[發明專利]一種基于特征融合多任務卷積網絡光性能檢測方法及系統

在審

• 申請號: 202011506401.6
• 申請日: 2020-12-18
• 公開（公告）號: CN112632855A
• 公開（公告）日: 2021-04-09
• 發明（設計）人: 王建萍;范瀟杰;任芳
• 申請（專利權）人: 北京科技大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06N3/08;G01M11/00
• 代理公司: 北京金智普華知識產權代理有限公司 11401
• 代理人: 皋吉甫

本發明涉及一種基于特征融合多任務卷積網絡光性能檢測方法及系統，該方法基于特征融合多任務卷積神經網絡，獲取并融合二維散點圖的局部和全局信息，同時對信號的光性能參數和速率/格式類別進行監測與識別。隨后，構建特征融合多任務卷積網絡，使用訓練數據集對網絡模型進行訓練和優化。最后，使用測試數據集評價訓練完成的網絡性能。經過試驗驗證，本發明通過二維散點圖中提取并共享融合特征，使得不同任務之間相互促進，提升了光性能監測和速率/格式識別的性能。對未來復雜的光網絡性能以及信號屬性的監測識別任務中，能做到對光性能監測任務和速率/格式識別任務的聯合執行，且自動提取并融合特征，不同任務間相互促進，提升性能。

技術領域

本發明涉及光纖網絡性能監測和深度學習的交叉結合領域，具體地說是使用特征融合多任務卷積神經網絡方法，對光性能(OPM)參數和速率/格式(BR-MFI)信息進行監測和識別的技術，以實現快速準確的監測識別，同時借助特征融合技術，獲取散點圖的全局與局部信息提示網絡的監測性能。

背景技術

未來的光網絡被設計成動態的和異構的。為了滿足終端用戶的各種需求，光網絡需要能夠傳輸具有不同調制格式和比特率的各種信號。由于光網絡的復雜性，光信號可以傳輸不同的路徑并累積各種傳輸損傷。因此，有必要在動態光纖通信網絡的中間節點部署足夠的OPM設備，用于信道損傷的實時監測。

類似地，BR-MFI可以提供附加信息來選擇合適的載波恢復模塊或提高OPM精度。近年來，OPM和B-MFI的結合已成為一種發展趨勢。各種機器學習算法已經被應用于光通信，包括反向傳播人工神經網絡(BP-ANN)，k-最近鄰(KNN)，以及支持向量機(SVM)。針對聯合OPM和BR-MFI，提出了一種基于PCA的異步延遲抽頭圖(ADTP)模式識別方法?；赑CA的模式識別算法的第一步是提取給定圖像和參考數據集中所有圖像的固定尺寸特征向量。然后，從參考數據集中選擇與給定圖像的特征向量具有最小歐氏距離的特征向量。最后，我們使用與參考數據集中選擇的特征向量相對應的標簽(損傷值、比特率和調制格式)來估計給定圖像的結果。

不幸的是，傳統機器學習算法缺乏特征提取和共享的能力。具體地說，原始的數據形式不能用機器學習模型進行處理，而特征提取器的設計需要豐富的領域經驗。此外，OPM和BR-MFI的聯合問題包括損傷監測任務(回歸任務)、比特率識別任務和格式識別任務(分類任務)。我們認為，損傷監測任務的執行會受到一些相關因素的影響。例如，在相同的損傷下，低比特率信號比高比特率信號受到的影響更小。有效地發現和利用比特率等相關因素提供的信息有助于更準確地監測信號損傷。同樣，不同的調制格式對相同的損傷有不同的響應。調制格式提供的信息可用于提高損傷監測的精度。然而，傳統機器學習算法不能在不同的任務之間共享有用的特征信息。為了避免機器學習算法的缺點，需要更高級的算法不僅自動提取特征，而且在不同任務之間共享特征。

近年來，深層學習受到越來越多的關注，其中多任務學習在許多應用中很流行。多任務方法能在各種任務間共享相關信息，提升任務的訓練能力。之前的許多工作使用了卷積神經網絡來對光信號的參數進行監測，其主要借助了卷積網絡的特征自動提取能力。我們之前的一項工作在特征提取能力的基礎之上，結合了多任務訓練的技術，進一步提升的網絡的性能。隨后，在本項工作中我們進一步進行改進：添加特征融合能力。之前的多任務網絡只是基于最高層特征進行訓練，而我們的網絡對不同層次的特征進行了拼接融合的操作，然后在拼接之后的特征上訓練多任務網絡。特征的融合將更好的結合散點圖的全局和局部信息，提升網絡性能。

針對異構光網絡中OPM和BR-MFI的聯合問題，提出了一種基于特征融合多任務學習技術。近年來，異步單通道采樣技術因為硬件成本低廉而獲得大量應用。在不知道其他先驗信息的情況下，利用具有特征提取和特征共享以及特征融合能力的多任務學習模型對散點圖進行處理，以實現OPM和BR-MFI的聯合優化。為了驗證所提出技術的有效性，對60/100Gbps QPSK、60/100Gbps 16QAM、60/100Gbps 64QAM信號進行了數值模擬。在基于特征融合多任務學習算法的特征提取、特征共享以及特征融合能力的幫助下，OPM和BR-MFI的聯合算法表現出了良好的性能。