[发明专利]一种抗模式耦合少模信号复杂格式解析方法及装置

说明书

本发明公开一种抗模式耦合少模信号复杂格式解析方法及装置，针对基于少模光纤的弹性光网络调制格式识别效果差、训练成本高问题，通过领域自适应理论，把波分复用技术作为源域，把模分复用技术当作目标域。将受激拉曼散射效应类比于模式耦合效应，让神经网络学习到能量迁移的规律。相对比于重新训练的网络模型，该方法可以仅需要少量的少模数据就可以实现少模信号的调制格式识别，显著降低神经网络的训练成本，加快网络模型的收敛速度，减少模型训练时间与计算复杂度。同时，借助迁移学习的理论优势，该网络具有更好的泛化能力和识别性能，可以适应少模光纤中的模式耦合对于调制格式的影响，实现少模光网络的调制格式识别任务。

技术领域

本发明属于光通信技术领域，具体涉及一种抗模式耦合少模信号复杂格式解析方法及装置。

背景技术

近年来，信息技术和数据应用的快速发展给基于单模光纤的光传输网络带来了许多新的挑战和限制。为了适应数据中心、云服务、5G、物联网、虚拟现实等新兴业务不断增长的带宽需求，现有的光纤通信系统迫切需要一个有效的扩容方法。目前，单模光纤系统中光波的幅度、相位、时隙、偏振等大多数物理维度都已经得到了很大程度的利用。为了提高信号的频谱效率，一些高阶的调制格式也被提出。但是受限于单模光纤的非线性效应，现有的复用技术和高阶的信号调制格式无法帮助单模光纤系统突破香农极限。为了应对未来网络环境中多种业务对于网络带宽的需求，基于少模光纤的弹性光网络的研究方兴未艾。基于少模光纤的模分复用技术利用模式维度的正交性，实现并行空间维度承载信息传输。少模光纤拥有比单模光纤更大的有效面积，从而具备长距离传输扩容的潜力。因此，模分复用技术可以有效解决传统单模光纤的传输容限问题，满足不断增长的超高数据传输速率的需求。而弹性光网络具有功耗低、成本低、信号衰减程度低，信号不易失真，数据速率和频谱分配灵活等优点。基于少模光纤的弹性光网络能够高效地利用频谱资源、适应动态带宽调整、灵活调度业务占用频谱资源以及整理业务传输速率与调制格式，为未来建立灵活高效的低能耗全光网络，提供了良好的解决方法。

随着弹性光网络朝着动态化、复杂化、透明化的方向发展，为了保证网络可以提供高质量的服务并且提高网络性能的可靠性，光性能监测技术因为可以监测网络的各项物理层参数而被广泛应用；其中，信号的调制格式是其中的重要参数。为了实现弹性光网络中信号的调制格式识别任务，市面上提出了许多基于深度学习的算法。基于深度学习的算法拥有强大的拟合能力，不用牺牲频谱效率，识别准确率更高，对噪声数据的容忍度高。不过，神经网络的参数较多，训练学习的过程相对较长，若是优化方式不当容易陷入局部最优值。并且，这些算法都没有考虑到基于少模光纤的信号调制格式识别问题，因为少模光纤中存在多种传输模式。信道参数一旦改变，基于深度学习方法的神经网络要想获得较为理想的识别性能就需要重新训练，这就大大增加了训练的成本和训练的时间。同时，相比于单模光纤，少模光纤中存在模式耦合等固有的链路损伤，这些链路损伤会造成调制格式识别准确率的降低，进而影响光性能监测系统的监测性能。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种抗模式耦合少模信号复杂格式解析方法及装置，提高传输信号调制格式识别的速度及效率。

为达到上述目的，本发明是采用下述技术方法实现的：

第一方面，本发明提供了一种抗模式耦合少模信号复杂格式解析方法，包括以下步骤：

采集源域和目标域的数据样本并对收集的数据进行数据增强，得到不同调制格式信号的星座图，再对收集到的所有星座图进行归一化处理，获取训练数据；

获取源域的网络模型，并根据所述训练数据，对所述网络模型进行训练，获得训练好的网络模型；

获取接收信号的目标域的数据并进行数据增强，提取所述训练好的网络模型，并针对少模固有的链路损伤微调训练好的网络模型，获得目标网络模型，通过所述目标网络模型得到接收信号的调制格式。