光谱是光信号的重要特征，光通信系统中不同类型光信号光谱具有明显差异和个性化特征，同时调制和传输过程中的各种失真也会在信号光谱上留下印迹。传统基于衍射光栅的光谱仪分辨率仅为0.02nm左右，而实验室近期研制成功的基于光纤受激布里渊散射（SBS）效应的超高分辨率光谱仪（UHR-OSA）分辨率提高了200多倍，达到0.08pm。UHR-OSA所得的精细参数为光信号类型识别、质量监测和光纤链路损伤分析提供了更多的数据。近期人工智能技术发展迅猛，其大数据下的信息挖掘能力表现突出。如何将UHR-OSA与人工智能技术相结合，实现智能化光谱分析、光信号调制参数提取和损伤评估目前还没有相关报道。

武汉光电国家实验室、光电学院研究生卢洪伟在导师崔晟副教授指导下首次提出一种基于机器学习技术的光信号类型识别和光谱失真分析方法。该方法结合主成分分析（PCA）和支持向量机（SVM）两种机器学习算法，从大量各种类型和不同失真超高分辨率光谱数据集中学习调制格式、符号速率、脉冲形状、非理想调制和非理性光纤链路失真对光谱精细结构的影响，能够在较为严重失真条件下准确识别光信号类型，针对常用九种类型光信号平均识别准确达到96.97%。在此基础上将信号类型对应的超高分辨率理想光谱与实际光谱进行对比便可以更加准确地区分和评估信号失真类型和大小。该成果首次将人工智能技术与UHR-OSA技术相结合，推动了未来光通信系统中智能化UHR-OSA和基于UHR-OSA的智能化光信号质量监测技术的发展。

Fig. 1. Optical spectrum distortions induced by non-ideal optical link or transmitters. (solid line: the ideal OS, dashed line: the distorted OS).

Fig. 2. The flow chart of the machine learning technique based ultra-high resolution spectrum retrieval process.

Fig. 3. (a) Eigenvalues for the principle components in descending order. (b) Parameter r as a function of the number of principle components selected.

Fig. 4. The variations of the classification accuracy of all training samples versus γ and c in the SVMs training process.

Fig. 5. (a) The identification accuracy for each of the nine types of optical signals. The averaged accuracy is 96.97% (solid line: OSNR varied in the range of 6-30dB, dashed line: OSNR varied in the range of 10-30dB). (b) The contribution of each type of optical signals to the total retrieval errors when OSNR is the range of 6-30dB and 10-30dB respectively.

该研究工作得到了国家重大科学仪器与设备开发专项课题、中组部“万人计划”青年拔尖人才支持计划和国家自然科学基金面上项目的资助，并得到下一代互联网接入系统国家工程实验室柯昌剑和刘德明教授所在团队的大力支持。2017年12月25日，研究成果“Automatic reference optical spectrum retrieval method for ultra-high resolution optical spectrum distortion analysis utilizing integrated machine learning techniques” 发表在光学期刊Optics Express杂志上（ Vol. 25, No. 26, pp. 32491-32503, 2017）.