OptiSystem軟件已集成機器學習（ML）工具，用戶可通過分析雙電平系統的眼圖來訓練光通信系統。該工具提供多個功能選項卡，支持用戶對OptiSystem項目生成的眼圖模型進行訓練與測試。此外，工具還可導入外部眼圖圖像，并基于該圖像預測系統在生成眼圖時的運行狀態(tài)。工具將根據訓練條件提供系統參數及眼圖分析結果，以便用戶采取相應的系統管理措施。本案例將展示如何在10Gbps NRZ OOK-DD系統中使用機器學習工具。
首先，我們搭建一個如圖1所示的系統布局。
圖1.10Gbps NRZ OOK-DD系統布局
在這個鏈路中，我們將傳輸的光纖長度從50-75km范圍進行線性掃描，得到1000組不同光纖傳輸長度下的眼圖，這些結果將會被用于訓練和測試機器學習模型。
圖2.掃描1000次迭代，得到1000個眼圖
打開機器學習工具，在主參數選項卡上可以定義算法、神經網絡的層數以及每層的類型，設置如圖3所示，圖中1000個眼圖的70%用于訓練，圖片壓縮率為40%。
圖3.機器學習工具主參數選項卡
選擇光纖長度、最小BER和Q因子作為需要預測的數據：
a）選擇光纖長度作為需要預測數據
b）選擇最小BER和Q因子作為需要預測數據
圖4.在機器學習工具中選擇需要預測數據
接著我們需要將1000次眼圖結果提取成圖片放入訓練集文件夾中，然后運行機器學習工具訓練神經網絡。如圖5，我們可以評價神經網絡的性能，查看損失函數。
a） epoch vs loss
b） epoch vs mae
c） epoch vs val_loss
d） epoch vs val_mae
圖5 神經網絡損失函數評估
訓練完成后我們將余下的眼圖用于對神經網絡進行測試，比較測試預測的結果與實際測試集結果之間的誤差，測試結果如圖6所示：
a） 實際光纖長度與預測光纖長度對比
b） 實際光纖長度與預測光纖長度誤差
c） 實際Q因子與預測Q因子的對比
d） 實際Q因子與預測Q因子的誤差
e） 實際最小BER與預測最小BER的誤差
圖6 神經網絡測試結果
導入一個眼圖，如圖7所示：
圖7.導入需要預測的眼圖
運行預測功能，結果如圖8：
圖8.神經網絡預測的系統性能
|
