首页 / 一种光纤状态评估方法

一种光纤状态评估方法有效专利 发明

技术领域

[0001] 本发明涉及光纤状态评估技术领域,具体涉及一种光纤状态评估方法。

相关背景技术

[0002] 在光纤通信系统中,需要先对光进行调制,然后光在光纤中传输,最后在接收端进行解调。在信号传输的起始阶段,信息(如声音、数据等)会被转换或“调制”到光波上。一旦信息被调制到光波上,光就会进入光纤并在其中传播。当光波到达远端时,接收设备会对其进行“解调”,即将光波携带的信息转换回原始的信号形式。因此,光纤是传输信号的重要载体。但是光纤作为线路容易受到折叠、弯曲等损伤,造成信号传输有差异。现有的技术无法实现对光纤线路状态进行准确的评估,从而难以发现光纤线路中的潜在故障。

具体实施方式

[0064] 下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
[0065] 如图1所示,一种光纤状态评估方法,包括以下步骤:
[0066] S1、在光纤的调制端发送一段测试信号,在光纤的解调端获取解调信号;
[0067] S2、根据解调信号和测试信号,得到时域差距序列、频率幅值差距序列和频率集合;
[0068] S3、将时域差距序列、频率幅值差距序列和频率集合构建为训练集;
[0069] S4、采用训练集对光纤状态评估模型进行分段训练,得到训练后的光纤状态评估模型;
[0070] S5、采用训练后的光纤状态评估模型评估光纤的状态。
[0071] 所述S2中时域差距序列的获取方法为:在时域,解调信号与测试信号按采集时间点进行相减,得到时域差距序列;
[0072] 所述S2中频率幅值差距序列的获取方法为:在频域,解调信号与测试信号按频率值进行幅值相减,得到频率幅值差距序列。
[0073] 所述S2中频率集合的获取方法包括以下步骤:
[0074] A1、将解调信号的频率值构建为解调频率序列,将测试信号的频率值构建为测试频率序列;
[0075] A2、取解调频率序列和测试频率序列的交集,得到传输频率序列,统计传输频率序列中传输频率数量;
[0076] A3、从测试频率序列中剔除包含在传输频率序列中的元素,得到未传输频率数量;
[0077] A4、从解调频率序列中剔除包含在传输频率序列中的元素,得到噪点频率数量;
[0078] A5、将传输频率数量、未传输频率数量和噪点频率数量,构建为频率集合。
[0079] 本发明中在时域,按采集时间点相减,得到的时域差距序列可表达信号的形状情况,在频域,按频率值进行幅值相减,得到的频率幅值差距序列可表达在每个频率值上幅值的损失情况。通过统计传输前后频率值的变化情况,可以获知光纤对频率点的丢失、传输、以及产生的噪点。
[0080] 如图2所示,所述S4中光纤状态评估模型包括:第一浅层特征提取单元、第二浅层特征提取单元、第一深度特征提取单元、第二深度特征提取单元、特征融合单元、第一子评估单元、第二子评估单元和评估输出单元;
[0081] 所述第一浅层特征提取单元的输入端用于输入时域差距序列,其输出端与第一深度特征提取单元的输入端连接;所述第二浅层特征提取单元的输入端用于输入频率幅值差距序列,其输出端与第二深度特征提取单元的输入端连接;所述第二子评估单元的输入端用于输入频率集合;所述特征融合单元的输入端分别与第一深度特征提取单元的输出端和第二深度特征提取单元的输出端连接,其输出端与第一子评估单元的输入端连接;所述评估输出单元的输入端分别与第一子评估单元的输出端和第二子评估单元的输出端连接,其输出端作为光纤状态评估模型的输出端。
[0082] 本发明中光纤状态评估模型包括三个处理通道,每类数据在各自的通道中进行处理,时域差距序列和频率幅值差距序列数据量大,因此,采用浅层特征提取单元和深度特征提取单元进行数据的处理,提取出特征,再进行特征融合,进一步地凸显数据特征,减少数据量,采用第一子评估单元进行第一部分特征的评估,采用第二子评估单元进行第二部分特征的评估,评估输出单元综合两个评估,得到光纤的状态。
[0083] 如图3所示,所述第一浅层特征提取单元和第二浅层特征提取单元的结构相同,均包括:第一卷积层、第二卷积层、第一平均池化层和第一缩放层;
[0084] 所述第一卷积层的输入端作为第一浅层特征提取单元或第二浅层特征提取单元的输入端,其输出端与第二卷积层的输入端连接;所述第一平均池化层的输入端与第二卷积层的输出端连接,其输出端与第一缩放层的输入端连接;所述第一缩放层的输出端作为第一浅层特征提取单元或第二浅层特征提取单元的输出端。
[0085] 如图4所示,所述第一深度特征提取单元和第二深度特征提取单元的结构相同,均包括:第三卷积层、第四卷积层、第五卷积层、第六卷积层、乘法器、第二缩放层和加法器;
[0086] 所述第三卷积层的输入端作为第一深度特征提取单元和第二深度特征提取单元的输入端,其输出端分别与第四卷积层的输入端和第五卷积层的输入端连接;所述第五卷积层的输出端与第六卷积层的输入端连接;所述第四卷积层的输出端分别与乘法器的第一输入端和第二缩放层的输入端连接;所述乘法器的第二输入端与第六卷积层的输出端连接,其输出端与加法器的第一输入端连接;所述加法器的第二输入端与第二缩放层的输出端连接,其输出端作为第一深度特征提取单元或第二深度特征提取单元的输出端。
[0087] 所述第一缩放层和第二缩放层的表达式均为:
[0088] ,
[0089] 其中, 为缩放层输出的第i个特征,sigmoid为S型激活函数,xi为缩放层输入的第i个特征,ws,i为缩放层输入的第i个特征的权重,bs,i为缩放层输入的第i个特征的偏置;
[0090] 所述特征融合单元的表达式为:
[0091] ,
[0092] 其中,V为特征融合单元的输出,V1为第一深度特征提取单元的输出,V2为第二深度特征提取单元的输出, 为哈达玛积。
[0093] 本发明分别在浅层特征提取单元和深度特征提取单元中设置了缩放层,使得模型能够收敛,在深度特征提取单元中设置第四卷积层、第五卷积层和第六卷积层两条通道对第三卷积层输出的特征进行处理,并通过乘法器进行特征融合和增强,使用第二缩放层建立残差连接,使得模型能够收敛。
[0094] 所述第一子评估单元的表达式为:
[0095] ,
[0096] 其中,h1为第一子评估单元的输出,tanh为双曲正切函数,vj为特征融合单元输出的第j个特征,wp1,j为vj的权重,bp1,j为vj的偏置,N为vj的数量,j为正整数;
[0097] 所述第二子评估单元的表达式为:
[0098] ,
[0099] ,
[0100] ,
[0101] ,
[0102] 其中,h2为第二子评估单元的输出,F1为第一影响比重,F2为第二影响比重,F3为第三影响比重,X1为传输频率数量,X2为未传输频率数量,X3为噪点频率数量,wp2,1为X1的权重,wp2,2为X2的权重,wp2,3为X3的权重,bp2,1为X1的偏置,bp2,2为X2的偏置,bp2,3为X3的偏置,e为自然常数,wF1为F1的权重,wF2为F2的权重,wF3为F3的权重。
[0103] 在第一子评估单元中综合特征融合单元输出的每个特征,得到第一子评估单元的输出,在第二子评估单元中对传输频率数量、未传输频率数量和噪点频率数量分别赋予权重和偏置,从而得到各自的影响比重,再综合各自的影响比重,得到第二子评估单元的输出。
[0104] 所述评估输出单元的表达式为:
[0105] ,
[0106] 其中,y为评估输出单元的输出,wh1为h1的权重,wh2为h2的权重。
[0107] 所述S4中分段训练包括:根据损失值,采用第一权重更新公式对第一子评估单元、第二子评估单元和评估输出单元中权重进行更新,采用第一偏置更新公式对第一子评估单元和第二子评估单元中偏置进行更新;
[0108] 采用第二权重更新公式对第一深度特征提取单元和第二深度特征提取单元中权重进行更新,采用第二偏置更新公式对第一深度特征提取单元和第二深度特征提取单元中偏置进行更新;
[0109] 采用第三权重更新公式对第一浅层特征提取单元和第二浅层特征提取单元中权重进行更新,采用第三偏置更新公式对第一浅层特征提取单元和第二浅层特征提取单元中偏置进行更新;
[0110] 所述第一权重更新公式和第一偏置更新公式均为:
[0111] ,
[0112] 其中,r1,k+1为第k+1次训练时更新的第一参数,r1,k为第k次训练时更新的第一参数,Lk为第k次训练时的损失值,k为训练次数的编号,参数的类型包括:权重和偏置;
[0113] 所述第二权重更新公式和第二偏置更新公式均为:
[0114] ,
[0115] 其中,r2,k+1为第k+1次训练时更新的第二参数,r2,k为第k次训练时更新的第二参数,γ为增强系数,1<γ<2;
[0116] 所述第三权重更新公式和第三偏置更新公式均为:
[0117] ,
[0118] 其中,r3,k+1为第k+1次训练时更新的第三参数,r3,k为第k次训练时更新的第三参数。
[0119] 在本实施例中,损失值的损失函数可采用均方差损失函数和平均绝对误差损失函数。
[0120] 本发明中为了解决梯度消失的问题,对模型进行了分段权重和偏置的更新,在模型的尾端偏置和权重更容易得到训练,在模型的输入端偏置和权重更难以得到训练,因此,本发明中采用三种权重和偏置更新公式,并依次更新增强,使得各部分权重和偏置得到有效训练。
[0121] 本发明在光纤的调制端发送测试信号,在光纤的解调端接收解调信号,通过时域上信号的差距、频域上信号的差距、频率损失以及传输的情况构成训练集,采用训练集对光纤状态评估模型进行分段训练,使得训练后的光纤状态评估模型具备根据接收前后信号的差距,评估光纤状态的能力,本发明提取了三个方向数据,实现全方位的评估信号的丢失和变化情况,实现对光纤线路状态进行准确的评估。
[0122] 以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。

当前第1页 第1页 第2页 第3页