技术领域本发明属于光通信领域，具体属于光通信网络中的光性能监控技术领域，尤其涉及一种基于优化控制方案的光信号多参数监控的方法。
背景技术：
目前光通信技术的发展以及新型光电器件的出现，使得点到点之间的传输能力已经接近了极限，如何进一步提升系统的传输能力？必须发挥现有系统的动态传输、交换特性，也就是需要实现一种动态的光网络。因此给光信号的性能监测和管理技术带来机遇与挑战，为了实现下一代动态可重构的光网络，必须对其中重要的参数进行监测，光性能监控模块(OPM)在下一代光网络管理、调控、优化中起到必不可少的作用。目前，实现多参数光信号监控已经成为OPM技术未来的发展趋势。如何在实际工程应用中实现多参数监控的OPM技术，是需要解决的关键技术之一。目前采用较多的技术就是基于人工神经元网络的监测技术，但是存在硬件复杂度高、灵活性差、不能应用于不同信道传输情况等问题，在实际工程应用中受到很大限制。此外，现有技术在网络训练中对人工干预的依赖很大，仅仅提出了多种调制格式的识别，但是如果CD、PMD、OSNR等多种参数需要共同识别时，由于其引起的光信号畸变特征不同，有效性会大大降低。为了提高识别精度，就需要增加采样精度，这样就会使得神经元网络的矩阵非常庞大，信号处理会变得非常复杂。已有的方案都没有考虑光网络变化的情况，当光网络重新配置时，会出现无法识别或误判决的情况。
技术实现要素：
为解决上述技术问题，本发明人经过长期研究，提出一种基于优化控制方案的光信号多参数监控的方法，其能够降低网络训练中对人工干预的依赖，提高神经元网络训练过程的自适应能力。依据本发明的技术方案，提供一种基于优化控制方案的光信号多参数监控的方法，其1)通过具有“在线识别”和“网络训练”两部分的OPM监测模块实现了对全光网络的多参数监控；2)引入“快速收敛模块”对参数识别的神经元网络不断优化，能够在精度满足要求的前提下最大可能的降低实现成本，也可以在复杂度不变的条件下提高识别精度，提高了OPM监测模块的灵活性；3)“快速收敛模块”具有可移植性，不仅可以用来优化识别单一OPM参数的各种神经元网络，还可以用于优化识别多参数的神经网络群。优选地，在基于优化控制方案的光信号多参数监控的方法中，在全光网络中设置识别多参数的OPM监测模块的构架，其中a.OPM监测模块包括“在线识别”和“网络训练”两部分；b.根据实际信道条件和工程要求调整OPM监测模块中的设置，在不同信道条件下实现多参数的监测。进一步地，基于优化控制方案的光信号多参数监控的方法在OPM监测模块的网络训练过程中引入快速收敛模块的技术；a.快速收敛模块的引入使得OPM参数识别的神经元网络在有指导的训练过程中不断调整，不断优化；b.快速收敛模块中的优化模块采用改进的遗传算法或Adaboost算法实现，而且可作用于不同的参数识别网络形式，具有可移植性。使用本发明的基于优化控制方案的光信号多参数监控的方法，在动态光纤通信网络中，需要共同识别CD、PMD、OSNR、MODULATIONFORMAT等多种参数，由于其引起的光信号畸变特征不同，需要建立不同的神经元网络，实现分类识别。本发明能够在采样精度要求不高的情况下，用简化的神经元网络结构实现高的识别精度，使信号处理过程简单迅速。当光网络重新配置时，本发明能自适应地识别或者判决。附图说明图1是OPM监测模块的示意图；图2是依据本发明的基于优化控制方案的光信号多参数监控的方法中添加快速收敛模块的多参数识别神经元网络的OPM监测模块原理图。图3是依据本发明的基于优化控制方案的光信号多参数监控的方法中基于改进的神经元网络实现光网络多参数识别与监测原理图。图4是依据本发明的基于优化控制方案的光信号多参数监控的方法中基于改进的神经元网络实现光网络多参数识别与监测的原理图。具体实施方式下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。另外地，不应当将本发明的保护范围仅仅限制至下述具体模块或具体参数。本发明基于优化控制方案的光信号多参数监控的方法中，动态光纤通信网络需要共同识别CD、PMD、OSNR、MODULATIONFORMAT等多种参数，由于其引起的光信号畸变特征不同，需要建立不同的神经元网络，实现分类识别。本发明能够在采样精度要求不高的情况下，用简化的神经元网络结构实现高的识别精度，使信号处理过程简单迅速。当光网络重新配置时，本发明能自适应地识别或者判决。其一，基于异步幅度直方图(AsynchronousAmplitudeHistograms，AAHs)提取信号特征，即从采样信号的眼图得到对应的异步幅度直方图(AsynchronousAmplitudeHistograms，AAHs)，AAHs把幅度从最小值到最大值分成若干个组，每组的频数可以表征出不同信号的特征，组数越多，组距越小，特征越明显，若组数为W，则对应的W组频数可以作为参数识别的神经元网络的W维输入。其二，基于神经元网络识别调制格式的OPM监测模块。如图1所示，该OPM监测模块通过神经元网络识别光纤网络中信号的调制格式。该OPM监测模块中识别调制格式的BP神经元网络为80-40-6的结构，即有80个节点的输入层，40个节点的隐含层和6个节点的输出层(该OPM监测模块主要识别6种调制格式)，是通过已知的仿真信号训练好各层之间的权值阈值，经测试精度达标后投入使用。其三，仿真信号的特征提取：用计算机模拟实际光纤网络，得到仿真信号的AAHs、设置合理的组数使每组的频数能充分体现信号的特征，通常组数设置为80，这就要求神经元网络的输入层有80个节点，能将80组的频数引入网络。其四，训练网络的权值和阈值：调制格式识别的神经元网络通常选用三层的BP神经元网络，依赖于人工调试设置网络各层神经元节点数和网络的激活函数，通过大量的已知数据训练网络的权值和阈值，不断尝试和修改使网络的仿真输出在误差允许的范围内。其五，采样信号的特征提取：实际信号经采样得到眼图对应的AAHs，按照网络训练时相同的特征提取方式将信号以80组的频数引入训练成熟的网络。其六，训练成熟的网络：训练完成后，网络模型的层数、每一层的节点数以及各层节点之间的权值和阈值固定，按照和网络训练时一样的神经元学习方式，输入信号的调制格式可以被识别和输出。如图2所示，本发明基于优化控制方案的光信号多参数监控的方法中，OPM监测模块分为网络训练和在线识别两部分。网络训练是从仿真信号中提取特征，训练网络的权值和阈值；在线识别则从实际采样信号中提取特征，投入训练成熟的网络，实现对OPM中多参数的识别和监测。在线识别过程中，主要包括特征提取、成熟的网络以及类别输出三个模块。其中，特征提取模块主要是提取实际采样信号的特征参量，为后续成熟的网络提供输入信号；成熟网络对提取出的特征参数进行识别，类别输出模块会根据网络的输出信息进行判定，输出预期的监测信息。在网络训练过程中，同样包含特征提取模块，与之前模块不同之处在于输入信号是仿真信号。而训练网络的输入端依然是特征提取模块输出的特征参量，根据这些参量，不断调整网络的连接权值，以期输出符合预期的信息。快速收敛模块是提取训练网络的权值和阈值，进行优化处理，将得到的更优的权值和阈值发送给训练网络，起到提高训练网络精度或降低网络结构复杂度的作用。网络训练模块的输入除了仿真模拟获取外，还可以通过OPM的硬件电路进行实时获取。可以通过在开机前发送一段参量已知的序列送入网络训练模块完成训练。另外，还可以在过程中，通过间隔的发送参量已知的训练序列完成网络的重新训练，以适应动态的网络。图3显示了在训练过程中添加快速收敛模块以改进应用于OPM的神经元网络的基本结构，同样是包含在线识别和网络训练两部分。其基本过程如下：1、通过计算机对实际光纤网络进行信道模拟，得到仿真信号集，再通过一个特征提取子模块提取信号特征参量，这一部分功能由信道模拟、标准信号集和特征提取三个子模块共同完成，它们共同组成网络训练中的特征提取模块。2、初步设置神经元网络的结构，诸如网络层数、各层节点数等；这一部分功能由网络结构设置子模块来完成，与特征提取模块共同作为训练网络的输入端。3、训练网络得到的初步仿真输出，进入测评模块，确定下一步优化方向。以调制格式识别为例，仿真输出该调制格式的识别结果(简单来说1表示识别正确，0表示错误)，在测评结果子模块中，确定现阶段的识别精度和算法复杂度，并决定下一步优化方向：提高精度或降低复杂度。4、优化算法子模块根据输入信息，落实提高精度或降低复杂度的功能，对网络的权值和阈值进行优化。仿真输出、测评结果、优化算法以及网络结构设置共同组成了快速收敛模块，其中优化算法是核心部分。5、优化之后的网络作为在线识别中的成熟网络使用，负责对实际信号提取出的特征参量进行处理。6、成熟网络中的输入端也是特征提取模块，与训练网络中的特征提取模块的区别在于，它是针对实际信号进行特征提取，而不是仿真信号；成熟网络的输出端经过类别输出模块的鉴别，最终输出所需的监测信息。图3所示的实施方案可以使神经元网络结构不变，识别精度大大提高；也可以识别精度不变，大大简化神经元网络的结构，16-33-1的BP网络结构就可以实现原来80-40-6的BP网络达到的识别精度，降低对硬件要求，尤其降低了对采样过程的硬件要求。虽然在网络训练过程算法复杂，训练时间延长，但是简化的网络结构可以提高在线识别的速度，大大减小实际工程的运行时间。在实际工程要求的范围内，该实施方案可以简化结构或提高识别精度；提高了网络的自适应程度和灵活性，降低了对人工干预的依赖。图4显示了基于改进的神经元网络实现光网络多参数识别与监测的原理图。当应对光纤网络中多参数的识别问题时，如CD、PMD、OSNR、MODULATIONFORMAT等，根据要识别的目标信号的特征建立多个神经元网络，采取不同的算法和复杂度。针对这种情况，我们提出了基于改进的神经元网络实现光网络多参数识别与监测，基本架构如图4所示。在前面实施方案的基础上，在网络训练过程中添加了分类模块，针对不同参数提取不同的特征参量；在线识别过程中添加了预处理模块，采用Adaboost等分类算法，对信号的OPM参数(Modulationformat、OSNR等)进行分类，提取不同的信号特征。图4的运行流程基本同图3，网络训练时，在特征提取前对已知的仿真信号的各种OPM参数进行分类；而在线识别时，采样信号的OPM参数通过Adaboost等分类算法进行预处理，便于后续的特征提取。保证不同的OPM参数分别进入对应的神经元网络，进行识别。图4所示的实施方案包含分类识别，对于不同的OPM参数采用不同的神经元网络，识别率高；对于信号的各种损伤有良好高效的监测能力；对光纤网络具有良好的实时监测功能。以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。本领域普通的技术人员可以理解，在不背离所附权利要求定义的本发明的精神和范围的情况下，可以在形式和细节中做出各种各样的修改。