0 引言
       为了实现光网络的高效运营和维护，需要实时准确采集计算各项性能指标，例如光功率、光信噪比（OSNR）和误码率（BER）。OSNR计算技术一方面可以部署在光纤通信系统链路中以获取系统的运行情况与信号传输的状态，实现对光纤通信系统的实时监控与维护，为光网络正常运行提供保障；另一方面可以部署在接收端，为信号的解调与检测提供支撑。OSNR计算技术是未来智能、超高速和超长距离光纤通信系统优化与规划的关键技术之一[1-2]。
　　传统的OSNR监测方法包括带外测量法[3]、带内测量法和高阶统计矩方法[4-5]。但是，光网络在演进过程中传输距离不断增长，模块类型不断增多，非线性效应成为限制光网络传输质量的关键因素，传统OSNR监测采集方法开始暴露出计算时间长、计算误差大等局限性，难以满足光网性能指标的采集要求。
人工神经网络（ANN）模型能够拟合出输入和输出数据之间的函数关系。基于ANN模型计算OSNR，可以避免计算过程中非线性、噪声等难以测量的参数变量引起的计算误差，大幅提高OSNR计算精确度。利用深度神经网络、卷积神经网络和长短期记忆（LSTM）网络实现光通道性能监测[6-13]是研究热点，但是上述方法存在2个关键问题：第一，计算误差比较大，平均在1.0 dB左右；第二，随着传输距离、入纤功率和解调方式的变化，误差变化幅度也会随之变大。
　　针对传统OSNR计算方法的不足，本文提出基于注意力机制[14] 的OSNR计算方法，通过LSTM网络提取过去时刻OSNR和星座图中的保留特征信息，基于注意力机制对保留信息与当前星座图进行比较分析，捕获共性特征。

3 结束语
      本文提出了一种新的OSNR计算方法，结合循环神经网络与注意力机制，不但可以直接捕捉输入与输出数据之间逻辑规律，而且能够提取时变因素中规律特征。实验结果表明：该计算方法能够将OSNR计算误差降至0.36 dB以下；另外，随着入纤功率、传输距离和解调格式等参数的改变，该计算方法计算误差波动范围小、鲁棒性较高。本文提出的OSNR计算方法不仅能够有效地评估光网络健康状态，而且也表明基于人工智能技术的光网络监测方法是一个非常有潜力的研究方向。