CN109379138B - 基于光子神经网络的高线性微波光子链路实现方法及结构 - Google Patents

基于光子神经网络的高线性微波光子链路实现方法及结构 Download PDF

Info

Publication number
CN109379138B
CN109379138B CN201810971011.2A CN201810971011A CN109379138B CN 109379138 B CN109379138 B CN 109379138B CN 201810971011 A CN201810971011 A CN 201810971011A CN 109379138 B CN109379138 B CN 109379138B
Authority
CN
China
Prior art keywords
microwave
link
optical
neural network
photonic
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.)
Active
Application number
CN201810971011.2A
Other languages
English (en)
Other versions
CN109379138A (zh
Inventor
钟欣
陈智宇
周涛
刘静娴
王茂汶
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CETC 29 Research Institute
Original Assignee
CETC 29 Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by CETC 29 Research Institute filed Critical CETC 29 Research Institute
Priority to CN201810971011.2A priority Critical patent/CN109379138B/zh
Publication of CN109379138A publication Critical patent/CN109379138A/zh
Application granted granted Critical
Publication of CN109379138B publication Critical patent/CN109379138B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
    • H04B10/25—Arrangements specific to fibre transmission
    • H04B10/2575—Radio-over-fibre, e.g. radio frequency signal modulated onto an optical carrier
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
    • H04B10/25—Arrangements specific to fibre transmission
    • H04B10/2575—Radio-over-fibre, e.g. radio frequency signal modulated onto an optical carrier
    • H04B10/25752—Optical arrangements for wireless networks

Abstract

本发明涉及微波光子传输领域，公开了一种基于光子神经网络的高线性微波光子链路实现方法。包括以下过程：通过强度调制链路处理射频信号源，输入到N个微环滤波器，所示N为大于1的整数；针对N个微环滤波器的权重系数进行神经网络训练；所述N个微环滤波器输出的N路电信号进行调制、线性叠加，构造高线性微波光子链路。本发明方法利用光子神经网络来构建反向链路传输函数，通过后补偿的思路实现高线性度的微波光子链路，显著地简化了系统结构，通过BP训练算法使系统具备工作于非合作的环境下，并且具备宽带(如THz)、实时和低功耗的处理能力，与现有微波光子链路高度兼容。本发明还公开了一种基于光子神经网络的高线性微波光子链路实现结构。

Description

基于光子神经网络的高线性微波光子链路实现方法及结构
技术领域
本发明涉及微波光子传输领域，尤其是基于光子神经网络的高线性微波光子链路实现方法及结构。
背景技术
光波分复用技术的出现和掺铒光纤放大器的发明使光通信得到迅速发展。光纤通信具有损耗低，抗电磁干扰，超宽带，易于在波长、空间、偏振上复用等很多优点。其主要问题是移动性不够。与此同时，随着对无线通信容量需求的增加，微波技术也在迅速发展。微波通信能够在任意方向上发射、易于构建和重构，实现与移动设备的互联；蜂窝式系统的出现，使微波通信具备高的频谱利用率。但目前微波频段的有限带宽成为严重问题。此时，光纤技术与微波技术相互融合成为一个重要新方向，即微波光子学。在过去的十年中，微波光子学迎来了高速的发展。然而人们发现，在传统强度调制的模拟链路(微波光子链路)中，信号在光链路中传输时，电光调制器和光电探测器的非线性特性会使原信号发生失真，主要体现为在原始信号频率两边产生新的频率信号(称为交调失真分量)。交调失真限制了微波光子系统中射频信号的传输功率，严重制约了微波光子链路的性能，大大降低链路的无杂散动态范围(Spurious-Free Dynamic Range,SFDR)。因此如何提高链路的线性度(即补偿交调失真分量)，改善链路SFDR，是微波光子传输领域非常重要的研究内容。
目前，高线性微波光子链路已经引起了很多国家的高度重视，其中美国国防部高级研究计划署(又称为DAPRA)支持了多个大动态范围的微波光子链路非线性补偿研究项目，并且取得了较大的研究成果；加拿大国家科学与工程研究委员会与渥太华大学建立的长期合作关系中，一个主要的研究内容即为如何有效地提高微波光子链路的动态范围；另外美国海军实验室和约翰霍普金斯大学(The Johns Hopkins University:JHU)等机构都在微波光子链路非线性补偿的研究中投入了大量资金和精力，并取得了相应进展。具体工作包括：(1)1999年提出的多波长调制法，可以通过控制调制器偏置电压和探测器的输出电流比，实现二阶和三阶非线性的同时消除，SFDR提高了6-dB；(2)韩国信息与通信研究部以单边带信号和双边带信号为目标，分别分析了IMD3在直接探测链路中的机理，从而提出利用一个双驱动马赫增德尔调制器实现IMD3补偿方案；(3)Cristina Lim教授2007年提出的单边带滤波法，同时实现了多达64个RF信号的非线性失真补偿。并且IMD3抑制比超过了10-dB；(4)2009年加拿大康考迪亚大学研究者则提出在单边带调制链路中利用双驱动马赫增德尔调制器的偏振混合效应实现非线性补偿[134]。实验中得到了SFDR为103-dB·Hz2/3的微波光子链路。然而强度调制器由于偏置电压漂移等问题在实际应用中需要一套额外的稳压装置，加大了系统成本。因此相位调制的微波光子链路逐渐成为了研究的热点。在美国DAPRA资助下，加州大学提出了基于光锁相环的反馈微波光子链路。反馈电路中的环路增益与相位调制器的非线性传输特性相互作用，消除了输出信号的IMD3。在相位调制-相干链路中引入光锁相环技术，不仅可以提高微波光子链路的线性度，还可使链路性能不依赖于射频信号的频率和功率。利用该技术可实现SFDR为125-dB·Hz2/3的微波光子链路。
国内高校和研究机构的教授、科学家在这一领域也有许多研究，包括清华大学研究组提出后处理方式，在传统微波光子链路结构中利用数字信号处理算法实现了非线性补偿，系统SFDR可达到124.8-dB·Hz2/3；北京邮电大学提出利用偏振调制器和I/Q强度解调方式，通过对偏振态的控制实现接收端I路和Q路的互补性，最后通过数字信号处理的辅助实现非线性补偿。这一技术中的DSP算法较为简单，系统SFDR为可达124-dB·Hz2/3；南京航空航天大学则提出两个平行的偏振调制器结构，通过对偏振态的调节引起两个偏振调制器输出信号的干射，从而达到非线性补偿的目的。这一方案可以较大程度抑制IMD3，将SFDR提高了15.5-dB。
以上方案各有优点，也各自适用于不同的应用领域。但是，现有技术方案大部分是以复杂的特定结构或者链路和传输信号参数已知等限制为代价，前者不适用于大阵列的雷达系统和复杂网络的多点通信系统中，而后者难以在非合作的电子信息系统中应用。因此，基于光子神经网络的高线性微波光子链路实现方法的研究在构建民用以及军民融合电子信息系统中的信号传输链路上具有重大意义与应用价值。
发明内容
本发明所要解决的技术问题是：针对上述存在的问题，提供一种基于光子神经网络的高线性微波光子链路实现方法。
本发明采用的技术方案如下：一种基于光子神经网络的高线性微波光子链路实现方法，具体包括以下过程：步骤1，通过强度调制链路处理射频信号源，输入到N个微环滤波器，所示N为大于1的整数；步骤2，针对N个微环滤波器的权重系数进行神经网络训练；步骤3，所述N个微环滤波器输出的N路电信号进行调制、线性叠加，构造高线性微波光子链路。
进一步的，所述步骤1中，强度调制链路处理后的光信号的具体过程为：步骤11，射频信号源经过一个功分器分成两路微波信号，其中一路微波信号与一个激光器产生的光信号一起进入一个电光调制器中生成微波光子信号，微波光子信号进入一个1:99的光耦合器分成两路光信号，其中一路光信号通过偏置电压控制器反馈输入电光调制器的偏置电压端口，另一路光信号进入一个光放大器进行光功率损耗补偿后获得处理后的光信号。
进一步的，所述步骤2的具体过程为：步骤21，从功分器输出的另一路微波信号经过电延迟线延迟后作为神经网络训练时期的参考样本；步骤22，采集光电探测器输出训练样本，将训练样本与参考样本进行对比，利用权重控制单元对N个微环滤波器的权重系数进行调整；步骤23，调整后输出的信号进入平衡探测器实现加权运算，加权后的信号分别和N个波长不同的光源一起进入调制器，再依次输入到波分复用器和光电探测器实现线性叠加；步骤24，线性叠加后的信号作为训练样本，输入到权重控制单元，重复步骤22到步骤23的过程直到神经网络训练完成。
进一步的，所述步骤3的具体过程为：步骤31，所述N个微环滤波器对光放大器输出的光信号进行权重调整输出N路电信号；步骤32，N路电信号分别输入N个平衡探测器进行加权运算；步骤33，加权后的N个信号和N个波长不同的光源一起进入调制器，再依次输入到波分复用器和光电探测器实现线性叠加。
本发明还公开了一种基于光子神经网络的高线性微波光子链路实现结构，具体包括：
强度调制链路，用于处理激光器和射频信号源产生光载微波信号，所述光载微波信号直接连接到神经网络训练单元和微波光子链路非线性补偿单元；；
神经网络训练单元，用于训练非线性微波光子链路补偿单元中微环滤波器的权重系数；
微波光子链路非线性补偿单元，用于通过非线性调制和线性叠加，非线性的微波光链路转化成高线性度的链路。
进一步的，所述强度调制链路具体包括射频信号源、功分器、激光器、电光调制器、光耦合器、偏置电压控制器和光放大器，射频信号源连接功分器，所述功分器具有第一输出端和第二输出端，所述第一输出端连接电光调制器的微波信号输入口，所述激光器连接电光调制器，所述电光调制器连接光耦合器，所述光耦合器具有第Ⅰ输出端和第Ⅱ输出端，所述第Ⅰ输出端连接偏置电压控制器，所述偏置电压控制器连接到电光调制器的偏置电压端口，所述第Ⅱ输出端连接光放大器。
进一步的，所述非线性微波光子链路补偿单元包括N个微环滤波器、N个平衡探测器、N个激光器、N个马赫增德尔调制器、波分复用器和光电探测器，所述光放大器分别连接到N个微环滤波器，所述N个微环滤波器一一对应与N个平衡探测器连接，所述N个平衡探测器一一对应与N个马赫增德尔调制器连接，所述N个激光器一一对应与N个马赫增德尔调制器连接，所述N个马赫增德尔调制器均连接到波分复用器，所述波分复用器连接光电探测器。
进一步的，所述神经网络训练单元包括电延迟线和权重控制单元，所述功分器输出的另一路微波信号连接到电延迟线，所述电延迟线连接权重控制单元，所述光电探测器连接权重控制单元，所述权重控制单元分别连接到N个微环滤波器。
综上所述，由于采用了上述技术方案，本发明的有益效果是：采用本发明的技术方案包括以下几个特征：1)不需要获取传输链路以及传输信号的相关参数即可实现反函数f-1(.)的构造；2)可以实现任意形式输入信号的大动态传输；3)适用于分布式系统和波分复用系统；4)可实现宽带实时的微波光子链路非线性补偿。
本发明针对民用以及军民融合的电子信息系统，既可解决民用微波光子大动态传输(如5G通信)，又可以与分布式系统相结合解决大阵列电子信息系统中的非合作信号传输和接收时的非线性补偿问题。与传统微波光子链路技术相比，本发明方法利用光子神经网络来构建反向链路传输函数，通过后补偿的思路实现高线性度的微波光子链路，显著地简化了系统结构，通过BP训练算法使系统具备工作于非合作的环境下，并且具备宽带(如THz)、实时和低功耗的处理能力，与现有微波光子链路高度兼容。
附图说明
本发明将通过例子并参照附图的方式说明，其中：
图1为本发明光子神经网络训练单元的结构示意图。
图2为图1的等效拓扑结构示意图。
图3为本发明基于光子神经网络的高线性微波光子链路的结构示意图。
图4为传统DE-MZM链路的传输转移特性。
图5为基于光子神经网络训练和理论计算的微波光子链路反向传输特性曲线。
图6为微波光子整体链路转移特性曲线。
图7为传统DE-MZM链路信号频谱测量结果。
图8为本发明信号频谱测量结果。
图9基于光子神经网络的高线性微波光子链路SFDR测试结果。
具体实施方式
本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。
本说明书中公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。
一种基于光子神经网络的高线性微波光子链路实现方法，具体包括以下过程：步骤1，通过强度调制链路处理射频信号源，输入到N个微环滤波器，所示N为大于1的整数；步骤2，针对N个微环滤波器的权重系数进行神经网络训练；步骤3，所述N个微环滤波器输出的N路电信号进行调制、线性叠加，从而实现传输链路反函数的构造，构造高线性微波光子链路。在反函数实现之前需要对系统中的微环滤波器权重系数进行训练，这里将一定长度的原始输入微波信号经过一定的延迟作为训练时期的参考样本，通过与光电探测器输出样本进行对比，利用一个权重控制单元即可对微环滤波器的权重系数进行调整，当训练结束之后，就可实现一种高线性度的微波光子链路。
在传统强度调制微波光子链路中，由于强度调制器的非线性传输特性，使微波信号经过链路传输会产生交调失真分量，上述微波光子链路的数学模型表达式为：
Figure GDA0003068823820000071
其中，pM,O、PI和vM分别表示调制器输出光功率、输入光功率和调制器的偏置电压。TFF是当调制器处于最大传输点时，输出光功率与输入光功率之比。由式(1)可以看出，MZM的输出功率相对于输入电压值为升余弦特性，这一特性引起了链路性能的失真，大大降低了链路SFDR。
本发明利用光子神经网络在非线性函数拟合方面的优势，通过后向传输(Backpropagation，BP)算法对权重进行训练，以构造出式(1)的反函数f-1(.)，这样就可以实现高线性度的微波光子传输链路。本方法无需得到传输信号的频率、带宽以及传输链路的各种参数信息，利用光子神经网络对系统进行训练以模拟传输链路的反向传输函数，通过后补偿的方式实现一种高线性的微波光子链路。
优选地，所述步骤1中，强度调制链路处理后的光信号的具体过程为：步骤11，射频信号源经过一个功分器分成两路微波信号，其中一路微波信号与一个激光器产生的光信号一起进入一个电光调制器中生成微波光子信号，微波光子信号进入一个1:99的光耦合器分成两路光信号，其中一路光信号通过偏置电压控制器反馈输入电光调制器的偏置电压端口以保证链路状态的稳定性，另一路光信号进入一个光放大器进行光功率损耗补偿后获得处理后的光信号。处理后的光信号可以直接进入光子神经网络训练单元，而不需要光电转换器。
优选地，如图1为光子神经网络训练单元的结构示意图，图2为图1的等效拓扑结构。所述步骤2的具体过程为：步骤21，从功分器输出的另一路微波信号经过电延迟线延迟后作为神经网络训练时期的参考样本。步骤22，采集光电探测器输出训练样本，将训练样本与参考样本进行对比，利用权重控制单元对N个微环滤波器的权重系数进行调整；由于输入的光信号只有一个波长，因此每个滤波单元只需要一个微环即可。光信号通过第一个微环后一部分光耦合到第一平衡探测器的上臂，而另一部分光耦合到第二平衡探测器的下臂，信号在第一平衡探测器中进行和差，以模拟正、负的权重加权效果。经过第一个微环后的信号又进入第二个微环，依次完成所有的微环。步骤23，调整后输出的信号进入平衡探测器实现加权运算，按照步骤22中同样的流程，可以在第二平衡探测器中实现权重加权效果，当具有N个相同结构的微环滤波器时，就代表了由N个加权的神经元节连接节点，如图2所示的Vi。加权后的信号分别和N个波长不同的光源一起进入调制器调制到不同波长信号，此时外调制由于其非线性传输特性，在神经网络中模拟了非线性激励函数，输出为ui＝f(Vix+ci)。再依次输入到波分复用器和光电探测器实现线性叠加；电光转换之后的信号通过波分复用器合为一路，再经过光电探测器实现线性叠加操作，就可实现
Figure GDA0003068823820000091
的函数拟合，从而构成一个完整的神经网络。其中，光子神经网络中权重系数的调整通过热效应或者电极加电的方式来改变微环的相关参数即可实现。步骤24，线性叠加后的信号作为训练样本，输入到权重控制单元，重复步骤22到步骤23的过程直到神经网络训练完成。
优选地，在最终实现反函数之前要完成神经网络训练，训练完成后通过步骤3的过程即可产生高线性微波光子链路。所述步骤3的具体过程为：步骤31，所述N个微环滤波器对光放大器输出的光信号进行权重调整输出N路电信号；步骤32，N路电信号分别输入N个平衡探测器进行加权运算；步骤33，加权后的N个信号和N个波长不同的光源一起进入调制器，再依次输入到波分复用器和光电探测器实现线性叠加。
本发明还公开了一种基于光子神经网络的高线性微波光子链路实现结构，具体包括：
强度调制链路，用于处理激光器和射频信号源产生光载微波信号，所述光载微波信号直接连接到神经网络训练单元和微波光子链路非线性补偿单元；
神经网络训练单元，用于训练非线性微波光子链路补偿单元中微环滤波器的权重系数；
微波光子链路非线性补偿单元，用于通过非线性调制和线性叠加，非线性的微波光链路转化成高线性度的链路。
优选地，如图3所示，所述强度调制链路具体包括射频信号源101、功分器102、激光器103、电光调制器104、光耦合器105、偏置电压控制器106和光放大器107，射频信号源101连接功分器102，所述功分器102具有第一输出端和第二输出端，所述第一输出端连接电光调制器104的微波信号输入口，所述激光器103连接电光调制器104，所述电光调制器104连接光耦合器105，所述光耦合器105具有第Ⅰ输出端和第Ⅱ输出端，所述第Ⅰ输出端连接偏置电压控制器106，所述偏置电压控制器106连接到电光调制器104的偏置电压端104-2。
优选地，所述非线性微波光子链路补偿单元包括N个微环滤波器1081～108N、N个平衡探测器1091～109N、N个激光器1101～110N、N个马赫增德尔调制器1111～111N、波分复用器112和光电探测器113，所述光放大器分别连接到N个微环滤波器1081～108N，所述N个微环滤波器1081～108N一一对应与N个平衡探测器1091～109N连接，所述N个平衡探测器1091～109N一一对应与N个马赫增德尔调制器1111～111N连接，所述N个激光器1101～110N一一对应与N个马赫增德尔调制器1111～111N连接，所述N个马赫增德尔调制器1111～111N均连接到波分复用器112，所述波分复用器112连接光电探测器113。完成步骤3的信号调制和线性叠加，实现高线性度微波光子链路。
进一步的，所述神经网络训练单元包括电延迟线114和权重控制单元115，所述功分器102输出的另一路微波信号连接到电延迟线114，所述电延迟线114连接权重控制单元115，所述光电探测器113连接权重控制单元115，所述权重控制单元115分别连接到N个微环滤波器。上述结构完成步骤2的神经网络训练。
针对本发明的实现方法和结构，下面以一个典型的双驱动马赫增德尔调制(Dual-Eletrode Mach-Zehnder Modulator,DE-MZM)链路为例进行阐述，不仅实现了高线性度的微波光子链路，还同时实现了下变频变换。DE-MZM的输入微波信号频率为2.11GHz和2.13GHz，本振频率为2.5GHz。图4为本发明中典型DE-MZM链路的转移函数曲线，随着输入微波信号功率的线性增加，输出信号功率呈现一种非线性特性，即在低输入功率和高输入功率的区间缓慢增加，在中间区域输出功率快速增加。
为了补偿这种非线性传输特性，本发明根据上述光子神经网络的结构，利用计算机训练出了DE-MZM链路的反向传输函数，如图5虚线所示。此时，光子神经网络中的非线性神经元节点数设为50(即N＝50)，训练样本数为10000。为了评估光子神经网络拟合曲线的精确性，本发明给出了DE-MZM反向传输特性的理论计算曲线，如图5实线所示。仿真对比结果表明，本发明所提出的光子神经网络在给定的输入范围内对所需特性函数的模拟具有较高的准确度。图6为利用光子神经网络补偿后本发明的链路转移特性曲线。明显地，通过光子神经网络训练处的反向传输函数，很好地补偿了DE-MZM的非线性，使整体微波光子传输链路呈现出一种高线性度的特性。
图7为传统DE-MZM链路的频谱结果，图8为本发明链路的频谱结果。当DE-MZM的输入微波信号频率为2.11GHz和2.13GHz，本振频率为2.5GHz时，下变频信号的频率分别为0.37GHz和0.39GHz。当信号在传统DE-MZM链路中传输时，从频谱测量结果上可知在两个下变频信号旁边有两个清晰的交调失真分量，该分量可以显著降低链路的SFDR，同时该分量与需要的信号分量在频率上十分接近，难以用传统电学滤波的方式进行抑制。因此，利用本发明提出的光子神经网络进行训练后，能够明显地抑制这两个教条分量，如图8所示，从而实现信号的大动态传输。
图9为本发明中基于光子神经网络的高线性微波光子链路SFDR测试结果。无杂散动态范围定义为在保证信号输出功率在噪声本地以上，并且三阶交调产物的功率小于噪声功率的情况下，输入信号功率所能变化的范围。本实验中，噪声本底为-160dBm/Hz，传统DE-MZM方案测得的SFDR为107dB·Hz2/3，经过色散补偿后，动态范围增加到126dB·Hz4/5，提高了大约19dB。
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。

Claims (7)

1.一种基于光子神经网络的高线性微波光子链路实现方法，其特征在于，具体包括以下过程：步骤1，通过强度调制链路处理射频信号源，输入到N个微环滤波器，所示N为大于1的整数；其中，所述强度调制链路具体包括射频信号源、功分器、激光器、电光调制器、光耦合器、偏置电压控制器和光放大器，射频信号源连接功分器，所述功分器具有第一输出端和第二输出端，所述第一输出端连接电光调制器的微波信号输入口，所述激光器连接电光调制器，所述电光调制器连接光耦合器，所述光耦合器具有第Ⅰ输出端和第Ⅱ输出端，所述第Ⅰ输出端连接偏置电压控制器，所述偏置电压控制器连接到电光调制器的偏置电压端口，所述第Ⅱ输出端连接光放大器；步骤2，针对N个微环滤波器的权重系数进行神经网络训练；步骤3，所述N个微环滤波器输出的N路电信号进行调制、线性叠加，构造高线性微波光子链路。
2.如权利要求1所述的基于光子神经网络的高线性微波光子链路实现方法，其特征在于，所述步骤1中，强度调制链路处理后的光信号的具体过程为：步骤11，射频信号源经过一个功分器分成两路微波信号，其中一路微波信号与一个激光器产生的光信号一起进入一个电光调制器中生成微波光子信号，微波光子信号进入一个1:99的光耦合器分成两路光信号，其中一路光信号通过偏置电压控制器反馈输入电光调制器的偏置电压端口，另一路光信号进入一个光放大器进行光功率损耗补偿后获得处理后的光信号。
3.如权利要求2所述的基于光子神经网络的高线性微波光子链路实现方法，其特征在于，所述步骤2的具体过程为：步骤21，从功分器输出的另一路微波信号经过电延迟线延迟后作为神经网络训练时期的参考样本；步骤22，采集光电探测器输出训练样本，将训练样本与参考样本进行对比，利用权重控制单元对N个微环滤波器的权重系数进行调整；步骤23，调整后输出的信号进入平衡探测器实现加权运算，加权后的信号分别和N个波长不同的光源一起进入调制器，再依次输入到波分复用器和光电探测器实现线性叠加；步骤24，线性叠加后的信号作为训练样本，输入到权重控制单元，重复步骤22到步骤23的过程直到神经网络训练完成。
4.如权利要求3所述的基于光子神经网络的高线性微波光子链路实现方法，其特征在于，所述步骤3的具体过程为：步骤31，所述N个微环滤波器对光放大器输出的光信号进行权重调整输出N路电信号；步骤32，N路电信号分别输入N个平衡探测器进行加权运算；步骤33，加权后的N个信号和N个波长不同的光源一起进入调制器，再依次输入到波分复用器和光电探测器实现线性叠加。
5.一种基于光子神经网络的高线性微波光子链路实现结构，其特征在于，具体包括：
强度调制链路，用于处理激光器和射频信号源产生光载微波信号，所述光载微波信号直接连接到神经网络训练单元和微波光子链路非线性补偿单元；
神经网络训练单元，用于训练非线性微波光子链路补偿单元中微环滤波器的权重系数；
微波光子链路非线性补偿单元，用于通过非线性调制和线性叠加，非线性的微波光链路转化成高线性度的链路；
其中，所述强度调制链路具体包括射频信号源、功分器、激光器、电光调制器、光耦合器、偏置电压控制器和光放大器，射频信号源连接功分器，所述功分器具有第一输出端和第二输出端，所述第一输出端连接电光调制器的微波信号输入口，所述激光器连接电光调制器，所述电光调制器连接光耦合器，所述光耦合器具有第Ⅰ输出端和第Ⅱ输出端，所述第Ⅰ输出端连接偏置电压控制器，所述偏置电压控制器连接到电光调制器的偏置电压端口，所述第Ⅱ输出端连接光放大器。
6.如权利要求5所述的基于光子神经网络的高线性微波光子链路实现结构，其特征在于，所述非线性微波光子链路补偿单元包括N个微环滤波器、N个平衡探测器、N个激光器、N个马赫增德尔调制器、波分复用器和光电探测器，所述光放大器分别连接到N个微环滤波器，所述N个微环滤波器一一对应与N个平衡探测器连接，所述N个平衡探测器一一对应与N个马赫增德尔调制器连接，所述N个激光器一一对应与N个马赫增德尔调制器连接，所述N个马赫增德尔调制器均连接到波分复用器，所述波分复用器连接光电探测器。
7.如权利要求6所述的基于光子神经网络的高线性微波光子链路实现结构，其特征在于，所述神经网络训练单元包括电延迟线和权重控制单元，所述功分器输出的另一路微波信号连接到电延迟线，所述电延迟线连接权重控制单元，所述光电探测器连接权重控制单元，所述权重控制单元分别连接到N个微环滤波器。
CN201810971011.2A 2018-08-24 2018-08-24 基于光子神经网络的高线性微波光子链路实现方法及结构 Active CN109379138B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810971011.2A CN109379138B (zh) 2018-08-24 2018-08-24 基于光子神经网络的高线性微波光子链路实现方法及结构

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810971011.2A CN109379138B (zh) 2018-08-24 2018-08-24 基于光子神经网络的高线性微波光子链路实现方法及结构

Publications (2)

Publication Number Publication Date
CN109379138A CN109379138A (zh) 2019-02-22
CN109379138B true CN109379138B (zh) 2021-07-13

Family

ID=65403890

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810971011.2A Active CN109379138B (zh) 2018-08-24 2018-08-24 基于光子神经网络的高线性微波光子链路实现方法及结构

Country Status (1)

Country Link
CN (1) CN109379138B (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109962747B (zh) * 2019-03-13 2020-05-26 中国电子科技集团公司第二十九研究所 宽带电磁信号的光子神经网络自适应处理装置
CN110247728B (zh) * 2019-07-01 2021-06-25 光子算数(北京)科技有限责任公司 一种光子神经网络芯片
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
CN110505021B (zh) * 2019-08-26 2021-04-09 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
CN110768723B (zh) * 2019-10-09 2020-12-08 浙江大学 硅基调制深度可调双级联调制器及其微波光子链路高线性方法
CN113890620B (zh) * 2020-07-01 2023-03-14 浙江大学 基于可调谐滤波器的硅基片上光子神经网络及其调制方法
CN111985153B (zh) * 2020-08-03 2022-04-22 华中科技大学 基于神经网络和遗传算法的硅基光子器件仿真方法和系统
CN112232504A (zh) * 2020-09-11 2021-01-15 联合微电子中心有限责任公司 一种光子神经网络
CN113822425B (zh) * 2021-11-02 2023-07-18 广西大学 一种抗传输损耗干扰的集成化光学神经网络系统
CN114374438A (zh) * 2021-12-02 2022-04-19 中国电子科技集团公司第三十四研究所 一种人工智能算法赋能的高线性微波光子链路
CN114358271B (zh) * 2022-03-18 2022-07-12 之江实验室 一种时间-波长交织光子神经网络卷积加速芯片
CN114679232B (zh) * 2022-04-06 2023-04-07 西南交通大学 一种基于数据驱动的光载无线传输链路建模方法
CN114866420B (zh) * 2022-04-28 2023-06-09 烽火通信科技股份有限公司 一种对波分传输系统进行优化的方法和装置
CN115472603B (zh) * 2022-08-30 2023-08-08 浙江大学 基于光频梳实现卷积神经网络的单片光子集成芯片
CN116760476B (zh) * 2023-08-21 2023-10-31 中国电子科技集团公司第二十九研究所 一种基于光子神经网络的自适应波束形成方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2413520A1 (en) * 2010-07-26 2012-02-01 Alcatel Lucent A method for transmission and amplification of signals, a transmitting device and a receiving device therefor
WO2013106475A2 (en) * 2012-01-09 2013-07-18 Attochron, Llc Uspl-fso lasercom point-to-point and point-to-multipoint optical wireless communication
CN105515650A (zh) * 2015-11-24 2016-04-20 华中科技大学 基于光谱特征的光信号调制格式识别方法
CN107005277A (zh) * 2014-10-21 2017-08-01 At&T知识产权部有限合伙公司 具有非基本模式传播的导波传送设备及其使用方法
CN107124378A (zh) * 2017-04-01 2017-09-01 中山大学 基于正交映射与概率神经网络的可见光信道联合均衡方法
CN107644004A (zh) * 2017-09-29 2018-01-30 中国电子科技集团公司第二十九研究所 一种基于离散分数阶傅里叶变换快速计算方法的数字信号处理方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2413520A1 (en) * 2010-07-26 2012-02-01 Alcatel Lucent A method for transmission and amplification of signals, a transmitting device and a receiving device therefor
WO2013106475A2 (en) * 2012-01-09 2013-07-18 Attochron, Llc Uspl-fso lasercom point-to-point and point-to-multipoint optical wireless communication
CN107005277A (zh) * 2014-10-21 2017-08-01 At&T知识产权部有限合伙公司 具有非基本模式传播的导波传送设备及其使用方法
CN105515650A (zh) * 2015-11-24 2016-04-20 华中科技大学 基于光谱特征的光信号调制格式识别方法
CN107124378A (zh) * 2017-04-01 2017-09-01 中山大学 基于正交映射与概率神经网络的可见光信道联合均衡方法
CN107644004A (zh) * 2017-09-29 2018-01-30 中国电子科技集团公司第二十九研究所 一种基于离散分数阶傅里叶变换快速计算方法的数字信号处理方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A neural network modeling of microwave circuits on PBG structures;E.N.R.Q. Fernandes;《IEEE MTT-S International Microwave Symposium Digest, 2003》;20030715;全文 *
光子脉冲神经元权重器件的研制;宋晓佳;《中国激光》;20170122;全文 *

Also Published As

Publication number Publication date
CN109379138A (zh) 2019-02-22

Similar Documents

Publication Publication Date Title
CN109379138B (zh) 基于光子神经网络的高线性微波光子链路实现方法及结构
Thomas et al. Millimeter-wave radio over fiber optical upconversion techniques relying on link nonlinearity
Karim et al. High dynamic range microwave photonic links for RF signal transport and RF-IF conversion
Yu et al. A frequency quadrupling optical mm-wave generation for hybrid fiber-wireless systems
CN111371504B (zh) 一种同时抑制二阶和三阶非线性的模拟光链路装置及方法
CN112838894B (zh) 一种光电融合大动态可重构变频装置与方法
Su et al. Optical multipath RF self-interference cancellation based on phase modulation for full-duplex communication
Termos et al. OFDM signal down frequency conversion based on a SOA-MZI sampling mixer using differential modulation and switching architectures
Suarez et al. System-level performance and characterization of counter-phase optical interference cancellation
CN113872700B (zh) 一种高隔离度多通道微波光子上变频装置与方法
CN109861645A (zh) 一种用于微波宽带通信的倍频器
CN108259090B (zh) 一种基于数字逻辑运算的射频任意波形光生成方法及系统
CN101562482B (zh) 光纤无线通信系统及其下行链路多业务毫米波的产生方法
CN104618023A (zh) 一种光链路线性化方法
Chen et al. Photonic generation of rectangular and triangular microwave waveforms with tunable duty cycle
Shi et al. A switchable self-interference cancellation system for dual-band IBFD system using a monolithic integrated DML array
Xia et al. Photonic microwave waveforms generation based on pulse carving and superposition in time-domain
Yang et al. A general analytical method for suppressing the third-order intermodulation in microwave photonic link based on dual-parallel Mach–Zehnder modulator
Chen et al. Linearized microwave downconversion link based on fast and intelligent impairment equalization for noncooperative systems
Lei et al. All-optical microwave I/Q mixer based on cascaded phase modulator and dual-drive Mach-Zehnder modulator
Jia et al. Dual-output microwave photonic frequency up-and down-converter using a 90° optical hybrid without filtering
CN113965272A (zh) 一种微波光子信道化接收机线性化方法
CN112865875A (zh) 高线性度多通道光载无线通信链路系统及线性度优化方法
Ji et al. Pre-distortion compensation for optical-based broadband LFM signal generation system
CN112448766B (zh) 多倍频程微波传输装置和多倍频程微波传输方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant