[发明专利]基于神经网络的多芯光纤串扰监测方法与系统

权利要求书

1.一种基于神经网络的多芯光纤串扰监测方法，其特征在于，包括如下步骤：

(1)在强度调制-直接检测的多芯光纤空分复用系统中，由发射端产生多路强度调制的光信号，经过多芯光纤信道独立地传输后，在接收端的光电二极管处获得受芯间串扰损伤的信号序列，同时利用功率计测量多芯光纤的输入功率与输出功率，计算得到标定的串扰值；

(2)对接收端获取的电域时间序列信号振幅进行随机幅度异步抽样，统计获得异步幅度直方图；

(3)将异步幅度直方图作为样本，对应的串扰值作为标签，输入深度神经网络模型进行训练，得到训练完成的神经网络；

(4)在多芯光纤空分复用系统的接收端获取链路信号作为测试样本，利用异步采样技术获得异步幅度直方图，输入由步骤(3)获得的训练完成的神经网络中，即可实现空分复用系统中多芯光纤芯间串扰的实时在线监测。

2.如权利要求1所述的基于神经网络的多芯光纤串扰监测方法，其特征在于，步骤(1)中利用功率计测量多芯光纤的输入功率与输出功率，计算得到标定的串扰值，其流程为：

将激光注入m芯，使用光功率计测量得到输入端光功率P_m,in，在多芯光纤的输出端，测得n芯的输出光功率为P_n,out，则此时标定的m芯到n芯的芯间串扰为：

其中N为纤芯个数。

3.如权利要求1或2所述的基于神经网络的多芯光纤串扰监测方法，其特征在于，步骤(3)中所述神经网络为全连接深度神经网络，所述全连接深度神经网络中激活函数选用带泄露线性整流函数。

4.如权利要求1或2所述的基于神经网络的多芯光纤串扰监测方法，其特征在于，所述深度神经网络模型中训练集分出一部分数据作为验证集，进行K折交叉验证。

5.如权利要求1或2所述的基于神经网络的多芯光纤串扰监测方法，其特征在于，所述深度神经网络模型中对于学习参数进行初始化策略。

6.如权利要求1或2所述的基于神经网络的多芯光纤串扰监测方法，其特征在于，所述深度神经网络模型中优化器选择为自适应矩估计优化器；所述深度神经网络模型中选择均方误差作为损失函数的评价指标，选择平均绝对误差作为监测误差的评价指标。

7.如权利要求1或2所述的基于神经网络的多芯光纤串扰监测方法，其特征在于，所述深度神经网络模型中加入Dropout训练策略，训练过程中随机将部分隐藏层的节点置零。

8.如权利要求1或2所述的基于神经网络的多芯光纤串扰监测方法，其特征在于，所述深度神经网络模型中对每个批次的数据分布均进行归一化。

9.如权利要求1或2所述的基于神经网络的多芯光纤串扰监测方法，其特征在于，所述深度神经网络模型中加入学习率衰减策略，随着迭代次数的增加，学习率逐渐减少；所述深度神经网络模型在训练过程中使用早停法，经过多个训练步长误差仍不变时停止训练。

10.一种基于神经网络的多芯光纤串扰监测系统，其特征在于，包括串扰数据采集模块，异步幅度采样模块，神经网络训练模块以及在线串扰监测模块，其中：

所述串扰数据采集模块，用于在强度调制-直接检测的多芯光纤空分复用系统中，由发射端产生多路强度调制的光信号，经过多芯光纤信道独立地传输后，在接收端的光电二极管处获得受芯间串扰损伤的信号序列，同时利用功率计测量多芯光纤的输入功率与输出功率，计算得到标定的串扰值；

所述异步幅度采样模块，用于对接收端获取的电域时间序列信号振幅进行随机幅度异步抽样，统计获得异步幅度直方图；

所述神经网络训练模块，用于将异步幅度直方图作为样本，对应的串扰值作为标签，输入深度神经网络模型进行训练，得到训练完成的神经网络；

所述在线串扰监测模块，用于在多芯光纤空分复用系统的接收端获取链路信号作为测试样本，利用异步采样技术获得异步幅度直方图，输入训练完成的神经网络中，即可实现空分复用系统中多芯光纤芯间串扰的实时在线监测。