CN110417482B - 预测干扰信号的方法和装置 - Google Patents

Abstract

本申请实施例公开了预测干扰信号的方法和装置，涉及光通信领域，有助于提高对从光纤接收到的光信号经均衡后得到的光信号进行补偿的效果。该方法可以包括：从光纤接收光信号，并对该光信号进行均衡，得到待处理信号；确定预测函数；其中，预测函数是：表示待处理信号在第一时刻的干扰信号的预测信号，与待处理信号在第一时刻之前的一个或多个时刻的干扰信号之间的关系的函数；将待处理信号在当前时刻的下一时刻之前的一个或多个时刻的干扰信号，代入预测函数，得到待处理信号在该下一时刻的干扰信号的预测信号。

Description

预测干扰信号的方法和装置

技术领域

本申请涉及光通信领域，尤其涉及预测干扰信号的方法和装置。

背景技术

在光网络中，光信号(下文中称为“信号”)从发送端设备经光纤传输至接收端设备。在信号传输过程中，由于发送端设备和接收端设备的带宽不能满足系统速率的要求，以及C波段信号受色散影响等因素，会导致很强的码间串扰(inter-symbol interference，ISI)。ISI会对信号产生影响。通常，接收端设备接收到信号之后，可以使用均衡技术来去除该信号中的ISI。然而，信号在传输过程中，还会受到干扰信号的影响，也就是说，接收端设备接收到的信号中混入了干扰信号。其中，干扰信号可以包括噪声和干扰，噪声可以包括白噪声和非白噪声，干扰可以包括多径干扰(multipath interference，MPI)、信道间干扰(inter-channel interference)等。在使用均衡技术去除ISI的过程中，会对信号在传输过程中混入的干扰信号的高频部分进行放大。这就需要进行一步补偿被放大的干扰信号。

目前，预测或补偿均衡后被放大的干扰信号的方法大多是基于接收端设备接收到的信号中混入的干扰信号是白噪声来设计的。然而，实际的传输过程较复杂，这使得接收端设备接收到的信号中混入的干扰信号并非是白噪声，因此利用该方法对信号进行补偿的效果不理想。

发明内容

本申请实施例提供了预测干扰信号的方法和装置，有助于提高提高对从光纤接收到的光信号经均衡后得到的光信号进行补偿的效果。其中，经均衡后得到的光信号中混有非白噪声、MPI和信道间干扰等干扰信号。

第一方面，本申请实施例提供了一种预测干扰信号的方法，应用于光通信领域，该方法可以包括：确定预测函数；预测函数是：表示待处理信号在第一时刻的干扰信号的预测信号，与待处理信号在第一时刻之前的一个或多个时刻的干扰信号之间的关系的函数；然后，将待处理信号在当前时刻的下一时刻之前的一个或多个时刻的干扰信号，代入预测函数，得到待处理信号在下一时刻的干扰信号的预测信号。其中，待处理信号是对从光纤接收到的光信号进行均衡后得到的光信号。例如，待处理信号中的干扰信号包括以下至少一种：具有时域相关性的噪声、具有时域相关性干扰。例如，干扰信号包括以下至少一种：非白噪声、MPI、信道间干扰等。可见，本申请实施例提供的技术方案利用待处理信号(即经均衡的光信号)中的干扰信号的时域相关性来预测下一时刻的干扰信号。由于在对从光纤接收的光信号进行均衡处理的过程中，混入该光信号的干扰信号会被加入很强的时域相关性，因此，利用该方法预测均衡处理后的光信号中的干扰信号，可以提高对干扰信号进行预测的精确度，从而有助于提高对信号进行补偿的效果。

在一种可能的设计中，该方法还可以包括：从光纤接收光信号，并对该光信号进行均衡，得到待处理信号。例如，对该光信号进行数字均衡，得到待处理信号。又如，对该光信号进行模拟均衡，并对模拟均衡后得到的光信号进行模数转换，得到待处理信号。

在一种可能的设计中，第一时刻和当前时刻的下一时刻属于同一预设时刻范围。该情况下，每个预设时刻范围可以对应一个预测函数。相比每个时刻对应一个预设函数的技术方案，该可能的设计提供的技术方案可以减少预测函数的个数，从而降低运算复杂度。当然，本申请实施例也支持每个时刻对应一个预测函数的技术方案，该情况下，第一时刻是当前时刻的下一时刻。

在一种可能的设计中，确定预测函数，可以包括：获取待处理信号在第二时刻之前的N个时刻的N个干扰信号；每一时刻对应一个干扰信号，第二时刻早于或等于第一时刻；N≥2，N是整数；基于预测模型对N个干扰信号进行自适应学习，得到预测模型的模型系数；其中，预测模型的属性包括预测算法和模型系数，预测模型是表示如下关系的模型：一个因变量是由多个自变量按照预测算法计算得到的；在执行自适应学习时，因变量是N个干扰信号中的一个干扰信号，因变量对应的每个自变量是N个干扰信号中的在该因变量对应的干扰信号之前的一个时刻的干扰信号；将模型系数代入预测模型，并将待处理信号在第一时刻的干扰信号的预测信号作为因变量，得到预测函数。通常，N大于M。该可能的设计给出了一种确定预测函数的方法，当然本申请不限于此。

其中，本申请实施例对自适应学习的具体实现方式不进行限定。作为一个示例，可以基于多个干扰信号组中的因变量的估计值与真实值之间的误差的均方值最小的原则，并使用一定的算法计算模型系数。其中，该算法可以是最小均方误差(least mean square，LMS)算法、LS(least square)算法等。

在一种可能的设计中，预测模型包括以下任一种：自回归(autoregressive，AR)模型、自回归滑动平均(auto-regressive and moving average，ARMA)模型、自回归条件异方差(autoregressive conditional heteroskedasticity，ARCH)模型、自回归积分滑动平均(autoregressive integrated moving average，ARIMA)模型，广义ARCH(generalizedautoregressive conditional heteroskedasticity，GARCH)模型等。

在一种可能的设计中，基于预测模型对N个干扰信号进行自适应学习，得到预测模型的模型系数，可以包括：从N个干扰信号中确定多个干扰信号组；其中，每个干扰信号组包括待处理信号在第n个时刻的干扰信号与待处理信号在第n个时刻之前的K个时刻的干扰信号；第n个时刻是N个时刻中的一个时刻；在不同干扰信号组中，n的取值不同；1≤n≤N，n是整数，K≥2，K是整数。然后，对于多个干扰信号组中的每个干扰信号组，将该干扰信号组中的第n个时刻的干扰信号作为预测模型的因变量，将该干扰信号组中的其他时刻的干扰信号作为预测模型的自变量，对多个干扰信号组进行自适应学习，得到预测模型的模型系数。其中，不同干扰信号组中可以有重叠的干扰信号。可选的，在第n个时刻之前的K个时刻是：在第n个时刻之前的从第n-1个时刻开始的连续K个时刻。当然不限于此。

在一种可能的设计中，该方法还可以包括：将待处理信号在下一时刻的信号减去待处理信号在下一时刻的干扰信号的预测信号，得到待处理信号在下一时刻补偿后的信号。该可能的设计给出了一种干扰信号的补偿方法。

第二方面，本申请实施例提供了一种预测干扰信号的装置。该装置可以用于执行上述第一方面提供的任一种方法。作为一个示例，该装置可以是一个芯片。

在一种可能的设计中，可以根据上述第一方面提供的方法对该装置进行功能模块的划分，例如，可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。

在另一种可能的设计中，该装置可以包括存储器和处理器，存储器用于存储计算机程序，该计算机程序被处理器执行时，使得第一方面提供的任一方法被执行。

第三方面，本申请实施例提供了一种均衡及预测补偿装置，包括：均衡器和预测干扰信号的装置。均衡器用于对从光纤接收到的光信号进行均衡，得到待处理信号。预测干扰信号的装置可以是上述第二方面提供的任一种预测干扰信号的装置。例如，预测干扰信号的装置可以用于确定预测函数，预测函数是：表示待处理信号在第一时刻的干扰信号的预测信号，与待处理信号在第一时刻之前的M个时刻的干扰信号之间的关系的函数；并将待处理信号在当前时刻的下一时刻之前的M个时刻的干扰信号，代入预测函数，得到待处理信号在下一时刻的干扰信号的预测信号，M≥1，M是的整数。

在一种可能的设计中，该均衡及预测补偿装置还可以包括补偿装置，其中，补偿装置可以包括第一减法器、判决器和第二减法器。其中，第一减法器(如图9中的减法器302)，用于将待处理信号减去待处理信号中的干扰信号的预测信号，得到补偿后的待处理信号；判决器(如图9中的判决器303)，用于对补偿后的待处理信号进行判决；第二减法器(如图9中的减法器401)，用于将待处理信号减去判决后得到的信号，得到待处理信号中的干扰信号。均衡器(如图9中的均衡器221)在对接收到的信号进行均衡的过程中，使用该判决器执行判决操作。其中，第一减法器、判决器和第二减法器中的任意一个或多个均可以通过软件实现或者通过硬件来实现，还可以通过软件结合硬件来实现，本申请实施例对此不进行限定。例如，预测干扰信号的装置可以是如图9中的预测装置301，预测干扰信号的装置和补偿装置可以称为预测补偿装置(例如可以是图9中的预测补偿装置222)。该可能的设计中，均衡器和预测补偿装置共用判决器，这样，可以在一定程度上加快均衡器和预测补偿装置执行相关操作所使用的函数的收敛速度和提高信号处理的精度。

本申请实施例还提供了一种处理装置，用以实现上述第二方面提供的预测干扰信号的装置或上述第三方面提供的均衡及预测补偿装置的功能。该处理装置包括处理器和接口；该处理装置可以是一个芯片，该处理器可以通过硬件来实现也可以通过软件来实现，当通过硬件实现时，该处理器可以是逻辑电路、集成电路等；当通过软件来实现时，该处理器可以是一个通用处理器，通过读取存储器中存储的软件代码来实现，该存储器可以集成在处理器中，可以位于处理器之外，独立存在。

本申请实施例还提供了一种计算机可读存储介质，其上储存有计算机指令，当该计算机指令在计算机上运行时，使得计算机执行上述第一方面的任一种可能的方法。

本申请实施例还提供了一种计算机程序产品，当其在计算机上运行时，使得第一方面提供的任一方法被执行。

可以理解的，上述提供的任一种装置或计算机存储介质或计算机程序产品均用于执行上文所提供的对应的方法，因此，其所能达到的有益效果可参考对应的方法中的有益效果，此处不再赘述。

附图说明

图1为可用于本申请实施例的一种光通信系统的示意性框图；

图2为本申请实施例提供的一种均衡器处理前后的信号对比示意图；

图3为可用于本申请实施例的一种均衡及预测补偿装置的示意性框图；

图4为本申请实施例提供的一种获取第n+1时刻的接收端有效信号的过程中的信号流示意图；

图5为本申请实施例提供的一种预测干扰信号的方法的流程示意图；

图6为本申请实施例提供的第一时刻、第二时刻和当前时刻的下一时刻之间的关系的示意图；

图7为本申请实施例提供的一种均衡及预测补偿装置的示意性框图一；

图8为可用于本申请实施例的一种均衡器的示意性框图；

图9为本申请实施例提供的一种均衡及预测补偿装置的示意性框图二；

图10为本申请实施例提供的一种预测干扰信号的装置的示意性框图一；

图11为本申请实施例提供的一种预测干扰信号的装置的示意性框图二。

具体实施方式

在本申请的描述中，除非另有说明，“/”表示或的意思，例如，A/B可以表示A或B；本文中的“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。并且，在本申请的描述中，除非另有说明，“多个”是指两个或多于两个。另外，为了便于清楚描述本申请实施例的技术方案，在本申请的实施例中，采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定，并且“第一”、“第二”等字样也并不限定一定不同。

如图1所示，为可用于本申请实施例的一种光通信系统的示意性框图。光通信系统可以包括发送端设备10和接收端设备20，发送端设备10与接收端设备20通过光纤30连接。发送端设备10包括信源100、第一信号处理装置120和输出接口140。接收端设备20包括输入接口200、均衡及预测补偿装置220、第二信号处理装置240和信宿260。光纤30的一端与发送端设备10的输出接口140连接，另一端与接收端设备20的输入接口200连接。

第一信号处理装置120用于将信源100产生的信号(即光信号)进行处理，例如编码、调制等，然后将处理后得到的信号(标记为“发送端有效信号”)经输出接口140输出。经输出接口140输出后的信号可以经光纤30传输至接收端设备20的输入接口200。由于信号在传输的过程中会受到ISI的影响和干扰信号的影响，因此接收端设备20接收到的信号(即输入接口200接收到的信号，标记为“受ISI和干扰信号影响的发送端有效信号”)与发送端设备10发送的信号(即输出接口140输出的信号)通常不同。干扰信号可以包括噪声和干扰，噪声可以包括白噪声和非白噪声，干扰包括MPI和信道间干扰等。

均衡及预测补偿装置220用于将输入接口200发送的受ISI和干扰信号影响的发送端有效信号进行去ISI和干扰信号补偿等操作，然后将处理后得到的信号(标记为“接收端有效信号”)输出至第二信号处理装置240。经均衡及预测补偿装置220处理后得到的接收端有效信号，可以理解为：接收端设备20对发送端有效信号进行估计后得到的信号。

第二信号处理装置240用于对均衡及预测补偿装置220输出的信号(即接收端有效信号)，执行与第一信号处理装置120对应的逆处理过程，例如解调、解码等，然后将处理后得到的信号输出至信宿260。

图1所示的光通信系统的架构示意图仅为可适用于本申请实施例的一个示例，其并不对本申请实施例所适用的光网络架构构成限定。例如，在一些场景中，光网络架构中发送端设备10中可以不包括第一信号处理装置120，对应的，接收端设备20中可以不包括第二信号处理装置240。又如，在一些场景中，用于产生光信号的信源100可以设置于发送端设备10之外。在另一些场景中，用于接收光信号的信宿260可以设置于接收端设备20之外等。再如，在另一些场景中，光通信系统中还可以包含图1之外的一些器件(或模块或装置)。

在数字信号处理(digital signal processing，DSP)算法架构中，需要对受严重ISI影响的信号进行均衡处理，通常可以通过在均衡及预测补偿装置220中设置均衡器来实现均衡处理。均衡器仅是针对受ISI影响的信号进行设计的，这会导致对信号进行均衡处理时，混入该信号的干扰信号会被加入很强的时域相关性。时域相关性在频域上表现为频谱的不平坦。如图2所示。受ISI影响但是未混入干扰信号的信号未经均衡处理之前可以如图2中的(a)所示，经均衡处理之后得到的信号可以如图2中的(b)所示。干扰信号经均衡处理之前可以如图2中的(c)所示，经均衡处理后得到的信号可以如图2中的(d)所示。对比图2中的(b)和图2中的(d)可知，未混入干扰信号的信号经均衡处理之后得到的信号的频谱较平坦，干扰信号经均衡处理之后得到的信号的频谱不平坦。图2的(a)～(d)任一图中，横坐标表示频率，单位是吉赫兹(GHz)，纵坐标表示幅度，单位是dB。

如图3所示，为可用于本申请实施例的一种均衡及预测补偿装置220的示意性框图。图3所示的均衡及预测补偿装置220包括：均衡器221和预测补偿装置222。

均衡器221用于对输入接口200输入的信号即受ISI和干扰信号影响的发送端有效信号进行均衡处理，以实现去ISI。本申请中将均衡器221处理后得到的信号标记为待处理信号(即预测补偿装置222的待处理信号)。在本申请中，均衡器221具体可以是数字均衡器，也可以是模拟均衡器。若均衡器221是模拟均衡器，则可以在模拟均衡器之后设置一个数模转换器(analog to digital converter，ADC)，经模拟均衡器均衡后得到的信号再经该数模转换器，得到待处理信号。为了描述方便和简洁，下文中和附图中，如果不加说明，均衡器均是指数字均衡器。在此统一说明，下文不再赘述。

预测补偿装置222用于对待处理信号中的干扰信号进行预测，得到干扰信号的预测信号，然后，利用干扰信号的预测信号对待处理信号进行补偿，得到接收端有效信号。在本申请中，预测补偿装置222也可以被称为噪声干扰预测及补偿(noise/interferenceprediction and compensation，NIPC)装置。

作为一个示例，预测补偿装置222可以包括：预测装置301、减法器302和判决器303。

预测装置301用于根据当前时刻的下一时刻之前的一个或多个时刻的待处理信号和该一个或多个时刻的接收端有效信号，对当前时刻的下一时刻的干扰信号进行预测，得到当前时刻的下一时刻的干扰信号的预测信号。

减法器302用于将当前时刻的待处理信号减去当前时刻的干扰信号的预测信号，得到补偿后的当前时刻的待处理信号。

判决器303用于对补偿后的当前时刻的待处理信号进行判决，得到当前时刻的接收端有效信号。判决器303可以例如但不限于是4-Slicer等。

如图4所示，为图3所示的预测补偿装置获取第n+1时刻的接收端有效信号的过程中的信号流示意图。其中，n是大于或等于1的整数。在图4中，预测装置301用于根据第n+1时刻之前的一个或多个时刻的待处理信号和该一个或多个时刻的接收端有效信号，预测得到第n+1时刻的干扰信号的预测信号，如图4中的虚线所示。其中，第n+1时刻之前的一个或多个时刻的接收端有效信号可以是预测补偿装置在第n+1时刻之前得到的，其获得方式可以参考获得第n+1时刻的接收端有效信号的流程。减法器302用于将第n+1时刻的待处理信号减去预测装置301输出的第n+1时刻的干扰信号的预测信号，得到补偿后的第n+1时刻的待处理信号。判决器303用于对减法器302输出的补偿后的第n+1时刻的待处理信号进行判决，得到第n+1时刻的接收端有效信号。

对于第1个时刻或前若干个时刻来说，由于预测补偿装置222还没有获得任一时刻的接收端有效信号，或者虽然获得了某个或某些时刻的接收端有效信号，但是这个或这些接收端有效信号不足以使预测装置301正常工作(例如，预测装置301需要根据前5个时刻的待处理信号和接收端有效信号，预测下一时刻的干扰信号，而当前时刻仅获取到了3个时刻的接收端有效信号，该情况下，可以认为预测装置301不能正常工作)，因此，预测装置301可以不工作，减法器302也可以不工作。换句话说，该第1时刻或前若干个时刻中任一时刻的接收端有效信号可以认为是判决器303对该时刻的待处理信号进行判决后得到的信号。

以下结合附图1～4对本申请实施例提供的技术方案进行说明。

如图5所示，为本申请实施例提供的一种预测干扰信号的方法的流程示意图。该方法的执行主体可以是如图1中的接收端设备20，具体可以是接收端设备20的均衡及预测补偿装置220。更具体的，可以是如图3所示的预测装置301。如图5所示的方法可以包括如下步骤：

S101：获取待处理信号在第二时刻之前的N个时刻的N个干扰信号。其中，每一时刻对应一个干扰信号。N是大于或等于2的整数。其中，待处理信号是从光纤接收光信号，并对该光信号进行均衡后得到的光信号。为了便于描述，如果不加说明，下文中的干扰信号均是指某一时刻的干扰信号。多个干扰信号是指多个时刻的干扰信号。

该N个时刻可以是第二时刻之前的任意N个时刻。

可选的，该N个时刻可以是在第二时刻之前且与第二时刻邻近的N个时刻。这里的“邻近”可以是指直接邻近和/或间接邻近。例如，假设第二时刻是第21个时刻，标记为t(21)，且N＝3，那么：示例1：第二时刻之前的N个时刻可以是：第20、19和18个时刻，分别标记为t(20)、t(19)和t(18)，该示例中，t(20)与t(21)直接邻近，t(19)和t(18)分别与t(21)间接邻近。示例2：第二时刻之前的N个时刻可以是：第19、17和15个时刻，分别标记为t(19)、t(17)和t(15)，该示例中，t(19)、t(17)和t(15)分别与t(21)间接邻近。

可选的，该N个时刻可以是在第二时刻之前且连续的N个时刻。当然，该N个时刻也可以是不连续的N个时刻。例如，在上述示例1中，N个时刻(即t(20)、t(19)和t(18))是连续的时刻。在上述示例2中，N个时刻(即t(19)、t(17)和t(15))是非连续的时刻。

可选的，待处理信号中的干扰信号包括具有时域相关性的噪声和具有时域相关性干扰中的至少一种。可选的，干扰信号包括以下至少一种：非白噪声、MPI、信道间干扰等。

可选的，在S101之前，该方法还可以包括：从光纤接收光信号，并对该光信号进行均衡，得到待处理信号。例如，对该光信号进行数字均衡，得到待处理信号。又如，对该光信号进行模拟均衡，并对模拟均衡后得到的光信号进行模数转换，得到待处理信号。

S102：基于预测模型对S101中获取的N个干扰信号进行自适应学习，得到预测模型的模型系数；其中，预测模型的属性包括预测算法和模型系数。预测模型是表示“一个因变量是由多个自变量按照预测算法计算得到的”的模型。在执行自适应学习的过程中，预测模型的因变量是N个干扰信号中的一个干扰信号，该因变量对应的每个自变量是该N个干扰信号中的在因变量所对应的干扰信号之前的一个时刻的干扰信号。

预测模型一旦确定，可以认为预测算法已确定。模型系数则可以根据实际需求确定(例如本申请中根据第二时刻之前的N个时刻的干扰信号确定)。在本申请中，将第一时刻的干扰信号的预测信号作为预测模型的因变量，可得到预测函数，具体示例可以参考下文。

可选的，预测模型可以包括以下任一种：AR模型、ARMA模型、ARCH模型、ARIMA模型，GARCH模型等。当然本申请不限于此。

例如，假设预测模型是AR模型，那么，该预测模型的预测算法是加权求和，即预测模型可以表示：一个因变量是由多个自变量加权求和得到的。应用于本申请，在进行自适应学习时，该因变量可以是待处理信号在t(i)时刻的干扰信号，相应的，该多个自变量可以是待处理信号在t(i)时刻之前的多个时刻的干扰信号。可选的，该多个自变量是待处理信号在t(i)时刻之前的连续的多个时刻的干扰信号。进一步可选的，该多个自变量是待处理信号在t(i)时刻之前的从t(i-1)开始的多个时刻的干扰信号，其中，i是大于或等于1的整数。

具体实现时，所使用的多个自变量具体是几(即下文中的M)个自变量，以及每个自变量具体是待处理信号在哪个时刻的干扰信号，可以根据实际应用场景和实际需求得到。例如，应用于本申请实施例中时，可以根据待处理信号中的干扰信号的特性确定。例如，实际需求可以包括运算复杂度的需求、预测干扰信号的精确度的需求、整体的性能需求等。通常，自变量的个数越多，运算复杂度越大，预测干扰信号的精确度越高等。例如，在本申请中，自变量的个数可以是3～10，例如是3、5、6或7。

假设该预测模型是表示待处理信号在t(i)时刻的干扰信号的预测信号，与t(i)时刻之前的从t(i-1)开始的连续3个时刻(分别标记为t(i-1)、t(i-2)和t(i-3))的干扰信号之间的关系的模型，则该预测模型可以表示为如下公式1：

公式1：g(t(i))＝a3*g(t(i-1))+a2*g(t(i-2))+a1*g(t(i-3))。

其中，i是大于3的整数。g(t(i))表示待处理信号在t(i)时刻的干扰信号，具体可以通过t(i)时刻的待处理信号减去t(i)时刻的有效信号得到。g(t(i-1))表示待处理信号在t(i-1)时刻的干扰信号。g(t(i-2))表示待处理信号在t(i-2)时刻的干扰信号，g(t(i-3))表示待处理信号在t(i-3)时刻的干扰信号。a3、a2和a1是模型系数。

可选的，S102可以包括如下步骤S102A～S102B：

S102A：从N个干扰信号中确定多个干扰信号组；其中，每个干扰信号组包括待处理信号在第n个时刻的干扰信号与待处理信号在第n个时刻(即本申请中的第t(i)个时刻)之前的K个时刻的干扰信号；第n个时刻是N个时刻中的一个时刻；在不同干扰信号组中，n的取值不同；1≤n≤N，n是整数，K≥2，K是整数。其中，不同干扰信号组中可以有重叠的干扰信号，也可以没有重叠的干扰信号。

可选的，在第n个时刻之前的K个时刻是：在第n个时刻之前的从第n-1个时刻开始的连续K个时刻。该情况下，一种可选的从N个干扰信号中确定多个干扰信号组的方法可以包括：将该N个干扰信号按照在待处理信号中的时间的先后顺序进行排序，得到一个序列；然后，以步长为1，将大小为K+1的窗口从该序列中的第一个干扰信号滑动到最后一个干扰信号，每滑动一次，得到一个干扰信号组。其中，每次滑动一个干扰信号，即滑动步长是1。这样，可以得到N-1个干扰信号组。

可以理解的，第n个时刻可以相当于本申请中描述的第t(i)个时刻，该情况下，在不同干扰信号组中，n的取值不同，具体是指t(i)中的i的取值不同。

例如，基于上述公式1，假设第二时刻是t(21)即i＝21，则N个干扰信号可以是t(21)之前的N个时刻的干扰信号，例如，可以是t(20)、t(19)、t(18)、……、t(1)。该情况下，执行S102A时所确定的多个干扰信号组可以如下：

干扰信号组1：g(t(20))、g(t(19))、g(t(18))和g(t(17))。其中，i＝20。

干扰信号组2：g(t(19))、g(t(18))、g(t(17))和g(t(16))。其中，i＝19。

干扰信号组3：g(t(18))、g(t(17))、g(t(16))和g(t(15))。其中，i＝18。

……

干扰信号组17：g(t(4))、g(t(3))、g(t(2))和g(t(1))。其中，i＝4。

S102B：对于多个干扰信号组中的每个干扰信号组，将该干扰信号组中的第n个时刻的干扰信号作为预测模型的因变量，将该干扰信号组中的其他时刻的干扰信号作为预测模型的自变量，对多个干扰信号组进行自适应学习，得到预测模型的模型系数。

本申请实施例对自适应学习的具体实现方式不进行限定。作为一个示例，可以基于多个干扰信号组中的因变量的估计值与真实值(即S101中获取到的第n个时刻的干扰信号)之间的误差的均方值最小的原则，并使用一定的算法(如LMS算法、LS算法等)计算模型系数。

例如，基于S102A中的示例，结合公式1，每个干扰信号组可以得到如下关系式：

对于干扰信号组1，可以得到g(t(20))＝a3*g(t(19))+a2*g(t(18))+a1*g(t(17))；

对于干扰信号组2，可以得到g(t(19))＝a3*g(t(18))+a2*g(t(17))+a1*g(t(16))；

对于干扰信号组3，可以得到g(t(18))＝a3*g(t(17))+a2*g(t(16))+a1*g(t(15))；

……

对于干扰信号组17，可以得到g(t(4))＝a3*g(t(3))+a2*g(t(2))+a1*g(t(1))。

基于上述多个关系式，对该多个干扰信号组进行自适应学习，得到模型系数a3、a2和a1。

S103：将模型系数代入预测模型，并将待处理信号在第一时刻的干扰信号的预测信号作为预测模型的因变量，得到预测函数。预测函数是：表示待处理信号在第一时刻的干扰信号的预测信号，与待处理信号在第一时刻之前的M个时刻的干扰信号之间的关系的函数。第二时刻早于或等于第一时刻。M≥1，M是整数。M通常小于N，或者远小于N。也就是说，执行S103时，预测函数的因变量是待处理信号在第一时刻的干扰信号的预测信号，自变量是第一时刻之前的M个时刻的干扰信号，模型系数是S102中计算得到的模型系数。不同模型系数代入同一预测模型，所得到的预测函数不同。

例如，基于S102中的示例，假设得到的a3、a2和a1依次是：0.71、0.58和0.41，那么，将“a3、a2和a1依次是：0.71、0.58和0.41”代入预测函数(即上述公式1)，并将待处理信号在第一时刻的干扰信号的预测值作为预测模型的因变量，可以得到公式2所示的预测函数：

公式2：g(t(i))＇＝0.71*g(t(i-1))+0.58*g(t(i-2))+0.41*g(t(i-3))。

其中，g(t(i))＇表示待处理信号在t(i)时刻的干扰信号的预测值，其中，在公式2中，i具体是指第一时刻。i可以是大于或等于21的一个或多个值。也就是说，该预测函数可以用于预测第21个时刻的干扰信号，可选的，还可以用于预测第21个时刻之后的一个或多个时刻的干扰信号。由此可知，一个预测函数可以用于预测多个时刻的干扰信号。

例如，若i＝21，则该预测函数是表示第21个时刻的干扰信号与第21个时刻之前且距离第21个时刻最近的3个时刻的干扰信号之间的关系的函数。该示例中，第一时刻是t(21)，第二时刻等于第一时刻。又如，若i＝22，则该预测函数是表示第22个时刻的干扰信号与第22个时刻之前且距离第22个时刻最近的3个时刻的干扰信号之间的关系的函数。该示例中，第一时刻是t(22)，第二时刻(即t(21))早于第一时刻。

上述S101～S103可以理解为：对至少两个干扰信号进行自适应学习，得到预测函数，的具体实现方式。根据上文中的描述可知，同一个预测函数可以用于预测多个时刻的干扰信号，也就是说，并非预测每个时刻的干扰信号时，均需要获得一个新的预测函数，因此，对至少两个干扰信号进行自适应学习，得到预测函数，是可选的步骤，因此，上述S101～S103是可选的步骤。当然，本申请实施例同样支持一个预测函数用于预测一个时刻的干扰信号的技术方案。另外，本申请实施例支持不同时刻所使用的预测模型相同或不同的场景。

S104：将待处理信号在当前时刻的下一时刻之前的M个时刻的干扰信号，代入预测函数，得到待处理信号在该下一时刻的干扰信号的预测信号。

在当前时刻的下一时刻之前的M个时刻，可以包括当前时刻以及当前时刻之前的M-1个时刻，或者，可以不包括当前时刻，而仅包括当前时刻之前的M个时刻。具体的，可以是当前时刻的下一时刻之前的连续的M个时刻，当然本申请不限于此。该M个时刻具体是哪个时刻或哪些时刻，与预测函数相关。例如，如上文中的示例，假设预测函数是g(t(i))＇＝0.71*g(t(i-1))+0.58*g(t(i-2))+0.41*g(t(i-3))，则当前时刻的下一时刻是t(i)，该M个时刻是指当前时刻(即t(i-1))和当前时刻之前的两个时刻(具体是t(i-2)和t(i-3))。基于该示例，假设当前时刻的下一时刻t(i)具体是t(21)，则预测函数具体是g(t(21))＇＝0.71*g(t(20))+0.58*g(t(19))+0.41*g(t(18))，S104具体可以包括：将t(20)、t(19)和t(18)时刻的干扰信号g(t(20))、g(t(19))和g(t(18))代入预测函数g(t(21))＇＝0.71*g(t(20))+0.58*g(t(19))+0.41*g(t(18))，得到待处理信号在该下一时刻的干扰信号的预测信号g(t(21))＇。

可选的，第一时刻和当前时刻的下一时刻属于同一预设时刻范围。该情况下，每个预设时刻范围可以对应一个预测函数。例如，假设第21～30个时刻是预设时刻范围1，预设时刻范围1对应预测函数1，那么，预测函数1用于预测第21～30个时刻的干扰信号。该情况下，第一时刻是第21～30个时刻中的任一时刻。又如，假设第31～40个时刻是预设时刻范围2，预设时刻范围2对应预测函数2，那么，预测函数2用于预测第31～40个时刻的干扰信号。该情况下，第一时刻是第31～40个时刻中的任一时刻。相比每个时刻对应一个预设函数的技术方案，该可选的实现方式可以减少预测函数的个数，从而降低运算复杂度。

如图6所示，为第一时刻、第二时刻和当前时刻的下一时刻之间的关系(具体是在时间轴t上的位置关系)的示意图。图6中是以第二时刻是t(21)、且第一时刻的取值范围是t(21)至t(30)为例进行说明的。基于图6，本实施例中的方案可以描述为：利用t(21)时刻之前的若干个时刻的干扰信号确定预测函数，该预测函数可用于预测t(21)～t(30)任一时刻的干扰信号。

可选的，第一时刻是当前时刻的下一时刻。该情况下，每个时刻可以对应一个预测函数。可见，本申请实施例支持每个时刻对应一个预测函数的技术方案。

执行S104之后，预测干扰信号的流程结束。可选的，该方法还可以包括如下S105。

S105：将待处理信号在该下一时刻的信号减去待处理信号在该下一时刻的干扰信号的预测信号，得到待处理信号在该下一时刻补偿后的信号。也就是说，对当前时刻的下一时刻的待处理信号进行补偿。

本申请实施例提供的预测干扰信号的方法，将当前时刻的下一时刻之前的一个或多个时刻的干扰信号代入预测函数，得到待处理信号在该下一时刻的干扰信号的预测信号。也就是说，利用待处理信号中的干扰信号的时域相关性来预测下一时刻的干扰信号。由于在对从光纤接收的光信号进行均衡处理的过程中，混入该光信号的干扰信号(包括非白噪声、MPI和信道间干扰等)会被加入很强的时域相关性，因此利用该方法预测均衡处理后的光信号中的干扰信号，可以提高对干扰信号进行预测的精确度，从而有助于提高对信号进行补偿的效果。

上述主要从方法的角度对本申请实施例提供的方案进行了介绍。为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

如图7所示，是本申请实施例提供的一种预测补偿装置220的示意性框图。其中包括的预测装置301可用于执行图5所示的方法。图7是基于图3进行绘制的。参见图7，预测装置301可以包括：获取模块401和预测器403。可选的还可以包括自适应模块402。各模块之间的连接关系如图7所示。其中：

获取模块401可以用于获取待处理信号在当前时刻的下一时刻之前的N个时刻的干扰信号，并将这些干扰信号发送给预测器403。其中，待处理信号是对从光纤接收光信号进行均衡后得到的光信号。获取模块401具体可以是减法器。

预测器403可以用于将这些干扰信号代入预测函数，得到当前时刻的下一时刻的干扰信号的预测信号。例如，若预测模型是上述公式1，且当前时刻的下一时刻是t(21)，则获取模块401具体可以用于将g(t(20))、g(t(19))和g(t(18))发送给预测器403。

可选的，获取模块401还可以用于获取第二时刻之前的N个时刻的N个干扰信号，并将该N个干扰信号发送给自适应模块402。自适应模块402可以用于基于预测模型对该N个干扰信号进行自适应学习，得到预测模型的模型系数，然后将所得到的模型系数发送给预测器403。预测器403还可以用于将该模型系数代入预测模型，并将待处理信号在第一时刻的干扰信号的预测信号作为预测模型的因变量，得到预测函数。例如，若预测模型是上述公式1，且当前时刻的下一时刻是t(21)，则获取模块401具体可以用于将t(21)之间的若干个时刻的干扰信号发送给自适应模块402。自适应模块402可以用于基于公式1所示的预测模型对该若干个时刻的干扰信号进行自适应学习，得到预测模型的模型系数(例如a3、a2和a1依次是：0.71、0.58和0.41)。预测器403将该模型系数代入公式1所示的预测模型，并将第一时刻的干扰信号的预测信号作为预测模型的因变量，即可得到公式2所示的预测函数。

本申请实施例提供的预测装置中，预测器的模型系数(即预测模型的模型系数)是通过对待处理信号中已获取的干扰信号进行自适应学习得到的，因此，预测器对非白噪声和非白的干扰均具有预测或补偿功能。另外，如图7所示的均衡及预测补偿装置220中的预测补偿装置222实际上是一个滤波器(finite impulse response，FIR)，因此复杂度较低。另外，本实施例中，均衡器221与预测补偿装置222独立设置，因此能够提高系统的稳定性。

如图8所示，均衡器221可以包括：滤波器、LMS模块、减法器和判决器，各器件之间的连接关系可参考图8。其中，滤波器用于对受ISI和干扰信号影响的发送端有效信号进行滤波。LMS模块用于获得滤波器的抽头系数。可选的，均衡器221和预测补偿装置222可以共用判决器，如图9所示。其中，图9是基于图7和图8进行绘制的。由于相比均衡器221中独立设置判决器来说，预测补偿装置222中设置的判决器的判决结果更准确。因此，与均衡器221中独立设置判决器的技术方案相比，该可选的实现方式中，将这个相对更加准确的判决结果用于均衡器221计算误差函数，可以在一定程度上加快均衡器221和预测补偿装置222执行相关操作所使用的函数的收敛速度和提高信号处理的精度。

上文中的每个器件或装置(例如预测装置、预测补偿装置、均衡及预测补偿装置等)或模块(例如滤波器、LMS模块、减法器、判决器、预测器、自适应模块等)均可以通过硬件实现，也可以通过软件实现，还是可以通过软件结合硬件的方式实现。本申请实施例对此不进行限定。

另外，本申请实施例可以根据上述方法示例对预测干扰信号的装置(等价于上文中描述的预测装置)进行功能模块的划分，例如，可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。本申请实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

如图10所示，为本申请实施例提供的一种预测干扰信号的装置的示意性框图。图10所示的预测干扰信号的装置10可以用于执行如图5所示的预测干扰信号的方法。预测干扰信号的装置10可以用于替换上文中提供的预测装置301。预测干扰信号的装置10可以包括：确定单元1001和预测单元1002。其中，确定单元1001可以用于确定预测函数；预测函数是：表示待处理信号在第一时刻的干扰信号的预测信号，与待处理信号在第一时刻之前的M个时刻的干扰信号之间的关系的函数。预测单元1002可以用于将待处理信号在当前时刻的下一时刻之前的M个时刻的干扰信号，代入预测函数，得到待处理信号在下一时刻的干扰信号的预测信号。其中，待处理信号是对从光纤接收到的光信号进行均衡后得到的光信号,M≥1，M是的整数。例如，结合图5，确定单元1001可以用于执行S103，预测单元1002可以用于执行S104。

可选的，确定单元1001具体可以用于：获取待处理信号在第二时刻之前的N个时刻的N个干扰信号；每一时刻对应一个干扰信号，第二时刻早于或等于第一时刻；N≥2，N是整数；基于预测模型对N个干扰信号进行自适应学习，得到预测模型的模型系数；其中，预测模型的属性包括预测算法和模型系数，预测模型是表示如下关系的模型：一个因变量是由多个自变量按照预测算法计算得到的；在执行自适应学习时，因变量是N个干扰信号中的一个干扰信号，因变量对应的每个自变量是N个干扰信号中的在因变量对应的干扰信号之前的一个时刻的干扰信号；将模型系数代入预测模型，并将待处理信号在第一时刻的干扰信号的预测信号作为因变量，得到预测函数。例如，结合图5，确定单元1001具体可以用于执行S101、S102和S103。

可选的，确定单元1001具体可以用于：从N个干扰信号中确定多个干扰信号组；其中，每个干扰信号组包括待处理信号在第n个时刻的干扰信号与待处理信号在第n个时刻之前的K个时刻的干扰信号；第n个时刻是N个时刻中的一个时刻；在不同干扰信号组中，n的取值不同；1≤n≤N，n是整数，K≥2，K是整数；对于多个干扰信号组中的每个干扰信号组，将该干扰信号组中的第n个时刻的干扰信号作为预测模型的因变量，将该干扰信号组中的其他时刻的干扰信号作为预测模型的自变量，对多个干扰信号组进行自适应学习，得到预测模型的模型系数。

可选的，在第n个时刻之前的K个时刻是：在第n个时刻之前的从第n-1个时刻开始的连续K个时刻。

本申请实施例提供的预测干扰信号的装置10中的相关内容的解释及所能获得的技术效果可参考上述方法实施例，在此不再赘述。

在硬件实现上，上述图9中的获取模块401、自适应模块402和预测器403中的部分或全部所执行的功能，或者，上述图10中的确定单元1001和预测单元1002中的部分或全部所执行的功能均可以以计算机执行指令的形式存储于存储器中，并由处理器来调用该计算机执行指令，从而实现上文中所提供的预测干扰信号的方法。

如图11所示，为本申请实施例提供的另一种预测干扰信号的装置的示意性框图。图11所示的预测干扰信号的装置11可以用于执行如图5所示的预测干扰信号的方法。该预测干扰信号的装置11可以用于替换上文中提供的预测装置301。具体的，预测干扰信号的装置11可以包括：处理器1101、通信线路1102、存储器1103和通信接口1104。

处理器1101可以是一个通用中央处理器(central processing unit，CPU)，微处理器，特定应用集成电路(application-specific integrated circuit，ASIC)，或一个或多个用于控制本申请方案程序执行的集成电路。

通信线路1102可以包括一通路，在上述组件之间传送信息。

存储器1103可以是只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory，EEPROM)、只读光盘(compactdisc read-only memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以是独立存在，通过通信线1102与处理器相连接。存储器也可以和处理器集成在一起。

通信接口1104，使用任何收发器一类的装置，用于与其他装置/单元/模块(例如图3中的均衡器221、判决器301和减法器302等)通信。

其中，存储器1103用于存储执行本申请方案对应的计算机执行指令，并由处理器1101来控制执行。处理器1101用于执行存储器1103中存储的计算机执行指令，从而实现本申请下述实施例提供的方法。

可选的，本申请实施例中的计算机执行指令也可以称之为应用程序代码，本申请实施例对此不作具体限定。在具体实现中，作为一种实施例，处理器1001可以包括一个或多个CPU。作为一种实施例，预测干扰信号的装置11可以包括多个处理器。这些处理器中的每一个可以是一个单核(single-CPU)处理器，也可以是一个多核(multi-CPU)处理器。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。

上述预测干扰信号的装置11可以是一个通用设备或者是一个专用设备。

本申请实施例提供的预测干扰信号的装置11中的相关内容的解释及所能获得的技术效果可参考上述方法实施例，在此不再赘述。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件程序实现时，可以全部或部分地以计算机程序产品的形式来实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机执行指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可以用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)，光介质(例如，DVD)、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。

尽管在此结合各实施例对本申请进行了描述，然而，在实施所要求保护的本申请过程中，本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书，可理解并实现所述公开实施例的其他变化。在权利要求中，“包括”(comprising)一词不排除其他组成部分或步骤，“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施，但这并不表示这些措施不能组合起来产生良好的效果。

尽管结合具体特征及其实施例对本申请进行了描述，显而易见的，在不脱离本申请的精神和范围的情况下，可对其进行各种修改和组合。相应地，本说明书和附图仅仅是所附权利要求所界定的本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (18)

1.一种预测干扰信号的方法，其特征在于，应用于光通信领域，所述方法包括：

从光纤接收光信号，并对所述光信号进行均衡，得到待处理信号；

确定预测函数；其中，所述预测函数是表示所述待处理信号在第一时刻的干扰信号的预测信号，与所述待处理信号在所述第一时刻之前的M个时刻的干扰信号之间的关系的函数，所述M是大于或等于1的整数；所述预测 函数是对所述待处理信号在第二时刻之前的N个时刻的N个干扰信号进行自适应学习得到的，所述第二时刻早于或等于所述第一时刻，所述N是大于或等于2的整数；

将所述待处理信号在当前时刻的下一时刻之前的M个时刻的干扰信号，代入所述预测函数，得到所述待处理信号在所述下一时刻的干扰信号的预测信号。

2.根据权利要求1所述的方法，其特征在于，

所述第一时刻和所述当前时刻的下一时刻属于同一预设时刻范围；

或者，所述第一时刻是所述当前时刻的下一时刻。

3.根据权利要求1或2所述的方法，其特征在于，所述确定预测函数，包括：

获取所述待处理信号在第二时刻之前的N个时刻的N个干扰信号；每一时刻对应一个干扰信号；

基于预测模型对所述N个干扰信号进行自适应学习，得到所述预测模型的模型系数；其中，所述预测模型的属性包括预测算法和所述模型系数，所述预测模型是表示如下关系的模型：一个因变量是由多个自变量按照所述预测算法计算得到的；在执行所述自适应学习时，所述因变量是所述N个干扰信号中的一个干扰信号，所述因变量对应的每个自变量是所述N个干扰信号中的在所述因变量对应的干扰信号之前的一个时刻的干扰信号；

将所述模型系数代入所述预测模型，并将所述待处理信号在所述第一时刻的干扰信号的预测信号作为所述因变量，得到所述预测函数。

4.根据权利要求3所述的方法，其特征在于，所述预测模型包括以下任一种：自回归AR模型、自回归滑动平均ARMA模型、自回归条件异方差模型ARCH模型、自回归积分滑动平均ARIMA模型，广义ARCH模型。

5.根据权利要求3所述的方法，其特征在于，所述基于预测模型对所述N个干扰信号进行自适应学习，得到所述预测模型的模型系数，包括：

从所述N个干扰信号中确定多个干扰信号组；其中，每个干扰信号组包括所述待处理信号在第n个时刻的干扰信号与所述待处理信号在所述第n个时刻之前的K个时刻的干扰信号；所述第n个时刻是所述N个时刻中的一个时刻；在不同干扰信号组中，所述n的取值不同；1≤n≤N，n是整数，K≥2，所述K是整数；

对于所述多个干扰信号组中的每个干扰信号组，将该干扰信号组中的第n个时刻的干扰信号作为所述预测模型的因变量，将该干扰信号组中的其他时刻的干扰信号作为所述预测模型的自变量，对所述多个干扰信号组进行自适应学习，得到所述预测模型的模型系数。

6.根据权利要求5所述的方法，其特征在于，在所述第n个时刻之前的K个时刻是：在所述第n个时刻之前的从第n-1个时刻开始的连续K个时刻。

7.根据权利要求1、2、4至6任一项所述的方法，其特征在于，所述待处理信号中的干扰信号包括以下至少一种：具有时域相关性的噪声、具有时域相关性干扰。

8.根据权利要求7所述的方法，其特征在于，所述干扰信号包括以下至少一种：非白噪声、多径干扰MPI、信道间干扰。

9.一种预测干扰信号的装置，其特征在于，应用于光通信领域，所述装置包括：

确定单元，用于确定预测函数；其中，所述预测函数是表示待处理信号在第一时刻的干扰信号的预测信号，与所述待处理信号在所述第一时刻之前的M个时刻的干扰信号之间的关系的函数，所述M是大于或等于1的整数；所述待处理信号是对从光纤接收到的光信号进行均衡后得到的光信号；所述预测 函数是对所述待处理信号在第二时刻之前的N个时刻的N个干扰信号进行自适应学习得到的，所述第二时刻早于或等于所述第一时刻，所述N是大于或等于2的整数；

预测单元，用于将所述待处理信号在当前时刻的下一时刻之前的M个时刻的干扰信号，代入所述预测函数，得到所述待处理信号在所述下一时刻的干扰信号的预测信号。

10.根据权利要求9所述的装置，其特征在于，

所述第一时刻和所述当前时刻的下一时刻属于同一预设时刻范围；

或者，所述第一时刻是所述当前时刻的下一时刻。

11.根据权利要求9或10所述的装置，其特征在于，所述确定单元具体用于：

获取所述待处理信号在第二时刻之前的N个时刻的N个干扰信号；每一时刻对应一个干扰信号；

基于预测模型对所述N个干扰信号进行自适应学习，得到所述预测模型的模型系数；其中，所述预测模型的属性包括预测算法和所述模型系数，所述预测模型是表示如下关系的模型：一个因变量是由多个自变量按照所述预测算法计算得到的；在执行所述自适应学习时，所述因变量是所述N个干扰信号中的一个干扰信号，所述因变量对应的每个自变量是所述N个干扰信号中的在所述因变量对应的干扰信号之前的一个时刻的干扰信号；

将所述模型系数代入所述预测模型，并将所述待处理信号在所述第一时刻的干扰信号的预测信号作为所述因变量，得到所述预测函数。

12.根据权利要求11所述的装置，其特征在于，所述预测模型包括以下任一种：自回归AR模型、自回归滑动平均ARMA模型、自回归条件异方差模型ARCH模型、自回归积分滑动平均ARIMA模型，广义ARCH模型。

13.根据权利要求11所述的装置，其特征在于，所述确定单元具体用于：

从所述N个干扰信号中确定多个干扰信号组；其中，每个干扰信号组包括所述待处理信号在第n个时刻的干扰信号与所述待处理信号在所述第n个时刻之前的K个时刻的干扰信号；所述第n个时刻是所述N个时刻中的一个时刻；在不同干扰信号组中，所述n的取值不同；1≤n≤N，n是整数，K≥2，K是整数；

对于所述多个干扰信号组中的每个干扰信号组，将该干扰信号组中的第n个时刻的干扰信号作为所述预测模型的因变量，将该干扰信号组中的其他时刻的干扰信号作为所述预测模型的自变量，对所述多个干扰信号组进行自适应学习，得到所述预测模型的模型系数。

14.根据权利要求9、10、12或13所述的装置，其特征在于，所述待处理信号中的干扰信号包括以下至少一种：具有时域相关性的噪声、具有时域相关性干扰。

15.根据权利要求14所述的装置，其特征在于，所述干扰信号包括以下至少一种：非白噪声、多径干扰MPI、信道间干扰。

16.一种均衡及预测补偿装置，其特征在于，应用于光通信领域，所述装置包括：均衡器和预测干扰信号的装置；

所述均衡器用于对从光纤接收到的光信号进行均衡，得到待处理信号；

所述预测干扰信号的装置用于确定预测函数，其中，所述预测函数是：表示所述待处理信号在第一时刻的干扰信号的预测信号，与所述待处理信号在所述第一时刻之前的一个或多个时刻的干扰信号之间的关系的函数；以及，将所述待处理信号在当前时刻的下一时刻之前的一个或多个时刻的干扰信号，代入所述预测函数，得到所述待处理信号在所述下一时刻的干扰信号的预测信号；所述预测 函数是对所述待处理信号在第二时刻之前的N个时刻的N个干扰信号进行自适应学习得到的，所述第二时刻早于或等于所述第一时刻，所述N是大于或等于2的整数。

17.根据权利要求16所述的装置，其特征在于，所述装置还包括：

第一减法器，用于将所述待处理信号减去所述待处理信号中的干扰信号的预测信号，得到补偿后的所述待处理信号；

判决器，用于对补偿后的所述待处理信号进行判决；

第二减法器，用于将所述待处理信号减去所述判决后得到的信号，得到所述待处理信号中的干扰信号；

所述均衡器在对接收到的信号进行均衡的过程中，使用所述判决器执行判决操作。

18.一种计算机可读存储介质，其特征在于，包括计算机指令，当所述计算机指令在计算机上运行时，使得如权利要求1至8任一项所述的方法被执行。

Images