的ResNet-18网络模型包括19个卷积层、1个全连接层、1个平均池化层和1个最大池化层。
...【技术特征摘要】
1.一种基于深度学习的光通信误码测试系统，其特征在于，沿着光路依次包括：激光发射模块(1)、校准误码仪(2)、1×2多模光纤耦合器(3)；在1×2多模光纤耦合器(3)的一个出光口设置有接收模块(5)，在1×2多模光纤耦合器(3)的另一个出光口设置有信息采集部，所述信息采集部包括多模光纤(4)、物镜(6)和相机(7)。
2.根据权利要求1所述的基于深度学习的光通信误码测试系统，其特征在于，所述相机(7)的输出端连接计算终端(8)。
3.根据权利要求1所述的基于深度学习的光通信误码测试系统，其特征在于，所述物镜(6)的放大倍数为40，所述相机(7)为ccd相机。
4.根据权利要求1所述的基于深度学习的光通信误码测试方法，其特征在于，所述多模光纤(4)的包层直径为125um，纤芯直径为105um，长度为15cm。
5.根据权利要求1所述的基于深度学习的光通信误码测试方法，其特征在于，所述多模光纤(4)通过电弧放电的方式和1×2多模光纤耦合器(3)的端口进行熔接。
【专利技术属性】
技术研发人员：戴武涛，刘海锋，刘波，吴继旋，曹宏远，
申请(专利权)人：天津寰宇星通科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。