一种OSNR检测方法及装置制造方法及图纸

本发明专利技术涉及WDM光层技术领域，提供了一种OSNR检测方法及装置。方法包括使用N种OSNR计算子模型分别得到各自在各OMS段；从而得到N种OSNR计算子模型的各个模型在相应光信道中的OSNR1，OSNR2，

【技术实现步骤摘要】
一种OSNR检测方法及装置


[0001]本专利技术涉及WDM光层
，特别是涉及一种OSNR检测方法及装置。

技术介绍

[0002]传统光信噪比(Optical Signal Noise Ratio，简写为：OSNR)检测采用带外噪声插值的方式，波分复用系统的OSNR是衡量波分系统传输性能的关键参数，定义为通道内的信号功率除以信号波长处0.1nm范围内的噪声功率。在DWDM密集波分下，不能保证所有波道组合场景下都具有充足的带外频谱用于噪声探测。随着波分复用系统单波速率越来越高，频谱利用率也逐渐提高，利用带外噪声估算OSNR的算法已经无法使用。
[0003]现网中带内噪声难以直接测量，现有测量方式都不能有效适用于现网。
[0004]通过光放的增益和噪声指数谱可以通过理论计算得到较精确的OSNR值，但现网中光放的增益和噪声指数谱随输入发生变化，导致理论计算的OSNR不准确。业界还存在例如偏振消光法，但是对于现如今的偏振复用系统也无法使用。
[0005]鉴于此，克服该现有技术所存在的缺陷是本
亟待解决的问题。

技术实现思路

[0006]本专利技术要解决的技术问题是在DWDM密集波分下，不能保证所有波道组合场景下都具有充足的带外频谱用于噪声探测；现网中带内噪声难以直接测量，现有测量方式都不能有效适用于现网。
[0007]本专利技术采用如下技术方案：
[0008]第一方面，本专利技术提供了一种OSNR检测方法，包括待计算的光信道OCH包含k个光复用OMS段，计算模型包含了N种OSNR计算子模型，方法包括：
[0009]使用N种OSNR计算子模型分别得到各自在各OMS段ΔOSNR
OMS_1
,ΔOSNR
OMS_2
，...，ΔOSNR
OMS_k
；从而得到N种OSNR计算子模型的各个模型在相应光信道中的OSNR1，OSNR2，
…
，OSNR
N
；
[0010]通过机器学习的权重分配模型，计算出应用与当前光信道组合的所述N种OSNR计算子模型的各个权重W
j
，其中j为[1,N]区间内的自然数；
[0011]将所述各个权重W
j
分别与相应乘积并求和得到当前光信道的OSNR值。
[0012]优选的，所述k个光复用OMS段，包括：
[0013]针对每个业务OCH的OSNR计算，将其分割为k个OMS段的OSNR变化量ΔOSNR
OMS_i
的组合；其中，i为[1,k]区间内的自然数；
[0014]其中，上一段OMS的输出OSNR为下一段OMS的输入OSNR。
[0015]优选的，所述得到N种OSNR计算子模型的各个模型在相应光信道中的OSNR1，OSNR2，
…
，OSNR
N
，包括：
[0016]各个OSNR计算子模型分别采用如下公式，以逐段递推的方式计算得到OSNR计算子模型在相应光信道下的OSNR1，OSNR2，
…
，OSNR
N
；
[0017][0018]OSNR
out,OMS_i
表示OMSi这一段输出端的OSNR值；
[0019]OSNR
in,OMS_i
表示OMSi这一段输入端的OSNR值；
[0020]ΔOSNR
OMS_i
表示OMSi这一段是根据相应OSNR计算子模型所计算预测得到的OSNR变化值；
[0021]B是每个波道的通道带宽；Bn是由OSNR定义所确定的常数12.5GHz。
[0022]优选的，所述将所述各个权重W
j
分别与相应乘积并求和得到当前光信道的OSNR值，具体为：
[0023]通过求解公式获得，其中公式为：
[0024]OSNR＝W1*OSNR1+W2*OSNR2+W3*OSNR3+
…
+W
N
*OSNR
N
。
[0025]优选的，所述通过机器学习的权重分配模型，计算出当前输入波道组合的各个OSNR计算子模型的权重W
j
，包括：
[0026]读取对应OMS段的发端OPM光谱；
[0027]将OPM读取的各个通道功率作为输入向量，输入到机器学习的权重分配模型；
[0028]机器学习的权重分配模型采用多层DNN模型，输入为对应光信道OCH所具有的波道总数M的M维向量P1,P2,...,P
M
，输出为对应OSNR计算子模型数量的N维权重向量W1,W2,...,W
N
。
[0029]优选的，所述DNN模型具体为：
[0030]输入层是M维向量，中间包含指定数量的全连接层FC，最后由SOFTMAX层作为输出层，输出N维向量W1,W2,...,W
N
。
[0031]优选的，所述DNN模型的训练方式包括：
[0032]设置第一波导组合，通过使用N种不同的OSNR计算子模型，得到该OMS末端的OSNR预测值OSNR
modeli
；
[0033]计算各个模型的预测值与实测值之间的均方差mse：其中，Nch是系统的通道数；OSNR
measure,ich
使用实验手段测量的第ich个通道的OSNR值；OSNR
model1,ich
使用模型model1计算的第ich个通道的OSNR值；
[0034]假设第i个模型的mse最小，则生成N维标签(label)向量(0,0,0,
…
,1,
…
0,0,0)，其中第i个数字为1，其余N
‑
1个数字为0；
[0035]读取此时发端OPM1的单波功率向量P＝(p1,p2,
…
p
M
)；
[0036]保存此时OPM1读取的P和label＝(label1,label2,
…
label
N
)，完成第一用例的采集；
[0037]将剩余的波导组合逐一切换，并相应采集各波导组合所对应的用例；
[0038]将采集到的所有用例作为训练集输入DNN模型；其中功率向量P作为输入量，标签label作为期望输出量。
[0039]优选的，方法还包括：
[0040]搭建一个典型OMS段作为训练数据采集平台，通过改变波长选择开关WSS，实现不
同输入波道组合。
[0041]优选的，方法还包括：
[0042]通过末端的OSA采集光谱，使用光谱扫描法或掉波法分别计算各个波的OSNR
measure
。
[0043]第二方面，本专利技术还提供了一种OSNR检测装置，用于实现第一方面所述的OSNR检测方法，所述装置包括：
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种OSNR检测方法，其特征在于，包括待计算的光信道OCH包含k个光复用OMS段，计算模型包含了N种OSNR计算子模型，方法包括：使用N种OSNR计算子模型分别得到各自在各OMS段ΔOSNR
OMS_1
,ΔOSNR
OMS_2
，...，ΔOSNR
OMS_k
；从而得到N种OSNR计算子模型的各个模型在相应光信道中的OSNR1，OSNR2，
…
，OSNR
N
；通过机器学习的权重分配模型，计算出应用与当前光信道组合的所述N种OSNR计算子模型的各个权重W
j
，其中j为[1,N]区间内的自然数；将所述各个权重W
j
分别与相应乘积并求和得到当前光信道的OSNR值。2.根据权利要求1所述的OSNR检测方法，其特征在于，所述k个光复用OMS段，包括：针对每个业务OCH的OSNR计算，将其分割为k个OMS段的OSNR变化量ΔOSNR
OMS_i
的组合；其中，i为[1,k]区间内的自然数；其中，上一段OMS的输出OSNR为下一段OMS的输入OSNR。3.根据权利要求2所述的OSNR检测方法，其特征在于，所述得到N种OSNR计算子模型的各个模型在相应光信道中的OSNR1，OSNR2，
…
，OSNR
N
，包括：各个OSNR计算子模型分别采用如下公式，以逐段递推的方式计算得到OSNR计算子模型在相应光信道下的OSNR1，OSNR2，
…
，OSNR
N
；OSNR
out,OMS_i
表示OMSi这一段输出端的OSNR值；OSNR
in,OMS_i
表示OMSi这一段输入端的OSNR值；ΔOSNR
OMS_i
表示OMSi这一段是根据相应OSNR计算子模型所计算预测得到的OSNR变化值；B是每个波道的通道带宽；Bn是由OSNR定义所确定的常数12.5GHz。4.根据权利要求1所述的OSNR检测方法，其特征在于，所述将所述各个权重W
j
分别与相应乘积并求和得到当前光信道的OSNR值，具体为：通过求解公式获得，其中公式为：OSNR＝W1*OSNR1+W2*OSNR2+W3*OSNR3+
…
+W
N
*OSNR
N
。5.根据权利要求1所述的OSNR检测方法，其特征在于，所述通过机器学习的权重分配模型，计算出当前输入波道组合的各个OSNR计算子模型的权重W
j
，包括：读取对...

【专利技术属性】
技术研发人员：于文海，程勇鹏，
申请(专利权)人：烽火通信科技股份有限公司，
类型：发明
国别省市：