CN102088319A - 一种信号损伤补偿方法、装置和光接收机 - Google Patents
一种信号损伤补偿方法、装置和光接收机 Download PDFInfo
- Publication number
- CN102088319A CN102088319A CN2009102527282A CN200910252728A CN102088319A CN 102088319 A CN102088319 A CN 102088319A CN 2009102527282 A CN2009102527282 A CN 2009102527282A CN 200910252728 A CN200910252728 A CN 200910252728A CN 102088319 A CN102088319 A CN 102088319A
- Authority
- CN
- China
- Prior art keywords
- signal
- weights
- module
- input
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Optical Communication System (AREA)
Abstract
本发明实施例提供一种信号损伤补偿方法、装置和光接收机,上述方法包括:在训练模式下,将训练序列信号输入神经网络,利用所述训练序列信号对所述神经网络进行训练,获得所述神经网络在补偿模式下所需的权值;在补偿模式下,根据训练模式下获得的所述权值,利用所述神经网络对传输的有效数据信号进行补偿。本发明实施例能够在不改变网络结构的同时,对信号进行损伤补偿,且方案结构简单,还具有自适应能力。
Description
技术领域
本发明涉及通信领域,尤其涉及一种信号损伤补偿方法、装置和光接收机。
背景技术
随着高速互联网的普及和多媒体业务的蓬勃发展,人们对以太网的带宽和传输速率有了更高的要求。从开始的2.5G到10G,再由10G到40G。目前,10G系统仍然是主流的传输速率标准,但是40G与10G并存,进而取代10G的趋势已经不可逆转。40G在很多国家和地区已经开始商用。但是,人们对带宽的要求可以说是无止境的,100G的研究已经成了目前的热点,很多业内人士认为,100G将在未来的五年内得到长足的发展并且实现商用。而这些高速通信的载体只能是光纤。
众所周知,随着通信速率的增加,各种传输码型的信号在传输过程中受到更大的损伤,如功率损伤,CD(Chromatic Dispersion,色度色散),PMD(Polarization Mode Dispersion,偏振模色散),非线性噪声等等。光纤通信的主要目的就是得到高速的传输速率和良好的传输性能。因此,对传输损伤的分析和研究也就成了现在的热点之一。学术界和工业界已经提出了各种各样的信号损伤补偿方案,如:用EDFA来增加功率,用色散补偿光纤来补偿色散,用色散管理的方法来减小色散对系统传输性能的影响,用PMD预补偿方案来补偿PMD,用滤波器来补偿线性噪声,用相位调制器来补偿SPM(Selfphase modulation,自相位调制)等等。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:现有技术的信号损伤补偿方案只能针对部分信号损伤进行补偿,补偿能力非常有限,尤其是对非线性损伤的补偿能力非常弱。
发明内容
本发明实施例提供一种信号损伤补偿方法、装置和光接收机,能够在不改变网络结构的同时,对信号进行损伤补偿。
一方面,本发明实施例提供了一种信号损伤补偿方法,所述方法包括:在训练模式下,将训练序列输入神经网络,利用训练序列信号对神经网络进行训练,获得神经网络在补偿模式下所需的权值;在补偿模式下,根据训练模式下获得的权值,利用神经网络对传输的有效数据信号进行补偿。
另一方面,本发明实施例提供了一种信号损伤补偿装置,包括权值模块和神经网络模块;权值模块,用于在训练模式下,确定神经网络模块在补偿模式下所需的权值;神经网络模块,用于在补偿模式下,根据权值模块在训练模式下获得的权值,对传输的有效数据信号进行补偿。
再一方面,本发明实施例提供了一种光接收机,包括:相干接收装置、数据恢复模块和如上述的信号损伤补偿装置;相干接收装置,用于对接收到的调制光信号进行相干接收处理,得到数字信号;信号损伤补偿装置,用于对数字信号进行处理,若数字信号为训练序列信号,则进入训练模式,确定在补偿模式下进行信号损伤补偿所需的权值;若数字信号为传输的有效数据信号,则进入补偿模式,根据在训练模式下获得的权值,对传输的有效数据信号进行补偿并输出;数据恢复模块,用于对信号损伤补偿装置输出的信号进行处理,恢复出发送端发送的有效数据。
上述技术方案具有如下有益效果:因为采用在训练模式下,将训练序列输入神经网络,利用训练序列信号对神经网络进行训练,获得神经网络在补偿模式下所需的权值;在补偿模式下,根据训练模式下获得的权值,利用神经网络对传输的有效数据信号进行补偿的技术手段,所以达到了能够在不改变网络结构的同时,对信号进行损伤补偿,且方案结构简单,还具有自适应能力的技术效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一种信号损伤补偿方法流程图;
图2为本发明实施例一种信号损伤补偿装置结构示意图;
图3为本发明实施例权值模块结构示意图;
图4A为本发明实施例神经网络模块结构示意图;
图4B为本发明实施例判断模块结构示意图;
图5为本发明实施例一种光接收机结构示意图;
图6为本发明实施例的又一种光接收机的结构示意图;
图7为本发明实施例一种模式识别模块结构示意图;
图8为本发明实施例中神经网络模块对应的神经网络的逻辑拓扑结构示意图;
图9为本发明实施例格雷码映射关系图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供一种信号损伤补偿的方法,其方法流程图如图1所示,该方法包括:
101、在训练模式下,将训练序列信号输入神经网络,利用所述训练序列信号对所述神经网络进行训练,获得所述神经网络在补偿模式下所需的权值;
102、在补偿模式下,根据训练模式下获得的所述权值,利用所述神经网络对传输的有效数据信号进行补偿。
需要说明的是,发送端发送的信号分为训练序列信号和有效数据信号,训练序列信号用于对接收端的神经网络进行训练,有效数据信号承载有发送端发送给接收端的有效信息。神经网络是对人脑生物神经网络的简化、抽象与模拟,是一种模仿人脑及功能的信息处理系统,具有自学习、自组织、自适应能力,它的逻辑拓扑结构包括:输入层、中间层(或者称之为隐层)和输出层,各层神经元仅与相邻层神经元之间相互全连接,同层内神经元之间无连接。
图8给出了神经网络的一种示例,在该示例中神经网络中仅包含了一个中间层,在其他的实施例中可以包含多个中间层。
方法步骤101之前还可以进一步包括:对输入到神经网络的信号进行识别,若输入到神经网络的信号为训练序列信号,则触发神经网络进入训练模式;若输入到神经网络的信号为传输的有效数据信号,则触发神经网络进入补偿模式。
利用训练序列信号对神经网络进行训练,获得神经网络在补偿模式下所需的权值,具体可以包括:利用训练序列信号对神经网络进行训练,判断训练的结果是否符合期望值,若符合,则将神经网络在训练过程中所使用的权值作为神经网络在补偿模式下所需的权值;若不符合,则调整神经网络在训练过程中所需的权值,直到神经网络输出的训练结果符合期望值。
权值可以包括神经网络在运算时所需的输入层到中间层的权值和中间层到输出层的权值。
在补偿模式下,根据训练模式下获得的权值,利用神经网络对传输的有效数据信号进行补偿,具体可以包括:有效数据信号在用输入层到中间层的权值加权后输入到中间层;中间层用第一传递函数对中间层的输入信号进行处理后输出;中间层的输出信号在用中间层到输出层的权值加权后输入到输出层;输出层根据第二传递函数对输出层的输入信号进行处理并输出,输出层输出的信号即为补偿后的有效数据。
其中,第一传递函数和第二传递函数,可以相同,也可以不相同。例如,在本实施例中,第一传递函数为M=1/[1+exp(-U)],U表示中间层的输入信号,M表示中间层的输出信号;第二传递函数为F=1/[1+exp(-T)],T表示输出层的输入信号,F表示输出层的输出信号。因为神经网络具有很强的自学习、自适应的能力,在其它的实施例中,第一传递函数和第二传递函数还可以是其它形式的传递函数,只不过不同的传递函数会导致神经网络在训练过程中的训练收敛速度不同。
本发明实施例中,由于发送端发送的训练序列信号和有效数据信号需要经历相同的传输环境到达接收端,训练序列信号受到的信号损伤和有效数据信号受到的信号损伤也基本相同,接收端利用接收到的训练序列信号对神经网络进行训练(实际上也是对训练序列信号所经历的信号损伤进行补偿的过程),当训练的结果(即补偿后的训练序列信号)符合期望值时所获得的用于神经网络处理的各个权值,用于神经网络在补偿模式下对有效数据信号的处理过程中,也就实现了对有效数据信号在传输过程中所经历的信号损伤的补偿。并且,神经网络在训练时是针对训练序列信号所经历的所有信号损伤进行的处理,故在补偿模式下,神经网络根据在训练模式下获得的各个权值对有效数据信号所进行的处理,也就能补偿有效数据信号在传输过程中所经历的各种信号损伤。
本发明实施例还提供一种信号损伤补偿装置,其结构如图2所示,该信号损伤补偿装置包括:权值模块201和神经网络模块202;权值模块201,用于在训练模式下,确定神经网络模块202在补偿模式下所需的权值;神经网络模块202,用于在补偿模式下,根据权值模块201在训练模式下获得的权值,对传输的有效数据信号进行补偿。
上述信号损伤补偿装置进一步可以包括:模式识别模块203,用于对输入到神经网络模块202的信号进行识别,若输入到神经网络模块202的信号为训练序列信号,则触发权值模块201和神经网络模块202进入训练模式;若输入到神经网络模块202的信号为传输的有效数据信号,则触发神经网络模块202进入补偿模式。上述信号损伤补偿装置进一步可以包括:判断模块204,用于判断神经网络模块202在训练模式下输出的训练结果是否符合期望值,若不符合,则触发权值模块201更新用于神经网络模块202进行运算所需的权值。
如图3所示,为本发明实施例权值模块结构示意图,权值模块201包括:第一权值模块,用于提供神经网络模块202所需的输入层到中间层的权值;第二权值模块,用于提供神经网络模块202所需的中间层到输出层的权值。权值模块201还可以进一步地包括:随机信号发生器,用于为第一权值模块和第二权值模块分别提供输入层到中间层的初始权值和中间层到输出层的初始权值。
如图4A所示,为本发明实施例神经网络模块结构示意图,神经网络模块202包括:输入层模块,用于接收输入到神经网络的信号,信号具体为训练序列信号或者有效数据信号;第一加权模块,用于根据输入层到中间层的权值对上述有效数据信号进行加权并输出到中间层;中间层模块,用于根据第一传递函数对中间层的输入信号进行处理并输出;第二加权模块,用于根据中间层到输出层的权值对中间层的输出信号进行加权并输出;输出层模块,用于根据第二传递函数对输出层的输入信号进行处理并输出。输出层模块输出的信号即为经过补偿后的有效数据信号。
中间层模块所使用的第一传递函数和输出层模块所使用的第二传递函数,可以相同,也可以不相同。在一实施例中,第一传递函数为M=1/[1+exp(-U)],U表示中间层的输入信号,M表示中间层的输出信号;第二传递函数为F=1/[1+exp(-T)],T表示输出层的输入信号,F表示输出层的输出信号。在其它的实施例中,第一传递函数和第二传递函数可以不同,还可以是其它的传递函数,本发明实施例不做限定。
需要说明的是,神经网络模块202对训练序列信号的处理和对有效数据信号的处理过程相同。
如图4B所示,为本发明实施例判断模块结构示意图,该判断模块204可以包括存储模块、误差计算模块、误差判断模块、阈值调节模块。
存储模块,用于存储原始训练序列信号,该原始训练序列信号与发送端发送的训练列信号相同。
误差计算模块,用于计算神经网络模块202输出的训练结果与存储模块中存储的原始训练序列信号之间的误差。
误差判断模块,用于判断误差计算模块计算得到的误差是否大于预定的阈值;如果大于预定的阈值,则产生更新触发信号以触发权值模块201调整用于神经网络模块202所需的权值。针对图3所示的权值模块201,更新触发信号触发第一权值模块和第二权值模块分别调整输入层到中间层的权值和中间层到输出层的权值。
阈值调节模块,用于调节误差判断模块所依据的阈值。当希望神经网络的输出高精度的训练结果时,则将上述阈值调小,反之亦然。
本发明实施例还提供一种光接收机,其结构如图5所示,可以包括:相干接收装置51、数据恢复模块53和图2所示结构的信号损伤补偿装置52;相干接收装置51,用于对接收到的调制光信号进行相干接收处理,得到复信号;信号损伤补偿装置52,用于对复信号进行处理,若复信号为训练序列信号,则进入训练模式,确定在补偿模式下进行信号损伤补偿所需的权值;若数字信号为传输的有效数据信号,则进入补偿模式,根据在训练模式下获得的权值,对传输的有效数据信号进行补偿并输出;数据恢复模块53,用于对信号损伤补偿装置52输出的信号进行处理,恢复出发送端发送的有效数据。其中,相干接收装置51和数据恢复模块53可以分别为现有技术中的相干接收装置和数据恢复模块。
为了便于对本发明方案的理解,下面结合具体的实施例对本发明的信号损伤补偿的方案进行说明,但在实施本发明实施例时并不局限于以下实施例。
在本发明的一实施例中,采用如图6所示结构的光接收机对发送端发送的光信号进行处理,恢复出发送端发送的数据。假设发送端发送的光信号是采用星型16QAM(16Quadrature Amplitude Modulation,十六进制正交幅度调制)调制方式所获得的,发送的光信号包括训练序列信号和有效数据信号,其中训练序列信号和有效数据信号的解释见前文实施例中的描述。
在本实施例中,相干接收装置51包括:相干检测模块、模数转换模块。
相干检测模块接收发送端发送的光信号,并将该光信号与本振光进行光学混频,然后对混频后的光信号进行平衡探测得到模拟复信号的实部信号I(t)和虚部信号Q(t)。其中,相干检测模块可以具体包括:混频器,用于将发送端发送的光信号和本振光进行光学混频;平衡接收机,用于对混频器输出的混频后的光信号进行平衡探测得到模拟复信号的实部信号I(t)和虚部信号Q(t)。
模数转换模块对相干检测模块输出的模拟复信号的实部信号I(t)和虚部信号Q(t)分别进行模数转换,得到数字复信号的实部信号I(n)和虚部信号Q(n)。
模式识别模块203对模数转换模块得到的数字复信号进行识别,若数字复信号为训练序列信号,则触发权值模块201和神经网络模块202进入训练模式;若数字复信号为有效数据信号,则触发神经网络模块202进入补偿模式。
本发明实施例还提供一种模式识别模块203,其结构如图7所示,包括:判决模块、计数器、累加器、模2运算器、相与运算器。在对模式识别模块203的各部分做介绍之前,先对训练序列信号做进一步的解释。训练序列信号是用于在接收端对神经网络进行训练,是发送端和接收端都相互协商好的已知数据,训练序列信号具有特定的格式(和帧同步通讯中的帧同步字符类似),从而以区分训练信号和有效数据信号。例如用连续16个“1”作为训练序列信号的开始,用连续16个“1”作为训练序列信号的尾部。
判决模块对相干检测模块中输出的数字复信号进行判决,判断数字复信号表征的信号“1”还是信号“0”,如果是信号“1”,发送高电平给计数器,计数器加1,否则,计数器清零。当出现连续16个“1”以后,计数器向累加器和相与运算模块发送高电平,同时计数器清零。累加器后接一个模2运算器,并将模2运算器输出的结果和计数器的输出在相与运算中进行相与运算。当出现16个连“1”是奇数次时,相与运算器输出信号“1”,则触发权值模块201和神经网络模块202进入训练模式;当出现16个连“1”是偶数次时,相与运算器输出信号“0”,说明训练模式结束,即触发权值模块201和神经网络模块202进入补偿模式。
本实施例中神经网络模块202对应的神经网络的逻辑拓扑结构,如图8所示。该神经网络包括输入层、中间层和输出层,其中,本实施例中输入层包括2个神经元(A1、A2)、中间层包括10个神经元(B1、B2……B10)、输出层包括2个神经元(C1、C2)。输入层的每个神经元对中间层的每一个神经元均需要有一个输入,并且对每个中间层神经元的输入均有一个加权值;中间层的每个神经元对输出层的每一个神经元均需要有一个输入,并且对每个输出层神经元的输入均有一个加权值。
如图8所示,输入层的神经元A1、A2分别接收相干接收装置51输出的数字复信号的实部信号I(n)和Q(n)。然后神经元A1将I(n)分别向中间层的10个神经元(B1、B2……B10)输出,在输入到中间层的10个神经元之前分别用ωI1、ωI2……ωI9、ωI10对I(n)加权;神经元A2在将Q(n)输入到中间层的10个神经元之前,分别用权值ωQ1、ωQ2……ωQ9、ωQ10进行加权。在本实施例中,具体的由神经网络模块202中的第一加权模块完成对输入到中间层神经元的信号的加权,其中第一加权模块在加权计算过程中所需的权值(如:ωI1、ωI2……ωI9、ωI10;ωQ1、ωQ2……ωQ9、ωQ10)由第一权值模块提供。
中间层神经元的输入为uj=I(n)*ωIj+Q(n)*ωQj,其中j表示神经元的序号,共有十个神经元(B1、B2……B10);中间层神经元采用非线性函数Mj=1/[1+exp(-uj)]对其输入uj进行处理,输出为Mj。在本实施例中,具体的由神经网络模块202中的中间层模块利用上述非线性函数对中间层的输入信号进行处理。
中间层的每个神经元将其处理得到的Mj输出到输出层的每个神经元,在输入到输出层的两个神经元(C1、C2)之前,分别用权值S1I、S1Q、S2I、S2Q……S10I、S10Q进行加权,其中,S1I用于对神经元B1输入到神经元C1的M1进行加权,S1Q用于对神经元B1输入到神经元C2的M1进行加权,其他权值所表示的意义类似,不再一一解释。在本实施例中,具体的由神经网络模块202中的第二加权模块完成对中间层神经元输入到输出层神经元的信号的加权,其中第二加权模块在加权计算过程中所需的权值(如:S1I、S1Q、S2I、S2Q……S10I、S10Q)由第二权值模块提供。
输出层的每个神经元均接收到中间层10个神经元输出的经过加权的信号,故输出层神经元C1的输入为 输出层神经元C2的输入为 输出层神经元C1、C2采用非线性函数FI=1/[1+exp(-TI)]、FQ=1/[1+exp(-TQ)]对TI、TQ分别进行处理,其输出分别为FI、FQ,其中FI为图9中的I*(n),FQ为图9中的Q*(n)。在本实施例中,具体的由神经网络模块202中的输出层模块利用上述非线性函数对输出层的输入进行处理并输出。
当模式识别模块203识别出当前输入到神经网络模块202的信号为训练序列信号时,模式识别模块203产生模式触发信号触发权值模块201和神经网络模块202进入训练模式。
在训练模式下,第一权值模块中的输入层到中间层权值的初始值、第二权值模块中的中间层到输出层权值的初始值由随机信号发生器提供。随机信号发生器在产生上述权值的初始值时,可以采用Nguyen-Window算法实现,产生一组随机的非零权值。由于随机信号发生器产生的权值初始值非零,故可以使得起作用的输入到神经网络中各个神经元的数据达到最大,从而减少神经网络在训练模式下权值的调整量,加快神经网络的训练收敛速度,增强神经网络的学习能力。
在训练模式下,神经网络模块202根据权值模块201提供的权值初始值对输入的训练序列信号进行处理,误差计算模块经神经网络模块202处理后的训练序列信号与原始的训练序列信号之间的误差,误差判断模块判断误差计算模块得到的误差是否大于预定的阈值,如果大于,则产生更新触发信号,以触发第一权值模块和第二权值模块分别调整输入层到中间层的各个权值和中间层到输出层的各个权值,直到经神经网络模块202处理的训练序列信号和原始的训练序列信号之间的差值小于阈值;如果误差计算模块得到的误差小于预定的阈值,则第一权值模块和第二权值模块保存各自当前的权值,并将它们作为神经网络模块202在补偿模式下进行处理时所需的权值。当经神经网络模块202处理后的训练序列信号和原始训练序列信号之间的差值小于预定的阈值时,说明训练序列信号在传输过程中所经历的信号损伤在经过神经网络模块202的处理后得到了很好的补偿,当神经网络模块202在补偿模式下根据此时获得的权值对有效数据处理时,也就能够很好的对有效数据信号在传输过程中所经历的信号损伤进行补偿。
其中,存储模块存储原始训练序列信号,阈值调节模块根据实际的需求对误差判断模块进行判断所依据的预定阈值进行调节。如果希望神经网络模块202输出高精度补偿的信号,可以通过阈值调节模块将预定阈值调小,反之依然。一般而言,误差判断模块进行判断所依据的预定阈值越小,神经网络模块202的补偿精度越高,但是在进行训练获得满足要求的权值所需的时间也越长。利用阈值调节模块对预定阈值进行调节,使得可以根据链路的状况和用户的需求来改变预定阈值,从而在满足一定的要求下提高系统的利用效率。当然,上述阈值调节模块也可以不需要,可以直接把预定阈值设定为一个定值。
当模式识别模块203识别输入到神经网络模块202的信号为训练序列信号或者判断出训练模式结束(即模式识别模块203中的相与运算器输出信号“0”时),神经网络模块202和权值模块201进入补偿模式。
在补偿模式下,权值模块201不进行权值的更新,将在训练模式下保存的权值提供给神经网络模块202,神经网络模块202对权值模块201提供的权值对有效数据信号进行处理,对有效数据信号的处理见前文的相关描述,这里不再赘述。
在补偿模式下,可以通过模式识别模块203输出的模式识别信号(比如信号“0”)控制判断模块204不工作,即其不可能产生更新触发信号;当然,判断模块204也可以工作,只不过此时判断的是经过神经网络模块202处理的有效数据信号和原始序列信号,故不可避免的要产生更新触发信号,但是由于权值模块201是在模式识别信号的控制下工作,即:当模式识别信号触发权值模块201进入训练模式时,此时判断模块204产生的更新触发信号才能触发权值模块201中的第一权值模块和第二权值模块进行权值的调整,其它情况下都不可能触发第一权值模块和第二权值模块进行权值调整。
神经网络模块202根据权值模块201在训练模式下获得的符合要求的权值,对有效数据信号进行处理的过程,实际上也就是神经网络模块202对有效数据信号的信号损伤进行补偿的过程。
在本实施例中,由于利用训练序列信号来模拟有效数据信号在传输过程中所经历的信号损伤,再用经受信号损伤的训练序列信号对神经网络进行训练,获得满足要求的用于神经网络在补偿模式下进行运算的各个权值,然后神经网络根据上述权值对有效数据信号进行处理,也就实现了对有效数据信号的信号损伤补偿。由于根据训练序列信号对神经网络进行训练时,并不区分训练序列信号所经历的信号损伤是哪种损伤,故神经网络根据训练模式下获得的满足要求的权值对有效数据信号进行处理时,也就能够补偿有效数据信号在传输过程中所经历的各种损伤。
在本实施例提供的光接收机中,数据恢复模块53对神经网络模块202输出的信号进行数据恢复,恢复出发送端发送的原始数据。数据恢复模块53进行数据恢复时所采取的方式,与发送端所采取的调制方式或者编码方式相对应。在本实施例中,发送端所采取的调制方式为星型16QAM(QuadratureAmplitude Modulation,正交幅度调制)调制。本实施例中的数据恢复模块53根据星型16QAM调制所采取的映射关系(例如,图9所示的格雷码映射关系)进行反映射,从而获得发送端发送的原始数据。如果发送端在进行星型16QAM调制之前,还对发送的原始数据进行了差分编码,数据恢复模块53还需对反映射得到的数据做进一步的差分解码后才获得发送端发送的原始数据。差分编码和差分解码均是现有技术,这里不再赘述。
在另一实施例提供的光接收机中,除了相干接收装置51,其它装置和模块均与图6所示光接收机中的相应模块相同。相比于图6所示光接收机中的相干接收装置51,本实施例中的相干接收装置51中还可以进一步包括:CD补偿模块,时钟恢复模块、相位噪声补偿模块、PMD补偿模块。CD补偿模块用于模数转换器输出的信号进行CD补偿,CD补偿的实现可以用电域均衡器实现,具体可以根据公式以及光纤链路的长度L可以精确计算出链路传输过程中所产生的CD,可以根据这一数据设计电域均衡器来补偿CD;时钟恢复模块用于CD补偿后提取信号传输后的时钟分量,用于数据恢复模块53在数据恢复时所需的定时处理,以降低数据恢复过程中的误码率,具体地可以通过设计一个高Q滤波器滤出频域分量中的基带信号从而获得时钟;相位噪声补偿模块用于补偿由于本振光和发送端发送的光信号对应的光载波的频率和/或相位不相同导致的相位噪声。PMD补偿模块主要是用于补偿光信号链路中传输所产生的偏振模色散。在本实施例中,由于在相干接收装置51中增加了CD补偿模块、相位噪声补偿模块、PMD补偿模块等,使得相干接收装置51输出的信号的部分信号损伤(如:色度色散、相位噪声、偏振模色散)已经得到了补偿,从而提高了神经网络的训练收敛速度,整个光接收机的信号损伤补偿能力得到了更大的提升。
本发明实施例上述装置技术方案带来的有益效果:本方案采用基于神经网络进行损伤补偿,因为训练序列信号和实际要传输的有效数数据信号是经过同一个信道传送的,所以他们所产生的损伤也基本相同。用训练序列信号训练后的神经网络具有补偿能力,且可以补偿多种损伤如SPM,XPM,FWM等,而不仅仅是已有方案一中提到的SPM。本发明实施例提供的信号损伤补偿装置52具有自适应的功能,神经网络能够根据链路的动态变化来改变阈值,从而优化损伤补偿的能力。本发明实施例中的各个模块主要是在逻辑层次上进行的,所有模块都可以集成在同一芯片上,用DSP进行处理,大大降低了成本;另外,信号损伤补偿方案的实现可以和相干接收在同一个芯片实现,这样既节约了成本,同时又提高了系统的性能。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关硬件来完成,所述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,包括上述全部或部分步骤,所述的存储介质,如:ROM/RAM、磁盘、光盘等。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (12)
1.一种信号损伤补偿方法,其特征在于,所述方法包括:
在训练模式下,将训练序列信号输入神经网络,利用所述训练序列信号对所述神经网络进行训练,获得所述神经网络在补偿模式下所需的权值;
在补偿模式下,根据训练模式下获得的所述权值,利用所述神经网络对传输的有效数据信号进行补偿。
2.如权利要求1所述方法,其特征在于,所述方法还进一步包括:
对输入到神经网络的信号进行识别,若所述输入到神经网络的信号为训练序列信号,则触发所述神经网络进入训练模式;若所述输入到神经网络的信号为传输的有效数据信号,则触发所述神经网络进入补偿模式。
3.如权利要求1所述的方法,其特征在于,所述利用所述训练序列信号对所述神经网络进行训练,获得所述神经网络在补偿模式下所需的权值,具体包括:
利用所述训练序列信号对所述神经网络进行训练,判断训练的结果是否符合期望值,若符合,则将所述神经网络在训练过程中所使用的权值作为所述神经网络在补偿模式下所需的权值。
4.如权利要求1到3任一项所述的方法,其特征在于,所述权值包括所述神经网络在运算时所需的输入层到中间层的权值和中间层到输出层的权值。
5.如权利4所述的方法,其特征在于,所述在补偿模式下,根据训练模式下获得的所述权值,利用所述神经网络对传输的有效数据信号进行补偿,具体包括:
所述有效数据信号在用所述输入层到中间层的权值加权后输入到中间层;
所述中间层根据第一传递函数对中间层的输入信号进行处理并输出;
中间层的输出信号在用所述中间层到输出层的权值加权后输入到输出层;
所述输出层根据第二传递函数对输出层的输入信号进行处理并输出,所述输出层的输出信号即为经过补偿后的有效数据信号。
6.如权利要求5所述的方法,其特征在于,所述第一传递函数为M=1/[1+exp(-U)],U表示所述中间层的输入信号,M表示所述中间层的输出信号;所述第二传递函数为F=1/[1+exp(-T)],T表示所述输出层的输入信号,F表示输出层的输出信号。
7.一种信号损伤补偿装置,其特征在于,包括权值模块和神经网络模块;
所述权值模块,用于在训练模式下,确定所述神经网络模块在补偿模式下所需的权值;
所述神经网络模块,用于在补偿模式下,根据所述权值模块在训练模式下获得的所述权值,对传输的有效数据信号进行补偿。
8.如权利要求7所述的装置,其特征在于,进一步包括:
模式识别模块,用于对输入到所述神经网络模块的信号进行识别,若输入到所述神经网络模块的信号为训练序列信号,则触发所述权值模块和所述神经网络模块进入训练模式;若输入到所述神经网络模块的信号为传输的有效数据信号,则触发所述神经网络模块进入补偿模式。
9.如权利要求7所述的装置,其特征在于,进一步包括:
判断模块,用于判断所述神经网络模块在训练模式下输出的训练结果是否符合期望值,若不符合,则触发所述权值模块更新用于神经网络模块进行运算所需的权值。
10.如权利要求7至9任一项所述的装置,其特征在于,所述权值模块包括:
第一权值模块,用于提供所述神经网络模块所需的输入层到中间层的权值;
第二权值模块,用于提供所述神经网络模块所需的中间层到输出层的权值。
11.如权利要求10所述的装置,其特征在于,所述神经网络模块包括:
第一加权模块,用于根据所述输入层到中间层的权值对所述有效数据信号进行加权并输出到中间层;
中间层模块,用于根据第一传递函数对中间层的输入信号进行处理并输出;
第二加权模块,用于根据所述中间层到输出层的权值对所述中间层的输出信号进行加权并输出到输出层;
输出层模块,用于根据第二传递函数对输出层的输入信号进行处理并输出,输出层模块的输出信号即为经过补偿后的有效数据信号。
12.一种光接收机,其特征在于,包括:相干接收装置、数据恢复模块和如权利要求7所述的信号损伤补偿装置;
所述相干接收装置,用于对接收到的调制光信号进行相干接收处理,得到数字信号;
所述信号损伤补偿装置,用于对所述数字信号进行处理,若所述数字信号为训练序列信号,则进入训练模式,确定在补偿模式下进行信号损伤补偿所需的权值;若所述数字信号为传输的有效数据信号,则进入补偿模式,根据在训练模式下获得的所述权值,对所述传输的有效数据信号进行补偿并输出;
所述数据恢复模块,用于对所述信号损伤补偿装置输出的信号进行处理,恢复出发送端发送的有效数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910252728.2A CN102088319B (zh) | 2009-12-02 | 2009-12-02 | 一种信号损伤补偿方法、装置和光接收机 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910252728.2A CN102088319B (zh) | 2009-12-02 | 2009-12-02 | 一种信号损伤补偿方法、装置和光接收机 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102088319A true CN102088319A (zh) | 2011-06-08 |
CN102088319B CN102088319B (zh) | 2014-04-02 |
Family
ID=44099947
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200910252728.2A Active CN102088319B (zh) | 2009-12-02 | 2009-12-02 | 一种信号损伤补偿方法、装置和光接收机 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102088319B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108599765A (zh) * | 2018-04-14 | 2018-09-28 | 上海交通大学 | 基于深度学习的模数转换器的噪声抑制失真校正的装置和方法 |
CN109450553A (zh) * | 2018-09-20 | 2019-03-08 | 武汉邮电科学研究院有限公司 | 一种光通信系统噪声的补偿方法及系统 |
WO2019096173A1 (en) * | 2017-11-15 | 2019-05-23 | Huawei Technologies Co., Ltd. | Predicting received signal strength in a telecommunication network using deep neural networks |
CN110324091A (zh) * | 2019-06-17 | 2019-10-11 | 电子科技大学 | 一种基于函数链神经网络的非线性均衡器 |
CN110460385A (zh) * | 2018-05-08 | 2019-11-15 | 富士通株式会社 | 相位噪声补偿装置及方法、接收机 |
CN110505021A (zh) * | 2019-08-26 | 2019-11-26 | 光子算数(北京)科技有限责任公司 | 一种光通信装置、光通信系统及光信号处理方法 |
CN110866594A (zh) * | 2018-08-27 | 2020-03-06 | 国网天津市电力公司 | 光传送网otn的色散计算方法 |
US10917171B2 (en) | 2018-09-28 | 2021-02-09 | Fujitsu Limited | Fiber nonlinear noise monitoring method and apparatus and optical receiver |
CN112398543A (zh) * | 2019-08-19 | 2021-02-23 | 上海诺基亚贝尔股份有限公司 | 用于光通信的方法、设备、系统、装置和计算机可读介质 |
CN112511234A (zh) * | 2020-11-10 | 2021-03-16 | 南昌大学 | 一种基于分类网络的水下单光子通信同步时钟提取方法 |
CN115514411A (zh) * | 2022-09-28 | 2022-12-23 | 同济大学 | 一种基于光学神经网络的时域光信号处理方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1210275A (zh) * | 1997-08-28 | 1999-03-10 | 三星电子株式会社 | 对光路上的光纤耗散进行补偿的装置 |
CN1862229A (zh) * | 2006-06-27 | 2006-11-15 | 北京航空航天大学 | 一种基于神经网络的开环光纤陀螺输出误差补偿方法 |
-
2009
- 2009-12-02 CN CN200910252728.2A patent/CN102088319B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1210275A (zh) * | 1997-08-28 | 1999-03-10 | 三星电子株式会社 | 对光路上的光纤耗散进行补偿的装置 |
CN1862229A (zh) * | 2006-06-27 | 2006-11-15 | 北京航空航天大学 | 一种基于神经网络的开环光纤陀螺输出误差补偿方法 |
Non-Patent Citations (1)
Title |
---|
李丽霞 等: "BP神经网络与logistic回归的比较研究", 《中国卫生统计》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10555192B2 (en) | 2017-11-15 | 2020-02-04 | Futurewei Technologies, Inc. | Predicting received signal strength in a telecommunication network using deep neural networks |
WO2019096173A1 (en) * | 2017-11-15 | 2019-05-23 | Huawei Technologies Co., Ltd. | Predicting received signal strength in a telecommunication network using deep neural networks |
CN108599765A (zh) * | 2018-04-14 | 2018-09-28 | 上海交通大学 | 基于深度学习的模数转换器的噪声抑制失真校正的装置和方法 |
CN110460385A (zh) * | 2018-05-08 | 2019-11-15 | 富士通株式会社 | 相位噪声补偿装置及方法、接收机 |
CN110866594B (zh) * | 2018-08-27 | 2024-02-13 | 国网天津市电力公司 | 光传送网otn的色散计算方法 |
CN110866594A (zh) * | 2018-08-27 | 2020-03-06 | 国网天津市电力公司 | 光传送网otn的色散计算方法 |
CN109450553B (zh) * | 2018-09-20 | 2020-07-07 | 武汉邮电科学研究院有限公司 | 一种光通信系统噪声的补偿方法及系统 |
CN109450553A (zh) * | 2018-09-20 | 2019-03-08 | 武汉邮电科学研究院有限公司 | 一种光通信系统噪声的补偿方法及系统 |
US10917171B2 (en) | 2018-09-28 | 2021-02-09 | Fujitsu Limited | Fiber nonlinear noise monitoring method and apparatus and optical receiver |
CN110324091A (zh) * | 2019-06-17 | 2019-10-11 | 电子科技大学 | 一种基于函数链神经网络的非线性均衡器 |
CN110324091B (zh) * | 2019-06-17 | 2022-05-03 | 电子科技大学 | 一种基于函数链神经网络的非线性均衡器 |
CN112398543A (zh) * | 2019-08-19 | 2021-02-23 | 上海诺基亚贝尔股份有限公司 | 用于光通信的方法、设备、系统、装置和计算机可读介质 |
CN112398543B (zh) * | 2019-08-19 | 2023-08-25 | 上海诺基亚贝尔股份有限公司 | 用于光通信的方法、设备、系统、装置和计算机可读介质 |
CN110505021A (zh) * | 2019-08-26 | 2019-11-26 | 光子算数(北京)科技有限责任公司 | 一种光通信装置、光通信系统及光信号处理方法 |
CN112511234A (zh) * | 2020-11-10 | 2021-03-16 | 南昌大学 | 一种基于分类网络的水下单光子通信同步时钟提取方法 |
CN115514411A (zh) * | 2022-09-28 | 2022-12-23 | 同济大学 | 一种基于光学神经网络的时域光信号处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN102088319B (zh) | 2014-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102088319B (zh) | 一种信号损伤补偿方法、装置和光接收机 | |
CN114039670B (zh) | 一种模分复用通信系统非线性损伤补偿方法 | |
Li et al. | Convolutional neural network-aided DP-64 QAM coherent optical communication systems | |
CN106911395A (zh) | 一种双正交偏振复用强度调制系统及其解复用方法 | |
Jovanovic et al. | End-to-end learning of a constellation shape robust to variations in SNR and laser linewidth | |
CN103178900A (zh) | 基于支持向量机的相干光通信系统非线性损伤消除装置 | |
CN112598072A (zh) | 基于SVM训练的权重系数迁移的改进Volterra滤波器的均衡方法 | |
Li et al. | Low-complexity adaptive chromatic dispersion estimation scheme using machine learning for coherent long-reach passive optical networks | |
CN109818889A (zh) | 用于高阶pam光传输系统中的svm分类器优化的均衡算法 | |
CN111010237B (zh) | 用于光通信的设备 | |
Song et al. | Physics-informed neural operator for fast and scalable optical fiber channel modelling in multi-span transmission | |
Li et al. | End-to-end learning for optical fiber communication with data-driven channel model | |
Guesmi et al. | Modulation formats recognition technique using artificial neural networks for radio over fiber systems | |
CN112532322B (zh) | 一种基于信道编码和二次vnle的im-dd光通信系统 | |
CN109587091A (zh) | 基于逻辑回归算法的相干光通信系统调制格式识别方法 | |
CN107623548A (zh) | 一种认知光网络中主从信号传输方法 | |
Gao et al. | Joint baud-rate and modulation format identification based on asynchronous delay-tap plots analyzer by using convolutional neural network | |
Guo et al. | Deep neural network based chromatic dispersion estimation with ultra-low sampling rate for optical fiber communication systems | |
CN115882959A (zh) | 一种基于机器学习的非线性补偿方法 | |
Huang et al. | Optical performance monitoring of 56Gbps optical PAM4 signal using artificial neural networks | |
CN114124223B (zh) | 一种卷积神经网络光纤均衡器生成方法及系统 | |
Feng et al. | Join Modulation Format Identification and OSNR Monitoring Assisted by Intensity and Differential-Phase Features | |
CN112737688A (zh) | 一种基于信道特征迁移的dsp均衡方法及系统 | |
CN104683031A (zh) | 一种消除非线性效应的方法、发射机及接收机 | |
Osadchuk et al. | Low-complexity samples versus symbols-based neural network receiver for channel equalization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |