论文部分内容阅读
中短距离光传输技术多应用于光接入和光互连系统中,为新兴的互联网业务与日俱增的带宽和速率需求提供了富有潜力的解决方案。随着未来网络朝着动态和复杂格式特性的方向发展,对系统进行多方位的性能监测以保证网络稳定运行显得至关重要。在中短距离传输系统所适用的强度调制直接检测(IM-DD)系统中,眼图监测显示出更大的优势。目前在进行研究的基于机器学习的监测方案,以其在处理非线性问题上的先天优势,实现了比传统示波器更好的眼图监测。然而由于传统机器学习(ML)算法需要进行人工特征提取且在特征构造的过程中可能会引起信息的丢失,所以其仍不适用于未来灵活动态网络的发展。深度学习(DL)技术以其自动特征提取能力和优异的性能表现为眼图的性能监测提供了一条高精度、智能化的途径。本论文围绕深度学习技术对眼图的智能监测提出了若干技术方案。论文的主要创新点如下:第一,针对传统机器学习眼图监测方法缺乏自动提取能力、表现性能欠佳的问题,提出一种基于卷积神经网络(CNN)的深度学习智能眼图监测方案。实验结果表明,该方案可以实现OOK、NRZ-OOK、DPSK、PAM4多种调制格式下的OSNR估计、调制格式识别,以及OOK和PAM4格式下的光纤链路分析以及Q因子估计,与多种传统ML算法相比,可以在1dB间隔下实现100%准确率的OSNR估计,显著优于其他传统的ML算法。第二,针对上述基于CNN的眼图监测方案训练耗时长、模型难复用的问题,提出一种基于深度迁移学习的智能眼图监测方案,并分别建立了Fine-tune和Frozen两种实现方式。实验结果表明,该方案可以有效复用已有模型的眼图特征信息,两种实现方式均明显地缩短了其他相关眼图监测任务的训练时间,且Frozen的表现更为突出,与无迁移的各个模型相比,Frozen的迁移方式在OOK和PAM4格式下分别降低了至少96.84%和97.69%的训练时间。第三,针对上述基于迁移学习的单任务眼图监测方案中模型重复训练、监测效率低的问题,提出一种基于深度迁移学习的多任务智能眼图监测方案。实验结果表明,该方案基于多任务学习机制能够并行地实现多个眼图参数的联合监测,避免了各个模型的重复训练,显著地提升了眼图监测效率,与单任务迁移模型相比,Frozen的多任务迁移方式在OOK和PAM4格式下仅以一个任务的训练时长实现了多个任务的并行监测。