目前，多家公司已开发出利用深度学习技术进行自我训练，从而避免光信号传输中系统性误差的影响。该技术旨在学习估计光传输信号参数，这是光通信系统特有的问题，其中包括符号速率和光信噪比（OSNR）。富士通实验室开发了一套模拟光网络的实验性传输系统，并利用近万个数据点验证了该技术能够以1%的测量误差估计OSNR，并以5%的测量误差估计调制格式和符号速率。.
当光网络建设或运行过程中出现问题时，这项技术现在可以在几分钟内完成原本需要专家使用专业测量设备花费数天才能完成的任务。这将显著简化网络的建设、运行和管理。.

发展背景：
支撑信息通信技术（ICT）驱动型社会的光纤网络通信流量预计将在未来几年随着联网设备数量的激增而大幅增长。为了应对如此庞大的数据量，光纤网络正在不断采用各种新型光传输技术，预计这些网络将变得更加多样化和复杂。因此，亟需能够促进光纤网络建设、运行和管理的技术。

富士通-image-2-w网络
，光传输信号类型和设备参数配置的日益复杂化意味着网络构建或故障排除可能需要数天时间，这给光纤网络的构建和管理带来了巨大挑战。因此，人们迫切需要开发能够远程监控光网络状态的技术来解决这些问题。然而，由于新部署的光传输技术具有独特的光信号特性，如何在不依赖专用测量设备的情况下测量网络运营商和管理员所需的信息，仍然是一个挑战。
 
针对这一技术，
富士通实验室、富士通美国实验室和富士通研发中心开发了一种技术，可以从远程光接收器接收到的光传输信号中测量构建和运行网络所需的光信号传输参数（信噪比、调制格式和符号速率（1））。
这项新开发的技术通过将光接收器接收到的信号输入深度神经网络来训练该网络。利用测量设备的结果提供监测标签，该技术训练深度神经网络以重现设备产生的测量结果，从而估计光信号的传输参数。由于在接收光传输信号时，信号特性（例如激光频率）可能出现系统性误差，如果直接使用接收到的数据进行训练，神经网络将被训练成专门处理错误状态，这可能会增加估计的测量误差。为了解决这个问题，这项新技术基于不同状态下的光传输信号虚拟生成信号，例如，虚拟生成多个具有不同激光频率的数据集，然后将它们组合成训练数据集。通过这种方式，可以在训练结果中反映各种情况，从而使该技术能够最大限度地减少估计的测量误差。

实验室
、富士通美国实验室和富士通研发中心搭建了一个模拟真实光网络的传输系统，并进行了测试。测试验证了该技术在10,000个数据点下，能够以1%的测量误差估算光信噪比（OSNR），以5%的测量误差估算调制格式和符号速率。利用这项技术，以往需要专家使用专用测量设备耗时数天才能完成的任务，现在只需几分钟即可远程完成估算。
未来计划
：未来，富士通实验室、富士通美国实验室和富士通研发中心将在真实网络环境中进行测试，目标是在2019财年或之后实现该技术的商业化。此外，各公司还将继续开展光网络自动化运行方面的研究。

更多信息
________________________________________
• [1] 符号速率：通过光调制电信号传输数据时，振幅和相位信息切换的速率。
• [2] 相干数字接收机：通过将数字信号处理应用于光通信，能够稳定地处理光信号相位信息的接收机，解决了以往相干接收机存在的相位信息稳定性问题。