Page 37 - 网络电信2021年11月刊下
P. 37

检测信号，其中分支一直接对信号进行采样，分支二在信号采                              2.2基于CNN的性能监测方案
            样后通过一个微分器，从而捕获信号因受CD和DGD影响而产生的                           CNN假定空间维度局部区域具有内在关联，而与较远区域无
            脉冲展宽信息。两个分支的输出以二维图表示，该二维图分为6                         关联，后一层神经元仅基于前一层中对应的局部区域，因此可
            个分区，每个分区可以提取到不同的特征参数，如信号均值和                          大幅度缩减参数量并提升时效性，可以认为DNN是CNN的一般形
            标准差等。该方案具有较好的监测性能，但由于需要微分器和                          式。CNN为目前使用最多的深度学习架构，图3为其常用结构。
            两个采样器，增加了系统成本。文献将ANN模型用于相干检测系                        基于此，文献中提出利用CNN对10GbpsNRZ-OOK信号进行OSNR和
            统中，通过异步采样构建I路和Q路的信号二维星座图。星座图                         CD的联合监测，输入CNN的特征为采用ADTS方法提取的二维直
            被划分为4个象限，其中象限Q1和Q3被用于提取特征。通过监测                       方图，仿真实验得到的OSNR和CD监测范围分别为10～40dB和
            40GbpsRZ-QPSK信号的OSNR、CD和DGD，得出OSNR的监测范围为             0～2000ps/nm，相关系数为0.995。文献中提出基于CNN的智能
            14～30dB，CD为20～180ps/nm，DGD为2～18ps，仿真结果显示             眼图分析仪，同时实现了调制格式识别与OS−NR估计。
            OSNR、CD和DGD的RMSE分别为0.77dB、18.7ps/nm、1.17dB。              2.3基于RNN的性能监测方案
                1.3基于其他机器学习模型的性能监测方案                                 RNN假定时间维度存在相序性，神经元除向后传递信息外，
                2014年，马来西亚理科大学团队基于主成分分析和统计距                      还可在下一时刻作用于自身。RNN适用于处理时序数据，也可
            离测量的模式识别技术进行OSNR、CD和DGD的监测，并同时识别                     用于预测、推理等，在具体实现时通常采用长短时记忆单元
            接收信号的比特率和调制格式。2015年，丹麦理工大学团队提                        （LSTM）。图4为单个LSTM的神经网络结构，其是递归神经网络
            出利用机器学习中的贝叶斯滤波和期望最大参数估计方法估计                          的一种，具有反馈连接，可以实现信息在网络中的临时存储，
            激光器幅度和相位噪声的特征。                                       有利于提取信号的时序特征。基于此，文献中利用异步原始数
                2.基于深度学习的性能监测方案                                  据训练LSTM-RNN模型，监测28/35GbaudDP-16-QAM/64-QAM和
                深 度 学 习 可 以 看 作 是 机 器 学 习 的 一 部 分 ， 其 通 过 多      5/10GbaudDP-16-QAM/64-QAM信号传输中的OSNR和CD，仿真结果
            层非线性变换对高复杂性数据进行建模，也被定义为使用                            表明OSNR的监测范围为15～30dB，CD为1360～2040ps/nm。该方
            深度神经网络为工具的机器学习算法，主要包括深度神经                            案可在大色散情况下同时监测OSNR和CD，且不需要预处理训练
            网络（DeepNeuralNetwork，DNN）、CNN、循环神经网络                 特征，但对内存的需要较高，增加了系统成本。文献采用LSTM-
            （Re−currentNeuralNetwork，RNN）、深度置信网络等。               RNN算法同步监测OSNR和非线性噪声功率（NL-NP），采用1024
                2.1基于DNN的性能监测方案                                  长度的FFT进行训练，仿真28Gbaud符号速率下不同的调制格式
                DNN算法假定空间维度所有位置都存在内在关联，前一层                       （QPSK、16-QAM和64-QAM），光功率（-3～3dBm）和传输长度
            的神经元与后一层两两连接，在训练阶段每次误差回传时全部                          （100～1000km）。结果表明，该算法的OSNR监测功能在存在光
            参数均得到更新，具有参数量大、表征力强、运算复杂度高的                          纤非线性的情况下稳定性较好。
            特性。基于以上思想，文献提出利用DNN（即ML-ANN）模型监
            测OSNR，监测范围为7.5～27dB，用于训练的特征为两个偏振                         三、结语
            方向上的IQ数据。利用14/16GbaudDP-QPSK和14/16Gbaud64-               万物互联时代的到来对于光通信网络的传输质量、可靠
            QAM信号对该方案进行验证，结果显示OSNR的平均绝对值误差                       性、灵活性等提出了更高要求。OPM被认为是未来光通信网络
            （MAE）小于0.5dB。传统的DNN算法在监测参数改变时需要重新                    得以智能、高效、可靠传输的重要使能技术。机器学习借助网
            训练模型，消耗大量时间。基于此，文献采用迁移学习辅助DNN                        络数据可以高效准确地实现预测、估计与分类功能，因此基于
            算法的方案对OSNR进行监测，迁移学习基于先验知识调整神经                        机器学习的OPM受到广泛关注。从选取特征方面看，当前研究主
            元权值，而不是随机初始化参数，减少了模型训练时间。通过                          要分为时域特征、频域特征以及图像特征3类，并以时域特征为
            56/28GbpsQPSK信号传输实验对该方案进行验证，得到OSNR的监                 主。时域特征又包含异步特征和同步特征，其中典型的异步特
            测范围为5～30dB，残余色散范围为0～600ps/nm，光学发射功                   征为眼图数据、AAH、ADTS、异步星座图等，同步特征主要包括
            率范围为-6～8dBm，其中OSNR的RMSE值小于0.1dB。该方案可在                眼图、AH、CDF、功率分布、斯托克斯空间等。每种机器学习技
            大范围内实现高精度的OSNR监测，但仅限于OSNR监测。                         术都有其优势和缺点，具体选择何种模型主要根据实际问题决


             图 3 CNN 结构示意图                                        图 4 LSTM 示意图
















                                                       网络电信 二零二一年十一月                                           67
   32   33   34   35   36   37   38   39   40   41   42