Page 36 - 网络电信2021年11月刊下
P. 36

解   决  方  案

                SVM在小样本、非线性及高维模式识别中表现出诸多优势。                      算法监测56Gbps4-PAM信号的OSNR、CD和DGD，训练参数来自重
            在深度学习方法广泛应用前，SVM是使用最广泛的分类算法，其                        构眼图的眼高、•238•第10期交叉幅度和抖动值，得到OSNR的
            主要原理为将线性不可分的低维空间转换到线性可分的高维空                          监测范围为26~42dB，CD的监测范围为0～400ps/nm，DGD的监
            间，使得两类数据离分割超平面越远越好，支持向量即离分割                          测范围为0～8ps，仿真结果显示OSNR、CD和DGD的均方根误差
            超平面最近的点，具体如图1所示。基于该思想，文献从眼图                          （RMSE）分别为0.21dB、6.79ps/nm、0.8ps。文献中的方案均
            中提取特征参数，利用SVM模型确定损伤类型，其中特征参数                         不要求时钟恢复，但要求额外的软件同步。文献采用异步幅度
            为一组正交多项式，可表征信号中是否包含色散、偏振模色散                          直方图特征监测损伤，通过仿真40GbpsRZ-DQPSK和NRZ-16QAM的
            和串扰3种损伤。采用10GbpsOOK信号的传输实验对该方案进行                     信号进行验证，得到OSNR的监测范围为10～30dB，CD的监测范
            验证，结果表明其识别精度超过95%，但该方案仅能确定损伤类                        围为0~400ps/nm，DGD的监测范围为0～10ps。仿真结果显示，
            型，无法确定具体的损伤程度。文献将SVM算法引入到相干检测                        RZ-DQPSK（16-QAM）对于OS−NR、CD和DGD的RMSE分别为0.43
            系统中，通过异步采样接收到的信号构建二维I路和Q路直方图                         （0.2）dB、9.82（9.66）ps/nm、0.92（0.65）ps。该方案中
            （2D-IQH），利用2D-IQH直方图特征建立基于SVM的回归模型，                  直方图提供了采样信号的统计特性，不需要时钟恢复，也不要
            用于监测OSNR、CD、DGD和相位噪声（PhaseNoise，PN）。该方               额外的同步电路，但当信号受到严重色散和群时延影响时难以
            案采用非线性降维的t-SNE算法进行损伤的分离研究，有助于可                       区分损伤类型，监测结果有较大误差。文献提出利用经验矩定
            视化复杂的高维信号，从而探究不同损伤类型的分离条件。采                          义的特征训练ANN模型，对检测到的信号进行异步采样，然后计
            用12.5GbpsDPQPSK信号的传输实验对该方案进行可行性验证，                   算经验矩阵。通过监测40/56GbpsRZ-DQPSK和40GbpsRZDPSK传
            得出OS−NR的监测范围为9～19dB，CD范围为200～1600ps/nm，              输中的OSNR、CD和DGD对该方案进行验证，得到OSNR的监测范
            DGD范围为10～70ps，PN范围为10KHz至1MHz。该方案具有较高                围为10～26dB，CD的监测范围为-500~500ps/nm，DGD的监测范
            的监测准确度，但需要I路和Q路样本建立特征参数。                             围为0~14ps。仿真结果表明，针对40/56GbpsRZ-DQPSK传输信
                1.2基于ANN的性能监测方案                                  号，OSNR、CD和DGD监测结果的RMSE分别为0.1（0.1）dB、27.3
                ANN模仿人类神经网络的行为特征，通过调整内部大量节点                      （29）ps/nm、0.94（1.3）ps；针对40GbpsRZ-DPSK传输信号，
            之间相互连接的关系，进行分布式并行信息处理，结构如图2所                         OSNR、CD和DGD监测结果的RMSE分别为0.1dB、17ps/nm、1ps。
            示。ANN具有较强的非线性函数逼近能力，是处理非线性系统的                            为提取更多关于监测信号的统计特征，文献均采用二维
            有力工具。目前基于机器学习的OPM技术大多采用ANN作为机器                       信息作为特征代替前文提到的一维直方图，其中二维直方图信
            学习算法检测光网络损伤，这些方案的主要区别在于用于训练                          息主要通过ADTS（AudioDataTransportStream）实现。在ADTS
            ANN算法的特征以及抽取这些特征的方法不同。                               中，信号的幅度通过两个时钟对信号进行采样获得，这两个时
                例如，文献中用于训练ANN模型的特征来自同步采样后                        钟之间的固定延迟时间称为延迟抽头，两个采样器产生x和y两
            的眼图，包括Q值、闭合度、均方根、抖动和交叉幅度，可用                          个序列，分别作为横、纵坐标，输出为ADTS图。其中，文献通
            于监测OSNR、CD和DGD。其中文献通过仿真10GbpsNRZ-OOK和                过仿真10GbpsNRZ-OOK信号监测OSNR、CD和DGD进行验证实验，
            40GbpsRZ-DPSK信号对该类方案进行验证，结果显示OSNR的监                  得出OSNR的监测范围为18～30dB，CD为100~500ps/nm，DGD为
            测范围为18～30dB，CD的监测范围为100～700ps/nm，DGD的监               5~35ps。该方案扩展了监测范围，但由于使用了两个采样时
            测范围为0～35ps。该类方案能监测多种损伤，但其要求精确                        钟，成本相对较高。文献提出一种新结构，即在异步延迟抽头
            的时钟恢复，因此成本较高，难以在高速传输网络，尤其是网                          采样前使用光学干涉仪加两个平衡探测器，以获得传输过程中
            络中间节点中使用。为克服精确的时钟恢复问题，文献采用                           的相位变化，为高阶调制格式的信号提供更优异的监测结果。
            异步采样方法重构眼图，从眼图中提取特征参数用于ANN的训                         通过监测高速100GbpsQPSK信号的OSNR、CD和DGD证实了该方法
            练。其中文献      ［25］ 中模型抽取的特征包括Q值、眼高、交叉幅                 的可行性，其中OSNR的监测范围为16～28dB，CD为0～50ps/
            度和均方根抖动，用于监测40GbpsRZ-OOK传输实验中的OSNR、                  nm，DGD为0～10ps，以上3种损伤的RMSE值分别为1.27dB、
            CD和DGD，其中OSNR的监测范围为22.5～37.5dB，CD的监测范                2.22ps/nm和0.91ps。然而，该方案需要额外的硬件，提高了系
            围为4～28ps/nm，DGD的监测范围为1～7ps。文献采用多层ANN                 统成本。文献采用参数异步眼图作为信号特征，通过两个分支


             图 1 支持向量机示意图                                         图 2 人工神经网络示意图
















            66                                        网络电信 二零二一年十一月
   31   32   33   34   35   36   37   38   39   40   41