非线性区光信噪比监测方法和装置转让专利
申请号 : CN202111096152.2
文献号 : CN113556173B
文献日 : 2021-12-07
发明人 : 于振明 , 万智泉 , 殷秋阳 , 徐坤
申请人 : 北京邮电大学
摘要 :
权利要求 :
1.一种非线性区光信噪比监测方法,其特征在于,该方法包括如下步骤:采用数字信号处理器对光纤相干传输系统的输出信号进行处理,获得幅度柱状图以及辅助校准非线性噪声的自适应滤波器抽头系数,其中,所述处理包括IQ不平衡补偿处理、电色散补偿处理、解偏振复用处理、码间干扰均衡处理、频偏补偿处理和相位损伤恢复处理;
从获得的幅度柱状图中提取第一数目的基于幅度柱状图的特征,所述基于幅度柱状图的特征包括以下特征中的部分或全部特征:峰值位置特征、标准差特征和峰值最大值特征;
从数据集中选择样本数据输入至预先建立的用于进行光信噪比监测的神经网络模型,对所述神经网络模型分别进行训练和测试,以基于所述神经网络模型获得光信噪比监测结果,所述数据集中的样本数据包括提取的基于幅度柱状图的特征和自适应滤波器抽头系数,所述神经网络模型 包括输入层、两个隐藏层和一个输出层,所述神经网络模型以非线性区光信噪比OSNR作为输出层。
2.根据权利要求1所述的 方法,其特征在于,所述第一数目的基于幅度柱状图的特征为5个基于幅度柱状图的特征,其包括:3个峰值位置特征、1个标准差特征和1个峰值最大值特征;
所述自适应滤波器抽头系数为4组。
3.根据权利要求1所述的方法,其特征在于,所述神经网络模型为全连接多层感知机模型。
4.根据权利要求1所述的方法,其特征在于,所述神经网络模型两个隐藏层的神经元数目分别为10和5。
5.根据权利要求4所述的方法,其特征在于,隐藏层的神经元的激活函数为Tanh函数。
6.根据权利要求1所述的方法,其特征在于,在获得幅度柱状图以及辅助校准非线性噪声的自适应滤波器抽头系数的过程中,使用恒模算法进行滤波器抽头系数的预收敛,并选择载波相位恢复后的信号和判决引导最小均方算法相结合来实现自适应滤波器抽头系数的更新,从而获得更新后的滤波器抽头系数。
7.根据权利要求1所述的方法,其特征在于,所述从数据集中选择样本数据输入至预先建立的用于进行光信噪比监测的神经网络模型,对所述神经网络模型分别进行训练和测试,包括:
从数据集中选择样本数据加权输入至预先建立的用于进行光信噪比监测的神经网络模型,在训练过程中确定各特征的权重系数,以供测试过程中使用所确定的权重系数。
8.根据权利要求1所述的方法,其特征在于,所述光纤相干传输系统为偏振复用‑波分复用相干传输系统。
9.一种非线性区光信噪比监测装置,包括处理器和存储器,其特征在于,所述存储器中存储有计算机指令,所述处理器用于执行所述存储器中存储的计算机指令,当所述计算机指令被处理器执行时该装置实现如权利要求1至8中任意一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至8中任意一项所述方法的步骤。
说明书 :
非线性区光信噪比监测方法和装置
技术领域
背景技术
Spontaneous Emission,ASE) 噪声对于星座图的影响是相同的,因此对于光信噪比
(Optical Signal Noise Ratio,OSNR)的估计会偏低,因此如何进行非线性区光信噪比的
准确监测成为了光性能监测中的一个研究热点。香港理工大学的Zhenhua Dong等人于2012
年采用幅度噪声自相关函数(Autocorrelation Function,ACF)作为OSNR的监测辅助,对
OSNR监测的结果进行校准,得到了不错的结果。韩国科学技术院的H. G. Choi等人于2015
年对于不同偏振态之间的幅度噪声自相关函数进行研究,在偏振复用‑正交相移键控
(Polarization Multiplexing‑Quadrature Phase Shift Keying,PDM‑QPSK)系统中,对于
非线性环境下的OSNR监测达到了1.3dB精度的有效监测。英国剑桥大学的F. J. V.
Caballero等人于2018年通过获得两种不同效应的特征:非线性相位噪声和二阶统计矩,进
而估计接收信号的线性信噪比和非线性信噪比,从而实现了线性信噪比和非线性信噪比的
联合监测。另外,香港理工大学的Jianing Lu等人于2020年也提出了线性信噪比和非线性
信噪比的联合监测方案,并且通过频谱分量相关性分析实现了联合监测方案。
发明内容
灵活的、低复杂度的监测,从而解决现有技术中存在的一个或多个问题。
理、电色散补偿处理、解偏振复用处理、频偏补偿处理、相位损伤恢复处理和码间干扰均衡
处理;
特征;
噪比监测结果,所述数据集中的样本数据包括提取的基于幅度柱状图的特征和自适应滤波
器抽头系数。
适应滤波器抽头系数为4组。
恢复后的信号和判决引导最小均方算法相结合来实现自适应滤波器抽头系数的更新,从而
获得更新后的滤波器抽头系数。
据集中选择样本数据加权输入至预先建立的用于进行光信噪比监测的神经网络模型,在训
练过程中确定各特征的权重系数,以供测试过程中使用所确定的权重系数。
指令,当所述计算机指令被处理器执行时该装置实现如前所述方法的步骤。
抽头系数作为神经网络模型的输入的两部分,大大降低非线性区光信噪比监测方案的复杂
度,且保持了高的监测精度,从而实现了灵活又精确的低复杂度非线性区OSNR监测。
知。本发明的目的和其它优点可以通过在书面说明及其权利要求书以及附图中具体指出的
结构实现到并获得。
附图说明
具体实施方式
不作为对本发明的限定。
的其他细节。
测,此方案可以和现有的相干接收算法有效结合,从而实现了灵活的、低复杂度的非线性区
OSNR监测。
输入的两部分输入至神经网络模型中来实现灵活的、低复杂度的非线性区OSNR监测。
系统,但并不限于此。图1为本发明一实施例中使用的仿真PDM‑WDM相干传输系统示意图。如
图1所示,在该相干传输系统中,主信道(中心信道)发射机和边信道发射机发出的信号经多
路复用器MUX进行复用,在光纤传输过程中,首先通过一个EDFA(掺铒光纤放大器)来调整入
纤光功率,然后在多跨段(如N段)的光纤中进行传输,其中每个跨段的光纤长度为80km且包
含一个EDFA。在图1所示的系统中,传输的信号例如为16QAM信号,其速率例如为32GBaud,信
13
号的PRBS(伪随机码)码长度例如为2 ,且使用了滚降系数为0.4的根升余弦滤波器进行脉
冲整形。此外,系统中不同波长信道之间的间隔例如为50GHz,中心信道的载波频率为
193.1THz。在接收端,经非线性偏振旋转的光信号通过一个波长选择开关(WSS)来滤出中心
信道并进行分析。然后,通过一个OSNR设定模块来加载ASE噪声,其噪声带宽例如为
12.48GHz。在图1所示的相干传输系统中,EDFA都是假定无噪声的,即噪声只是通过OSNR设
定模块来加载。在接收端,本振激光器的线宽为100kHz,其和发射端激光器的频偏为1GHz。
在经过相干接收机(Rx)接收后,电信号通过一个带宽为40GHz的112GSa/s的模数转换器
(ADC)进行数据采集。最后,通过离线DSP(数字信号处理)算法对采样后的信号进行均衡处
理。以上针对仿真的相干传输系统给出的参数仅为示例,本发明并不限于此。
补偿后的信号进一步输入至CD(色度色散)补偿模块以利用CD补偿算法进行色度色散补偿,
然后通过包含多抽头滤波器(如21抽头的蝶形滤波器)的偏振解复用模块(偏振解复用器)
来解偏振复用,以实现解偏振复用处理和码间干扰均衡处理,多抽头滤波器中可包括Hxx、
Hxy、Hyx和Hyy四组针对不同偏振态的抽头系数,在该偏振解复用模块中可获得更新的滤波
器抽头系数。之后可进一步通过基于傅里叶变换的频偏估计模块和基于盲相位搜索的载波
相位恢复模块来分别进行频偏补偿和相位损伤恢复。在滤波器抽头系数的更新过程中,可
先由偏振解复用模块通过CMA算法(恒模算法)实现滤波器抽头系数的预收敛,然后选择载
波相位恢复后的信号和DD‑LMS算法(硬判决引导最小均方算法)相结合来实现滤波器抽头
系数的更新,更新后的滤波器抽头系数被反馈至多抽头滤波器。不同非线性噪声情况下自
适应滤波器抽头系数可如图3A‑图3D所示。
率。由图4可知,16‑QAM信号出现的三个峰的位置及峰值为信号的特征。图4中的水平虚线代
表了此16‑QAM信号出现的最大值,三条竖直虚线分别对应于不同峰出现的位置。如图5所示
为16QAM信号的不同OSNR情况下的AH特征变化曲线。其中,图5中的(a)为归一化信号峰值位
置随着OSNR变化的曲线,图5的(b)为AH标准差随着OSNR变化的曲线,图5的(c)为AH的最大
值随着OSNR变化的曲线。由图5中的(a)可知,随着OSNR的增加,16QAM信号的三个峰所对应
的位置也以不同的速度向较大的索引位置移动。由图5中的(b)和(c)可知,随着OSNR的变
化,AH的标准差和最大值也随之变化。因此,在本发明实施例中,选取上述5个特征(3个峰值
位置特征、1个标准差特征和1个峰值最大值特征)来监测OSNR值。或者说,在本发明实施例
中,将AH作为用于实现非线性区OSNR监测的神经网络模型的输入数据,通过神经网络结构
进行OSNR监测。
降为5,大大降低了计算复杂度。
用处理、码间干扰均衡处理、频偏补偿处理和相位损伤恢复处理等。由于以上各种处理可以
采用现有的处理方式,因此在此不再赘述。
峰值最大值特征。
光信噪比监测结果。
积神经网络模型等,只不过循环神经网络模型和卷积神经网络模型与全连接多层感知机模
型相比,相对复杂。
训练过程中确定各特征的权重系数,以供测试过程中使用所确定的权重系数。图7为本发明
一实施例中神经网络结构示意图,如图7所示,该神经网络结构包括输入层、两个隐藏层和
一个输出层,以非线性区OSNR作为输出层。
可以是其他值,一般来说神经元数目越多,网络性能越好,但是神经元多会面临过拟合问题
(即需要更多的训练数据量)。本发明给出的两个隐藏层的神经元数目的选择可以认为是满
足性能所需的最少神经元数,还可以选择更多的神经元数目。
系数,除此之外,训练样本集合、验证样本集合中的样本还含有光信噪比监测结果。
示例。
测的情况,在该情况下,输入的AH中特征的维度为5。下面的虚线是将AH直接作为输入且没
有将滤波器抽头系数作为辅助OSNR监测的情况,在该情况下,输入的AH中特征的维度大致
为200。两条虚线的MSE相差较大,说明选择AH中的5个特征和将AH直接作为输入性能上有较
大差异。当采用滤波器抽头系数辅助OSNR监测的时候,当抽头数目大于28的时候,选择AH中
的5个特征与将AH直接作为输入相比,MSE将会降低到0.3dB。这表明在自适应滤波器抽头系
数的辅助下,选择AH中的5个特征可以实现良好的非线性区OSNR监测的效果。图9所示为不
同输入情况下真实OSNR和估计的OSNR曲线,该曲线结果对应的抽头数目为28。因为自适应
滤波器抽头系数辅助OSNR监测,此方案在仿真系统中研究的OSNR范围内(15dB‑30dB)都有
着良好的效果。另外,由于滤波器抽头系数的辅助,相比于不适用滤波器抽头系数辅助,
OSNR监测有1dB左右的效果提升。
时使用滤波器抽头系数和AH中提取的特征作为输入,图10中的(b)为同时使用幅度噪声自
相关函数和AH中提取的特征作为输入,使用自适应滤波器抽头系数和AH中提取的特征作为
输入时,OSNR监测MSE为0.3dB,使用幅度噪声ACF和AH中提取的特征作为输入时,OSNR监测
MSE为0.73dB。所以,自适应滤波器抽头系数相对于幅度噪声自相关函数有0.43dB的性能提
升。另外,自适应滤波器抽头系数辅助OSNR检测的方案,标准差为0.54,与幅度噪声自相关
函数ACF相比,自适应滤波器抽头系数对于非线性区OSNR监测的效果更好。
了灵活又精确的低复杂度非线性区OSNR监测。
令,当所述计算机指令被处理器执行时该装置实现如前所述方法的步骤。
质可以是有形存储介质,诸如光盘、U盘、软盘、硬盘等。
及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每
个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的
范围。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插
件、功能卡等等。当以软件方式实现时,本发明的元素是被用于执行所需任务的程序或者代
码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传
输介质或者通信链路上传送。
实施方式的特征。
任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。