为了提升未来弹性光网络的性能,提出了一种基于幅值密度特征的调制格式识别方法。该方法将幅值密度特征作为改进的Mobile Net V2模型的输入,通过特征识别确定调制格式类型,并引入了归一化注意力机制(NAM),实现对传输信号调制格式的精准...为了提升未来弹性光网络的性能,提出了一种基于幅值密度特征的调制格式识别方法。该方法将幅值密度特征作为改进的Mobile Net V2模型的输入,通过特征识别确定调制格式类型,并引入了归一化注意力机制(NAM),实现对传输信号调制格式的精准识别。在28 GBaud正交相移键控(QPSK)、8电平正交幅度调制(8QAM)、16QAM、32QAM、64QAM和128QAM传输系统中验证了该方案的可行性。实验结果表明:每种调制格式在达到100%识别准确率时所需的最低光信噪比(OSNR)均低于其对应的20%前向纠错(FEC)阈值,而且,在较宽的OSNR范围内达到了99.62%的识别准确率;在存在残余色散的光网络中,该方案仍能保持较高的识别性能。展开更多
文摘为了提升未来弹性光网络的性能,提出了一种基于幅值密度特征的调制格式识别方法。该方法将幅值密度特征作为改进的Mobile Net V2模型的输入,通过特征识别确定调制格式类型,并引入了归一化注意力机制(NAM),实现对传输信号调制格式的精准识别。在28 GBaud正交相移键控(QPSK)、8电平正交幅度调制(8QAM)、16QAM、32QAM、64QAM和128QAM传输系统中验证了该方案的可行性。实验结果表明:每种调制格式在达到100%识别准确率时所需的最低光信噪比(OSNR)均低于其对应的20%前向纠错(FEC)阈值,而且,在较宽的OSNR范围内达到了99.62%的识别准确率;在存在残余色散的光网络中,该方案仍能保持较高的识别性能。
