|
|
|
|
OptiSystem應用：通過機器學習預測系統性能 |
| 時間:2025-08-20 15:37來源:未知作者: infotek點擊:次列印 |
OptiSystem軟體已集成機器學習（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，支援使用者對OptiSystem專案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，並基於該圖像預測系統在生成眼圖時的運行狀態。工具將根據訓練條件提供系統參數及眼圖分析結果，以便使用者採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所示的系統佈局。
圖1 10Gbps NRZ OOK-DD系統佈局
在這個鏈路中，我們將傳輸的光纖長度從50-75km範圍進行線性掃描，得到1000組不同光纖傳輸長度下的眼圖，這些結果將會被用於訓練和測試機器學習模型。
圖2 掃描1000次反覆運算，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演算法、神經網路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%用於訓練，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因數作為需要預測的資料：
a）選擇光纖長度作為需要預測資料
b）選擇最小BER和Q因數作為需要預測資料
圖4 在機器學習工具中選擇需要預測資料
接著我們需要將1000次眼圖結果提取成圖片放入訓練集資料夾中，然後運行機器學習工具訓練神經網路。如圖5，我們可以評價神經網路的性能，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 神經網路損失函數評估
訓練完成後我們將餘下的眼圖用於對神經網路進行測試，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因數與預測Q因數的對比
d) 實際Q因數與預測Q因數的誤差
e) 實際最小BER與預測最小BER的誤差
圖6 神經網路測試結果
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 神經網路預測的系統性能
|
|
|
|
|
