CN109450553A - 一种光通信系统噪声的补偿方法及系统 - Google Patents
一种光通信系统噪声的补偿方法及系统 Download PDFInfo
- Publication number
- CN109450553A CN109450553A CN201811101683.4A CN201811101683A CN109450553A CN 109450553 A CN109450553 A CN 109450553A CN 201811101683 A CN201811101683 A CN 201811101683A CN 109450553 A CN109450553 A CN 109450553A
- Authority
- CN
- China
- Prior art keywords
- signal
- reception signal
- compensated
- noise
- reception
- 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
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
- H04B10/60—Receivers
- H04B10/66—Non-coherent receivers, e.g. using direct detection
- H04B10/69—Electrical arrangements in the receiver
- H04B10/697—Arrangements for reducing noise and distortion
-
- 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
- H04B10/60—Receivers
- H04B10/66—Non-coherent receivers, e.g. using direct detection
- H04B10/69—Electrical arrangements in the receiver
- H04B10/697—Arrangements for reducing noise and distortion
- H04B10/6973—Arrangements for reducing noise and distortion using noise matching networks
Landscapes
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Optical Communication System (AREA)
Abstract
本发明公开了一种光通信系统噪声的补偿方法及系统,方法包括:获取神经网络模型的训练样本,所述训练样本包括接收信号和与所述接收信号对应的噪声信号;通过所述训练样本对所述神经网络模型进行训练,得到训练后的神经网络模型;获取待补偿接收信号,并将所述待补偿接收信号输入训练后的神经网络模型中,得到与所述待补偿接收信号对应的噪声信号;根据所述待补偿接收信号对应的噪声信号对所述待补偿接收信号进行补偿。本发明对接收信号进行补偿时,无需知晓整个光纤链路的信号,即可准确计算出噪声,相比现有技术,不仅操作方便,而且补偿效果较好。
Description
技术领域
本发明属于光通信技术领域,特别涉及一种光通信系统噪声的补偿方法及系统。
背景技术
随着光纤通信网络中队流量的需求不断增加,对光纤通信系统的传输容量和传输距离提出了更高的要求。从目前的光纤传输系统来看,限制光纤通信系统传输距离的最主要因素在于长距离传输过程中产生的非线性效应会严重影响系统的传输性能。同时,由于受到光纤非线性效应的影响,很难判断出在光纤通信系统接收端,系统性能的劣化是由非线性效应引起的,还是由于光纤链路以及光纤放大器老化而导致的光信噪比的下降。因此,现有技术中,在分析信噪比下降的原因时,需要知道整个光纤链路的信息,如光纤的色散、每段链路的光功率、光纤的非线性系数、传输距离等,然后根据整个光纤链路的信息计算出噪声并进行补偿。由于,整个光纤链路的信息在实际应用中并不容易全部知晓,会导致无法准确计算出噪声,而影响补偿效果。
发明内容
本发明的目的是提供一种光通信系统噪声的补偿方法及系统,无需知晓整个光纤链路的信息即可准确计算出噪声,提高补偿效果。
一方面,本发明实施例提供一种光通信系统噪声的补偿方法,包括:
获取神经网络模型的训练样本,所述训练样本包括接收信号和与所述接收信号对应的噪声信号;
通过所述训练样本对所述神经网络模型进行训练,得到训练后的神经网络模型;
获取待补偿接收信号,并将所述待补偿接收信号输入训练后的神经网络模型中,得到与所述待补偿接收信号对应的噪声信号;
根据所述待补偿接收信号对应的噪声信号对所述待补偿接收信号进行补偿。
本发明通过已知的接收信号和与接收信号对应的噪声信号来训练神经网络模型,训练完成后保存神经网络模型的参数,在接收到待补偿的接收信号时,将待补偿的接收信号输入到训练好的神经网络模型中,即可得出与待补偿的接收信号对应的噪声信号,然后对待补偿接收信号进行补偿,恢复出应有的信号;本发明对接收信号进行补偿时,无需知晓整个光纤链路的信号,即可准确计算出噪声,相比现有技术,不仅操作方便,而且补偿效果较好。
进一步地,所述获取神经网络模型的训练样本,所述训练样本包括接收信号和与所述接收信号对应的噪声信号具体包括:
获取发射信号和与所述发射信号对应的接收信号;
将所述接收信号与所述发射信号相减,得到与所述接收信号对应的噪声信号。
进一步地,所述获取神经网络模型的训练样本,所述训练样本包括接收信号和与所述接收信号对应的噪声信号具体包括:
获取接收信号;
对所述接收信号进行判决处理,得到判决信号;
将所述接收信号与所述判决信号相减,得到与所述接收信号对应的噪声信号。
进一步地,所述对所述接收信号进行判决处理,得到判决信号具体包括:
当所述接收信号为x1,x2,x3……xn,且xi中的任一位数值=a+b,a为整数,b为小数,1≤i≤n时;
若0<b≤0.5时,将所述小数b的数值更新为0;
若0.5<b<1时,将所述小数b的数值更新为1。
进一步地,所述根据所述待补偿接收信号对应的噪声信号对所述待补偿接收信号进行补偿之后还包括:
对补偿后的所述待补偿接收信号进行判决处理。
另一方面,本发明实施例还提供一种光通信系统噪声的补偿系统,包括:
样本获取模块,用于获取神经网络模型的训练样本,所述训练样本包括接收信号和与所述接收信号对应的噪声信号;
模型训练模块,用于通过所述训练样本对所述神经网络模型进行训练,得到训练后的神经网络模型;
信号获取模块,用于获取待补偿接收信号,并将所述待补偿接收信号输入训练后的神经网络模型中,得到与所述待补偿接收信号对应的噪声信号;
补偿模块,用于根据所述待补偿接收信号对应的噪声信号对所述待补偿接收信号进行补偿。
进一步地,所述样本获取模块包括:
获取单元,用于获取发射信号和与所述发射信号对应的接收信号;
计算单元,用于将所述接收信号与所述发射信号相减,得到与所述接收信号对应的噪声信号。
进一步地,所述样本获取模块包括:
获取单元,用于获取接收信号;
判决单元,用于对所述接收信号进行判决处理,得到判决信号;
计算单元,用于将所述接收信号与所述判决信号相减,得到与所述接收信号对应的噪声信号。
进一步地,所述判决单元包括:
更新子单元,用于当所述接收信号为x1,x2,x3……xn,且xi中的任一位数值=a+b,a为整数,b为小数,1≤i≤n时;
若0<b≤0.5时,将所述小数b的数值更新为0;
若0.5<b<1时,将所述小数b的数值更新为1。
进一步地,还包括:判决模块,用于对补偿后的所述待补偿接收信号进行判决处理。
通过本发明提供的一种光通信系统噪声的补偿方法及系统,带来有益效果为:本发明通过已知的接收信号和与接收信号对应的噪声信号来训练神经网络模型,训练完成后保存神经网络模型的参数,在接收到待补偿的接收信号时,将待补偿的接收信号输入到训练好的神经网络模型中,即可得出与待补偿的接收信号对应的噪声信号,然后对待补偿接收信号进行补偿,恢复出应有的信号;本发明对接收信号进行补偿时,无需知晓整个光纤链路的信号,即可准确计算出噪声,相比现有技术,不仅操作方便,而且补偿效果较好。
附图说明
下面将以明确易懂的方式,结合附图说明优选实施方式,对一种光通信系统噪声的补偿方法及系统的上述特性、技术特征、优点及其实现方式予以进一步说明。
图1是本发明一种光通信系统噪声的补偿方法的实施例一的流程示意图一;
图2是长短期记忆人工神经网络的信号时序展开示意图;
图3是长短期记忆人工神经网络的长期状态C的控制开关示意图;
图4是本发明一种光通信系统噪声的补偿方法的实施例一的流程示意图二;
图5是本发明一种光通信系统噪声的补偿方法的实施例二的流程示意图;
图6是本发明一种光通信系统噪声的补偿方法的实施例三的流程示意图;
图7是本发明一种光通信系统噪声的补偿系统的一个实施例的结构示意框图;
图8是本发明一种光通信系统噪声的补偿系统的另一个实施例的结构示意框图。
具体实施方式
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,下面将对照附图说明本发明的具体实施方式。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的前提下,还可以根据这些附图获得其他的附图,并获得其他的实施方式。
为使图面简洁,各图中只示意性地表示出了与本发明相关的部分,它们并不代表其作为产品的实际结构。另外,以使图面简洁便于理解,在有些图中具有相同结构或功能的部件,仅示意性地绘示了其中的一个,或仅标出了其中的一个。在本文中,“一个”不仅表示“仅此一个”,也可以表示“多于一个”的情形。
根据本发明提供的第一实施例,如图1所示,
一种光通信系统噪声的补偿方法,包括:
S100获取神经网络模型的训练样本,所述训练样本包括接收信号和与所述接收信号对应的噪声信号;
S200通过所述训练样本对所述神经网络模型进行训练,得到训练后的神经网络模型;
S300获取待补偿接收信号,并将所述待补偿接收信号输入训练后的神经网络模型中,得到与所述待补偿接收信号对应的噪声信号;
S400根据所述待补偿接收信号对应的噪声信号对所述待补偿接收信号进行补偿。
具体地,本发明在实际使用过程中,可适用于不同的光通信系统,如可适用于相干光传输系统和直调直检光传输系统,但对不同的光通信系统进行噪声补偿时,需要对每一个光通信系统都采用光通信系统对应的训练样本进行训练,如需要计算A光通信系统接收到的信号中的噪声,则需要先获取通过A光通信系统传输后的接收信号和根据已知条件计算出的与接收信号对应的噪声信号,然后通过接收信号和对应的噪声信号训练神经网络模型。
本发明适用的神经网络模型为长短期记忆神经网络模型,如LSTM模型。 LSTM的信号时序展开图如图2所示,可以看到LSTM神经网络中每个单元有三个输入,当前时序单元的输入信号xt,上一时刻的输出信号ht-1,以及上一时刻的单元状态Ct-1,输出值则有当前时刻的输出ht和当前时刻的状态Ct。 LSTM的关键在于控制长期状态C,引入三个开关,第一个开关负责继续控制保存长期状态C;第二个开关负责控制及时状态C';第三个开关负责控制是否把长期状态C作为当前时序单元的输出,其示意图如图3所示。
LSTM用两个门来控制状态C的内容,input gate输入门it,输入门决定当前单元输入xt有多少保存到当前时刻Ct中;forget gate忘记门ft决定上一时刻Ct-1有多少保存到当前时刻Ct中;用output gate输出门ot来控制当前状态Ct输入到当前的输出值中ht,各状态门可表示为:
其中,Wf,Wi,WC,Wo引入的忘记门、输入门、当前时刻的及时门、输出门;bf,bi,bc为相应门的偏置项;σ为sigmoid函数。
对于一个网络,默认其训练样本正常,即可获得相应的初始状态Wf,Wi, WC,Wo,bf,bi,bc等值。从而可以在初始值的基础上进行不断迭代,每次迭代得到的ht会与实际训练的样本值进行对比,当迭代得到的ht与实际值的差值大于预设阈值时,则会根据上述(1)的公式继续循环迭代,迭代中Wf, Wi,WC,Wo等权重门也在不断更新,直至迭代得到的ht与实际值的差值小于预设阈值,则完成当次训练过程,并将Wf,Wi,WC,Wo,bf,bi,bc等参数值保存,得到接收信号与对应的噪声信号的关系。
本发明中,输入值为接收信号,实际值为与接收信号对应的噪声信号,本发明中获取到的信号都是指数字信号,如光通信系统原始接收到的信号为电信号等,需将电信号转换为数字信号。当光通信系统为相干光传输系统时,转换后的接收信号的数据是双偏振复数信号,其对应于四路实数信号,因此,对应的噪声也有四路实数信号,其输入神经网络模型的数据信号主要是矩阵的形式,包括四个向量,而直调直检光传输系统输入神经网络模型的数字信号主要以向量的形式,计算得到的噪声信号也为数字信号。直调直检光传输系统和相干光传输系统进入神经网络的信号格式如表1所示,表1中直调直检光通信系统中下标表示时间序列1到n;相干光通信系统中主要对应的是四个向量,分别是两个偏振态上信号的实部和虚部,计算得到的噪声也被分解成了对应的实部和虚部的噪声,且各个向量中的上标表示时间序列1到n。
训练完与光通信系统对应的神经网络模型后,当该光通信系统接收到新的接收信号(待补偿接收信号)后,直接将新接收到的接收信号输入到训练好的神经网络模型中即可计算得到噪声信号,根据该噪声信号对新接收到的接收信号进行补偿,即将新接收到的接收信号减去噪声信号,恢复出应有的信号,本发明对接收信号进行补偿时,无需知晓整个光纤链路的信号,即可准确计算出噪声,相比现有技术,不仅操作方便,而且补偿效果较好,进一步提升光通信系统的传输性能。
优选地,如图4所示,在步骤S400之后还包括:S500对补偿后的所述待补偿接收信号进行判决处理,以得到与原始发射信号更接近的信号,提高补偿效果,从而提高光通信系统的传输性能。
根据本发明提供的第二实施例,如图5所示,
一种光通信系统噪声的补偿方法,在上述实施例一的基础上,步骤S100 获取神经网络模型的训练样本,所述训练样本包括接收信号和与所述接收信号对应的噪声信号具体包括:
S110获取发射信号和与所述发射信号对应的接收信号;
S120将所述接收信号与所述发射信号相减,得到与所述接收信号对应的噪声信号。
本实施例中,训练样本中的噪声信号可通过发射信号和接收信号计算得到,先在发射端发射已知的信号,然后在接收端接收信号,接收端接收到的信号可经过处理变为数字信号,然后将接收信号与发射信号相减,即可得到噪声信号。该噪声信号既包括光纤链路引起的非线性噪声,也包括光电探测器中的暗电流白噪声。
当光通信系统为直调直检光通信系统时,处理后的接收信号为x1,x2,x3......xn,将该接收信号与发射信号y1,y2,y3......yn相减即可得到训练用的噪声信号t1,t2,t3......tn。
当光通信系统为相干光通信系统时,处理后的接收信号为双偏振复数信号,对应于四路信号,对应的噪声也有四路信号,其余直调直检光通信系统计算噪声的方式类似,将四路信号与发射端对应的信号相减即可计算得到训练用的噪声信号。
优选地,在步骤S400之后还包括:S500对接收信号进行补偿后,对补偿后的接收信号进行判决处理,以得到与原始发射信号更接近的信号,提高补偿效果,从而提高光通信系统的传输性能。
根据本发明提供的第三实施例,如图6所示,
一种光通信系统噪声的补偿方法,与上述实施例二的区别在于,步骤S100 获取神经网络模型的训练样本,所述训练样本包括接收信号和与所述接收信号对应的噪声信号具体包括:
S130获取接收信号;
S140对所述接收信号进行判决处理,得到判决信号;
S150将所述接收信号与所述判决信号相减,得到与所述接收信号对应的噪声信号。
本实施例中,训练样本的噪声信号计算方式与上述实施例二的计算方式不同,本实施例是先获取接收信号,然后将接收信号进行判决处理,得到判决信号,再将接收信号与判决信号相减,得到噪声信号。该噪声信号既包括光纤链路引起的非线性噪声,也包括光电探测器中的暗电流白噪声。判决处理是指将数据中的每一位数值进行四舍五入处理。
优选地,对接收信号进行判决处理,得到判决信号具体包括:
当所述接收信号为x1,x2,x3……xn,且xi中的任一位数值=a+b,a为整数,b为小数,1≤i≤n时;
若0<b≤0.5时,将所述小数b的数值更新为0;
若0.5<b<1时,将所述小数b的数值更新为1。
如数字信号为二进制信号,数据的每一位数应当为0或1,信号进行传输后,由于噪声的存在,可能会使得原始数值0变为0.1,1变为1.2等,此时我们需要对每一位数进行判决处理,如1变为1.2,1.2的小数部分为0.2,0.2 小于0.5,应将小数0.2的值变为0,使得数值1.2经过判决处理后的变为原来的1。再如,数字信号为四进制信号时,数据的每一位应该为0,1,2或3,信号进行传输后,由于噪声的存在,会使得原始数值3变为2.8,对2.8进行判决处理,由于0.8大于0.5,因此,将0.5变为1,2.8的原始的整数2加上 1则可将接收到的数值恢复到原始的数值3,数值在传输过程中的变化则为噪声。因此,可将判决处理后的判决信号与接收到的接收信号相减,得到对应的噪声信号。当然,本实施例中,系统是默认数值进行判决处理后不会超出规定的范围,如为二进制信号,数值不会出现0和1以外的数值,如经过判决处理后,数值为2则自动默认为数字为1。同理,如为四进制信号,经过判决处理后,不会出现0,1,2,3以为的数值。
当光通信系统为直调直检光通信系统时,处理后的接收信号为x1,x2,x3......xn,将该接收信号与判决信号z1,z2,z3......zn相减即可得到训练用的噪声信号t1,t2,t3......tn。
当光通信系统为相干光通信系统时,处理后的接收信号为双偏振复数信号,对应于四路信号,对应的噪声也有四路信号,其余直调直检光通信系统计算噪声的方式类似,将四路信号与判决后的信号相减即可计算得到训练用的噪声信号。
优选地,S500对接收信号进行补偿后,对补偿后的接收信号进行判决处理,以得到与原始发射信号更接近的信号,提高补偿效果,从而提高光通信系统的传输性能。判决处理方法与上述方法相同,此处不再做详细阐述说明。
优选地,训练样本中的噪声信号还可通过计算判决信号与发射信号的差值得到,其步骤为:先获取发射信号和经光通信系统传输后的接收信号;将接收信号进行判决处理,得到判决信号,然后将判决信号与发射信号相减,得到训练样本中与经光通信系统传输后的接收信号对应的噪声信号。
根据本发明提供的第四实施例,如图7所示,
一种光通信系统噪声的补偿系统,包括:
样本获取模块100,用于获取神经网络模型的训练样本,所述训练样本包括接收信号和与所述接收信号对应的噪声信号;
模型训练模块200,用于通过所述训练样本对所述神经网络模型进行训练,得到训练后的神经网络模型;
信号获取模块300,用于获取待补偿接收信号,并将所述待补偿接收信号输入训练后的神经网络模型中,得到与所述待补偿接收信号对应的噪声信号;
补偿模块400,用于根据所述待补偿接收信号对应的噪声信号对所述待补偿接收信号进行补偿。
本实施例中的各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
根据本发明提供的第五实施例,如图8所示,
一种光通信系统噪声的补偿系统,包括:
样本获取模块100,用于获取神经网络模型的训练样本,所述训练样本包括接收信号和与所述接收信号对应的噪声信号;
模型训练模块200,用于通过所述训练样本对所述神经网络模型进行训练,得到训练后的神经网络模型;
信号获取模块300,用于获取待补偿接收信号,并将所述待补偿接收信号输入训练后的神经网络模型中,得到与所述待补偿接收信号对应的噪声信号;
补偿模块400,用于根据所述待补偿接收信号对应的噪声信号对所述待补偿接收信号进行补偿。
优选地,所述样本获取模块100包括:
获取单元110,用于获取发射信号和与所述发射信号对应的接收信号;
计算单元120,用于将所述接收信号与所述发射信号相减,得到与所述接收信号对应的噪声信号。
优选地,所述样本获取模块100包括:
获取单元110,用于获取接收信号;
判决单元130,用于对所述接收信号进行判决处理,得到判决信号;
计算单元120,用于将所述接收信号与所述判决信号相减,得到与所述接收信号对应的噪声信号。
优选地,所述判决单元130包括:
更新子单元131,用于当所述接收信号为x1,x2,x3……xn,且xi中的任一位数值=a+b,a为整数,b为小数,1≤i≤n时;
若0<b≤0.5时,将所述小数b的数值更新为0;
若0.5<b<1时,将所述小数b的数值更新为1。
优选地,还包括:判决模块500,用于对补偿后的所述待补偿接收信号进行判决处理。
本实施例中的各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
应当说明的是,上述实施例均可根据需要自由组合。以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种光通信系统噪声的补偿方法,其特征在于,包括:
获取神经网络模型的训练样本,所述训练样本包括接收信号和与所述接收信号对应的噪声信号;
通过所述训练样本对所述神经网络模型进行训练,得到训练后的神经网络模型;
获取待补偿接收信号,并将所述待补偿接收信号输入训练后的神经网络模型中,得到与所述待补偿接收信号对应的噪声信号;
根据所述待补偿接收信号对应的噪声信号对所述待补偿接收信号进行补偿。
2.根据权利要求1所述的一种光通信系统噪声的补偿方法,其特征在于,所述获取神经网络模型的训练样本,所述训练样本包括接收信号和与所述接收信号对应的噪声信号具体包括:
获取发射信号和与所述发射信号对应的接收信号;
将所述接收信号与所述发射信号相减,得到与所述接收信号对应的噪声信号。
3.根据权利要求1所述的一种光通信系统噪声的补偿方法,其特征在于,所述获取神经网络模型的训练样本,所述训练样本包括接收信号和与所述接收信号对应的噪声信号具体包括:
获取接收信号;
对所述接收信号进行判决处理,得到判决信号;
将所述接收信号与所述判决信号相减,得到与所述接收信号对应的噪声信号。
4.根据权利要求3所述的一种光通信系统噪声的补偿方法,其特征在于,所述对所述接收信号进行判决处理,得到判决信号具体包括:
当所述接收信号为x1,x2,x3……xn,且xi中的任一位数值=a+b,a为整数,b为小数,1≤i≤n时;
若0<b≤0.5时,将所述小数b的数值更新为0;
若0.5<b<1时,将所述小数b的数值更新为1。
5.根据权利要求1-4任一项所述的一种光通信系统噪声的补偿方法,其特征在于,所述根据所述待补偿接收信号对应的噪声信号对所述待补偿接收信号进行补偿之后还包括:
对补偿后的所述待补偿接收信号进行判决处理。
6.一种光通信系统噪声的补偿系统,其特征在于,包括:
样本获取模块,用于获取神经网络模型的训练样本,所述训练样本包括接收信号和与所述接收信号对应的噪声信号;
模型训练模块,用于通过所述训练样本对所述神经网络模型进行训练,得到训练后的神经网络模型;
信号获取模块,用于获取待补偿接收信号,并将所述待补偿接收信号输入训练后的神经网络模型中,得到与所述待补偿接收信号对应的噪声信号;
补偿模块,用于根据所述待补偿接收信号对应的噪声信号对所述待补偿接收信号进行补偿。
7.根据权利要求6所述的一种光通信系统噪声的补偿系统,其特征在于,所述样本获取模块包括:
获取单元,用于获取发射信号和与所述发射信号对应的接收信号;
计算单元,用于将所述接收信号与所述发射信号相减,得到与所述接收信号对应的噪声信号。
8.根据权利要求6所述的一种光通信系统噪声的补偿系统,其特征在于,所述样本获取模块包括:
获取单元,用于获取接收信号;
判决单元,用于对所述接收信号进行判决处理,得到判决信号;
计算单元,用于将所述接收信号与所述判决信号相减,得到与所述接收信号对应的噪声信号。
9.根据权利要求8所述的一种光通信系统噪声的补偿系统,其特征在于,所述判决单元包括:
更新子单元,用于当所述接收信号为x1,x2,x3……xn,且xi中的任一位数值=a+b,a为整数,b为小数,1≤i≤n时;
若0<b≤0.5时,将所述小数b的数值更新为0;
若0.5<b<1时,将所述小数b的数值更新为1。
10.根据权利要求6-9任一项所述的一种光通信系统噪声的补偿系统,其特征在于,还包括:
判决模块,用于对补偿后的所述待补偿接收信号进行判决处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811101683.4A CN109450553B (zh) | 2018-09-20 | 2018-09-20 | 一种光通信系统噪声的补偿方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811101683.4A CN109450553B (zh) | 2018-09-20 | 2018-09-20 | 一种光通信系统噪声的补偿方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109450553A true CN109450553A (zh) | 2019-03-08 |
CN109450553B CN109450553B (zh) | 2020-07-07 |
Family
ID=65530600
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811101683.4A Active CN109450553B (zh) | 2018-09-20 | 2018-09-20 | 一种光通信系统噪声的补偿方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109450553B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111934755A (zh) * | 2020-07-08 | 2020-11-13 | 国网宁夏电力有限公司电力科学研究院 | Sdn控制器以及光通信设备的光信噪比预测方法 |
CN112118053A (zh) * | 2019-06-21 | 2020-12-22 | 华为技术有限公司 | 信号处理方法以及光接收机 |
CN112671465A (zh) * | 2020-11-24 | 2021-04-16 | 深圳市宇虹飞科技有限公司 | 一种光通信系统噪声的补偿方法及系统 |
CN112787717A (zh) * | 2020-12-30 | 2021-05-11 | 武汉邮电科学研究院有限公司 | 光信噪比预测方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102088319A (zh) * | 2009-12-02 | 2011-06-08 | 华为技术有限公司 | 一种信号损伤补偿方法、装置和光接收机 |
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 |
CN106130643A (zh) * | 2016-06-24 | 2016-11-16 | 温州大学 | 一种高速光通信系统电色散补偿方法 |
CN107171717A (zh) * | 2017-05-31 | 2017-09-15 | 武汉光迅科技股份有限公司 | 一种从畸变的信号中恢复理想信号的方法和系统 |
CN108494710A (zh) * | 2018-03-30 | 2018-09-04 | 中南民族大学 | 基于bp神经网络的可见光通信mimo抗扰降噪方法 |
CN207835454U (zh) * | 2017-07-21 | 2018-09-07 | 华南理工大学 | 一种基于可见光通信的神经网络均衡器 |
-
2018
- 2018-09-20 CN CN201811101683.4A patent/CN109450553B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102088319A (zh) * | 2009-12-02 | 2011-06-08 | 华为技术有限公司 | 一种信号损伤补偿方法、装置和光接收机 |
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 |
CN106130643A (zh) * | 2016-06-24 | 2016-11-16 | 温州大学 | 一种高速光通信系统电色散补偿方法 |
CN107171717A (zh) * | 2017-05-31 | 2017-09-15 | 武汉光迅科技股份有限公司 | 一种从畸变的信号中恢复理想信号的方法和系统 |
CN207835454U (zh) * | 2017-07-21 | 2018-09-07 | 华南理工大学 | 一种基于可见光通信的神经网络均衡器 |
CN108494710A (zh) * | 2018-03-30 | 2018-09-04 | 中南民族大学 | 基于bp神经网络的可见光通信mimo抗扰降噪方法 |
Non-Patent Citations (2)
Title |
---|
徐旭东: "可见光通信中LED 的非线性后失真补偿技术研究", 《网络与通信》 * |
瞿国庆,于树科: "基于深度学习的数据中心光通信色散估计与管", 《光学技术》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112118053A (zh) * | 2019-06-21 | 2020-12-22 | 华为技术有限公司 | 信号处理方法以及光接收机 |
WO2020253624A1 (zh) * | 2019-06-21 | 2020-12-24 | 华为技术有限公司 | 信号处理方法以及光接收机 |
CN112118053B (zh) * | 2019-06-21 | 2022-01-14 | 华为技术有限公司 | 信号处理方法以及光接收机 |
US11870500B2 (en) | 2019-06-21 | 2024-01-09 | Huawei Technologies Co., Ltd. | Signal processing method and optical receiver |
CN111934755A (zh) * | 2020-07-08 | 2020-11-13 | 国网宁夏电力有限公司电力科学研究院 | Sdn控制器以及光通信设备的光信噪比预测方法 |
CN112671465A (zh) * | 2020-11-24 | 2021-04-16 | 深圳市宇虹飞科技有限公司 | 一种光通信系统噪声的补偿方法及系统 |
CN112787717A (zh) * | 2020-12-30 | 2021-05-11 | 武汉邮电科学研究院有限公司 | 光信噪比预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109450553B (zh) | 2020-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109450553A (zh) | 一种光通信系统噪声的补偿方法及系统 | |
Li et al. | Achievable information rates for nonlinear fiber communication via end-to-end autoencoder learning | |
Gupta et al. | Optimal LQG control across packet-dropping links | |
Jovanovic et al. | Gradient-free training of autoencoders for non-differentiable communication channels | |
CN109039472B (zh) | 一种基于深度学习的数据中心光通信色散估计与管理方法 | |
US20220239371A1 (en) | Methods, devices, apparatuses, and medium for optical communication | |
CN111917474B (zh) | 一种隐式三元组神经网络及光纤非线性损伤均衡方法 | |
CN110730037A (zh) | 一种基于动量梯度下降法的相干光通信系统光信噪比监测方法 | |
CN113938198B (zh) | 光纤传输系统、基于lda简化非线性均衡器的方法及模块 | |
CN102238060B (zh) | 一种路由选择方法和装置 | |
CN111988249B (zh) | 一种基于自适应神经网络的接收端均衡方法及接收端 | |
Shahkarami et al. | Efficient deep learning of nonlinear fiber-optic communications using a convolutional recurrent neural network | |
CN115314118B (zh) | 一种光纤非线性补偿方法及装置 | |
CN112613538A (zh) | 一种基于加权主成分分析的非线性均衡方法 | |
Guo et al. | Deep neural network based chromatic dispersion estimation with ultra-low sampling rate for optical fiber communication systems | |
CN114598581B (zh) | 概率整形信号的双阶段检测模型训练方法、识别方法及装置 | |
Cai et al. | Optical filtering impairment monitoring based on artificial neural network in coherent receiver | |
CN110866594B (zh) | 光传送网otn的色散计算方法 | |
US20210256347A1 (en) | Low complexity fiber nonlinearity compensation using lookup table | |
von Hünefeld et al. | Enabling optical modulation format identification using an integrated photonic reservoir and a digital multiclass classifier | |
Zheng et al. | Deep Reinforcement Learning-based Quantization for Federated Learning | |
CN109905176A (zh) | 一种光信号数据的解析方法 | |
CN111919220A (zh) | 自适应预编码模型训练方法、自适应预编码方法和基站 | |
Wang et al. | Adaptive Channel Modeling with Conditional Generative Adversarial Network for 209-GHz Fiber-Terahertz Integrated Communication System | |
CN113644994B (zh) | 一种轻量级多参数融合链路质量估计方法 |
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 |