【

具体实施方式

】

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

实施例1:

本发明实施例1提供了一种OSNR检测方法，包括待计算的光信道OCH包含k个光复用(Optical Multiplex Section,简写为：OMS)段，针对每个业务OCH的OSNR计算，将其分割为k个OMS段的OSNR变化量ΔOSNR_{OMS_i}的组合；其中，i为[1,k]区间内的自然数；其中，上一段OMS的输出OSNR为下一段OMS的输入OSNR。计算模型包含了N种光信噪比OSNR计算子模型，OSNR计算子模型泛指现存的各种单波OSNR计算模型，例如，光谱扫描模型，系统仿真演化模型，相关检测模型，如图1所示，方法包括：

在步骤201中，使用N种OSNR计算子模型分别得到各自在各OMS段的ΔOSNR_{OMS_1},ΔOSNR_{OMS_2}，...，ΔOSNR_{OMS_k}；从而得到N种OSNR计算子模型的各个模型在相应光信道中的OSNR₁，OSNR₂，…，OSNR_N。

此处需要说明的，各自在各OMS段ΔOSNR_{OMS_1},ΔOSNR_{OMS_2}，...，ΔOSNR_{OMS_k}的存在形式是对应每一个OSNR计算子模型都具有一套上述的ΔOSNR_{OMS_1},ΔOSNR_{OMS_2}，...，ΔOSNR_{OMS_k}计算值；其中，N值越大，相应的计算的复杂度会越高，最终得到的OSNR计算结果精度也会越高。

在步骤202中，通过机器学习的权重分配模型，计算出应用与当前光信道组合的所述N种OSNR计算子模型的各个权重W_j，其中j为[1,N]区间内的自然数。

其中，所述及其学习的权重分配模型是预先通过大量测试数据进行了学习过程，从而可以针对当前的光信道所具有的波道组合情况，以及设定的OSRN计算子模型数量生成与之匹配的各个权重W_j，此处的j的最大取值为上述步骤201中的N所对应的参数值。

在本发明后续实施例所展开的内容中会涉及当前光信道可能存在多种波道组合的选择操作，这是由于在光信道中会设置有一个或者多个光开关，而相应光开关的配置和切换动作都会产生新的波道组合。

在步骤203中，将所述各个权重W_j分别与相应乘积并求和得到当前光信道的OSNR值。

可选的是，通过求解公式获得，其中公式为：OSNR＝W₁*OSNR₁+W₂*OSNR₂+W₃*OSNR₃+…+W_N*OSNR_N。

本发明实施例利用多种OSNR计算子模型，利用各自的计算得到的OSNR值，配以机器学习的权重分配模型得到的权重，利用加权求和的方式得到最终光信道的SANR值，提升不同波道组合最差场景下的OSNR计算精度。

在本发明实施例中，在步骤201中涉及的所述得到N种OSNR计算子模型的各个模型在相应光信道中的OSNR₁，OSNR₂，…，OSNR_N，以下给出了一种具体的可实现方式，包括：

各个OSNR计算子模型分别采用如下公式(1)，以逐段递推的方式计算得到OSNR计算子模型在相应光信道下的OSNR₁，OSNR₂，…，OSNR_N；

其中，i＝1,2,3,..,k；

OSNR_{out,OMS_i}表示OMSi这一段输出端的OSNR值；OSNR_{in,OMS_i}表示OMSi这一段输入端的OSNR值；ΔOSNR_{OMS_i}表示OMSi这一段是根据相应OSNR计算子模型所计算预测得到的OSNR变化值；B就是每个波道的通道带宽；Bn是由OSNR定义所确定的常数12.5GHz。

此处，将上述计算过程以较为完整的方式展现(以第一OSNR计算子模型作为示例阐述)如下：

对于第1个OMS段而言，其输入的OSNR值(即OSNR_{in,OMS_1})是已知的，然后通过当前的第一OSNR计算子模型，计算得到各OMS段ΔOSNR_{OMS_1},ΔOSNR_{OMS_2}，...，ΔOSNR_{OMS_k}，就第1个OMS段的输出OSNR值(即OSNR_{out,OMS_1})可以通过下面公式计算得到(此时公式中就OSNR_{out,OMS_1}为未知量)：

对于第2个OMS段而言，其输入的OSNR值为第1个OMS段的输出OSNR值，则相应的第2个OMS段输出值可以通过上述公式(1)计算得到：

此时，将上述公式2计算的OSNR_{out,OMS_1}作为上述公式(3)中参数OSNR_{in,OMS_2}的已知量带入公式(3)得到以下变形公式(4)：

此时，在公式4中，仅存在OSNR_{out,OMS_2}一个未知量，便可以通过求解等式得到相应OSNR_{out,OMS_2}的结果值；依次类推，以递推的方式得到最后一段OMS段的输出OSNR值(即OSNR_{out,OMS_k})便得到了整条光信道(也可以描述为光波道)的OSNR输出值OSNR₁。

按照上述计算第一OSNR计算子模型在光信道上OSNR输出的方式得到，其他剩余的N-1个OSNR计算子模型在光信道上OSNR输出OSNR₂，…，OSNR_N。

结合本发明实施例，还对于所述通过机器学习的权重分配模型，计算出当前输入波道组合的各个OSNR计算子模型的权重W_j，给予了一种可选的实现方式，如图2所示，包括：

在步骤301中，读取对应OMS段的发端光性能监测(Optical PerformanceMonitor，简写为：OPM)光谱。

在步骤302中，将OPM读取的各个通道功率作为输入向量，输入到机器学习的权重分配模型。

在步骤303中，机器学习的权重分配模型采用多层DNN模型，输入为对应光信道OCH所具有的波道总数M的M维向量P₁,P₂,...,P_M，输出为对应OSNR计算子模型数量的N维权重向量W₁,W₂,...,W_N。

上述的DNN模型如图3所示，具体为：输入层是M维向量，中间包含指定数量的全连接层FC，最后由SOFTMAX层作为输出层，输出N维向量W₁,W₂,...,W_N。

所述DNN模型的训练方式如图4所示，包括：

在步骤401中，设置第一波导组合，通过使用N种不同的OSNR计算子模型，得到该OMS末端的OSNR预测值OSNR_modeli。其中，OSNR_modeli在具体实现过程中会具体表现为相应模型modeli在各个通道终端OSNR值，例如下面描述的OSNR_model1,ich。

在步骤402中，计算各个模型的预测值与实测值之间的均方差mse：其中，Nch是系统的通道数，其中，在可选实现方式中通道数Nch与波道总数M的数值大小是一致的；OSNR_measure,ich使用实验手段测量的第ich个通道的OSNR值(可以通过末端的OSA采集光谱，使用光谱扫描法或掉波法分别计算各个波的OSNR_measure)；OSNR_model1,ich使用模型model1计算的第ich个通道的OSNR值。

假设第i个模型的mse最小，则生成N维标签(label)向量(0,0,0,…,1,…0,0,0)，其中第i个数字为1，其余N-1个数字为0。

在步骤403中，读取此时发端OPM1的单波功率向量P＝(p₁,p₂,…p_M)。

在步骤404中，保存此时OPM1读取的P和label＝(label₁,label₂,…label_N)，完成第一用例的采集。

在步骤405中，将剩余的波导组合逐一切换，并相应采集各波导组合所对应的用例。

在步骤406中，将采集到的所有用例作为训练集输入DNN模型；其中功率向量P作为输入量，标签label作为期望输出量。优选的，还可以通过反向传播的梯度下降法进行模型参数优化训练。

在上述训练那过程中，可以搭建一个典型OMS段作为训练数据采集平台，通过改变波长选择开关(Wavelength Selective Switch，简写为：WSS)，实现不同输入波道组合。

实施例2：

本发型实施例以一个3个OMS段，96波系统，3个OSNR计算子模型为例：

我们使用的3个典型子模型为：

1、OPM扫描模型：使用OPM器件扫描光谱，通过带外插值方式计算信号通道的OSNR。优势：少波场景，通道间隔较大场景。劣势：连续通道扫描困难。

2、增益、NF谱理论模型：使用出厂标定的增益和NF谱进行理论计算推断出OSNR，出厂标定只能标定满波谱，少波时谱型误差较大。优势：满波、多波场景。劣势：少波增益NF谱偏差较大。

3、导频辅助模型：使用导频的接收SNR推算OSNR，无法排除非线性噪声。优势：少波场景，非线性较小场景。劣势：多波场景串扰较大。

首先搭建如图5所示的一个离线训练数据采集平台。

第一部分，数据标签生成：

如图5所示,本发明实施例在搭建一个2跨3光放OMS段作为训练数据采集平台后，如图6所示，包括：

在步骤501中，通过改变WSS，实现不同输入波道组合(典型的使用例如1000个不同的波道组合)。

在步骤502中，通过末端的OSA采集光谱，使用光谱扫描法或掉波法分别计算各个波的OSNR_measure。

在步骤503中，通过使用3种不同的OSNR计算子模型，得到该OMS末端的OSNR预测值OSNR_modeli。

在步骤504中，计算各个模型的预测值与实测值之间的均方差mse：

假设第2个模型的mse最小，则生成3维标签(label)向量(0,1,0)，第二个标记为1，其余为0。

在步骤505中，读取此时发端OPM1的单波功率向量P＝(p₁,p₂,…p₉₆)。

在步骤506中，保存此时OPM1读取的P和label＝(label₁,label₂,…label₃)。

在步骤507中，回到步骤501中，再次修改WSS，切换成另一种波道组合，采集下一个用例。

第二部分，DNN模型训练：

DNN模型如图3所示，输入层是96维向量，中间包含多个全连接层(FC)，最后有一个SOFTMAX层，输出3维向量(W₁,W₂,W₃)。

将步骤一中产生的所有用例作为训练集输入DNN模型。其中功率向量P作为输入量，标签label作为期望输出量。

通过反向传播的梯度下降法进行模型参数优化训练。

第三部分，模型使用方法：

如图7所示，针对每个业务OCH的OSNR计算，可以将其分割为3个OMS段的OSNR变化量(ΔOSNR_{OMS_i})的组合。(解决了带外和带内ASE不一致的问题)其中上个OMS段的输出OSNR就等于下一段的输入OSNR，因此可以用于逐段递推。

具体公式如下，用于计算单个OMS段的输出OSNR：

OSNR_{out,OMS_i}表示OMSi这一段输出端的OSNR值；OSNR_{in,OMS_i}表示OMSi这一段输入端的OSNR值；ΔOSNR_{OMS_i}表示OMSi这一段是根据相应OSNR计算子模型所计算预测得到的OSNR变化值；B是每个波道的通道带宽；Bn是由OSNR定义所确定的常数12.5GHz。

使用3种OSNR计算子模型分别得到各自的3组OMS段ΔOSNR_{OMS_1},ΔOSNR_{OMS_2},ΔOSNR_{OMS_3}。相应的方法过程也可以参考如图8所示的流程图。

通过离线训练的机器学习的权重分配模型，计算出当前输入波道组合的各个模型权重W₁,W₂,W₃。机器学习的权重分配模型的计算流程如下：

读取对应OMS段的发端OPM光谱P。

将OPM读取的各个通道功率作为输入向量，输入至机器学习模型。

机器学习模型采用多层DNN模型，输入为96维向量(P₁,P₂,...,P₉₆)，输出为3维向量(W₁,W₂,W₃)。

由上一步的权重W₁,W₂,W₃，和各个模型的OSNR₁,OSNR₂,OSNR₃结果叠加得到各个通道最终计算的OSNR＝W₁*OSNR₁+W₂*OSNR₂+W₃*OSNR₃。

实施例3：

如图9所示，是本发明实施例的OSNR检测装置的架构示意图。本实施例的OSNR检测装置包括一个或多个处理器21以及存储器22。其中，图9中以一个处理器21为例。

处理器21和存储器22可以通过总线或者其他方式连接，图9中以通过总线连接为例。

存储器22作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序和非易失性计算机可执行程序，如实施例1中的OSNR检测方法。处理器21通过运行存储在存储器22中的非易失性软件程序和指令，从而执行OSNR检测方法。

存储器22可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器22可选包括相对于处理器21远程设置的存储器，这些远程存储器可以通过网络连接至处理器21。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

所述程序指令/模块存储在所述存储器22中，当被所述一个或者多个处理器21执行时，执行上述实施例1中的OSNR检测方法，例如，执行以上描述的图1、图2、图4、图6和图8所示的各个步骤。

值得说明的是，上述装置和系统内的模块、单元之间的信息交互、执行过程等内容，由于与本发明的处理方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。

本领域普通技术人员可以理解实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，Random AccessMemory)、磁盘或光盘等。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。