论文部分内容阅读
随着光纤通信网络技术快速发展,传输速率不断增加,通信网络结构更加复杂,同时各种光信号损伤问题也接踵而至,使得光网络的可靠性和稳定性受到影响。光性能监测(OPM)技术作为保障光网络可靠和稳定运行的关键技术手段之一,发挥出越来越重要的作用。OPM技术是通过对光网络中传输链路或者光网络节点的性能参数进行检测,实时了解网络状态和信号传输状态以便及时处理并保证正常的网络运行和信号传输。因此如何实现对色散(CD)、偏振模色散(PMD)、光信噪比(OSNR)等参数的准确监测,对于保障信号传输性能、优化网络资源的分配和管理具有重要意义。本文围绕在非线性信道环境下的参数监测,研究了基于机器学习的OSNR、CD监测方法,并利用广义回归神经网络(GRNN)、反向传播(BP)神经网络实现对16QAM通信系统的CD、OSNR监测。主要的研究工作如下:1、阐述了 OPM技术的主要研究内容以及在新的网络发展趋势下OPM技术研究的现状、不足和方向,然后介绍机器学习、神经网络的原理及在OPM中的应用。2、结合机器学习的一般方法提出了基于机器学习的OPM模型。该模型具有可拓展性,具体包括通信系统数据的仿真分析、特征提取以及机器学习处理。在数据特征提取过程结合高阶统计矩的方法提取OSNR的特征值,并通过密度比的方法提取色散的特征值。3、在提取数据的基础上,分别利用BP神经网络和GRNN实现了对OSNR、CD的监测。通过对两种方法的比较,发现BP网络的训练过程时间长、参数多、不容易优化,无法高效地处理大量的数据,相反GRNN监测结果稳定且算法实现简单、高效,所以主要采用GRNN的方法对OSNR和CD进行监测。监测结果表明CD对监测的综合影响比OSNR严重,随着实际链路CD增大,监测结果平均误差增大。最后比较了 40Gb/s和100Gb/s系统的单参监测,结果表明速率增大后监测误差增大。此外,监测误差、范围和精度与数据提取的准确性有关,主要由于特征量提取过程中,CD增大会使得提取数据的区域不稳定,影响最终结果。