[发明专利]一种低速相干探测和神经网络估计光纤色散的装置与方法

权利要求书

1.一种低速相干探测和神经网络估计光纤色散的方法，所依托的光纤色散装置，包括低速相干探测单元，数据预处理单元，数据集分类单元以及神经网络单元；其中，低速相干探测单元包括本振激光，低速光电探测器以及低速模数转换器；所述装置中各单元的连接关系如下：低速相干探测单元与数据预处理单元相连，数据预处理单元与数据集分类单元相连，数据集分类单元与神经网络单元相连；其特征在于：

步骤1：用低速探测单元对经过光纤链路传输后的光信号进行低速探测，经过数据预处理单元产生数据集，并用数据集分类单元将数据集划分为训练集以及测试集；

步骤1包括如下子步骤：

步骤1.1：利用低速相干探测单元对经过不同条件的光纤链路传输后的光信号进行低速探测，得到不同传输条件下的I、Q路离散数字序列，并构建成数据集；

其中，不同的条件指的是光数字信号的随机种子数、光信噪比(OSNR)、光发射功率以及传输跨段数；

步骤1.2：利用数据预处理单元对数据集进行预处理；

步骤1.3：利用数据集分类单元将数据集分为训练集与测试集；

其中，训练集的占比以使训练的神经网络的损失函数值小于设定的阈值为准；

步骤2：构建神经网络单元，设置神经网络参数，并用步骤1中产生的训练集训练构建的神经网络，具体包括如下子步骤：

步骤2.1构建神经网络单元并设置神经网络参数；

其中，神经网络参数有隐藏层层数、每层神经元个数以及各层激活函数；输入层神经元个数N为步骤1.2中经过数据预处理单元处理之后的数据长度；输出层神经元个数M为可能的参考色散值的数目，即光纤跨段的取值数；

其中，输出层的激活函数为Softmax，Softmax的归一化公式由(1)表征：

其中，S_j为输出层第j个神经元经过Softmax函数变换之后的输出，α_j为Softmax变换之前第j个神经元的输出，M为输出层神经元个数；对输出进行归一化，这样最后的输出S_j，j＝1,2…M,该M个神经元值S_j相加为1，分别等于每个参考色散值的概率；

其中，设置隐藏层参数时，对于QPSK和16QAM信号，由于16QAM具有更高的调制格式，因此16QAM调制格式的隐藏层层数和隐藏层神经元个数均多于QPSK调制格式；各层激活函数均为Relu函数；并在隐藏层中加入Dropout以及L1、L2正则化，用于防止过拟合；

步骤2.2：将步骤1中划分好的训练集，用于训练步骤2.1中构建的神经网络单元；

其中，神经网络单元的训练过程中，网络参数在每次训练中随机初始化；损失函数采用Softmax交叉熵；并采用Adam优化算法的梯度下降法来训练网络；

步骤3：将步骤2中训练好的神经网络单元，用于估计步骤1中划分好的测试集的色散，其估计方法为用神经网络单元的输出与参考色散进行加权平均；

其中，将步骤1中划分好的测试集数据输入神经网络单元之后，得到该数据对应的色散等于每个参考色散值的概率；再用该概率与参考色散值进行加权平均，即得到最后估计的色散；可以由公式(2)表征：

其中，CD_esti为估计的色散值，S_j为色散等于第j个参考色散值的概率，CD_j为第j个参考色散值，M为输出层神经元个数。

2.根据权利要求1所述的一种低速相干探测和神经网络估计光纤色散的方法，其特征在于：步骤1.2中的预处理方法是对步骤1.1构建的数据集中的I、Q两路数据分别进行从小到大排序，再进行组合，组合方式为两路数据首尾相接，组合之后数据长度即为N；N为数据长度，是人为设定。

3.根据权利要求1所述的一种低速相干探测和神经网络估计光纤色散的方法，其特征在于：步骤1.3中的阈值设为10^-4。