[00105259]光通信中基于机器学习的高智能自适应信号处理技术研究

　　随着宽带数据业务的兴起，大业务流量和高服务质量成为网络运营商必须要考虑的问题， 因此，在包含多种线路速率和多种调制格式的复杂光纤网络中，需要实时获取物理链路和光 信号质量信息，并将其用于损伤感知路由或故障定位和诊断。
　　该项目提出了基于机器学习的调制格式识别方案，基于卷积神经网络和支持向量机可以 分别对眼图星座图和异步采样直方图进行处理，从而智能地识别出不同调制格式，解决了现 有光性能监测技术对调制格式不透明的问题，对未来弹性光网络的进一步发展具有重要意义， 同时还可以对 OSNR、Q 因子等性能指标进行监测。此外，对于高并发，大密度，大流量的接入场景，该项目提出了一种基于机器学习的设备故障预测方案，可提前预测设备故障情况， 将重要业务转移到安全链路上，保证业务的稳定性，从而减少设备发生故障时的损失，提升 网络的抗毁性、稳定性。对于受损信号，该项目还提出了基于 k 近邻（KNN）的免训练的弹性光传输混合链路补偿算法，满足了弹性可重构光通信系统中动态可重构链路的损伤补偿的 需求，与传统算法相比，该算法具有更强的链路损伤自适应性，可有效补偿不同链路中的信 道损伤，适合弹性光传输中的混合链路场景。
　　该项目面向新型智能光通信系统，搭建了基于机器学习的信号处理技术框架，根据先进光通信系统的应用需求，提出了基于 SVM 和 AAH 的调制格式识别方案，提出了基于 CNN 的眼图和星座图分析方案，提出了基于 SVM 和双指数平滑的网络设备故障预警方案，提出了基于K 近邻算法的多系统损伤自适应补偿方案。为新型智能光通信系统中的调制格式识别、性能监测、故障诊断和损伤补偿提供了相应的机器学习解决方案和理论基础。