Este documento descreve um método para estimar simultaneamente os níveis de OSNR, CD e PMD utilizando redes neurais artificiais treinadas com parâmetros obtidos de diagramas de olho. O método foi validado com dados simulados de 10 Gb/s NRZ-OOK e 40 Gb/s RZ-DPSK, mostrando boa correlação entre os valores reais e estimados de OSNR, CD e PMD.

1. UNIVERSIDADE FEDERAL DO PARANÁ
PAULO CEZAR DIAS SILVEIRA
SISTEMAS ESPECIALISTAS HABILITADOS PARA A WEB UTILIZANDO
INFERÊNCIA BASEADA EM HYPERLINK
CURITIBA
2013

2. 1
INTRODUÇÃO
Como os sistemas de transmissão de fibra óptica se tornaram mais
transparentes e reconfiguráveis, o monitoramento de desempenho óptico (OPM) é
essencial para garantir a alta qualidade de serviço. Deficiências cruciais em redes
ópticas incluem a taxa de relação sinal ruído (OSNR), dispersão cromática (CD) e
dispersão de modo de polarização (PMD). Recentemente têm sido propostas várias
técnicas para monitorar o desempenho óptico. Três destes métodos utilizam
histogramas de amplitude ou distribuições de energia para estimar a taxa de erro de
bits (BER); uma emprega atrasos gráficos de exploração para distinguir entre os
prejuízos e uma utiliza técnicas de classificação de padrões para o mesmo fim.
Nenhuma delas, no entanto, tem sido mostrada para quantificar simultaneamente
três diferentes deficiências. Destas cinco técnicas de monitoramento, três exploram
amostragem assíncrona, e duas, requerem amostragem síncrona. Na amostragem
assíncrona, o sinal de interesse é amostrado sem ter em conta a relação num
instante de tempo para uma decisão e, assim a recuperação do relógio não é
necessária. Na amostragem síncrona , no entanto, necessita de um receptor padrão
com recuperação de relógio, mas pode ser facilmente utilizada para gerar diagramas
de olho a partir do qual podem ser derivados numerosos parâmetros de
desempenho.
Aqui, apresentamos
um método
para estimar
simultaneamente as
deficiências de OSNR, CD, e PMD utilizando redes neurais artificiais (ANNs)
formadas com parâmetros obtidos a partir dos diagramas de olho. Estes diagramas
de olho podem ser gerados a partir de uma amostragem sincronizada, ou por uma
técnica que regenera tais diagramas de amostras assíncronas. Nas Seções II e III,
apresentamos um breve resumo de ANNs e fornecemos exemplos do nosso método
proposto com dados simulados pelo uso de duas diferentes taxas de bits e
esquemas de modulação, ou seja, de 10 Gb/s de retenção com não retorno a zero,
chaveamento ligado-desligado (NRZ-OOK), e de 40 Gb/s com não retorno a zero,
chaveamento de deslocamento diferencial (RZ-DPSK ) .
ANNs são ferramentas computacionais inspiradas na neurociência, que são
formadas através da utilização de dados de entrada e saída para gerar um
mapeamento desejado a partir de um estímulo de entrada para a saída que
almejamos. ANNs consistem em várias camadas de elementos de processamento

3. chamadas de neurônios. Cada neurônio está ligado a outros neurônios em camadas
vizinhas, variando os coeficientes que representam os pontos fortes destas
conexões. ANNS aprende as relações entre os conjuntos de dados de entrada e de
saída, que são características do dispositivo ou sistema em consideração. Depois
que os vetores são apresentados aos neurônios de entrada e saída os vetores são
calculados, as saídas ANN são comparadas com os resultados desejados e os erros
são calculados. Derivadas do erro são então somadas e calculadas para cada peso
até que todos os conjuntos formados tenham sido apresentados para a rede. As
derivadas de erro são usadas para atualizar os pesos dos neurônios e formação
continua até que os erros caiam abaixo dos valores prescritos.
A arquitetura ANN utilizada nesta literatura é uma rede neural com estrutura
de três camadas com encadeamento para a frente (MLP3) constituída por uma
camada de entrada, uma camada oculta, e uma camada de saída, conforme
mostrado na Fig. 1 .
FIG 1: Arquitetura do ANN
A metodologia abordada no teste é mostrada na Fig. 2, com os diagramas
de olho simulados para um sinal NRZ-OOK de 10 Gb/s para algumas combinações
selecionadas de CD e PMD para um dado valor de OSNR. Visualmente, é óbvio que
estes produzem deficiências características distintas. Para quantificar esses
atributos, podemos calcular vários parâmetros do diagrama de olho. Para este

4. primeiro exemplo, nós escolhemos quatro desses parâmetros, incluindo o fator de Q,
o fechamento, a raiz quadrada média do jitter (rms), e o cruzamento da amplitude. O
fator de Q é definido como a diferença entre os níveis superior e inferior da média
dividida pela soma do nível superior e o desvio padrão inferior; o fechamento é a
relação entre a altura do olho exterior e à altura do olho interior; o cruzamento de
amplitude é o ponto sobre a escala vertical onde a subida e a queda das bordas se
cruzam, o rms do “jitter” é usualmente definido como o desvio padrão dos dados de
tempo calculados numa janela estreita em torno (Jargon, Member, Wu, & Willner,
2009) da passagem de amplitude. Estas quatro entradas foram escolhidos por
alterar de forma significativa com diferentes combinações de falha.
Para exemplificar o nosso método, foram realizadas 125 simulações
utilizando as seguintes combinações de falhas: OSNR-16, 20, 24, 28 e 32 dB; CD-0,
200, 400, 600 e 800 ps/nm; e PMD com valores de diferencial de atraso de grupo
(DGD) igual a 0, 10, 20, 30, e 40 ps. O canal de fibra simulado incluiu um laser com
um comprimento de onda central de 1.550 nm e uma largura total correspondente a
metade do máximo ( FWHM ) da largura de linha de 10 MHz , uma fonte lógica de
10 Gbs , um único braço , “Mach-Zehnder”, um modulador óptico distorcido no ponto
de quadratura com um Vπ como unidade de tensão, e um filtro de Bessel –Thomson
de quarta ordem. Uma vez que o modelo foi agrupado, nós validamos a sua
precisão, com um conjunto diferente de dados de teste. Foram utilizados 64
simulações com as seguintes combinações de falhas: OSNR-18, 22, 26 e 30 dB, CD
-100, 300, 500, e 700 ps/nm e DGD-5, 15, 25, e 35 ps. O software relatou um
coeficiente de correlação de 0,91 para os dados de teste . A Fig. 3 compara os
testes e os dados modelado do ANN para OSNR, CD, e DGD.
Nenhum
DDG somente

5. CD somente
DGD e CD
Fig.2 Diagrama de olho
Numero de amostragem do teste OSNR
Numero de amostragem do teste CD

6. Numero de amostragem do teste DGD
Fig.3 Comparação dos testes e modelagem dos dados para 10 Gb/s
2
RESUMO
Nós mostramos como os modelos de ANN, agrupados com os parâmetros
obtidos a partir de diagramas de olho, podem ser usados para identificar
simultaneamente os níveis de OSNR, CD, e DGD para 10 Gb NRZ-OOK e 40 Gb/s
RZ-DPSK. Este método proporciona uma nova técnica para monitorar o
desempenho de canais ópticos. Deve notar-se que as falhas mais graves devem ser
incluídas quando os ANNs são agrupados, uma vez que estes modelos são
geralmente válidos quando interpolados. Num futuro próximo, pretendemos
desenvolver novos modelos com outros esquemas de modulação e utilização de
dados medidos.
REFERÊNCIAS
KILPER,D.C.; BACH,R.; BLUMENTHAL,D.J.; EINSTEIN,D.; Landolsi,T.; OLSTAR,L.;
PREISS, M.; WILLNER,E.A. “Optical performance monitoring,” J. Lightw. Technol.,
vol. 22, no. 1, pp. 294–304, Jan. 2004.
SHAKE,I.; TAKARA,H.; KAWANISHI, S.; YAMABAYASHI,Y. “Optical signal quality
monitoring method based on optical sampling,” Electron. Lett., vol. 34, no. 22, pp.
2152–2154, Oct. 1998.

7. HANIK,N.; GLADISCH,A.; CASPAR,C.; STREBEL,B. “Application of amplitude
histograms to monitor performance of optical channels,” Electron. Lett., vol. 35, no. 3,
pp. 403–404, Mar. 1999.
DODS,S.D.; ANDERSON,T.B. “Optical performance monitoring technique using
delay tap asynchronous waveform sampling,” in OFC/NFOEC Tech. Dig., Anaheim,
CA, Mar. 2006, Paper OThP5.
OHTERU,S.; TAKACHIO,N. “Optical signal quality monitor using direct Q-factor
measurement,” IEEE Photon. Technol. Lett., vol. 11, no. 10, pp. 1307–1309, Oct.
1999.
SKOOG,R.A.; BANWELL,T.C.; GANNETT,J.W.; HABIBY,S.F.; PANG,M.; M. E.
RAUCH,M.E.; TOLIVER,P. “Automatic identification of impairments using support
vector machine pattern classification on eye diagrams,” IEEE Photon. Technol. Lett.,
vol. 18, no. 22, pp. 2398–2400, Nov. 15, 2006.
SHAKE,I.; H. TAKARA,H.; KAWANISHI,S. “Simple measurement of eye diagram
and BER using high-speed asynchronous sampling,” J. Lightw. Technol., vol. 22, no.
5, pp. 1296–1302, May 2004.
HASSOUN,M.H. Fundamentals of Artificial Neural Networks. Cambridge, MA: MIT
Press, 1995.
ZHANG,Q.J.; Gupta,Q.C. Neural Networks for RF and Microwave Design. Boston,
MA: Artech, 2000.
HORNIK,K.; STINCHCOMBE,M.; WHITE,H. “Multilayer feedforward networks are
universal approximators,” Neural Networks, vol. 2, pp. 359–366, 1989.
NeuroModeler, Ver. 1.5. Ottawa, Canada: Dept. Electronics, Carleton University,
2004.