产品管理菜单

自从进入21世纪以来，光通信已经逐渐演变成一个全覆盖，多层次的动态网络架构。随着新兴的大规模云计算、高清视频和 5G 应用需求增长，为了保证动态光网络的全面运行和管理，光性能监测技术（OPM）应运而生，通过对光网络中多项参数进行实时监测来实现网络资源的优化配置。而传统得OPM技术难以完成对多参数联合监测系统的准确建模和分析。这也促使着人们探索新的方案。

近年来，伴随着人工智能的飞速迭代，越来越多的机器学习算法开始与OPM技术交叉融合，为OPM技术实现带来了新的思路。在此背景下，西安交通大学信息与通信工程学院的智能光子应用技术实验室(iPatLab)联合南开大学现代光学研究所、美国南加州大学、美国路易斯安那大学拉法叶分校、美国亚利桑那大学等单位，通过实验对比了不同先进机器学习模型在基于脉冲幅度调制信号（PAM）的传输信道中的多参数监测性能，并提出了一种基于多任务学习与MobileNet的轻量化网络模型。该模型使用信号眼图作为数据特征，在多达6项参数的联合监测任务中实现了95%以上的准确率。