[00105259]光通信中基于機器學習的高智能自適應信號處理技術研究

　　隨著寬帶數據業務的興起，大業務流量和高服務質量成為網絡運營商必須要考慮的問題， 因此，在包含多種線路速率和多種調制格式的復雜光纖網絡中，需要實時獲取物理鏈路和光 信號質量信息，并將其用于損傷感知路由或故障定位和診斷。
　　該項目提出了基于機器學習的調制格式識別方案，基于卷積神經網絡和支持向量機可以 分別對眼圖星座圖和異步采樣直方圖進行處理，從而智能地識別出不同調制格式，解決了現 有光性能監測技術對調制格式不透明的問題，對未來彈性光網絡的進一步發展具有重要意義， 同時還可以對 OSNR、Q 因子等性能指標進行監測。此外，對于高并發，大密度，大流量的接入場景，該項目提出了一種基于機器學習的設備故障預測方案，可提前預測設備故障情況， 將重要業務轉移到安全鏈路上，保證業務的穩定性，從而減少設備發生故障時的損失，提升 網絡的抗毀性、穩定性。對于受損信號，該項目還提出了基于 k 近鄰（KNN）的免訓練的彈性光傳輸混合鏈路補償算法，滿足了彈性可重構光通信系統中動態可重構鏈路的損傷補償的 需求，與傳統算法相比，該算法具有更強的鏈路損傷自適應性，可有效補償不同鏈路中的信 道損傷，適合彈性光傳輸中的混合鏈路場景。
　　該項目面向新型智能光通信系統，搭建了基于機器學習的信號處理技術框架，根據先進光通信系統的應用需求，提出了基于 SVM 和 AAH 的調制格式識別方案，提出了基于 CNN 的眼圖和星座圖分析方案，提出了基于 SVM 和雙指數平滑的網絡設備故障預警方案，提出了基于K 近鄰算法的多系統損傷自適應補償方案。為新型智能光通信系統中的調制格式識別、性能監測、故障診斷和損傷補償提供了相應的機器學習解決方案和理論基礎。