一种联合光性能监测和速率、调制格式识别方法及系统与流程

本发明涉及光纤网络性能监测和深度学习领域，特别是指一种联合光性能监测和速率、调制格式识别方法及系统。

背景技术：

未来的光网络被设计成动态的和异构的。为了满足终端用户的各种需求，光网络需要能够传输具有不同调制格式和比特率的各种信号。由于异构光网络的复杂性，光信号可以穿越不同的路径并累积各种传输损伤。因此，有必要在动态光纤通信网络的中间节点部署足够的光性能监测(opticalperformancemonitoring，opm)设备，用于信道损伤的实时监测。类似地，速率/调制格式识别(bit-rate/modulationformatidentification，br-mfi)可以提供附加信息来选择合适的载波恢复模块或提高opm精度。

近年来，opm和br-mfi的结合已成为一种发展趋势。各种机器学习算法已经被应用于光通信，例如：反向传播人工神经网络(bp-ann)、k-最近邻(knn)和支持向量机(svm)。

现有技术中，针对联合opm和br-mfi，提出了一种基于pca的异步延迟抽头图(adtp)模式识别方法，其主要步骤包括：首先提取给定图像和参考数据集中所有图像的固定尺寸特征向量；然后，从参考数据集中选择与给定图像的特征向量具有最小欧氏距离的特征向量；最后，使用与参考数据集中选择的特征向量相对应的标签(损伤值、比特率和调制格式)来估计给定图像的结果。但是，基于pca的异步延迟抽头图(adtp)模式识别方法，缺乏特征自动提取和特征共享的能力。具体地说，原始的数据形式不能用机器学习模型进行处理，而特征提取器的设计需要丰富的领域经验。此外，opm和br-mfi的联合问题包括损伤监测任务(回归任务)、比特率识别任务和格式识别任务(分类任务)，其中，损伤监测任务的执行会受到一些相关因素的影响，例如，在相同的损伤下，低比特率信号比高比特率信号受到的影响更小。有效地发现和利用比特率等相关因素提供的信息有助于更准确地监测信号损伤。同样，不同的调制格式对相同的损伤有不同的响应。调制格式提供的信息可用于提高损伤监测的精度。然而，传统机器学习算法不能在不同的任务之间共享有用的特征信息。

技术实现要素：

本发明要解决的技术问题是提供一种联合光性能监测和速率、调制格式识别方法及系统，以解决现有技术所存在的缺乏特征自动提取和特征共享的问题。

为解决上述技术问题，本发明实施例提供一种联合光性能监测和速率、调制格式识别方法，包括：

获取不同光性能损伤下不同速率和不同调制格式的二维散点图，将获取的所述二维散点图划分为训练集和测试集；

构建多任务卷积神经网络模型，其前4层为卷积池化层，第五层为特征共享层，第六层留有三个输出口，第一个输出口为光性能损伤监测输出，第二个输出口为调制格式类别输出，第三个输出口为速率类别输出；

将训练集作为构建的多任务卷积神经网络模型的输入，以对应的光性能损伤值、速率类别以及调制格式类别作为标签值训练所述多任务卷积神经网络模型。

进一步地，所述获取不同光性能损伤下不同速率和不同调制格式的二维散点图包括：

获取多种不同速率和不同调制格式的光信号，调节各光信号的光性能损伤参数，得到携带不同光性能损伤的光信号；

对携带不同光性能损伤的光信号进行异步延时采样，得到二维散点图。

进一步地，所述获取多种不同速率和不同调制格式的光信号，调节各光信号的光性能损伤参数，得到携带不同光性能损伤的光信号包括：

获取多种不同速率和不同调制格式的光信号进行仿真；

在仿真过程中，调节各光信号的光性能损伤参数，以便在接收端，得到携带不同光性能损伤的光信号。

进一步地，所述光性能损伤参数包括：色散、偏振模色散和光信噪比。

进一步地，所述调制格式包括：非归零开关键控、归零开关键控和非归零差分相移键控。

进一步地，所述将训练集作为构建的多任务卷积神经网络模型的输入，以对应的光性能损伤值、速率类别以及调制格式类别作为标签值训练所述多任务卷积神经网络模型包括：

将训练集作为构建的多任务卷积神经网络模型的输入，以对应的光性能损伤值、速率类别以及调制格式类别作为标签值，使用梯度下降算法进行监督学习，训练所述多任务卷积神经网络模型。

进一步地，在将训练集作为构建的多任务卷积神经网络模型的输入，以对应的光性能损伤值、速率类别以及调制格式类别作为标签值训练所述多任务卷积神经网络模型之后，所述方法还包括：

将测试集作为训练好的多任务卷积神经网络模型的输入，对训练好的多任务卷积神经网络模型进行测试。

本发明实施例还提供一种联合光性能监测和速率、调制格式识别系统，包括：

获取模块，用于获取不同光性能损伤下不同速率和不同调制格式的二维散点图，将获取的所述二维散点图划分为训练集和测试集；

构建模块，用于构建多任务卷积神经网络模型，其前4层为卷积池化层，第五层为特征共享层，第六层留有三个输出口，第一个输出口为光性能损伤监测输出，第二个输出口为调制格式类别输出，第三个输出口为速率类别输出；

训练模块，用于将训练集作为构建的多任务卷积神经网络模型的输入，以对应的光性能损伤值、速率类别以及调制格式类别作为标签值训练所述多任务卷积神经网络模型。

进一步地，所述获取模块包括：

调节单元，用于获取多种不同速率和不同调制格式的光信号，调节各光信号的光性能损伤参数，得到携带不同光性能损伤的光信号；

采样单元，用于对携带不同光性能损伤的光信号进行异步延时采样，得到二维散点图。

进一步地，所述训练模块，具体用于将训练集作为构建的多任务卷积神经网络模型的输入，以对应的光性能损伤值、速率类别以及调制格式类别作为标签值，使用梯度下降算法进行监督学习，训练所述多任务卷积神经网络模型。

本发明的上述技术方案的有益效果如下：

上述方案中，获取不同光性能损伤下不同速率和不同调制格式的二维散点图，将获取的所述二维散点图划分为训练集和测试集；构建多任务卷积神经网络模型，其前4层为卷积池化层，第五层为特征共享层，第六层留有三个输出口，第一个输出口为光性能损伤监测输出，第二个输出口为调制格式类别输出，第三个输出口为速率类别输出；将训练集作为构建的多任务卷积神经网络模型的输入，以对应的光性能损伤值、速率类别以及调制格式类别作为标签值训练所述多任务卷积神经网络模型。这样，基于深度学习技术中的多任务卷积神经网络的特征自动提取与共享能力，自动从二维散点图中提取并共享特征，能够在实现光性能监测的同时对光信号速率和调制格式进行识别，使得不同任务之间相互促进，提升性能。

附图说明

图1为本发明实施例提供的联合光性能监测和速率、调制格式识别方法的流程示意图；

图2为本发明实施例提供的异步延时采样二维散点图生成的原理示意图；

图3为本发明实施例提供的二维散点图样本示意图；

图4(a)为本发明实施例提供的多任务卷积神经网络模型的卷积原理示意图；

图4(b)为本发明实施例提供的多任务卷积神经网络模型的池化原理示意图；

图5为本发明实施例提供的vpi仿真平台的搭建原理示意图；

图6为本发明实施例提供的多任务卷积神经网络模型的结构示意图；

图7为本发明实施例提供的二维散点图样本和其对应的提取到的特征示意图；

图8(a)为本发明实施例提供的对不同的卷积神经网络模型进行损伤监测性能的比较示意图；

图8(b)为本发明实施例提供的联合光性能监测和速率、调制格式识别方法与pca算法在损伤监测性能上的对比示意图；

图9(a)为本发明实施例提供的cd各个数值区域的监测结果示意图；

图9(b)为本发明实施例提供的osnr和dgd各个数值区域的监测结果示意图；

图9(c)为本发明实施例提供的dgd各个数值区域的监测结果示意图；

图10(a)为本发明实施例提供的不同卷积模型对br-mfi分类识别性能的比较分析示意图；

图10(b)为本发明实施例提供的联合光性能监测和速率、调制格式识别方法与pca算法在速率/格式识别性能上的对比示意图；

图11(a)为本发明实施例提供的77.8％的训练集大小训练固定轮数35轮之后，得到的分类混淆矩阵示意图；

图11(b)为本发明实施例提供的100％的训练集大小同样训练35轮之后的混淆矩阵示意图；

图12为本发明实施例提供的针对5种不同大小的数据集，分别对多任务卷积神经网络模型进行训练之后的识别性能对比示意图；

图13为本发明实施例提供的多任务学习中，两种任务的任务权重比例关系对损伤监测的性能影响示意图；

图14为本发明实施例提供的针对5种不同的卷积网络结构，分别对比结构对损伤监测的影响示意图；

图15为本发明实施例提供的联合光性能监测和速率、调制格式识别系统的结构示意图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

本发明针对现有的缺乏特征自动提取和特征共享的问题，提供一种联合光性能监测和速率、调制格式识别方法及系统。

实施例一

如图1所示，本发明实施例提供的联合光性能监测和速率、调制格式识别方法，包括：

s101，获取不同光性能损伤下不同速率和不同调制格式的二维散点图，将获取的所述二维散点图划分为训练集和测试集；

s102，构建多任务卷积神经网络模型，其前4层为卷积池化层，第五层为特征共享层，第六层留有三个输出口，第一个输出口为光性能损伤监测输出，第二个输出口为调制格式类别输出，第三个输出口为速率类别输出；

s103，将训练集作为构建的多任务卷积神经网络模型的输入，以对应的光性能损伤值、速率类别以及调制格式类别作为标签值训练所述多任务卷积神经网络模型。

本发明实施例所述的联合光性能监测和速率、调制格式识别方法，获取不同光性能损伤下不同速率和不同调制格式的二维散点图，将获取的所述二维散点图划分为训练集和测试集；构建多任务卷积神经网络模型，其前4层为卷积池化层，第五层为特征共享层，第六层留有三个输出口，第一个输出口为光性能损伤监测输出，第二个输出口为调制格式类别输出，第三个输出口为速率类别输出；将训练集作为构建的多任务卷积神经网络模型的输入，以对应的光性能损伤值、速率类别以及调制格式类别作为标签值训练所述多任务卷积神经网络模型。这样，基于深度学习技术中的多任务卷积神经网络的特征自动提取与共享能力，自动从二维散点图中提取并共享特征，能够在实现光性能监测的同时对光信号速率和调制格式进行识别，使得不同任务之间相互促进，提升性能。

在前述联合光性能监测和速率、调制格式识别方法的具体实施方式中，进一步地，所述获取不同光性能损伤下不同速率和不同调制格式的二维散点图包括：

获取多种不同速率和不同调制格式的光信号，调节各光信号的光性能损伤参数，得到携带不同光性能损伤的光信号；

对携带不同光性能损伤的光信号进行异步延时采样，得到二维散点图。

本实施例中，异步延时采样二维散点图生成的原理如图2所示，对光信号幅度进行异步采样，以采样数据作为横纵坐标，根据采样点在平面上形成二维散点图。

在前述联合光性能监测和速率、调制格式识别方法的具体实施方式中，进一步地，所述获取多种不同速率和不同调制格式的光信号，调节各光信号的光性能损伤参数，得到携带不同光性能损伤的光信号包括：

获取多种不同速率和不同调制格式的光信号进行仿真；

在仿真过程中，调节各光信号的光性能损伤参数，以便在接收端，得到携带不同光性能损伤的光信号。

本实施例中，在光网络传输仿真平台(vpi)上，搭建光纤通信系统，对具有不同速率和不同调制格式的光信号进行仿真，在仿真过程中，调节各光信号的光性能损伤参数，以便在接收端，得到携带不同光性能损伤的光信号；对得到的携带不同光性能损伤的光信号进行异步延时采样，得到二维散点图，散点图片的模式能反映光信号的独特特征，便于后续的监测与识别，

在前述联合光性能监测和速率、调制格式识别方法的具体实施方式中，进一步地，所述光性能损伤参数包括：色散、偏振模色散和光信噪比。

本实施例中，光性能监测(opm)是指对光网络中的光信号的光性能损伤参数进行数值监测。光性能损伤参数可以包括但不限于：色散(cd)，偏振模色散(dgd)以及光信噪比(osnr)，在实际应用中，以实际应用场景为准。

在前述联合光性能监测和速率、调制格式识别方法的具体实施方式中，进一步地，所述调制格式包括：非归零开关键控、归零开关键控和非归零差分相移键控。

本实施例中，速率/调制格式识别(br-mfi)是指对光信号的速率属性，以及调制格式属性进行分类识别。

本实施例中，为了验证所述联合光性能监测和速率、调制格式识别方法的有效性，选择速率为10gbps和20gbps，调制格式为nrz-ook、rz-ook以及nrz-dspk的六种信号，在光网络传输仿真平台(vpi)上搭建光纤通信系统，并调节不同的光性能损伤参数：色散cd，其取值范围为[0,450]，步长为50；偏振模色散dgd，其取值范围为[0,10]，步长为1以及光信噪比osnr，其取值范围为[10,28]，步长为2，在接收端获取携带不同光性能损伤的光信号。

本实施例中，对携带不同光性能损伤的光信号进行异步延时采样，得到二维散点图，二维散点图样本如图3所示，共有6中信号：10/20gbpsnrz-ook，10/20gbpsrz-ook，10/20gbpsnrz-dpsk。第一行信号的osnr为24db，cd和dgd值为0；第二行信号的osnr为20db，cd为100ps/nm，dgd为5ps。假设，在接收端获取到的六种在不同光性能损伤下不同速率和不同调制格式的二维散点图共6600张，每一种为1100张散点图，每张图片的标签是三种光性能损伤参数以及速率和调制格式的类别。假设，以5:1的比例划分为训练集和测试集。

在前述联合光性能监测和速率、调制格式识别方法的具体实施方式中，进一步地，所述将训练集作为构建的多任务卷积神经网络模型的输入，以对应的光性能损伤值、速率类别以及调制格式类别作为标签值训练所述多任务卷积神经网络模型包括：

将训练集作为构建的多任务卷积神经网络模型的输入，以对应的光性能损伤值、速率类别以及调制格式类别作为标签值，使用梯度下降算法进行监督学习，训练所述多任务卷积神经网络模型。

本实施例中，构建的多任务卷积神经网络模型，其前4层为卷积池化层，第五层为长为100向量的特征共享层，第六层留有三个输出口，第一个输出口为3向量的光性能损伤监测输出，第二个输出口为3向量的调制格式类别输出，第三个输出口为2向量的速率类别输出，多任务卷积神经网络模型的卷积原理示意图如图4(a)所示，多任务卷积神经网络模型的池化原理示意图如图4(b)所示，。

本实施例中，以训练集作为多任务卷积神经网络模型的输入数据，以对应的光性能损伤值、速率类别以及调制格式类别作为标签值，使用梯度下降算法进行监督学习，训练和优化所述多任务卷积神经网络模型。本实施例中，以光性能损伤/监测参数(cd、dgd、osnr)作为第一项回归监测任务，以速率/调制格式识别任务作为第二项分类识别任务，同时输出光性能监测值：cd、dgd、osnr，速率类别和调制格式类别。

本发明实施例所述的多任务卷积神经网络模型，能同时处理两个相关任务：光性能监测与速率/格式识别，联合的监测与分类识别，不仅大大提高对光网络的监测信息量，同时与单独执行监测或识别任务相比，联合监测与识别为各自任务的性能都带来了提升与优化，因此，本发明实施例所述的联合光性能监测和速率、调制格式识别方法能够得到更加优秀的性能。

在前述联合光性能监测和速率、调制格式识别方法的具体实施方式中，进一步地，在将训练集作为构建的多任务卷积神经网络模型的输入，以对应的光性能损伤值、速率类别以及调制格式类别作为标签值训练所述多任务卷积神经网络模型之后，所述方法还包括：

将测试集作为训练好的多任务卷积神经网络模型的输入，对训练好的多任务卷积神经网络模型进行测试。

本实施例中，使用测试集评价训练完成的多任务卷积神经网络模型的网络性能。经过试验验证，与传统的联合光性能监测和速率/格式识别方法——pca方法对比，本发明实施例所述的联合光性能监测和速率、调制格式识别方法，不仅可以做到对两种任务的联合统一实现，更重要的是借助多任务网络的特征提取与共享能力，不同任务之间能相互促进提升性能，这是pca算法无法做到的。并且从运行速度上来说，本发明实施例所述的联合光性能监测和速率、调制格式识别方法也远胜与pca方案。

为了更好地理解本发明实施例所述的联合光性能监测和速率、调制格式识别方法，结合具体的例子，对其进行详细说明：

a1，搭建光网络传输仿真平台(vpi)，如图5所示，选择选择速率为10gbps和20gbps，调制格式为nrz-ook、rz-ook以及nrz-dspk的六种信号进行传输，并在传输过程中添加不同的光性能损伤参数：色散cd，其取值范围为[0,450]，步长为50；偏振模色散dgd，其取值范围为[0,10]，步长为1以及光信噪比osnr，其取值范围为[10,28]，步长为2。每种类型的信号在不同损伤的组合下各收集1100次，总共得到6600个样本数据。然后利用异步延时采样方法，将6600个样本数据生成6600张二维散点图，其尺寸为100像素乘100像素，其中，每张散点图以其产生时的光性能损伤参数(cd,osnr,dgd)和速率类别以及调制格式类别作为标签进行监督学习。

a2，将6600张二维散点图，以5:1的比例分割成训练集和测试集。

a3，构建基于卷积神经网络的多任务学习模型，即:多任务卷积神经网络模型，多任务卷积神经网络模型的结构如图6所示，其输入层：像素大小为100×100的相片；第一层具有16个3×3的卷积核，2x2池化层采样产生16个49x49个特征图；第二层具有48个3×3的卷积核和2x2池化层产生48个23x23特征图；第三层具有相同的内核大小产生64个10x10的特征图；第四层只有64个2x2的卷积核产生64个9x9特征图；第五层的100个节点与第四层进行全连接操作；输出层与第五层的所有100个节点完全连接，并由3个节点组成(损伤监测的线性回归任务)，3个节点(用于调制格式识别的逻辑回归任务)，和2个节点(比特率识别的逻辑回归任务)。

假设有一个数据集是收集到了二维散点图集合，每张图对应的标签为其中光性能损伤的标签值，分别是速率识别分类和调制格式识别的标签值。使用线性回归方程来描述损伤监测任务的训练过程，使用逻辑回归过程来描述速率识别和调制格式识别任务。总的损伤函数可以写为：

其中，w^im表示卷积网络中损伤监测部分的网络权重参数；函数f(xi；w^im)表示当卷积网络损伤监测部分权重参数为w^im时，输入图片xi之后，得到的输出结果；w^bit表示卷积网络比特速率识别部分的网络权重参数；p(yi^bit|xi；w^bit)表示在当前速率识别任务网络权重参数w^bit下，输入图片xi后，网络输出其对应的速率分类标签值的概率；w^mf表示卷积网络调制格式识别部分的网络权重参数；p(yi^mf|xi；w^mf)表示在当前卷积网络中调制格式识别部分网络权重参数w^mf的条件下，输入图片xi后，网络输出其对应的调制格式分类标签值的概率；n为训练集大小；λ1，λ2分别为损失函数中控制速率识别任务和调制格式识别任务的权重因子。

另需要说明的是：

在损失函数loss中，第二个减号之前的算式是损伤监测部分的损失函数，第二和第三减号之间的是比特速率识别的损失函数，第三个减号之后的部分是调制格式识别的损失函数。

本实施例中，如图7所示，图7为二维散点图样本和其对应的提取到的特征图，展示了提取得到的特征可视化结果，充分说明多任务网络具有特征提取和共享的能力，使得相同属性的二维散点图可以提取出类似的特征图。

a4，利用训练集对构建的多任务卷积神经网络模型进行训练，根据训练后的多任务卷积神经网络模型，确定本发明所述的联合光性能监测和速率、调制格式识别方法的性能，如图8-图10所示，在训练过程中还试验研究了不同任务之间的相互促进作用，如图11-14所示，如图11-14可以看出不同训练数据大小，任务权重比例，卷积网络结构对网络性能的影响。图8中，im是一个卷积网络模型，其只做光损伤参数的监测任务，不做格式/速率的识别分类任务(即在损失函数中设置λ1＝λ2＝0，关闭两个分类任务)；im+format是一个卷积网络模型，其在做光损伤监测任务的同时，还做格式识别分类任务，不做速率识别分类任务(在损失函数中设置λ1＝0，λ2＝0.4)；im+br是一个卷积网络模型，其在做光损伤参数监测任务的同时，还做塑速率(bit-rate简写为br)识别分类，不做格式的识别分类(在损失函数中设置λ1＝1，λ2＝0)；im+all是三个任务一起进行的卷积网络模型，同时做光损伤参数监测，速率，格式的识别分类(λ1＝0.8，λ2＝0.6)。

本实施例中，最后与pca算法进行比较，充分说明了基于卷积神经网络的多任务方法，在特征提取和特征共享上的优势，使得联合监测与识别任务相互促进提升。同时本方法的运行时间也很快，非常适合运用到实时处理的场合。

实施例二

本发明还提供一种联合光性能监测和速率、调制格式识别系统的具体实施方式，由于本发明提供的联合光性能监测和速率、调制格式识别系统与前述联合光性能监测和速率、调制格式识别方法的具体实施方式相对应，该联合光性能监测和速率、调制格式识别系统可以通过执行上述方法具体实施方式中的流程步骤来实现本发明的目的，因此上述联合光性能监测和速率、调制格式识别方法具体实施方式中的解释说明，也适用于本发明提供的联合光性能监测和速率、调制格式识别系统的具体实施方式，在本发明以下的具体实施方式中将不再赘述。

如图15所示，本发明实施例还提供一种联合光性能监测和速率、调制格式识别系统，包括：

获取模块11，用于获取不同光性能损伤下不同速率和不同调制格式的二维散点图，将获取的所述二维散点图划分为训练集和测试集；

构建模块12，用于构建多任务卷积神经网络模型，其前4层为卷积池化层，第五层为特征共享层，第六层留有三个输出口，第一个输出口为光性能损伤监测输出，第二个输出口为调制格式类别输出，第三个输出口为速率类别输出；

训练模块13，用于将训练集作为构建的多任务卷积神经网络模型的输入，以对应的光性能损伤值、速率类别以及调制格式类别作为标签值训练所述多任务卷积神经网络模型。

本发明实施例所述的联合光性能监测和速率、调制格式识别系统，获取不同光性能损伤下不同速率和不同调制格式的二维散点图，将获取的所述二维散点图划分为训练集和测试集；构建多任务卷积神经网络模型，其前4层为卷积池化层，第五层为特征共享层，第六层留有三个输出口，第一个输出口为光性能损伤监测输出，第二个输出口为调制格式类别输出，第三个输出口为速率类别输出；将训练集作为构建的多任务卷积神经网络模型的输入，以对应的光性能损伤值、速率类别以及调制格式类别作为标签值训练所述多任务卷积神经网络模型。这样，基于深度学习技术中的多任务卷积神经网络的特征自动提取与共享能力，自动从二维散点图中提取并共享特征，能够在实现光性能监测的同时对光信号速率和调制格式进行识别，使得不同任务之间相互促进，提升性能。

在前述联合光性能监测和速率、调制格式识别系统的具体实施方式中，进一步地，所述获取模块包括：

调节单元，用于获取多种不同速率和不同调制格式的光信号，调节各光信号的光性能损伤参数，得到携带不同光性能损伤的光信号；

采样单元，用于对携带不同光性能损伤的光信号进行异步延时采样，得到二维散点图。

在前述联合光性能监测和速率、调制格式识别系统的具体实施方式中，进一步地，所述训练模块，具体用于将训练集作为构建的多任务卷积神经网络模型的输入，以对应的光性能损伤值、速率类别以及调制格式类别作为标签值，使用梯度下降算法进行监督学习，训练所述多任务卷积神经网络模型。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。