OptiSystem软件已集成机器学习（ML）工具，用户可通过分析双电平系统的眼图来训练光通信系统。该工具提供多个功能选项卡，支持用户对OptiSystem项目生成的眼图模型进行训练与测试。此外，工具还可导入外部眼图图像，并基于该图像预测系统在生成眼图时的运行状态。工具将根据训练条件提供系统参数及眼图分析结果，以便用户采取相应的系统管理措施。本案例将展示如何在10Gbps NRZ OOK-DD系统中使用机器学习工具。
首先，我们搭建一个如图1所示的系统布局。
图1.10Gbps NRZ OOK-DD系统布局
在这个链路中，我们将传输的光纤长度从50-75km范围进行线性扫描，得到1000组不同光纤传输长度下的眼图，这些结果将会被用于训练和测试机器学习模型。
图2.扫描1000次迭代，得到1000个眼图
打开机器学习工具，在主参数选项卡上可以定义算法、神经网络的层数以及每层的类型，设置如图3所示，图中1000个眼图的70%用于训练，图片压缩率为40%。
图3.机器学习工具主参数选项卡
选择光纤长度、最小BER和Q因子作为需要预测的数据：
a）选择光纤长度作为需要预测数据
b）选择最小BER和Q因子作为需要预测数据
图4.在机器学习工具中选择需要预测数据
接着我们需要将1000次眼图结果提取成图片放入训练集文件夹中，然后运行机器学习工具训练神经网络。如图5，我们可以评价神经网络的性能，查看损失函数。
a） epoch vs loss
b） epoch vs mae
c） epoch vs val_loss
d） epoch vs val_mae
图5 神经网络损失函数评估
训练完成后我们将余下的眼图用于对神经网络进行测试，比较测试预测的结果与实际测试集结果之间的误差，测试结果如图6所示：
a） 实际光纤长度与预测光纤长度对比
b） 实际光纤长度与预测光纤长度误差
c） 实际Q因子与预测Q因子的对比
d） 实际Q因子与预测Q因子的误差
e） 实际最小BER与预测最小BER的误差
图6 神经网络测试结果
导入一个眼图，如图7所示：
图7.导入需要预测的眼图
运行预测功能，结果如图8：
图8.神经网络预测的系统性能
