一种基于线性卷积神经网络的TDECQ测量模型的构建方法及系统

本发明属于光纤通信系统领域，更具体地，涉及一种基于线性卷积神经网络的tdecq测量模型的构建方法及系统。

背景技术：

1、近年来，随着信息技术产业的快速发展，日益增长的网络流量推动了对大容量、高速率、低功耗数据中心光互连系统(data center interconnection，dci)的应用需求。然而在面对dci提速、扩容的应用需求时，传统基于非归零调制格式(non-return-to-zero,nrz)的光信号因器件带宽受限，传输性能受限。对于100g以上光模块，四电平脉冲幅度调制(four-level pulse amplitude modulation,pam-4)比nrz信号具有更高频谱效率和色散容限，因此新一代dci中所使用的调制格式正逐渐由nrz到pam-4演进。

2、为了保证光发射机和光接收机之间实现互联互通，利用统一性能评价指标准确评估光发射机信号质量必不可少。2002年，ieee在基于光电探测器灵敏度测量方案的基础上定义了发射机色散代价(transmitter and dispersion penalty,tdp)以反映光发射机性能。然而，tdp测量过程中需要使用高性能误码仪(bit error ratio tester，bert)以确保接收信号达到接收灵敏度为10-12的接收机灵敏度测量的误码率门限。随着传输速率的提升，达到tdp测量门限将越发困难，因此tdp测量方案没有得到应用推广。在ieee 802.3标准中，发射机色散眼图闭合(transmitter and dispersion eye closure,tdec)测量方案使用前向纠错(forward error correction,fec)技术使发射机信号质量测量误码率门限从10-12降低到了5×10-5。虽然tdec的测量方案降低了测量光发射机所需要的成本和时间，但是tdec测量指标并不适用于pam-4信号光发射机，因此无法满足dci设备的测试需求。ieee在2017年提出适用于pam-4信号光发射机的tdecq测量方案，以适应dci中的大容量，高速率传输系统。然而传统tdecq测量方案需要大量的迭代运算，其计算复杂、测量时间长，因此成本低、复杂度低且智能化的tdecq测量方案，获得了广泛关注。

3、深度神经网络算法作为常用的一种机器学习方案，可以从大规模数据集中挖掘隐藏信息，且在训练后无须通过迭代运算更新参数，可以减少运算的复杂度，因此引来了科研人员的关注。当前基于深度神经网络的tdecq的测量方案往往是原始数据、统计直方图、眼图作为数据输入，然而以原始数据作为输入的深度神经网络为了确保能够从数据中捕获足够的特征，输入抽头数较多，复杂度较高。虽然统计直方图能够表征待测信号的统计特性，但是无法分析信号中的细节特征，不利于特征表达。眼图，可以直观的表现出信号的受损情况，因此本方案以眼图作为深度神经网络的输入。

4、而申请号为202110992138.4的中国发明专利：一种tdecq测量模型的构建方法及应用，包括：s1、采用传统的tdecq计算方法分别计算仿真得到的各pam-4仿真信号和实际检测到的各pam-4检测信号的tdecq数值，作为标签；s2、分别对各pam-4仿真信号和各pam-4检测信号，进行预处理后，计算其振幅分布直方图；各pam-4仿真信号的振幅分布直方图及其对应的标签构成仿真信号训练样本集；各pam-4检测信号的振幅分布直方图及其对应的标签构成实际信号训练样本集；s3、将仿真信号训练样本集输入到深度神经网络中进行训练，得到预训练模型；s4、将实际信号训练样本集输入到预训练模型中进行训练，得到tdecq测量模型。该方案采用了非线性激活函数，这种做法虽然保障了测量方案的准确性，但是忽略了测量方案的算法复杂度，且难以从器件上表征非线性激活函数，这不利于算法的硬件集成。以常用的sigmoid激活函数为例，在正向传播中，信号x经过非线性激活函数后，可表达为为了更新神经网络的参数，信号x往往需要通过反向传播，在反向传播时，sigmoid求导后导数的表达式可以写为f'(x)＝f(x)×(1-f(x))；而基于线性激活函数的深度神经网络，往往可以忽略正向传播和反向传播过程中激活函数所带来的计算量。因此，本方案在允许误差内，通过设计低复杂度的l-cnn，降低传统tdecq测量方案的测量成本。

技术实现思路

1、针对现有技术存在算法度较高、测量时间长以及算法硬件集成难度大的问题，本发明提出一种基于线性卷积神经网络的tdecq测量模型的构建方法及系统，本发明采用的技术方案是：

2、本发明第一方面提供了一种基于线性卷积神经网络的tdecq测量模型的构建方法，包括以下步骤：

3、s1，将眼图作为训练集和测试集；采用传统的tdecq计算方法得到pam-4信号的tdecq数值，作为训练集和测试集的标签；

4、s2，将所述训练集与其对应的标签所构成的训练样本集输入到深度神经网络中进行训练，得到训练模型；

5、s3，加载所述步骤s2中的训练模型，使用所述步骤s1中的测试集测试所述训练模型的性能，保存性能最佳的训练模型并作为最终模型。

6、相较于现有技术，本发明设计了低复杂度的l-cnn，在本发明技术方案方案仅采用线性激活函数，并且从算法的前向传播和后向传播两个方面都减少了算法的复杂度，解决传统tdecq测量方案中实施复杂、算法复杂度高以及测量时间长等问题。

7、作为一种优选方案，在所述步骤s1之前还包括：

8、通过光发射装置生成pam-4调制光信号，然后通过采用光电探测器将所述pam-4调制光信号转化为电信号，最后经过模数转换器生成所述步骤s1中的眼图；所述光发射装置包括激光器、任意波形发射机以及马赫曾德调制器；所述马赫曾德调制器分别与所述激光器和所述任意波形发射机连接，所述pam-4调制光信号最终由所述马赫曾德调制器输出。

9、作为一种优选方案，所述眼图包括马赫曾德调制器在不同偏置电压下产生的信号眼图、数模转换器采样率受限产生的信号眼图以及数模转换器带宽受限产生的信号眼图。

10、作为一种优选方案，所述深度神经网络包括卷积层、池化层、第一全连接层、第二全连接层；将所述深度神经网络记作l-cnn；

11、所述卷积层通过卷积、线性激活函数以及最大池化的方式提取特征，其中卷积核为3×3；所述池化层通过卷积、线性激活函数以及最大池化的方式提取特征，其中，其中卷积核尺寸为3×3；所述第一全连接层通过全连接的方式提取特征，其中神经单元数为900×10；所述第二全连接层的方式提取特征，其中神经单元数为10×1。

12、作为一种优选方案，在所述步骤s2中，所述深度神经网络通过kaiming初始化方式对其中的参数进行初始化。

13、作为一种优选方案，在所述步骤s2中，所述深度神经网络采用adam优化器作为梯度下降算法更新其中的权值和偏置。

14、作为一种优选方案，在所述步骤s2中，所述深度神经网络采用mse作为损失函数，所述损失函数用于评估预测值与标签之间的差异，并通过反向传播算法更新所述深度神经网络中的参数，直至所述损失函数收敛。

15、作为一种优选方案，在所述步骤s3中，采用平均绝对误差作为衡量所述训练模型的性能指标。

16、本发明第二方面还提供了一种基于线性卷积神经网络的tdecq测量模型的构建系统，包括依序连接的训练样本采集模块、模型训练模块以及模型性能测试模块；

17、所述训练样本采集模块用于获取所述眼图以及所述pam-4信号的tdecq数值；将所述眼图划分为训练集和测试集；将所述pam-4信号的tdecq数值作为训练集和测试集的标签；

18、所述模型训练模块用于将所述训练集与其对应的标签所构成的训练样本集输入到深度神经网络中进行训练，得到训练模型；

19、所述模型性能测试模块用于加载所述步骤s2中的训练模型，使用所述步骤s1中的测试集测试所述训练模型的性能，保存性能最佳的训练模型并作为最终模型。

20、本发明第三方面还提供了一种计算机设备，包括存储介质、处理器以及储存在所述存储介质中并可被所述处理器执行的计算机程序，所述计算机程序被处理器执行时实现如前述的一种基于线性卷积神经网络的tdecq测量模型的构建方法的步骤。

21、本发明的有益效果是：

22、本发明通过仅采用线性激活函数的方式，并且从算法的前向传播和后向传播两个方面都减少了算法的复杂度，解决了传统tdecq测量方案中实施复杂、算法复杂度高以及测量时间长等问题。