[发明专利]基于神经网络的多芯光纤串扰监测方法与系统

说明书

本发明公开一种基于神经网络的多芯光纤串扰监测方法：在接收端获取原始时间序列信号，同时利用功率计测量得到串扰值；对原始时间序列信号进行异步采样，获得异步幅度直方图；将异步幅度直方图与对应的串扰标签值输入神经网络进行训练，得到训练完成的神经网络；获取当前链路中的信号，通过异步采样得到异步幅度直方图后，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串扰的实时在线监测。本发明提供的基于神经网络的多芯光纤串扰监测方法，能够对于空分复用链路中波动剧烈的串扰实现实时动态监测，为空分复用系统的稳定传输提供了坚实的运维技术支持。本发明还提供了相应的基于神经网络的多芯光纤串扰监测系统。

技术领域

本发明属于光纤通信和光网络技术领域，更具体地，涉及一种基于神经网络的多芯光纤串扰监测方法与系统。

背景技术

在成倍地提升光纤通信容量的方式中，多芯光纤为代表的空分复用光纤能够在光的空间维度上很好地填补当前系统容量的缺口。目前，基于多芯光纤空分复用的强度调制-直接检测系统在数据中心短距光互连中具有很高的应用前景。但是，多芯光纤芯间距极小的特征为光纤通信系统引入了新的物理损伤——芯间串扰。

多芯光纤芯间串扰的本质为邻近纤芯之间光能量的横向模式耦合。近年研究表明，芯间串扰这一物理量在时域与频域中均呈现动态随机波动的特性，当芯间串扰出现剧烈波动时，会显著影响光纤通信系统的误码率，导致系统中断的发生。因此，对于多芯光纤的芯间串扰监测，是多芯光纤空分复用系统中不可或缺的重要技术之一。

目前多芯光纤芯间串扰的估计主要依据模式耦合理论与功率耦合理论进行计算，得到的结果均为静态串扰，只适合应用于多芯光纤制备过程中的串扰估计。对于实际的多芯光纤空分复用系统，目前仍缺乏合适的技术能够在系统正常运行的状态下在线地监测动态串扰。

发明内容

为了解决背景技术中存在的问题，本发明提供了一种基于神经网络的多芯光纤串扰监测方法，实现芯间串扰的在线智能监测。该监测方法通过深度神经网络学习得到异步幅度直方图与串扰值之间的联系，而异步幅度直方图为接收端电信号的统计特征，可以充分反映信号的幅值分布。基于深度学习与异步幅度直方图的动态串扰监测方法具有准确度高，复杂度低，无需时钟同步的特点，可以实现在线实时监测多芯空分复用系统的动态串扰。

为实现上述目的，按照本发明的一个方面，提供了一种基于神经网络的多芯光纤串扰监测方法，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。

更进一步地，步骤(1)中步骤(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。

更进一步地，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。