基于细粒度星座图识别的光性能监测方法_陈进杰.pdf

h t t p:/ww w.j s j k x.c o mD O I:1 0.1 1 8 9 6/j s j k x.2 2 0 6 0 0 2 3 8到稿日期:2 0 2 2-0 6-2 7 返修日期:2 0 2 2-1 0-1 8通信作者:雷印杰(y i n j i e s c u.e d u.c n)基于细粒度星座图识别的光性能监测方法陈进杰贺 超肖 枭雷印杰四川大学电子信息学院 成都6 1 0 0 6 5(c h e n j i n j i e s c u a i l a b.c o m)摘 要 在光纤通信中,传统光性能监测(O p t i c a lP e r f o r m a n c eM o n i t o r i n g,O PM)主要依靠分析信号的时频域信息来实现,但此类方法无法完成多任务联合监测,因此其灵活性较低。随着机器学习的发展,基于机器学习的光信号调制格式(M o d u l a t i o n-F o r m a t,MF)及光信噪比(O p t i c a lS i g n a lN o i s eR a t i o,O S N R)监测方法被逐渐应用。但现有方法未考虑信号的细粒度特征,因此在复杂场景中对O S N R的监测精度较低。针对上述问题,文中提出了一种基于细粒度星座图识别的光信号MF和O S N R联合监测模型(F i n e-G r a i n e dO p t i c a lP e r f o r m a n c eM o n i t o rN e t w o r k,F G N e t)。首先,在骨干特征提取模块中采用深度残差结构对星座图进行深度特征提取;其次,提出多层双线性池化(M u l t i l a y e rB i l i n e a rP o o l i n g)模块,对星座图特征进行细粒度特征分析;最后,提出联合监测模块对MF和O S N R进行特征融合分析。在拥有7 2 0 0张星座图的仿真数据集中进行广泛的实验,实验结果表明,所提方法相比现有方法取得了更优越的性能。关键词:机器学习;光信噪比监测;调制格式分类;细粒度图像识别;残差神经网络中图法分类号 T P 3 8 9 O p t i c a lP e r f o r m a n c eM o n i t o r i n gM e t h o dB a s e do nF i n e-g r a i n e dC o n s t e l l a t i o nD i a g r a mR e c o g n i t i o nCHE NJ i n j i e,HEC h a o,X I A OX i a oa n dL E IY i n j i eC o l l e g eo fE l e c t r o n i c sa n dI n f o r m a t i o nE n g i n e e r i n g,S i c h u a nU n i v e r s i t y,C h e n g d u6 1 0 0 6 5,C h i n a A b s t r a c t I no p t i c f i b e r c o mm u n i c a t i o n,t r a d i t i o n a l o p t i c a l p e r f o r m a n c em o n i t o r i n g(O PM)m a i n l y r e l i e so na n a l y z i n g t h e t i m e-f r e-q u e n c yd o m a i n i n f o r m a t i o no f t h e s i g n a l.H o w e v e r,c o n v e n t i o n a lm e t h o d s c a n n o t c o m p l e t em u l t i-t a s k j o i n tm o n i t o r i n g,s o t h e ya r el e s s f l e x i b l e.W i t ht h ed e v e l o p m e n to fm a c h i n e l e a r n i n g,t h em o n i t o r i n go f o p t i c a l s i g n a lm o d u l a t i o nf o r m a t(MF)a n do p t i c a l s i g-n a l-t o-n o i s er a t i o(O S N R)b a s e do nm a c h i n e l e a r n i n gh a v eb e e ng r a d u a l l ya p p l i e d.H o w e v e r,e x i s t i n gm e t h o d sh a v e l o wa c c u r a c yf o rO S N Rm o n i t o r i n g i nc o m p l e xs c e n a r i o sb e c a u s e t h e yd on o t c o n s i d e r t h e f i n e-g r a i n e dc h a r a c t e r i s t i c so f t h es i g n a l.T h i sp a p e rp r o p o s e sa j o i n tm o n i t o r i n gm o d e l(F G N e t)f o ro p t i c a l s i g n a lMFa n dO S N Rb a s e do nf i n e-g r a i n e dc o n s t e l l a t i o ni d e n t i f i c a t i o nt os o l v e t h i sp r o b l e m.F i r s t l y,t h eb a c k b o n e f e a t u r ee x t r a c t i o nm o d u l eu s e sad e e pr e s i d u a l s t r u c t u r e.S e c o n d l y,am u l t i l a y e rb i l i n e a rp o o l i n gm o d u l e i sp r o p o s e d t op e r f o r mf i n e-g r a i n e d f e a t u r e a n a l y s i so nc o n s t e l l a t i o n f e a t u r e s.F i n a l l y,a j o i n tMFa n dO S N Rm o n i-t o r i n gm o d u l e i sp r o p o s e dt or e a l i z e t h e f e a t u r e f u s i o no fMFa n dO S N R.E x t e n s i v ee x p e r i m e n t sw i t h7 2 0 0c o n s t e l l a t i o nm a p s i nt h es i m u l a t i o nd a t a s e t s h o wt h a t t h ep r o p o s e dm o d e lh a sa c h i e v e ds u p e r i o rp e r f o r m a n c ec o m p a r e dt oe x i s t i n gm e t h o d s.K e y w o r d s M a c h i n e l e a r n i n g,O S N Rm o n i t o r i n g,M o d u l a t i o n f o r m a t c l a s s i f i c a t i o n,F i n e-g r a i n e d i m a g e r e c o g n i t i o n,R e s i d u a l n e u r a ln e t w o r k 1 引言随着5 G的到来,光通信进入了高速发展时代,与此同时,对光通信过程中各种性能参数进行连续监测,保证信号高质量传输的光性能监测(O PM)环节变得至关重要1。在相干光通信过程中,调制格式不同的信号其解调方式也有所区别,对信号调制格式不加区分直接混用,会使依赖调制格式的算法无法正常运作,导致通信误码率(B i tE r r o rR a t e,B E R)提高。此外,光信噪比不仅能够直观反映信号在传输过程中受噪声影响的程度以及为噪声补偿提供依据,而且能通过其具体数值进一步推算出信号的B E R。因此,对M F的识别和对O S N R的精确监测是保证光网络高质量通信的两个重要因素。传统光性能监测方法有肩部法2、斯托克斯参数法3和G o l a y序列法4等。这些方法都依赖于硬件设备,如频谱仪、示波器等。而一种硬件只能对应监测一个参数,因此传统方法在光性能监测方面灵活性较低。随着机器学习的发展,采用机器学习算法代替传统算法对光性能进行监测成为新的趋势5-7。机器学习算法可以通过多任务网络实现多种光性能联合监测,从而弥补传统方法在灵活性上的不足。近年来,基于机器学习的光性能监测方法主要分为两种。一种是结合信号的时频域信息,通过传统机器学习方法实现光性能监测8-9。但由于一维信号特征表现不够明显,且传统机器学习算法的拟合能力较弱,因此这类方法在O S N R监测任务中的效果较差。另一种则是将信号从一维映射到二维平面,通 过 分 析 信 号 转 换 后 的 图 像 特 征 来 实 现 光 性 能 监测1 0-1 2。随着图像处理器的升级,基于星座图分析的光性能监测方法逐渐成为主流1 3-1 5。但由于现有的方法忽略了对星座图的细粒度特征提取与分析,因而无法解决在多应力场景中O S N R监测精度不理想的问题。在实际光纤通信过程中,远距离传输会导致信号叠加多种损伤,如非线性干扰、I Q不平衡和时延等。因此,在多应力的复杂场景中对O S N R实现高精度监测成了难点。为了解决这一问题,本文提出了一种基于细粒度星座图识别的光性能监测模型(F G N e t)。该模型通过对星座图进行细粒度的特征提取与分析,有效提升了O S N R的监测精度。首先,为实现对星座图进行深层次特征提取,在骨干特征提取模块采用深度残差结构。其次,为了对星座图特征进行细粒度分析,提出了基于卷积高阶编码的多层双线性池化模块,从而提升O S N R的监测精度。最后,为了消除多任务之间的相互影响,提出了MF和O S N R联合监测模块,进一步提升了模型的整体性能。本文第2节介绍了基于机器学习的光性能监测方法以及细粒度图像识别算法的相关工作;第3节介绍了网络框架;第4节介绍了实验数据集和实验环境,并对实验结果进行了分析;最后总结全文并展望未来。2 相关工作下文将分别从基于机器学习的MF及O S N R联合监测和细粒度图像识别算法两个方面介绍相关工作。2.1 基于机器学习的M F及O S N R的联合监测近年来,机器学习的快速发展使其在工业界受到青睐。在光性能监测领域,W a n等提出了基于直方图(AH s)的多任务人工神经网络(ANN)模型,从而实现了同时进行调制格式识别和O S N R估计1 6-1 7。但传统机器学习算法的网络模型较为简单且原始信号特征不明显,因此这类模型在复杂场景中O S N R监测的精度较低。为了解决复杂场景中O S N R监测精度低这一问题,研究人员开始考虑将一维信号映射为二维星座图,采用对