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

1.本发明涉及光纤通信技术领域，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。


背景技术：

2.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。
3.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。
4.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。
5.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。


技术实现要素：

6.本发明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，提出了本发明。
7.为解决上述技术问题，本发明提供如下技术方案：
8.一方面，本发明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：
9.s1、获取光通信系统的接收信号。
10.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。
11.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。
12.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。
13.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：
14.s21、对接收信号进行i/q正交化。
15.s22、对正交化后的接收信号进行色散补偿。
16.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。
17.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。
18.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。
19.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：
20.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。
21.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。
22.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。
23.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：
24.s331、设置基于dbp的深度神经网络模型。
25.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。
26.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。
27.可选地，s331中的设置基于dbp的深度神经网络模型包括：
28.s3311、设置基于dbp的深度神经网络模型的层数。
29.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。
30.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：
31.n＝l/δl
ꢀꢀꢀ
(1)
32.其中，l为光通信系统传输的总距离；δl为dbp的补偿步长。
33.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：
34.s3331、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，得到待优化的每层深度神经网络模型的色散系数、非线性系数以及每个跨段中自适应滤波器的抽头系数。
35.s3332、基于梯度下降法对待优化的色散系数、非线性系数以及每个跨段中自适应滤波器的抽头系数进行求解最优值，得到最优的每层深度神经网络模型的色散系数、非线性系数以及每跨段中自适应滤波器的抽头系数。
36.可选地，s4的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包括：
37.s41、获取深度神经网络模型中多个自适应滤波器的每个自适应滤波器的抽头系数。
38.s42、基于每个自适应滤波器的抽头系数绘制每个自适应滤波器的频谱响应图。
39.s43、基于每个自适应滤波器的频谱响应图，根据每个自适应滤波器的频谱特征进行损伤辨别，进而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。
40.另一方面，本发明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装置，该装置应用于实现无侵入式的光带通滤波器频率偏移监测与定位方法，该装置包括：
41.获取模块，用于获取光通信系统的接收信号。
42.离线信号处理模块，用于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。
43.输入模块，用于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。
44.输出模块，用于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。
45.可选地，离线信号处理模块，进一步用于：
46.s21、对接收信号进行i/q正交化。
47.s22、对正交化后的接收信号进行色散补偿。
48.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。
49.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。
50.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。
51.可选地，输入模块，进一步用于：
52.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。
53.s32、对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。
54.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。
55.可选地，输入模块，进一步用于：
56.s331、设置基于dbp的深度神经网络模型。
57.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。
58.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。
59.可选地，输入模块，进一步用于：
60.s3311、设置基于dbp的深度神经网络模型的层数。
61.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。
62.可选地，设置基于dbp的深度神经网络模型的层数n，如下式(1)所示：
63.n＝l/δl
ꢀꢀꢀ
(1)
64.其中，l为光通信系统传输的总距离；δl为dbp的补偿步长。
65.可选地，输入模块，进一步用于：
66.s3331、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，得到待优化的每层深度神经网络模型的色散系数、非线性系数以及每个跨段中自适应滤波器的抽头系数。
67.s3332、基于梯度下降法对待优化的色散系数、非线性系数以及每个跨段中自适应滤波器的抽头系数进行求解最优值，得到最优的每层深度神经网络模型的色散系数、非线性系数以及每跨段中自适应滤波器的抽头系数。
68.可选地，输出模块，进一步用于：
69.s41、获取深度神经网络模型中多个自适应滤波器的每个自适应滤波器的抽头系数。
70.s42、基于每个自适应滤波器的抽头系数绘制每个自适应滤波器的频谱响应图。
71.s43、基于每个自适应滤波器的频谱响应图，根据每个自适应滤波器的频谱特征进行损伤辨别，进而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。
72.一方面，提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现上述无侵入式的光带通滤波器频率偏移监测与定位方法。
73.一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现上述无侵入式的光带通滤波器频率偏移监测与定位方法。
74.本发明实施例提供的技术方案带来的有益效果至少包括：
75.上述方案中，提出了一种可实现长距离光纤通信传输链路的滤波器偏移识别与定位方法，通过对接收信号的处理并结合神经网络的优化能力，可以得到优化后的滤波器参数，实现在不使用任何测量仪器的状况下，仅利用接收信号处理与寻优的参数值特征实现链路的异常状况的监测。基于数据与模型驱动来实现光传输链路的逆向重建方法，实现对光链路滤波器的损伤与传输质量的动态化监测方案，其具备精确的滤波器损伤辨别与定位溯源能力，能够及时、全面反映链路的状态信息。
附图说明
76.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
77.图1是本发明实施例提供的无侵入式的光带通滤波器频率偏移监测与定位方法流程示意图；
78.图2是本发明实施例提供的系统算法原理框图；
79.图3是本发明实施例提供的dbp算法技术原理框图；
80.图4是本发明实施例提供的dbp算法具体计算示例图；
81.图5是本发明实施例提供的基于dbp的深度神经网络模拟光纤链路反向传输示例图；
82.图6是本发明实施例提供的系统内无滤波器偏移识别效果图；
83.图7是本发明实施例提供的
①
号滤波器发生偏移的识别效果图；
84.图8是本发明实施例提供的
③
号滤波器发生偏移的识别效果图；
85.图9是本发明实施例提供的
⑤
号滤波器发生偏移的识别效果图；
86.图10是本发明实施例提供的无侵入式的光带通滤波器频率偏移监测与定位装置框图；
87.图11是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
88.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。
89.如图1所示，本发明实施例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，该方法可以由电子设备实现。如图1所示的无侵入式的光带通滤波器频率偏移监
测与定位方法流程图，该方法的处理流程可以包括如下的步骤：
90.s1、获取光通信系统的接收信号。
91.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。
92.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：
93.s21、对接收信号进行i/q正交化。
94.s22、对正交化后的接收信号进行色散补偿。
95.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。
96.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。
97.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。
98.一种可行的实施方式中，如图2所示，将光通信系统的接收信号进行离线数字信号处理的过程可以是：首先实现i/q正交化与色散损伤补偿，然后完成偏振复用信号的解复用，实现动态均衡并减轻码间干扰损伤，然后进行频偏估计以补偿发送端与接收端激光器的频率偏移；在此之后，信号被分为两路，第一支路(左支路)被重新加入色散以重构包含色散损伤、非线性损伤以及滤波器偏移损伤的信号，之后被送入神经网络中反向优化链路传输过程，并可以根据神经网络的层数与传输的位置的对应关系从相关优化的参数中获取本步长内的链路状态信息；第二支路(右支路)通过相位恢复、判决，实现信号恢复，使其彻底消除色散、非线性以及滤波器频率偏移造成的信号损伤，然后估计两路的相位差并将其补偿以保证两路数据的相位对齐。
99.进一步地，经过离散数字信号处理后，两支路信号的区别为有无色散、非线性、以及滤波器偏移损伤。
100.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。
101.一种可行的实施方式中，结合图3-5说明基于dbp(digital back-propagation,光纤数字反向传播)的深度神经网络的具体结构。
102.如图3为常规的数字反向传播的原理框图，其基本技术理论是已知光纤链路的基本参数，如损耗系数α，色散系数β，非线性系数γ以及传输距离等链路配置情况，然后通过数字信号处理技术逆向模拟光纤传输过程，反向推导原始光信号；与真实光纤链路中传输信号相比，信号在虚拟光纤链路中反向推导时，受到的各项损伤均为真实链路损伤的相反数，则光纤的损耗系数为-α，色散系数为-β，非线性系数为-γ，放大器增益为1/g，进而实现相关损伤的补偿。
103.如图4为光纤数字反向传播的具体计算流程，在反向计算时，先将光纤传输链路分为步长为δl的若干段，在这个步长中近似看作为色散与非线性分别作用，通过fft(fast fourier transform，快速傅里叶变换)与ifft(inverse fast fourier transform，逆快速傅里叶变换)实现在频域上的色散补偿，然后转换到时域，实现光纤非线性损伤的补偿，进一步地，通过n＝l/δl次迭代计算，l为链路总长度，δl为链路反向模拟步长，当δl较小时，需要的迭代次数就会变多，导致计算复杂度急剧升高，因此需要在模拟精度与实现复杂度之间进行衡量，最后通过迭代运算，就可以反向推导出与发端近似相同的信号，以此也实
现了信号部分损伤补偿。
104.如图5为一个简单的基于dbp的深度神经网络搭建示意图，其结构与dbp基本一致，即利用神经网络反向模拟光纤链路的传输，使得神经网络不只是一个“黑盒”模式，而是具有清晰的物理解释，如色散补偿是神经网络中的线性运算，非线性补偿是神经网络的激活函数，神经网络的总设置层数为dbp的总分段数目，并与链路传输距离产生对应，如神经网络在第3层，那么对应的光纤链路的传输距离为3*δl；在此基础上，与标准的dbp相比，本发明实施例在每跨段中相应位置加入待优化的复值滤波器，以更好模拟链路传输状况；通过训练，就可得到链路内每个δl距离内的色散、非线性参数以及每跨段的自适应滤波器的抽头系数，通过检查抽头系数的频率响应，即可监测滤波器工作状态是否异常。
105.可选地，s3中的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：
106.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。
107.s32、对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。
108.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。
109.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：
110.s331、设置基于dbp的深度神经网络模型。
111.可选地，s331中的设置基于dbp的深度神经网络模型包括：
112.s3311、设置基于dbp的深度神经网络模型的层数。
113.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：
114.n＝l/δl
ꢀꢀꢀ
(1)
115.其中，l为光通信系统传输的总距离；δl为dbp的补偿步长。
116.一种可行的实施方式中，神经网络的层数设置为dbp的补偿次数。
117.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。
118.一种可行的实施方式中，在每跨段中放入一个复值自适应滤波器h模拟信号的滤波操作，以更好的实现逆向重建信号的传输过程。
119.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。
120.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。
121.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：
122.s3331、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，得到待优化的每层深度神经网络模型的色散系数、非线性系数以及每个跨段中自适应滤波器的抽头系数。
123.s3332、基于梯度下降法对待优化的色散系数、非线性系数以及每个跨段中自适应滤波器的抽头系数进行求解最优值，得到最优的每层深度神经网络模型的色散系数、非线性系数以及每跨段中自适应滤波器的抽头系数。
124.一种可行的实施方式中，经过色散与非线性交叉运算n次，即实现了神经网络的n层计算，并且神经网络层数与传输链路的距离产生对应关系，滤波器的个数则等于实际链路中的跨段数，进而可以得到神经网络的前向计算信号e，误差函数i可以由神经网络输出信号e与参考信号进行相关计算得到；分析得到神经网络的计算输出信号e中是包含着待优化的色散β
*
、非线性γ
*
以及滤波器h的抽头参数，最终的目标就是寻这三类优化参数，其表达可以如下式(2)所示：
[0125][0126]
这是一个经典的监督型机器学习方法，可以采用梯度下降方法来进行待优化参数的更新以求解最优值，将设置神经网络共有n层，故的更新以求解最优值，将设置神经网络共有n层，故复值自适应滤波器h
*
的数目等于光纤网络的跨段数，以实现链路传输过程的模拟，若光纤链路配置为m跨段，则h
*
＝[h1,
…hm
]；那么即可使用寻优公式实现数值更新，如下式(3)-(5)所示：
[0127][0128][0129][0130]
其中，k表示为神经网络的层数，k＝1,2
…
n；x表示为跨段数目，x＝1,2
…
m，m为更新次数，μ为学习率。
[0131]
进一步地，通过不断的参数寻优使误差值逐渐变小，就可以得到每个补偿步长中最优参数值；两路信号的具体差异是有无色散、非线性、滤波器偏移损伤，因此，神经网络优化后的参数则试图寻找补偿这些损伤的最优值，那么，想要监测滤波器是否发生偏移，就可以从自适应滤波器h
*
的频率响应中发现具体识别特征，因为神经网络中的自适应滤波器会尝试补偿某个滤波器偏移产生的损伤，根据此特性，即可识别监测与定位。
[0132]
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。
[0133]
可选地，s4的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包括：
[0134]
s41、获取深度神经网络模型中多个自适应滤波器的每个自适应滤波器的抽头系数。
[0135]
s42、基于每个自适应滤波器的抽头系数绘制每个自适应滤波器的频谱响应图。
[0136]
s43、基于每个自适应滤波器的频谱响应图，根据每个自适应滤波器的频谱特征进行损伤辨别，进而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。
[0137]
一种可行的实施方式中，可以从各跨段中获取通过寻优得到的滤波器抽头系数，并绘制出频率响应图，即可观测到滤波器的工作状态；因为参考值是不包含损伤的，神经网络在反向模拟时，当在某位置遇到滤波器发生异常时，在训练时相对应的自适应滤波器会尝试补偿这个损伤，根据这个特性，可以实现滤波器异常的监测与定位。
[0138]
进一步地，本发明实施例在进行分析验证中，使用一个5跨段的偏振复用光通信传输系统来对方案进行实际验证，根据前面分析，神经网络将得到5个优化后的自适应滤波器，如图6为正常传输系统的滤波器抽头系数的频率响应，可以发现，滤波器在通带内的频谱响应比较平坦，没有明显波动线性，正好验证本发明实施例的理论分析。
[0139]
图7为在传输系统中的第一个滤波器中引入频率偏移时的识别结果图，可以发现此滤波器抽头系数的频率响应明显反应剧烈，这是因为优化的滤波器尝试补偿此位置处的滤波器偏移造成的信号损伤，所以与其他滤波器的频谱响应相比区别较大，从而实现了滤波器偏移的识别与定位。
[0140]
为了进一步验证方案的有效性，在光传输系统中将第三个与第五个滤波器分别引入频率偏移，图8与图9是得到的识别效果图，通过观测其频率响应，依然可以轻松的发现异常滤波器以及其具体位置，由此可见，此方法具有很好的适应性与识别效果，验证了所提方法的有效性与实用性。
[0141]
本发明实施例中，提出了一种可实现长距离光纤通信传输链路的滤波器偏移识别与定位方法，通过对接收信号的处理并结合神经网络的优化能力，可以得到优化后的滤波器参数，实现在不使用任何测量仪器的状况下，仅利用接收信号处理与寻优的参数值特征实现链路的异常状况的监测。基于数据与模型驱动来实现光传输链路的逆向重建方法，实现对光链路滤波器的损伤与传输质量的动态化监测方案，其具备精确的滤波器损伤辨别与定位溯源能力，能够及时、全面反映链路的状态信息。
[0142]
如图10所示，本发明实施例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装置1000，该装置1000应用于实现无侵入式的光带通滤波器频率偏移监测与定位方法，该装置1000包括：
[0143]
获取模块1010，用于获取光通信系统的接收信号。
[0144]
离线信号处理模块1020，用于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。
[0145]
输入模块1030，用于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。
[0146]
输出模块1040，用于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。
[0147]
可选地，离线信号处理模块1020，进一步用于：
[0148]
s21、对接收信号进行i/q正交化。
[0149]
s22、对正交化后的接收信号进行色散补偿。
[0150]
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。
[0151]
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。
[0152]
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。
[0153]
可选地，输入模块1030，进一步用于：
[0154]
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。
[0155]
s32、对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。
[0156]
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。
[0157]
可选地，输入模块1030，进一步用于：
[0158]
s331、设置基于dbp的深度神经网络模型。
[0159]
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。
[0160]
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。
[0161]
可选地，输入模块1030，进一步用于：
[0162]
s3311、设置基于dbp的深度神经网络模型的层数。
[0163]
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。
[0164]
可选地，设置基于dbp的深度神经网络模型的层数n，如下式(1)所示：
[0165]
n＝l/δl
ꢀꢀꢀ
(1)
[0166]
其中，l为光通信系统传输的总距离；δl为dbp的补偿步长。
[0167]
可选地，输入模块1030，进一步用于：
[0168]
s3331、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，得到待优化的每层深度神经网络模型的色散系数、非线性系数以及每个跨段中自适应滤波器的抽头系数。
[0169]
s3332、基于梯度下降法对待优化的色散系数、非线性系数以及每个跨段中自适应滤波器的抽头系数进行求解最优值，得到最优的每层深度神经网络模型的色散系数、非线性系数以及每跨段中自适应滤波器的抽头系数。
[0170]
可选地，输出模块1040，进一步用于：
[0171]
s41、获取深度神经网络模型中多个自适应滤波器的每个自适应滤波器的抽头系数。
[0172]
s42、基于每个自适应滤波器的抽头系数绘制每个自适应滤波器的频谱响应图。
[0173]
s43、基于每个自适应滤波器的频谱响应图，根据每个自适应滤波器的频谱特征进行损伤辨别，进而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。
[0174]
本发明实施例中，提出了一种可实现长距离光纤通信传输链路的滤波器偏移识别与定位方法，通过对接收信号的处理并结合神经网络的优化能力，可以得到优化后的滤波器参数，实现在不使用任何测量仪器的状况下，仅利用接收信号处理与寻优的参数值特征估计出链路的异常状况的监测。基于数据与模型驱动来实现光传输链路的逆向重建方法，实现对光链路滤波器的损伤与传输质量的动态化监测方案，其具备精确的滤波器损伤辨别与定位溯源能力，能够及时、全面反映链路的状态信息。
[0175]
图11是本发明实施例提供的一种电子设备1100的结构示意图，该电子设备1100可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，cpu)1101和一个或一个以上的存储器1102，其中，存储器1102中存储有至少一条指令，至少一条指令由处理器1101加载并执行以实现下述无侵入式的光带通滤波器频率偏移监测与定位方法：
[0176]
s1、获取光通信系统的接收信号。
[0177]
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。
[0178]
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。
[0179]
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。
[0180]
在示例性实施例中，还提供了一种计算机可读存储介质，例如包括指令的存储器，上述指令可由终端中的处理器执行以完成上述无侵入式的光带通滤波器频率偏移监测与定位方法。例如，计算机可读存储介质可以是rom、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设备等。
[0181]
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
[0182]
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。