(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110730757.6 (22)申请日 2021.06.30 (65)同一申请的已公布的文献号 申请公布号 CN 113472435 A (43)申请公布日 2021.10.01 (73)专利权人 华中科技大 学 地址 430074 湖北省武汉市洪山区珞喻路 1037号 (72)发明人 柯昌剑　于成龙　王昊宇　钟一博　 刘德明　 (74)专利代理 机构 华中科技大 学专利中心 42201 专利代理师 徐美琳 (51)Int.Cl. H04B 10/079(2013.01)H04Q 11/00(2006.01) G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (56)对比文件 CN 110730037 A,2020.01.24 CN 109217923 A,2019.01.15 审查员 钱坤 (54)发明名称 一种光信号调制参数和损伤因素同时提取 的方法 (57)摘要 本发明公开一种光信号调制参数和损伤因 素同时提取的方法， 属于光通信领域。 方法包括： 获取不同调制参数和损伤因素下的信号光谱， 预 处理后将其作为训练集； 将训练集作为输入， 训 练多任务卷积神经网络模型， 所述多任务卷积神 经网络模型通过共享卷积层和池化层所提取的 信号光谱信息， 针对不同任务， 将特定的激活函 数和神经元相连接； 将所需分析的信号光谱输入 至训练完成的多任务卷积神经网络模 型， 对多个 光信号调制参数和损伤因素同时进行提取。 权利要求书1页 说明书6页 附图3页 CN 113472435 B 2022.09.27 CN 113472435 B 1.一种光信号调制参数和损伤因素同时提取的方法， 其特 征在于， 包括： 获取不同调制参数和损伤因素 下的信号 光谱， 预处 理后将其作为训练集； 包括： 获取不同调制参数下的光信号， 调节各光信号的损伤因素， 得到携带不同光性能损伤 的光信号， 采集得到不同调制参数和损伤因素 下的信号 光谱； 将训练集作为输入， 训练多任务卷积神经网络模型， 所述多任务卷积神经网络模型通 过共享卷积层和池化层所提取 的信号光谱信息， 针对不同任务， 将特定的激活函数和神经 元相连接； 包括： 将训练集作为多任务卷积神经网络模型的输入， 将对应的光信号调制参数和损伤 因素 作为不同任务的标签值， 训练所述多任务卷积神经网络模型； 将所需分析的信号光谱输入至训练完成的多任务卷积神经网络模型， 对多个光信号调 制参数和损伤因素同时进行提取； 包括： 将所需分析的信号光谱输入至训练完成的多任务卷积神经网络模型， 通过其训练好的 模型对当前输入的信号光谱数据进行分析， 从而实现对多个光信号调制参数和损伤因素的 同时提取， 由所述多任务卷积神经网络模型输出不同任务的标签信息， 进而得到所述多任 务卷积神经网络模型同时提取的光信号调制参数和损伤因素。 2.如权利要求1所述的方法， 其特征在于， 所述将对应的光信号调制参数和损伤 因素作 为不同任务的标签值包括： 将光信号调制参数作为分类任务标签值， 将光信号损伤因素作为回归 任务标签值。 3.如权利要求1所述的方法， 其特 征在于， 所述多任务卷积神经网络模型包括： 一个输入层， M个卷积层C1、 C2、…、 CM， N个池化层P1、 P2、…、 PN， L个全连接层F1、 F2、…、 FL， 一个输出层； 其中m个卷积层对应一个池化层， M＝m ×N； 所述输入层的输入为经 过预处理的信号 光谱数据， 输入层与M个卷积层相连； 所述卷积层Ci含有ki个大小为ai×1的卷积核， 所述输入层图像经过m个卷积层特征检 测后得到km个特征图， 进而将得到的特 征图传递至池化层； 所述池化层Pj以bj×1的大小对卷积层得到的特征图进行最大采样， 得到特征筛选后的 特征图， 再将得到的特 征图传递至下一m个卷积层； 所述卷积层和池化层对顺序连接， 用于提取信号 光谱特征； 所述全连接层F1是最后一个池化层PN所得特征图的像素点映射而成， 每个像素点代表 一个神经 元节点， 全连接层F1、 F2、…、 FL依次顺序全连接； 所述M个卷积层， N个池化层， L个全连接层之间采用ReLU激活函数； 所述输出层由最后一个全连接层FL全连接形成， 其中回归任务对应的输出层神经元采 用线性激活函数， 分类任务对应的输出层神经元采用Softmax激活函数， 模 型选用Adam算法 进行优化。 4.如权利要求1所述的方法， 其特征在于， 所述调制参数包括： 调制格 式、 比特率和脉冲 形状。 5.如权利要求1所述的方法， 其特征在于， 所述损伤因素包括： 光信噪比、 消光比、 激光 器中心频率漂移量、 级联 滤波器个数， 滤波器中心波长偏差量。权　利　要　求　书 1/1 页 2 CN 113472435 B 2一种光信号调制参数和损伤因素同时提取的方 法 技术领域 [0001]本发明涉及光通信领域， 更具体地， 涉及一种光信号调制参数和损伤因素同时提 取的方法。 背景技术 [0002]随着云计算、 高清视频、 万物互联等技术相继出现， 数据通信流量快速增长， 弹性 光网络(EON)应运而生。 由于网络架构愈加庞大、 复杂和灵活多变， 对众多网络性能参数进 行监测对于保障光网络的运行十分重要。 光谱是光信号的重要特征， 可以为光网络性能监 测提供丰富的信息。 基于光谱的光网络性能监测技术具有测试结构较为简单、 分析对 象直 观、 对色散和偏振 模色散不敏感等优点， 适用于光网络链路节点。 [0003]期刊文献1(Li  Y,Hua N,Li J,et al.Optical  spectrum  feature analysis  and  recognition  for optical network security  with machine learning[J].Optics   Express,2019,27(17):24808.)基于光谱， 利用支持向量机(SVM)和一维卷积神经网络(1D ‑ CNN)算法， 实现了光信号调制参数的分析。 期刊文献2(Hu  C ,Zheng  H ,Li W ,et  al.Modulation ‑format‑independent  in‑band OSNR monitoring  technique  using  Gaussian  process regression  for a Raman amplified  multi‑span system with a  cascaded filtering  effect[J].Optics  express,2020,28(7):10134 ‑10144.)基于光谱， 利用高斯过程回归(GPR)算法， 实现了光信号损伤因素光信噪比(OSN R)的分析。 但上述两种 方案基于光谱， 仅能实现对光信号调制参数和损伤因素中的一类进行分析， 无法实现光信 号调制参数和损伤因素的同时提取， 不满足未来 弹性光网络对多个网络性能参数同时监测 的需求。 发明内容 [0004]针对现有技术的缺陷， 本发明的目的在于提供一种基于光谱的光信号调制参数和 损伤因素同时提取的方法， 旨在解决现有技术无法在光网络链路节点处对多个光信号调制 参数和损伤因素同时进行提取的问题。 [0005]为实现上述目的， 本发明提出一种基于光谱的光信号调制参数和损伤因素同时提 取的方法， 包括： [0006]获取不同调制参数和损伤因素 下的信号 光谱， 预处 理后将其作为训练集； [0007]将训练集作为输入， 训练多任务卷积神经网络模型； [0008]将所需分析的信号光谱输入至训练完成的多任务卷积神经网络模型， 对多个光信 号调制参数和损伤因素同时进行提取； [0009]输出提取的光信号调制参数和损伤因素。 [0010]进一步地， 所述获取不同调制参数和损伤因素 下的信号 光谱包括： [0011]获取不同调制参数下的光信号， 调节各光信号的光性能损伤因素， 得到携带不 同 光性能损伤的光信号；说　明　书 1/6 页 3 CN 113472435 B 3