DeepRS:基于深度神经网络的服务中的雷利散射监测在双向模式分割多重复合系统中

科学领域:

• 光学通信系统 光学通信系统
• 信号处理 信号处理
• 机器学习 机器学习

背景情况:

• 双向模式分割复杂化 (Bi-MDM) 提供了高光谱效率,但由于模式合和雷利散射 (RS) 导致频道不稳定.
• 双MDM系统中的动态网络管理受到这些损害的复杂相互作用的挑战.
• 在使用过程中监测RS噪声对于保持系统稳定性和性能至关重要.

研究的目的:

• 提出DeepRS,这是一个基于深度学习的新方案,用于在Bi-MDM系统中高精度,在使用过程中监测RS噪声.
• 为了实现有效的信号与RS比率 (SRR) 监控,而不会破坏正在进行的信号流量.
• 在各种操作条件和光学扭曲下评估DeepRS的准确性,适应性和稳定性.

主要方法:

• 使用深度神经网络 (DNN) 来分析接收信号的过频率幅度直方图 (FFAH).
• 从FFAH数据中提取信号特征,以预测信号与RS比率 (SRR).
• 在3模式和10公里6模式光纤双MDM系统中进行实验验证,包括对光学扭曲的模拟.

主要成果:

• 在3模式双MDM实验中,DeepRS实现了高SRR预测准确性 (R2>0.9927与交叉声预测).
• 该方案证明了在不同的波长,调制格式和德率上具有适应性.
• 观察到对交叉声预测错误 (R2>0.9884与2dB XT错误) 和光学扭曲 (CD,DMGD,LW) 的高强度.

结论:

• DeepRS提供了一个强大的,准确的解决方案,用于在Bi-MDM系统中使用RS噪声监测.
• 拟议的方法通过实时性能评估来增强动态网络管理能力.
• DeepRS显示出在未来高容量光学网络中实际部署的巨大潜力.