技术特征：
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。6.根据权利要求5所述的方法，其特征在于，所述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：n＝l/δl
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中，l为光通信系统传输的总距离；δl为dbp的补偿步长。7.根据权利要求4所述的方法，其特征在于，所述s333中的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包括：s3331、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；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。8.根据权利要求1所述的方法，其特征在于，所述s4中的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包括：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；s42、基于所述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；s43、基于所述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。9.一种无侵入式的光带通滤波器频率偏移监测与定位装置，其特征在于，所述装置包括：获取模块，用于获取光通信系统的接收信号；离线信号处理模块，用于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；输入模块，用于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；输出模块，用于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。10.根据权利要求9所述的装置，其特征在于，所述输入模块，进一步用于：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。
技术总结
本发明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。
技术研发人员：周娴 李飞宇 高宇元 王诗尧 方倩文 隆克平
受保护的技术使用者：北京科技大学
技术研发日：2022.08.02
技术公布日：2022/12/1