System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及光纤编码,更具体地说,本专利技术涉及全光链路光纤编码自动识别方法。
技术介绍
1、随着通信网络技术的不断发展,对全光链路的传输性能要求也在逐渐提高;光纤编码识别是保证全光链路正确传输的关键组成部分,光纤编码识别精确率直接影响通讯网络的传输性能;由于光纤在物理特性发生变化时,容易导致光学信号的衰减、色散和散射等进而影响光纤编码的稳定性和可靠性;因此,需要一种识别能力更加灵活、自适应的光纤编码识别方法,能够在物理条件改变的条件下自动调整参数以保持全光链路的高效传输性能。
2、目前,光纤编码识别方法主要围绕光纤编码分类整理、特征向量提取进行识别优化,例如公开号cn1 14785410a的申请文件,公开了一种基于光纤编码的精准识别系统,再例如公开号cn113315576a的申请文件,公开了一种光纤网络可寻址自适应终端及系统,上述方法虽能实现光纤编码精准识别,但经专利技术人对上述方法以及现有技术进行研究和应用发现,上述方法以及现有技术至少存在以下部分缺陷:
3、(1)未引入编码异常检测机制,当光纤编码出现传输异常时,不能快速识别光纤编码的异常;
4、(2)无法在发生光纤编码异常情况下对光线编码的数据进行参数校正,从而无法保证在全光链路中数据传输的正确率。
5、为此,本专利技术提供了一种全光链路光纤编码自动识别方法。
技术实现思路
1、为了克服现有技术的上述缺陷,本专利技术的实施例提供全光链路光纤编码自动识别方法,以解决上述
技术介绍
2、为实现上述目的,本专利技术提供如下技术方案:全光链路光纤编码自动识别方法,包括:
3、获取t时刻下全光链路的光学信号数据,以及获取历史编码异常数据集合,根据预构建的第一识别模型获取t+a时刻下全光链路的编码异常系数,所述光学信号数据包括第一光信号功率和实测光信号功率,t、a均为大于零的整数;
4、根据编码异常系数确定t+a时刻下的全光链路是否处于异常编码状态,若不处于异常编码状态,继续以第一光信号功率在全光链路中传输,并令t=t+a+b,若处于异常编码状态,则获取t+a时刻下全光链路的编码特征数据;
5、记录t+a时刻下的调制深度值,根据编码特征数据和预构建的参数修正模型的输出结果对调制深度值进行参数修正,基于参数修正后的调制深度值确定全光链路的实测光信号功率;所述编码特征数据包括调制电流和调制速率;
6、计算第一光信号功率与实测光信号功率的功率差值,判断是否存在异常传输事件,根据异常传输事件将第一光信号功率与实测光信号功率输入至预构建的自动光信号功率修正模型,得到第二光信号功率,并根据第二光信号功率对全光链路进行传输。
7、进一步地,根据预构建的第一识别模型获取t+a时刻下全光链路的编码异常系数的方法包括:
8、获取t-b时刻到t时刻的全光链路的光强度差数据、速率差数据和相位差数据,b为大于零的整数;
9、将获取t-b时刻到t时刻的全光链路的光强度差数据、速率差数据和相位差数据输入至预构建的第一识别模型,以获得t+a时刻下全光链路的编码异常系数;
10、所述预构建的第一识别模型的生成方法包括:
11、获取历史编码异常数据集合,所述历史编码异常数据集合包括i组时间区间的全光链路的光强度差数据、速率差数据和相位差数据以及对应的编码异常系数;i为大于零的整数;
12、将用于训练第一机器学习模型的历史编码异常数据集合划分为识别训练集和识别测试集,构建机器学习模型,将每组预设时间段内的全光链路的光强度差数据、速率差数据和相位差数据作为机器学习模型的输入,将编码异常系数作为第一机器学习模型的输出,对第一机器学习模型进行训练,以获取初始学习模型;利用均方误差算法对初始学习模型进行模型效果评价,筛选大于等于预设评价值的对应初始学习模型作为第一识别模型;
13、所述第一机器学习模型为随机森林回归算法模型、k近邻回归算法模型、神经网络算法模型或长短期记忆网络算法模型。
14、进一步地,所述编码异常系数的获取方法如下:
15、通过光谱分析仪获取全光链路在预设时间段内的调制深度值;以及获取全光链路在预设时间段内的标准调制深度值;所述调制深度值为光信号功率的变化范围;
16、获取预设时间段内的标准调制深度值的平均调制深度值,将所述平均调制深度值作为调制深度标准值;
17、提取预设时间段内的调制深度值在每一刻下的调制深度值,对调制深度值和调制深度标准值进行公式化计算,以获取全光链路的编码异常系数;编码异常系数的计算公式为:
18、
19、式中:bmy表示编码异常系数,pdt表示第t时刻下的调制深度值;表示调制深度标准值。
20、进一步地,确定t+a时刻下的全光链路是否处于异常编码状态的方法包括:
21、将编码异常系数与预设系数阈值进行比对;
22、若编码异常系数大于等于预设系数阈值,则判定t+a时刻下的全光链路处于异常编码状态;
23、若编码异常系数小于预设系数阈值,则判定t+a时刻下的全光链路处于正常编码状态。
24、进一步地,根据编码特征数据和预构建的参数修正模型的输出结果对调制深度值进行参数修正,包括:
25、将编码特征数据输入至预构建的参数修正模型,得到调制深度校正值;
26、对调制深度校正值与调制深度值进行累加计算,得到参数修正后的调制深度值;
27、所述预构建的参数修正模型根据全光链路测试数据训练生成;
28、所述全光链路测试数据至少包括调制深度校正值与光发射器的每一调制电流的关系以及调制深度校正值与光发射器的每一调制速率的关系;
29、所述全光链路测试数据获取的方法包括:
30、步骤a1:将测试用的全光链路放置于光发射器调制环境下,对光发射器的调制电流进行测试,以及将标准的全光链路放置于光发射器设定的标准调制电流测试环境下;
31、步骤a2:在调制电流测试过程中,将光发射器的调制电流设定为第r安培时,测得全光链路的第一深度数值;r为大于零的整数;
32、步骤a3:在光发射器设定标准调制电流测试环境下,获取标准全光链路每秒的第一标准深度数值;
33、步骤a4:将第一深度数值和第一标准深度数值的差值作为第一深度数值差,将第一深度数值差与预设第一深度误差区间进行比对,若第一深度数值差属于预设第一深度误差区间,则令r=r+1,并返回步骤a2;若第一深度数值差不属于预设第一深度误差区间,则将第一深度数值差作为调制深度校正值,并将第r安培与调制深度校正值进行绑定关联,得到调制深度校正值与第r安培的关系;
34、步骤a5:重复上述步骤a2~a4,直至r等于光发射器设定调制电流r时结束循环,得到调制深度校正值与光发射器的每一调制电流的关系,所述r为调制电流的总个数,r为大于零本文档来自技高网...
【技术保护点】
1.全光链路光纤编码自动识别方法,其特征在于,包括:
2.根据权利要求1所述的全光链路光纤编码自动识别方法,其特征在于,根据预构建的第一识别模型获取T+a时刻下全光链路的编码异常系数的方法包括:
3.根据权利要求2所述的全光链路光纤编码自动识别方法,其特征在于,所述编码异常系数的获取方法如下:
4.根据权利要求3所述的全光链路光纤编码自动识别方法,其特征在于,确定T+a时刻下的全光链路是否处于异常编码状态的方法包括:
5.根据权利要求4所述的全光链路光纤编码自动识别方法,其特征在于,根据编码特征数据和预构建的参数修正模型的输出结果对调制深度值进行参数修正,包括:
6.根据权利要求5所述的全光链路光纤编码自动识别方法,其特征在于,所述全光链路测试数据获取的方法还包括:
7.根据权利要求6所述的全光链路光纤编码自动识别方法,其特征在于,所述预构建的参数修正模型生成的方法如下:
8.根据权利要求7所述的全光链路光纤编码自动识别方法,其特征在于,基于参数修正后的调制深度值确定全光链路的实测光信号功率,根据
9.根据权利要求8所述的全光链路光纤编码自动识别方法,其特征在于,判断是否存在异常传输事件,包括:
10.根据权利要求9所述的全光链路光纤编码自动识别方法,其特征在于,所述预构建的自动光信号功率修正模型的生成方法如下:
...【技术特征摘要】
1.全光链路光纤编码自动识别方法,其特征在于,包括:
2.根据权利要求1所述的全光链路光纤编码自动识别方法,其特征在于,根据预构建的第一识别模型获取t+a时刻下全光链路的编码异常系数的方法包括:
3.根据权利要求2所述的全光链路光纤编码自动识别方法,其特征在于,所述编码异常系数的获取方法如下:
4.根据权利要求3所述的全光链路光纤编码自动识别方法,其特征在于,确定t+a时刻下的全光链路是否处于异常编码状态的方法包括:
5.根据权利要求4所述的全光链路光纤编码自动识别方法,其特征在于,根据编码特征数据和预构建的参数修正模型的输出结果对调制深度值进行参数修正,包括:
6....
【专利技术属性】
技术研发人员:杨兴,杨林慧,韩晓伟,宋生成,刘世民,田聚龙,张岩,铁福林,
申请(专利权)人:国网青海省电力公司,
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。