论文部分内容阅读
近些年,在智能手机,云计算、物联网的驱动下,网络流量迅速增长,人们对大容量,高效承载和智能管控的光网络需求迫切。然而传统的波分复用(Wavelength Division Multiplex,WDM)光网络频谱资源利用效率低下,动态灵活性差,无法应对日益复杂的动态光网络环境。认知光网络是一种具有自主感知和管控的智能化网络。自主学习和决策的能力使得认知光网络拥有更的高灵活性和自愈能力,它能合理的利用频谱资源,从而满足未来光网络业务的需求。为此本文结合人工智能技术深入研究了认知光网络的感知方法与传输技术,使其在提升频谱利用率的同时又能实现智能化的感知与管控。针对认知光网络的应用,本文首先分析了认知光网络的架构并依据其特性总结出了有效的认知模型和光网络可感知的参数。随后本文基于反向传播(Back Propagation,BP)神经网络提出了一种光信噪比(Optical Signal To Noise Ratio,OSNR)感知的技术,它将具有路由和波长信息的光路作为神经网络的输入,光路的OSNR作为神经网络的输出,实现光网络链路的OSNR感知。在研究中,本文通过数值仿真的方式分别分析了神经网络迭代次数、训练数据量和神经元个数对OSNR感知的性能影响。此外,考虑到在传输过程中光信号质量受掺铒光纤放大器(Erbium Doped Fiber Amplifier,EDFA)放大噪声和相邻信道的非线性干扰(Inter-channel Nonlinear Interference,NLI)噪声的影响而出现劣化的现象,本文还着重研究了NLI噪声对OSNR感知的影响。另外,为了能在有限的频谱带宽内提高传输容量,本文提出了一种主从信号频谱共享同时传输的方法。该方法能依据主信号的OSNR余量大小添加合适的从信号并在接收端基于串行干扰消除(Successive Interference Cancellation,SIC)技术检测出从信号。本文通过数值仿真的方式验证其可行性并分别研究了OSNR余量、从信号功率和传输速率对整个传输系统的影响,绘制了在不同OSNR余量下从信号可设置的最大功率以及传输速率。同时,本文尝试了低成本二进制启闭键控(OnOff Keying,OOK)调制格式的从信号并对比了不同检测方式所带来的性能差异。仿真结果表明相比于幅度检测,基于SIC的相干检测性能更优。