无侵入式的光带通滤波器频率偏移监测与定位方法及装置制造方法及图纸

本发明专利技术公开了一种无侵入式的光带通滤波器频率偏移监测与定位方法及装置，涉及光纤通信技术领域。包括：获取光通信系统的接收信号；对接收信号进行离线信号处理，得到第一支路信号以及第二支路信号输入到基于光纤数字反向传播的深度神经网络模型，得到深度神经网络模型中自适应滤波器的抽头系数；基于深度神经网络模型中自适应滤波器的抽头系数，得到光通信系统中滤波器的损伤辨别结果与损伤定位溯源结果。本发明专利技术能够在不使用任何测量仪器的情况下，仅通过接收端数字信号处理技术即可识别链路内的异常滤波器，并实现精准溯源与定位。并实现精准溯源与定位。并实现精准溯源与定位。

【技术实现步骤摘要】
无侵入式的光带通滤波器频率偏移监测与定位方法及装置


[0001]本专利技术涉及光纤通信
，特别是指一种无侵入式的光带通滤波器频率偏移监测与定位方法及装置。

技术介绍

[0002]光纤通信因其具有信息容量大、传输距离远、抗干扰能力强等优势，成为现代通信网络的重要桥梁，承载着世界信息的互联互通，为人们的生活、出行和工作提供越来越多的便利。但是，随着网络变得繁杂与庞大，一旦发生链路异常，将会造成通信质量的降低甚至中断，其后果将难以承受，因此对复杂多变的大容量光网络进行实时有效的监测是保障网络高效稳定运行的必要技术手段。光网络性能监控是实现网络高效安全运行的重要手段，可帮助网络运维管理人员及时发现异常现象，缩短光网络的修复时间和运营成本。为提高光网络的智能化管理能力，基于机器学习赋能的网络故障管理应用技术不断被提出与实现。在大多数故障识别方案中，主要从接收到的大量通信数据中学习相关特征，完成网络故障预测、故障诊断与故障识别，以保障高速光纤通信系统的可靠运行。
[0003]在光传输系统中，光滤波器通常被应用于信号波长的选择与带外噪声的滤除，是光网络中必不可少的光学器件。但是，滤波器若在工作中发生频率偏移等问题会造成信号传输质量的下降，此类故障甚至会中断已建立的通信连接，为了确保通信质量，一旦出现滤波器频率偏移等异常问题，必须快速定位与检修。
[0004]现有光网络中的滤波器频率偏移监测方案包括：
①
基于传统的监测方案，使用体积庞大、价格昂贵的硬件测量设备，如在光网络中部署光谱仪进行信号的光谱分析，实现损伤辨别与定位，但这种方式使得网络实现成本与部署复杂度急剧升高，且不利用于后期的网络维护；
②
基于接收端信号处理的方案，通常使用光通信的自适应补偿算法实现信道状态估计，当链路内出现滤波器异常、偏振旋转等异常损伤时，自适应补偿算法会尝试补偿链路内的某种损伤，这种现象主要从自适应补偿算法中抽头系数的频率响应来查看；但此方案只能估计链路内的累积损伤，无法实现异常滤波器的定位，而且易受信道内其他损伤的影响，对监测效果产生干扰等问题。
③
基于接收信号的特征与人工神经网络相结合的方案，主要进行接收数据的预处理，将抽头系数、信号的自相关函数、功率谱密度以及链路长度、相邻WSS(Wavelength Selective Switch，波长选择开关)的特征以及跨段数作为输入信息，利用神经网络从数据中提取相关识别特征，以此判断滤波器的是否发生偏移损伤，从而避免使用额外的测量设备；此类方案属于常规的机器学习方法，利用神经网络进行损伤分类，但是需知道众多先验信息与大量的网络实际传输数据，实现较为困难，且网络环境的变化会导致识别结果的精度降低。
[0005]综上所述，现有监测方案普遍存在着实现成本高、实现困难、网络环境适应低等问题，不能够完成网络的智能化监测。

技术实现思路

[0006]本专利技术针对现有监测方案普遍存在着实现成本高、实现困难、网络环境适应低等问题，提出了本专利技术。
[0007]为解决上述技术问题，本专利技术提供如下技术方案：
[0008]一方面，本专利技术提供了一种无侵入式的光带通滤波器频率偏移监测与定位方法，该方法由电子设备实现，该方法包括：
[0009]S1、获取光通信系统的接收信号。
[0010]S2、对接收信号进行离线信号处理，得到第一支路信号以及第二支路信号。
[0011]S3、将第一支路信号以及第二支路信号输入到基于光纤数字反向传播DBP的深度神经网络模型，得到深度神经网络模型中自适应滤波器的抽头系数。
[0012]S4、基于深度神经网络模型中自适应滤波器的抽头系数，得到光通信系统中滤波器的损伤辨别结果与损伤定位溯源结果。
[0013]可选地，S2中的对接收信号进行离线信号处理，得到第一支路信号以及第二支路信号包括：
[0014]S21、对接收信号进行I/Q正交化。
[0015]S22、对正交化后的接收信号进行色散补偿。
[0016]S23、对色散补偿后的接收信号进行自适应均衡与偏振解复用。
[0017]S24、对自适应均衡与偏振解复用后的接收信号进行频率偏移估计。
[0018]S25、将频率偏移估计后的接收信号分成两路，得到第一支路信号以及第二支路信号。
[0019]可选地，S3中将第一支路信号以及第二支路信号输入到基于光纤数字反向传播DBP的深度神经网络模型，得到深度神经网络模型中自适应滤波器的抽头系数包括：
[0020]S31、对第一支路信号加入色散损伤，重构包含色散损伤、非线性损伤以及滤波器偏移损伤的信号，得到预处理后的第一支路信号。
[0021]S32、对所述第二支路信号进行载波相位恢复、判决，得到消除色散损伤、非线性损伤以及滤波器频率偏移损伤的信号，并基于第一支路信号进行相位对齐，得到预处理后的第二支路信号。
[0022]S33、将预处理后的第一支路信号作为基于DBP的深度神经网络模型的输入信号，将预处理后的第二支路信号作为基于DBP的深度神经网络模型的参考信号，对基于DBP的深度神经网络模型进行训练，得到深度神经网络模型中自适应滤波器的抽头系数。
[0023]可选地，S33中的将预处理后的第一支路信号作为基于DBP的深度神经网络模型的输入信号，将预处理后的第二支路信号作为基于DBP的深度神经网络模型的参考信号，对基于DBP的深度神经网络模型进行训练，得到深度神经网络模型中自适应滤波器的抽头系数包括：
[0024]S331、设置基于DBP的深度神经网络模型。
[0025]S332、将预处理后的第一支路信号作为基于DBP的深度神经网络模型的输入信号，输入到设置好的基于DBP的深度神经网络模型，得到深度神经网络模型的前向计算输出信号。
[0026]S333、将预处理后的第二支路信号作为基于DBP的深度神经网络模型的参考信号，
基于前向计算输出信号，对基于DBP的深度神经网络模型进行训练，得到深度神经网络模型中自适应滤波器的抽头系数。
[0027]可选地，S331中的设置基于DBP的深度神经网络模型包括：
[0028]S3311、设置基于DBP的深度神经网络模型的层数。
[0029]S3312、获取光通信系统的跨段数，根据光通信系统的每个跨段位置在基于DBP的深度神经网络模型中对应设置自适应滤波器。
[0030]可选地，S3311中的设置基于DBP的深度神经网络模型的层数N，如下式(1)所示：
[0031]N＝L/ΔL
ꢀꢀꢀ
(1)
[0032]其中，L为光通信系统传输的总距离；ΔL为DBP的补偿步长。
[0033]可选地，S333中的将预处理后的第二支路信号作为基于DBP的深度神经网络模型的参考信号，基于前向计算输出信号，对基于DBP的深度神经网络模型进行训练，得到深度神经网络模型中自适应滤波器的抽头系数包括：
[0034]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无侵入式的光带通滤波器频率偏移监测与定位方法，其特征在于，所述方法包括：S1、获取光通信系统的接收信号；S2、对所述接收信号进行离线信号处理，得到第一支路信号以及第二支路信号；S3、将所述第一支路信号以及第二支路信号输入到基于光纤数字反向传播DBP的深度神经网络模型，得到深度神经网络模型中自适应滤波器的抽头系数；S4、基于所述深度神经网络模型中自适应滤波器的抽头系数，得到光通信系统中滤波器的损伤辨别结果与损伤定位溯源结果。2.根据权利要求1所述的方法，其特征在于，所述S2中的对接收信号进行离线信号处理，得到第一支路信号以及第二支路信号包括：S21、对所述接收信号进行I/Q正交化；S22、对正交化后的接收信号进行色散补偿；S23、对色散补偿后的接收信号进行自适应均衡与偏振解复用；S24、对自适应均衡与偏振解复用后的接收信号进行频率偏移估计；S25、将频率偏移估计后的接收信号分成两路，得到第一支路信号以及第二支路信号。3.根据权利要求1所述的方法，其特征在于，所述S3中的将所述第一支路信号以及第二支路信号输入到基于光纤数字反向传播DBP的深度神经网络模型，得到深度神经网络模型中自适应滤波器的抽头系数包括：S31、对所述第一支路信号加入色散损伤，重构包含色散损伤、非线性损伤以及滤波器偏移损伤的信号，得到预处理后的第一支路信号；S32、对所述第二支路信号进行载波相位恢复、判决，得到消除色散损伤、非线性损伤以及滤波器频率偏移损伤的信号，并基于第一支路信号进行相位对齐，得到预处理后的第二支路信号；S33、将所述预处理后的第一支路信号作为基于DBP的深度神经网络模型的输入信号，将所述预处理后的第二支路信号作为基于DBP的深度神经网络模型的参考信号，对基于DBP的深度神经网络模型进行训练，得到深度神经网络模型中自适应滤波器的抽头系数。4.根据权利要求3所述的方法，其特征在于，所述S33中将所述预处理后的第一支路信号作为基于DBP的深度神经网络模型的输入信号，将所述预处理后的第二支路信号作为基于DBP的深度神经网络模型的参考信号，对基于DBP的深度神经网络模型进行训练，得到深度神经网络模型中自适应滤波器的抽头系数包括：S331、设置基于DBP的深度神经网络模型；S332、将所述预处理后的第一支路信号作为基于DBP的深度神经网络模型的输入信号，输入到设置好的基于DBP的深度神经网络模型，得到深度神经网络模型的前向计算输出信号；S333、将所述预处理后的第二支路信号作为基于DBP的深度神经网络模型的参考信号，基于所述前向计算输出信号，对基于DBP的深度神经网络模型进行训练，得到深度神经网络模型中自适应滤波器的抽头系数。5.根据权利要求4所述的方法，其特征在于，所述S331中的设置基于DBP的深度神经网络模型包括：
S3311、设置基于DBP的深度神经网络模型的层数；S3312、获取光通信系统的跨段数，根据光通信系统的每个跨段位置在基于DBP的深度神经网络模型中对应设置自适应滤波器。...

【专利技术属性】
技术研发人员：周娴，李飞宇，高宇元，王诗尧，方倩文，隆克平，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：