CN110166119A - 一种基于深层神经网络的相干光通信发射机监测方法 - Google Patents
一种基于深层神经网络的相干光通信发射机监测方法 Download PDFInfo
- Publication number
- CN110166119A CN110166119A CN201910455497.9A CN201910455497A CN110166119A CN 110166119 A CN110166119 A CN 110166119A CN 201910455497 A CN201910455497 A CN 201910455497A CN 110166119 A CN110166119 A CN 110166119A
- Authority
- CN
- China
- Prior art keywords
- network
- neural
- deep
- dnn
- data
- 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
-
- 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
-
- 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
- H04B10/07—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems
- H04B10/075—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal
- H04B10/079—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal using measurements of the data signal
-
- 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
- H04B10/40—Transceivers
-
- 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
- H04B10/50—Transmitters
-
- 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
- H04B10/50—Transmitters
- H04B10/516—Details of coding or modulation
- H04B10/548—Phase or frequency modulation
- H04B10/556—Digital modulation, e.g. differential phase shift keying [DPSK] or frequency shift keying [FSK]
-
- 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
- H04B10/61—Coherent receivers
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Optical Communication System (AREA)
Abstract
本发明涉及一种基于深层神经网络(Deep Neural Network,DNN)的相干光通信发射机监测方法,属于发射机监测技术领域。基于时间延迟、偏置电压误差和正交相移误差三种损伤机制导致信号星座图不同的特征分布;在接收端,接收的光信号和本地激光器输出的连续激光经过光混频器进行相干解调,测量相干接收信号的星座图,计算该星座图与理想星座点间的幅度差和角度差,并把幅值差和角度差作为一组数据输入深层神经网络,收集大量数据作为训练集输入深层神经网络进行训练,再使用测试集测试,监测三种物理损伤。所述方法能够分离并得到不同损伤的估计值;实现简单,减少了人工参与,降低了人工误差;能直接得到监测结果。
Description
技术领域
本发明涉及一种基于深层神经网络(Deep Neural Network,DNN)的相干光通信发射机监测方法,属于发射机监测技术领域。
背景技术
发射机监测对未来光网络发展非常重要。目前,相干光通信技术已经成功光通信领域的主流。在相干光通信系统发展中,一些高阶调制格式(QPSK,16QAM,64QAM等)能够更好地提高频谱效率和通信能力,但是需要以更复杂的发射机和接收机为代价。因此,研究发射机内部损伤的监测备受关注,这将为后续的数字信号处理提供必要的信号失真信息并进行补偿。
近几年中,已有一些发射机监测技术被提出。已有文献提出了基于模板测试和时间分辨误差矢量(TR-EVM)的方法来表征高阶调制系统的发射机,TR-EVM是在传统误差矢量幅度(EVM)的基础上进行扩展,将计算EVM的点扩展到整个符号周期。发射机内部不同的损伤,例如正交误差、时间延迟、MZ偏置电压,以不同的方式影响TR-EVM图。该方法只能通过对TR-EVM图的模板测试实现不同损伤的分离。基于接收端的补偿算法实现发射机时间延迟、正交误差等损伤的监测,需要复杂的数学运算。基于遗传算法的发射机损伤优化,通过训练将失真数据逐渐逼近最佳值来实现损伤补偿,但不能得到具体的损伤值并且发射机内不能同时存在多种损伤。
本申请拟使用DNN学习提取接收符号与星座点间的幅值差和角度差的分布特征,实现相干光通信系统中发射机三种损伤的监测:正交误差、偏置电压和时间延迟。主要研究最常用的三种调制格式信号:QPSK、16QAM和64QAM。
发明内容
本发明的目的在于克服现有的发射机监测方法中存在的复杂数学运算或只能实现损伤分离或分析单一损伤的发射机的技术缺陷,提出了一种基于深层神经网络的相干光通信发射机监测方法。
本方法的核心思想是:基于时间延迟、偏置电压误差和正交相移误差三种不同的损伤机制导致信号星座图不同的特征分布,即:正交误差和偏置电压导致星座点和中心点偏离理想星座点位置;随着时间延迟的增加,连续符号之间的传输倾向于交叉;为了监测两路并行的马赫曾德调制器组成的IQ发射机存在的,时间延迟、偏置电压误差和正交相移误差:在接收端,接收的光信号和本地激光器输出的连续激光经过光混频器进行相干解调,测量相干接收信号的星座图,计算该星座图与理想星座点间的幅度差和角度差,并把幅值差和角度差作为一组数据输入深层神经网络,收集大量数据作为训练集输入深层神经网络进行训练,再使用测试集测试,输出三种物理损伤:时间延迟、偏置电压误差和正交相移误差估计值的监测。
所述基于深层神经网络的相干光通信发射机监测方法,包括步骤如下:
步骤1)基于三种最常见的调制格式之一:QPSK、16QAM、64QAM搭建相干光通信系统;
其中,搭建的相干光通信系统包括发射端和相干接收机;发射端包括IQ调制器以及掺饵光纤放大器;
步骤2)在步骤1)中搭建的相干光通信系统的发射端的IQ调制器上,改变时间延迟、偏置电压和正交误差三种参数,输出包含三种物理损伤的信号,同时存储该信号三种物理损伤的实际值;
步骤3)将步骤2)输出的带有物理损伤的信号送入掺饵光纤放大器,输出固定发射功率的信号;
步骤4)将步骤3)输出的固定发射功率信号输入进相干接收机,进行相干检测,输出一定数据长度的接收符号;
其中,每一组接收数据中的第i个符号,记为ri;
步骤5)计算经过步骤4)相干检测后的接收符号ri与该符号对应的理想星座点ref间的幅值差和角度差,即(1):
其中,幅值差与角度差组成一组数据序列,作为DNN的输入;一共收集了R组数据,包含数据集和测试集。
步骤6)随机抽取R组数据序列中的x%*R组数据序列作为训练集,R组数据序列抽取后剩下的(1-x%)*R组数据序列作为测试集;将步骤2)存储的对应信号三种物理损伤的大小为标签;
步骤7)设计深层神经网络,包括隐藏层层数、损失函数、激活函数、学习率及梯度优化方式的选取,并使用步骤5)收集的训练集数据训练步骤7)设计的DNN;
其中,DNN,即深层神经网络;具体包括如下步骤:
步骤7.1)使用步骤5)收集的训练集数据作为DNN的输入,数据集标签作为输出y;
步骤7.2)计算DNN前向传播输出yout,其中每一层的输出为(2):
al,n=tanh(W*X+b) (2)
其中,W为每一层间的权重矩阵,b为偏置,这两个参数矩阵对每一层都是不同的;X为每一层的输入矩阵[x1,x2,x3,...xj],j为输入序列长度,l为隐藏层的层数,n为单元数;tanh为激活函数,为DNN引入非线性操作;
最终网络的输出为(3)
yout=W*A+b (3)
其中,A为输出层前的输入数据;最后输出层为线性操作,得到估计结果;
步骤7.3)在步骤7.2)的前向传播中,计算yout与标签实际损伤值y的均方差即loss=(y-yout)2作为DNN的损失;
步骤7.4)计算步骤7.3)的损失loss=(y-yout)2对权重W的偏导,实现反向传播,更新每一层的权重矩阵;
步骤7.5)重复步骤7.2)~7.4),监测loss的变化,并通过其变化范围判断网络的收敛性,决定是否提前终止网络训练;当loss降低至小于0.1并且变化范围在±0.01内,即可认为网络已收敛,提前终止网络训练;
步骤8)使用步骤6)的测试集输入步骤7)已训练好的DNN,输出测试集中数据的损伤估计值;
至此,从步骤1)到步骤8),完成了一种基于深层神经网络的相干光通信发射机监测方法。
有益效果
本发明提出的一种基于深层神经网络的相干光通信发射机监测方法,与现有技术相比,具有如下有益效果:
1.本方法的发射机内同时存在三种损伤:正交误差、偏置电压和时间延迟,能够分离并得到不同损伤的估计值;
2.本方法依赖于DNN的自学习提取特征的能力,实现简单,减少了人工参与,降低了人工误差;
3.本方法DNN训练完成后,测试数据进入网络可以直接得到监测结果,对未来相干光通信系统发射机的监测具有举足轻重的意义。
附图说明
图1为本发明基于深层神经网络的相干光通信发射机监测方法所依托的系统框图;
图2为本发明基于深层神经网络的相干光通信发射机监测方法DNN的原理图;
图3为本发明基于深层神经网络的相干光通信发射机监测方法具体实施的流程图;
图4为依据本发明基于深层神经网络的相干光通信发射机监测方法得到的QPSK通信系统发射机正交误差的监测结果;
图5为依据本发明基于深层神经网络的相干光通信发射机监测方法得到的QPSK通信系统发射机偏置电压的监测结果;
图6为依据本发明基于深层神经网络的相干光通信发射机监测方法得到的QPSK通信系统发射机时间延迟的监测结果;
图7为依据本发明基于深层神经网络的相干光通信发射机监测方法得到的16QAM通信系统发射机正交误差的监测结果;
图8为依据本发明基于深层神经网络的相干光通信发射机监测方法得到的16QAM通信系统发射机偏置电压的监测结果;
图9为依据本发明基于深层神经网络的相干光通信发射机监测方法得到的16QAM通信系统发射机时间延迟的监测结果;
图10为依据本发明基于深层神经网络的相干光通信发射机监测方法得到的64QAM通信系统发射机正交误差的监测结果;
图11为依据本发明基于深层神经网络的相干光通信发射机监测方法得到的64QAM通信系统发射机偏置电压的监测结果;
图12为依据本发明基于深层神经网络的相干光通信发射机监测方法得到的64QAM通信系统发射机时间延迟的监测结果。
具体实施方式
下面结合附图与具体实施方式对本发明一种基于深层神经网络的相干光通信发射机监测方法进行详细阐述和说明。
实施例1
本实施例叙述了采用本发明所述的基于DNN的相干光通信发射机监测方法的具体实施。
图1为本发明基于深层神经网络的相干光通信发射机监测方法所依托的系统框图。
其中,具体实施时,步骤如下:
步骤I)搭建相干光通信系统,使用三种最常见的调制格式之一:QPSK、16QAM、64QAM;
步骤II)在步骤I)中搭建的光通信系统的发射端的IQ调制器上,改变时间延迟、偏置电压和正交误差三种参数,三种损伤同时存在于发送信号上;
其中,MZM为马赫曾德调制器;B1和B2为I/Q两路的偏置电压设置;
步骤III)将步骤II)中发送的带有损伤的信号进入掺饵光纤放大器,输出固定发射功率的信号;
步骤IV)将步骤III)输出的信号输入进相干接收机,实现相干检测;
步骤V)计算经过步骤IV)后接收符号与理想星座点间的幅值差和角度差;
步骤VI)将步骤V)得到的数据作为DNNs的输入,三种损伤的估计分别对应三个相同的DNN,分开训练与测试。根据测试结果得到发射机监测的误差。
图2为本发明基于DNN的相干光通信发射机监测方法DNN的原理图。DNN结构主要分为三部分:输入层、隐藏层和输出层,其中隐藏层可以具有多层,以提高DNN模型的表达能力。各层之间完全连接,每个连接包括线性操作和激活(非线性)操作:
al,n=σ(W*X+b) (4)
其中,W表示权重矩阵,b表示偏置矩阵,σ表示激活函数tanh,l表示隐藏层层数,n表示每层的神经元数,X表示输入矩阵[x1,x2,x3,...xj]。
图3为本发明基于DNN的相干光通信发射机监测方法具体实施的流程图,如下步骤:
步骤I)对每种调制格式,从接收端中提取带有三种损伤的数据;
步骤II)计算经过步骤I)接收符号ri与理想星座点ref间的幅值差和角度差,记为
其中,幅值差与角度差组成一组数据序列;
步骤III)经过步骤II)计算得到的数据序列作为DNN的输入。收集大量数据作为DNN的训练集和测试集,数据集标签为三种损伤的大小;
步骤IV)根据图2搭建三个相同的DNN网络,分别训练估计三种损伤:正交误差、偏置电压、时间延迟;
步骤V)使用步骤III)收集的训练集数据训练步骤IV)搭建的DNN,输出标签为数据已知的损伤值,学习提取损伤特征。通过损失函数的变化判断网络的收敛性,决定是否提前终止网络训练;
步骤VI)使用步骤III)收集的测试集数据测试步骤V)已训练好的DNN的性能,得到测试集数据的损伤估计值。
实施例2
本实施例叙述了采用本发明所述的基于DNN的相干光通信发射机监测方法对背靠背光通信系统中发射机的三种损伤进行监测。本实施例中,符号率为28GB,主要使用了三种最常见的调制格式:QPSK、16QAM、64QAM。在发射机的IQ调制器中改变正交误差、偏置电压、时间延迟三种参数,并且同时作用于发送信号上。其中,正交误差的范围为-10°~+10°(步长为2°,即相移大小为80°~100°),偏置电压设置的范围为0~1.5V(步长为0.1V),时间延迟的范围为-20~+20ps(步长为2ps)。在接收端相干检测后,计算接收符号与理想星座点间的幅值差和角度差作为DNN的输入数据。为每种调制格式收集大量的数据,数据集随机分成训练集(70%)与测试集(30%)。关于DNN的设计,搭建三个相同的DNN分别估计三种损伤。DNN输入层包含2000个神经元,幅值差与角度差的组合序列作为输入。设计两个隐藏层,分别有30和10个神经元。输出层有一个神经元,得到相应的损伤估计值。在网络中,激活函数为tanh,损失函数为DNN输出和实际标签(已知损伤值)的均方差,优化算法选取Adam优化器,能够自适应的调节学习率。监测结果由相对于参考值的平均误差和标准误差评定。平均误差是指在相同条件下,所有测试数据的估计平均值与参考值的差,表征了监测结果的整体偏差。标准误差是指相对于平均值的偏差。图4~6为依据图2和3本发明基于DNN的相干光通信发射机监测方法的流程得到的QPSK通信系统发射机三种损伤的监测结果,其中,图4为正交误差、图5为偏置电压、图6为时间延迟。由图4~6可看出,正交误差的平均误差的平均值为0.08°,标准误差的平均值为0.40°;偏置电压的平均误差的平均值为0.008V,标准误差的平均值为0.031V;时间延迟的平均误差的平均值为0.13ps,标准误差的平均值为0.48ps。
图7~9为依据图2和3本发明基于DNN的相干光通信发射机监测方法的流程得到的16QAM通信系统发射机三种损伤的监测结果,其中,图7为正交误差、图8为偏置电压、图9为时间延迟。由图7~9可看出,正交误差的平均误差的平均值为0.13°,标准误差的平均值为0.43°;偏置电压的平均误差的平均值为0.02V,标准误差的平均值为0.04V;时间延迟的平均误差的平均值为0.06ps,标准误差的平均值为0.35ps。
图10~12为依据图2和3本发明基于DNN的相干光通信发射机监测方法的流程得到的64QAM通信系统发射机三种损伤的监测结果;其中,图10为正交误差、图11为偏置电压、图12为时间延迟。由图10~12可看出,正交误差的平均误差的平均值为0.09°,标准误差的平均值为0.42°;偏置电压的平均误差的平均值为0.005V,标准误差的平均值为0.019V;时间延迟的平均误差的平均值为0.08ps,标准误差的平均值为0.32ps。
通过以上的结果可以看出,对于三种调制信号,正交误差、偏置电压和时间延迟的监测估计都是相当准确的,并且发射机内可以同时存在三种损伤。
以上所述为本发明的较佳实施例而已,本发明不应该局限于该实施例和附图所公开的内容。凡是不脱离本发明所公开的精神下完成的等效或修改,都落入本发明保护的范围。
Claims (4)
1.一种基于深层神经网络的相干光通信发射机监测方法,其特征在于:包括步骤如下:
所述基于深层神经网络的相干光通信发射机监测方法,包括步骤如下:
步骤1)基于三种最常见的调制格式之一:QPSK、16QAM、64QAM搭建相干光通信系统;
其中,搭建的相干光通信系统包括发射端和相干接收机;发射端包括IQ调制器以及掺饵光纤放大器;
步骤2)在步骤1)中搭建的相干光通信系统的发射端的IQ调制器上,改变时间延迟、偏置电压和正交误差三种参数,输出包含三种物理损伤的信号,同时存储该信号三种物理损伤的实际值;
步骤3)将步骤2)输出的带有物理损伤的信号送入掺饵光纤放大器,输出固定发射功率的信号;
步骤4)将步骤3)输出的固定发射功率信号输入进相干接收机,进行相干检测,输出一定数据长度的接收符号;
步骤5)计算经过步骤4)相干检测后的接收符号与该符号对应的理想星座点ref间的幅值差和角度差;
步骤6)随机抽取R组数据序列中的x%*R组数据序列作为训练集,R组数据序列抽取后剩下的(1-x%)*R组数据序列作为测试集;将步骤2)存储的对应信号三种物理损伤的大小为标签;
步骤7)设计深层神经网络,包括隐藏层层数、损失函数、激活函数、学习率及梯度优化方式的选取,并使用步骤5)收集的训练集数据训练步骤7)设计的DNN;
其中,DNN,即深层神经网络;具体包括如下步骤:
步骤7.1)使用步骤5)收集的训练集数据作为DNN的输入,数据集标签作为输出y;
步骤7.2)计算DNN前向传播输出yout,其中每一层的输出为(1):
al,n=tanh(W*X+b) (1)
其中,W为每一层间的权重矩阵,b为偏置,这两个参数矩阵对每一层都是不同的;X为每一层的输入矩阵[x1,x2,x3,...xj],j为输入序列长度,l为隐藏层的层数,n为单元数;tanh为激活函数,为DNN引入非线性操作;
yout也是最终网络的输出;
步骤7.3)在步骤7.2)的前向传播中,计算yout与标签实际损伤值y的均方差即loss=(y-yout)2作为DNN的损失;
步骤7.4)计算步骤7.3)的损失loss=(y-yout)2对权重W的偏导,实现反向传播,更新每一层的权重矩阵;
步骤7.5)重复步骤7.2)~7.4),监测loss的变化,并通过其变化范围判断网络的收敛性,决定是否提前终止网络训练;
步骤8)使用步骤6)的测试集输入步骤7)已训练好的DNN,输出测试集中数据的损伤估计值。
2.根据权利要求1所述的一种基于深层神经网络的相干光通信发射机监测方法,其特征在于:步骤4)中,每一组接收数据中的第i个符号,记为ri;
步骤5)中的幅度差和角度差通过(2)计算:
其中,ri表示每一组接收数据中的第i个符号,幅值差与角度差组成一组数据序列,作为DNN的输入;一共收集了R组数据,包含数据集和测试集。
3.根据权利要求1所述的一种基于深层神经网络的相干光通信发射机监测方法,其特征在于:步骤7.2)中DNN的前向传播输出yout为(3):
yout=W*A+b (3)
其中,A为输出层前的输入数据;最后输出层为线性操作,得到估计结果。
4.根据权利要求1所述的一种基于深层神经网络的相干光通信发射机监测方法,其特征在于:步骤7.5)中当loss降低至小于0.1并且变化范围在±0.01内,即可认为网络已收敛,提前终止网络训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910455497.9A CN110166119B (zh) | 2019-05-29 | 2019-05-29 | 一种基于深层神经网络的相干光通信发射机监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910455497.9A CN110166119B (zh) | 2019-05-29 | 2019-05-29 | 一种基于深层神经网络的相干光通信发射机监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110166119A true CN110166119A (zh) | 2019-08-23 |
CN110166119B CN110166119B (zh) | 2020-06-16 |
Family
ID=67629858
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910455497.9A Active CN110166119B (zh) | 2019-05-29 | 2019-05-29 | 一种基于深层神经网络的相干光通信发射机监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110166119B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20060013305A (ko) * | 2004-08-04 | 2006-02-09 | (주)퍼뉴텍 | 구두제작 장비의 인공지능형 측정 및 네트워크 시스템연동 방법 |
CN107342962A (zh) * | 2017-07-03 | 2017-11-10 | 北京邮电大学 | 基于卷积神经网络的深度学习智能星座图分析方法 |
CN108390718A (zh) * | 2018-02-08 | 2018-08-10 | 武汉邮电科学研究院有限公司 | 光纤通信系统中光信噪比的测量装置及方法 |
US20180269968A1 (en) * | 2017-03-17 | 2018-09-20 | Ciena Corporation | Fiber Kerr Nonlinear Noise Estimation |
CN109379132A (zh) * | 2018-12-05 | 2019-02-22 | 北京理工大学 | 一种低速相干探测和神经网络估计光纤色散的装置与方法 |
-
2019
- 2019-05-29 CN CN201910455497.9A patent/CN110166119B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20060013305A (ko) * | 2004-08-04 | 2006-02-09 | (주)퍼뉴텍 | 구두제작 장비의 인공지능형 측정 및 네트워크 시스템연동 방법 |
US20180269968A1 (en) * | 2017-03-17 | 2018-09-20 | Ciena Corporation | Fiber Kerr Nonlinear Noise Estimation |
CN107342962A (zh) * | 2017-07-03 | 2017-11-10 | 北京邮电大学 | 基于卷积神经网络的深度学习智能星座图分析方法 |
CN108390718A (zh) * | 2018-02-08 | 2018-08-10 | 武汉邮电科学研究院有限公司 | 光纤通信系统中光信噪比的测量装置及方法 |
CN109379132A (zh) * | 2018-12-05 | 2019-02-22 | 北京理工大学 | 一种低速相干探测和神经网络估计光纤色散的装置与方法 |
Non-Patent Citations (3)
Title |
---|
STEFANO SAVIAN, JÚLIO CÉSAR MEDEIROS DINIZ, ALAN PAK TAO L: "Joint Estimation of IQ Phase and Gain Imbalances Using", 《IEEE》 * |
XIAOXIA WU, JEFFREY JARGON, LOUIS CHRISTEN, LOUKAS PARASCHIS: "Monitoring I/Q Data and Pulse Carving Misalignments in RZ-DQPSK", 《IEEE》 * |
赖俊森, 杨爱英, 孙雨南: "基于眼图重构和人工神经网络的光性能监测", 《光电子激光》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110166119B (zh) | 2020-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107342962B (zh) | 基于卷积神经网络的深度学习智能星座图分析方法 | |
CN108880692B (zh) | 一种相干光通信系统调制格式识别和光信噪比监控方法 | |
CN109039472A (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 | |
CN111093123B (zh) | 一种基于复合神经网络的灵活光网络时域均衡方法及系统 | |
CN110505020A (zh) | 基于迁移学习的光非线性均衡方法 | |
CN113141325B (zh) | 光ofdm信号子载波调制格式识别模型训练方法、识别方法及装置 | |
CN111541483A (zh) | 基于高阶统计矩的相干光通信系统光信噪比监测方法 | |
CN108052956A (zh) | 一种大气湍流下无线光通信副载波调制星座图识别方法 | |
Wang et al. | Convolutional neural network-based deep learning for intelligent OSNR estimation on eye diagrams | |
CN109639350A (zh) | 一种光iq调制器参数监测方法及装置 | |
CN109379132A (zh) | 一种低速相干探测和神经网络估计光纤色散的装置与方法 | |
CN114553315B (zh) | 基于CNN-biRNN的光纤非线性均衡方法及系统 | |
Lv et al. | Joint OSNR monitoring and modulation format identification on signal amplitude histograms using convolutional neural network | |
CN110460359A (zh) | 一种基于神经网络的mimo系统信号接收方法 | |
CN112953973A (zh) | 针对连续变量量子密钥分发系统的混合攻击检测方法 | |
CN113472435B (zh) | 一种光信号调制参数和损伤因素同时提取的方法 | |
CN110166119A (zh) | 一种基于深层神经网络的相干光通信发射机监测方法 | |
CN107094043A (zh) | 基于块迭代法的改进后的mmse低复杂度信号检测方法 | |
Zhang et al. | A simple artificial neural network based joint modulation format identification and OSNR monitoring algorithm for elastic optical networks | |
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 | |
CN114124223B (zh) | 一种卷积神经网络光纤均衡器生成方法及系统 | |
Huang et al. | Optical performance monitoring of 56Gbps optical PAM4 signal using artificial neural networks | |
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 | |
CN115987394A (zh) | 一种基于Wide&Deep模型的光纤非线性均衡方法 |
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 |