CN110190909B - 一种用于光通信的信号均衡方法及装置 - Google Patents
一种用于光通信的信号均衡方法及装置 Download PDFInfo
- Publication number
- CN110190909B CN110190909B CN201910493273.7A CN201910493273A CN110190909B CN 110190909 B CN110190909 B CN 110190909B CN 201910493273 A CN201910493273 A CN 201910493273A CN 110190909 B CN110190909 B CN 110190909B
- Authority
- CN
- China
- Prior art keywords
- signal
- sample
- equalization
- model
- training set
- 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
Links
- 238000004891 communication Methods 0.000 title claims abstract description 67
- 230000003287 optical effect Effects 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 87
- 238000012545 processing Methods 0.000 claims abstract description 34
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 6
- 230000001427 coherent effect Effects 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 abstract description 5
- 206010063385 Intellectualisation Diseases 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000005070 sampling Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- H04B10/11—Arrangements specific to free-space transmission, i.e. transmission through air or vacuum
- H04B10/114—Indoor or close-range type systems
-
- 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
- H04B10/6971—Arrangements for reducing noise and distortion using equalisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Optical Communication System (AREA)
- Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
Abstract
本发明实施例提供一种用于光通信的信号均衡方法及装置，包括：将待均衡的信号进行预处理，得到目标信号；基于训练好的信号均衡模型，对所述目标信号进行均衡处理，获取到所述目标信号的均衡结果，以得到均衡后的信号；所述训练好的信号均衡模型是基于XGBoost模型构建得到的，并由具有多个特征，且标注有标签的样本信号训练得到的。本发明实施例将基于自适应树模型的机器学习方法应用到信号均衡中，即利用XGBoost模型对多种光通信场景下的接收信号进行智能均衡，实现信号均衡的智能化和自动化，从而更加准确地均衡信号，并且能够以较低的复杂度实现更好的性能。
Description
技术领域
本发明涉及光通信数字信号处理技术领域，尤其涉及一种用于光通信的信号均衡方法及装置。
背景技术
近年来，短距离光传输成为光通信领域的研究热点，特别是在数据中心(DataCenter，简称DC)光互连领域。由于短距离光通信具有低成本和低功耗的商业需求，因此有必要使用低成本的强度调制直接检测(Intensity Modulation Direct Detection，简称IM-DD)的收发器。然而，信号的低阶调制和对光纤损伤的敏感性限制了IM-DD系统的传输容量和距离。
在现有的技术中，正向反馈均衡器(Feed Forward Equalization，简称FFE)、判决反馈均衡和非线性Volterra均衡器，均可用于处理上述问题。但是，这些具有高计算复杂度和有限适应性的均衡方法实现了较为一般的性能，还有很大的改进空间。目前，机器学习已广泛应用于光通信领域，包括光学性能监测和数字相干检测，特别是深度神经网络(DeepNeural Networks，简称DNN)已被应用于受损信号的均衡，但随着特征数量的增加，导致DNN网络的复杂程度越高。
因此，现在亟需一种用于光通信的信号均衡方法及装置来解决上述问题。
发明内容
针对现有技术存在的问题，本发明实施例提供一种用于光通信的信号均衡方法及装置。
第一方面，本发明实施例提供了一种用于光通信的信号均衡方法，包括：
将待均衡的信号进行预处理，得到目标信号；
基于训练好的信号均衡模型，对所述目标信号进行均衡处理，获取到所述目标信号的均衡结果，以得到均衡后的信号；所述训练好的信号均衡模型是基于XGBoost模型构建得到的，并由具有多个特征，且标注有标签的样本信号训练得到的。
进一步地，所述训练好的信号均衡模型通过以下步骤训练得到：
获取多种场景的第一样本信号；
对所述第一样本信号进行预处理，得到样本信号训练集；
根据所述样本信号训练集，对信号均衡模型进行训练，得到训练好的信号均衡模型。
进一步地，所述多种场景包括：数据中心内部光通信场景、数据中心间光通信场景、扩展数据中心间光通信场景和相干光通信场景。
进一步地，所述对所述第一样本信号进行预处理，得到样本信号训练集，包括：
将所述第一样本信号的一维时域数据进行多特征扩展处理，得到第二样本信号；
将码元理想值作为所述第二样本信号的标签，得到样本信号训练集。
进一步地，所述根据所述样本信号训练集，对信号均衡模型进行训练，得到训练好的信号均衡模型，包括：
对所述样本信号训练集的多个样本特征进行提取，得到所述样本信号训练集的重要样本特征，以使得信号均衡模型按照特征的重要程度进行树的生长。
进一步地，在所述对所述样本信号训练集的多个样本特征进行提取，得到所述样本信号训练集的重要样本特征，以使得信号均衡模型按照特征的重要程度进行树的生长之后，所述方法还包括：
根据所述样本信号训练集，对信号均衡模型进行训练，得到所述样本信号训练集的样本均衡结果；
对所述样本均衡结果进行硬判决处理，得到样本误码率，若所述样本误码率满足预设阈值，则得到训练好的信号均衡模型。
第二方面，本发明实施例提供了一种用于光通信的信号均衡装置，包括：
信号处理模块，用于将待均衡的信号进行预处理，得到目标信号；
信号均衡模块，用于基于训练好的信号均衡模型，对所述目标信号进行均衡处理，获取到所述目标信号的均衡结果，以得到均衡后的信号；所述训练好的信号均衡模型是基于XGBoost模型构建得到的，并由具有多个特征，且标注有标签的样本信号训练得到的。
进一步地，所述信号均衡模块包括：
样本信号获取单元，用于获取多种场景的第一样本信号；
样本信号处理单元，用于对所述第一样本信号进行预处理，得到样本信号训练集；
训练单元，用于根据所述样本信号训练集，对信号均衡模型进行训练，得到训练好的信号均衡模型。
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所提供的方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。
本发明实施例提供的一种用于光通信的信号均衡方法及装置，通过将基于自适应树模型的机器学习方法应用到信号均衡中，即利用XGBoost模型对多种光通信场景下的接收信号进行智能均衡，实现信号均衡的智能化和自动化，从而更加准确地均衡信号，并且能够以较低的复杂度实现更好的性能。
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一简单地介绍，显而易见地，下面描述中的附图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。
图1为本发明实施例提供的用于光通信的信号均衡方法的流程示意图；
图2为本发明实施例提供的数据中心内部光通信场景的均衡效果示意图；
图3为本发明实施例提供的数据中心间光通信场景的均衡效果示意图；
图4为本发明实施例提供的扩展数据中心间光通信场景的均衡效果示意图；
图5为本发明实施例提供的用于光通信的信号均衡装置的结构示意图；
图6为本发明实施例提供的电子设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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作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。
现有的光通信均衡方法都在一定程度上存在不足，而XGBoost模型具有低计算复杂度，良好的可扩展性能和高精度等优点，在基于数字的多特征数据场景中引起了广泛关注。在本发明实施例实施例中，将树结构的XGBoost模型应用到光通信均衡中，可以更加准确地均衡信号，以较低的复杂度实现更好的均衡效果。
图1为本发明实施例提供的用于光通信的信号均衡方法的流程示意图，如图1所示，本发明实施例提供了一种用于光通信的信号均衡方法，包括：
步骤101，将待均衡的信号进行预处理，得到目标信号。
在本发明实施例中，通过光通信网络接收端，接收到待进行均衡处理的信号数据。在IM-DD系统中，由于获取到的信号数据是时域上的一维数据，并且每个码元上有多个采样点，因此，需要对待均衡的信号进行预处理，在本发明实施例中，基于每个码元为一条数据的方式，对待均衡的信号数据进行多特征扩展处理，将一维的信号数据扩展成具有多个特征的数据，并将码元理想值作为扩展后的信号数据的标签，从而得到目标信号。另外，在本发明实施例中，可通过多种光通信场景，获取待均衡的信号，例如，通过数据中心内部的光互连采集到的信号，或者，通过各数据中心之间的光互连采集到的信号。
步骤102，基于训练好的信号均衡模型，对所述目标信号进行均衡处理，获取到所述目标信号的均衡结果，以得到均衡后的信号；所述训练好的信号均衡模型是基于XGBoost模型构建得到的，并由具有多个特征，且标注有标签的样本信号训练得到的。
在本发明实施例中，将预处理得到的目标信号输入到训练好的信号均衡模型中，其中，训练好的信号均衡模型是基于XGBoost模型构建得到的。在本发明实施例中，XGBoost模型以分类回归树(Classification And Regression Tree，简称CART)作为基学习器，根据数据集的特征，当前XGBoost模型会在多个分裂点中选取最优分裂点，将数据集划分为R1和R2两个区域的子数据集，然后根据这两个子数据集往下分裂，在每一次的迭代都会新生成一棵树，预测结果为每棵树的预测分数之和。具体地，在目标信号输入到训练好的信号均衡模型之后，目标信号的特征在XGBoost模型中每棵树中，都会落到对应的一个叶子节点，每个叶子节点对应一个分数，最后将每棵树对应的分数相加，得到目标信号的均衡预测结果，从而对信号进行均衡处理。
进一步地，在本发明实施例中，XGBoost模型通过目标函数选择最优分裂点，从而构造树结构并计算叶子分数。优选地，为了提高XGBoost模型的泛化能力，在目标函数中添加正则化项，目标函数的公式为：
通过进一步推导，推导后的目标函数公式为：
其中，
表示损失函数，yi表示真实分数，
表示预测分数，Ω(ft)表示第t棵树的复杂性，gi表示损失函数的一阶梯度统计，hi表示损失函数的二阶梯度统计，wj表示叶子分数，T表示叶子节点的个数，γ用于控制叶子节点的个数，λ用于控制叶子节点的分数不会过大，i表示第i个样本，j表示第j个叶子节点，Ij表示第j片叶子上的样本集合。在本发明实施例中，一方面，对于给定的树结构，可以得到一个关于wj二次方程的目标函数，由此可以确定叶子分数，即当前的预测值；另一方面，从单个叶子开始，根据目标函数值的变化，将迭代地向树添加分支的近似算法用于树模型的构建。特别是，排序过程只发生一次，从而降低模型的复杂性。
本发明实施例提供的一种用于光通信的信号均衡方法，通过将基于自适应树模型的机器学习方法应用到信号均衡中，即利用XGBoost模型对多种光通信场景下的接收信号进行智能均衡，实现信号均衡的智能化和自动化，从而更加准确地均衡信号，并且能够以较低的复杂度实现更好的性能。
在上述实施例的基础上，所述训练好的信号均衡模型通过以下步骤训练得到：
获取多种场景的第一样本信号；
对所述第一样本信号进行预处理，得到样本信号训练集；
根据所述样本信号训练集，对信号均衡模型进行训练，得到训练好的信号均衡模型。
在本发明实施例中，在对信号均衡模型进行训练之前，需要采集不同通信场景下的训练数据集，并将采集到的原始信号作为第一样本信号。然后对第一样本信号进行预处理，在本发明实施例中，将第一样本信号的一维时域数据扩展为多维度多特征的第二样本信号，并将每个信号的码元理想值作为第二样本信号的标签，从而构建得到样本信号训练集。最后，将样本信号训练集输入到预训练的信号均衡模型中，在训练的过程中，XGBoost模型自动从样本信号训练集的多个特征中提取重要特征，并根据提取得到的重要特征，进行树的生长，通过对输入的样本信号进行回归拟合，输出均衡后的样本信号数值，从而得到训练好的信号均衡模型。
本发明实施例通过XGBoost模型构建的信号均衡模型，相比现有的DNN模型，只需要较少的训练参数，并且，由于现有DNN模型中包含多个激活函数，且需要事先建立模型结构，另外，DNN模型只使用了最后一层的监督信息，通过反向传播(Back Propagation，简称BP)算法返回损失梯度来训练之前的层，导致涉及到的参数较多，参数调整的工作量较大。而XGBoost模型通过使用每层中的监督信息，逐步生成新层，同时对旧层进行修复，因此，使用较少的参数也能完成训练，使得XGBoost模型更容易收敛。
在上述实施例的基础上，所述多种场景包括：数据中心内部光通信场景、数据中心间光通信场景、扩展数据中心间光通信场景和相干光通信场景。
在本发明实施例中，需要对不同场景中采集到的信号进行均衡，因此，将不同场景中采集到的样本信号作为样本信号训练集，在对信号均衡模型进行训练，使得该模型具有更好的可扩展性。在现有技术中，在不同数据中心的通信场景中，基于DNN模型构建的学习模型，需要重新训练学习，才能对不同场景中的信号进行均衡；而本发明实施例所提供的信号均衡模型，基于多种场景下样本信号进行训练，具有更好的可扩展性，因此不需要在各种光通信场景中重新对模型进行训练。
在上述实施例的基础上，所述对所述第一样本信号进行预处理，得到样本信号训练集，包括：
将所述第一样本信号的一维时域数据进行多特征扩展处理，得到第二样本信号；
将码元理想值作为所述第二样本信号的标签，得到样本信号训练集。
在本发明实施例中，采用的调制格式为4脉冲振幅调制(4Pulse AmplitudeModulation，简称PAM4)系统，以每个比特采样16个点进行说明，因此，在每个码元中有32个采样数据点，在获取到由第一样本信号构建的样本训练集之后，将32个采样点作为样本训练集的32个特征进行扩展，使得整个样本训练集中的数据由一维的时域数据变为32个特征的多维数据，并将每个码元的理想值作为每32个特征的标签值，从而形成标准训练集，即样本信号训练集。
在上述实施例的基础上，所述根据所述样本信号训练集，对信号均衡模型进行训练，得到训练好的信号均衡模型，包括：
对所述样本信号训练集的多个样本特征进行提取，得到所述样本信号训练集的重要样本特征，以使得信号均衡模型按照特征的重要程度进行树的生长。
在本发明实施例中，将样本信号训练集输入到预训练的XGBoost模型中，并通过调整该模型的参数，使得模型收敛。具体地，在样本信号训练集输入到该模型后，当前树模型会在众多分裂点中选取最优分裂点，将样本信号训练集分为R1和R2两部分，然后依此往下分裂，最终得到训练好的信号均衡模型。
本发明实施例基于XGBoost模型构建信号均衡模型，并通过样本信号训练集对XGBoost模型进行训练，由于XGBoost模型是一种特征浓度的并行学习算法，在进行分割节点时，XGBoost模型可以并行计算每个特征下的最大增益，并选择具有最大增益的特征进行分割，随着特征数量的增加，模型的复杂性也不会增加。
在上述实施例的基础上，在所述对所述样本信号训练集的多个样本特征进行提取，得到所述样本信号训练集的重要样本特征，以使得信号均衡模型按照特征的重要程度进行树的生长之后，所述方法还包括：
根据所述样本信号训练集，对信号均衡模型进行训练，得到所述样本信号训练集的样本均衡结果；
对所述样本均衡结果进行硬判决处理，得到样本误码率，若所述样本误码率满足预设阈值，则得到训练好的信号均衡模型。
在本发明实施例中，通过信号均衡模型对样本信号训练集进行均衡处理，输出得到均衡后样本信号，其中，均衡后样本信号的信号值为理想值附近的连续信号值。然后，根据硬判决方法将均衡后样本信号判别为离散电平值，并根据离散电平值得到均衡后的样本误码率，当样本误码率满足预设的误码率时，得到训练好的信号均衡模型。
具体地，在本发明实施例中，基于VPI Transmission Maker 9.0建立了仿真系统进行说明，将基于XGBoost模型构建的信号均衡模型，和现有的FFE以及DNN算法的均衡效果进行比较。通过改变距离等参数，由伪随机二进制序列生成三种不同场景的光信号，分别为：数据中心内部、数据中心之间和扩展数据中心之间。三种场景均是基于直接检测方式，传递的信息反映在信号的幅度上，并且一个码元有多个采样点，以用于后续的特征提取。其中，仿真系统中未使用任何放大器，同时，仿真系统通过改变激光器的发射功率来得到统一场景的多种数据，以便能适应不同的通信环境。为了尽可能模拟真实的光信号，系统中还加入了放大器自发辐射噪声(Amplifier Spontaneousemission Noise，简称ASE)，使得模拟生成的信号更能反映真实的情况。需要说明的是，在本发明实施例中，采用调制格式为PAM4系统，对于其他调制格式的信号，比如，正交幅度调制(Quadrature AmplitudeModulation，简称16QAM)、二进制启闭键控(On-Off Keying，简称OOK)和8PAM等，XGBoost算法也能达到相同效果。
图2为本发明实施例提供的数据中心内部光通信场景的均衡效果示意图，图3为本发明实施例提供的数据中心间光通信场景的均衡效果示意图，
图4为本发明实施例提供的扩展数据中心间光通信场景的均衡效果示意图，可参考图2、图3和图4所示，在数据中心光通信的三种场景下，将本发明实施例提供的基于XGBoost算法的信号均衡模型和其他现有两种均衡算法的均衡效果进行比较，显然，XGBoost算法的信号均衡模型具有明显的优势。
图5为本发明实施例提供的用于光通信的信号均衡装置的结构示意图，如图5所示，本发明实施例提供了一种用于光通信的信号均衡装置，包括信号处理模块501和信号均衡模块502，其中，信号处理模块501用于将待均衡的信号进行预处理，得到目标信号；信号均衡模块502用于基于训练好的信号均衡模型，对所述目标信号进行均衡处理，获取到所述目标信号的均衡结果，以得到均衡后的信号；所述训练好的信号均衡模型是基于XGBoost模型构建得到的，并由具有多个特征，且标注有标签的样本信号训练得到的。
在本发明实施例中，信号处理模块501通过光通信网络接收端，获取到待进行均衡处理的信号数据。在IM-DD系统中，由于获取到的信号数据是时域上的一维数据，并且每个码元上有多个采样点，因此，信号处理模块501需要对待均衡的信号进行预处理，在本发明实施例中，基于每个码元为一条数据的方式，信号处理模块501对待均衡的信号数据进行多特征扩展处理，将一维的信号数据扩展成具有多个特征的数据，并将码元理想值作为扩展后的信号数据的标签，从而得到目标信号。然后，信号均衡模块502通过训练好的信号均衡模型对目标信号进行均衡，得到均衡后的信号。
本发明实施例提供的一种用于光通信的信号均衡装置，通过将基于自适应树模型的机器学习方法应用到信号均衡中，即利用XGBoost模型对多种光通信场景下的接收信号进行智能均衡，实现信号均衡的智能化和自动化，从而更加准确地均衡信号，并且能够以较低的复杂度实现更好的性能。
在上述实施例的基础上，所述信号均衡模块502包括样本信号获取单元、样本信号处理单元和训练单元，其中，样本信号获取单元用于获取多种场景的第一样本信号；样本信号处理单元用于对所述第一样本信号进行预处理，得到样本信号训练集；训练单元用于根据所述样本信号训练集，对信号均衡模型进行训练，得到训练好的信号均衡模型。
本发明实施例提供的装置是用于执行上述各方法实施例的，具体流程和详细内容请参照上述实施例，此处不再赘述。
图6为本发明实施例提供的电子设备结构示意图，如图6所示，该电子设备可以包括：
处理器(processor)601、通信接口(Communications Interface)602、存储器(memory)603和通信总线604，其中，处理器601，通信接口602，存储器603通过通信总线604完成相互间的通信。处理器601可以调用存储器603中的逻辑指令，以执行如下方法：将待均衡的信号进行预处理，得到目标信号；基于训练好的信号均衡模型，对所述目标信号进行均衡处理，获取到所述目标信号的均衡结果，以得到均衡后的信号；所述训练好的信号均衡模型是基于XGBoost模型构建得到的，并由具有多个特征，且标注有标签的样本信号训练得到的。
此外，上述的存储器603中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的用于光通信的信号均衡方法，例如包括：将待均衡的信号进行预处理，得到目标信号；基于训练好的信号均衡模型，对所述目标信号进行均衡处理，获取到所述目标信号的均衡结果，以得到均衡后的信号；所述训练好的信号均衡模型是基于XGBoost模型构建得到的，并由具有多个特征，且标注有标签的样本信号训练得到的。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种用于光通信的信号均衡方法，其特征在于，包括：
将待均衡的信号进行预处理，得到目标信号；
基于训练好的信号均衡模型，对所述目标信号进行均衡处理，获取到所述目标信号的均衡结果，以得到均衡后的信号；所述训练好的信号均衡模型是基于XGBoost模型构建得到的，并由具有多个特征，且标注有标签的样本信号训练得到的；
所述XGBoost模型是通过目标函数获取最优分裂点，以用于构建树结构并获取叶子分数，所述目标函数的公式为：
其中，
表示损失函数，yi表示真实分数，
表示预测分数，Ω(ft)表示第t棵树的复杂性，gi表示损失函数的一阶梯度统计，hi表示损失函数的二阶梯度统计，wj表示叶子分数，T表示叶子节点的个数，γ用于控制叶子节点的个数，λ用于控制叶子节点的分数，i表示第i个样本，j表示第j个叶子节点，Ij表示第j片叶子上的样本集合；
所述训练好的信号均衡模型通过以下步骤训练得到：
获取多种场景的第一样本信号；
对所述第一样本信号进行预处理，得到样本信号训练集；
根据所述样本信号训练集，对信号均衡模型进行训练，得到训练好的信号均衡模型；
所述对所述第一样本信号进行预处理，得到样本信号训练集，包括：
将所述第一样本信号的一维时域数据进行多特征扩展处理，得到第二样本信号；
将码元理想值作为所述第二样本信号的标签，得到样本信号训练集。
2.根据权利要求1所述的用于光通信的信号均衡方法，其特征在于，所述多种场景包括：数据中心内部光通信场景、数据中心间光通信场景、扩展数据中心间光通信场景和相干光通信场景。
3.根据权利要求1所述的用于光通信的信号均衡方法，其特征在于，所述根据所述样本信号训练集，对信号均衡模型进行训练，得到训练好的信号均衡模型，包括：
对所述样本信号训练集的多个样本特征进行提取，得到所述样本信号训练集的重要样本特征，以使得信号均衡模型按照特征的重要程度进行树的生长。
4.根据权利要求3所述的用于光通信的信号均衡方法，其特征在于，在所述对所述样本信号训练集的多个样本特征进行提取，得到所述样本信号训练集的重要样本特征，以使得信号均衡模型按照特征的重要程度进行树的生长之后，所述方法还包括：
根据所述样本信号训练集，对信号均衡模型进行训练，得到所述样本信号训练集的样本均衡结果；
对所述样本均衡结果进行硬判决处理，得到样本误码率，若所述样本误码率满足预设阈值，则得到训练好的信号均衡模型。
5.一种用于光通信的信号均衡装置，其特征在于，包括：
信号处理模块，用于将待均衡的信号进行预处理，得到目标信号；
信号均衡模块，用于基于训练好的信号均衡模型，对所述目标信号进行均衡处理，获取到所述目标信号的均衡结果，以得到均衡后的信号；所述训练好的信号均衡模型是基于XGBoost模型构建得到的，并由具有多个特征，且标注有标签的样本信号训练得到的；
所述XGBoost模型是通过目标函数获取最优分裂点，以用于构建树结构并获取叶子分数，所述目标函数的公式为：
其中，
表示损失函数，yi表示真实分数，
表示预测分数，Ω(ft)表示第t棵树的复杂性，gi表示损失函数的一阶梯度统计，hi表示损失函数的二阶梯度统计，wj表示叶子分数，T表示叶子节点的个数，γ用于控制叶子节点的个数，λ用于控制叶子节点的分数，i表示第i个样本，j表示第j个叶子节点，Ij表示第j片叶子上的样本集合；
所述信号均衡模块包括：
样本信号获取单元，用于获取多种场景的第一样本信号；
样本信号处理单元，用于对所述第一样本信号进行预处理，得到样本信号训练集；
训练单元，用于根据所述样本信号训练集，对信号均衡模型进行训练，得到训练好的信号均衡模型；
所述样本信号处理单元具体用于：
将所述第一样本信号的一维时域数据进行多特征扩展处理，得到第二样本信号；
将码元理想值作为所述第二样本信号的标签，得到样本信号训练集。
6.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至4任一项所述用于光通信的信号均衡方法的步骤。
7.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至4任一项所述用于光通信的信号均衡方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910493273.7A CN110190909B (zh) | 2019-06-06 | 2019-06-06 | 一种用于光通信的信号均衡方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910493273.7A CN110190909B (zh) | 2019-06-06 | 2019-06-06 | 一种用于光通信的信号均衡方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110190909A CN110190909A (zh) | 2019-08-30 |
| CN110190909B true CN110190909B (zh) | 2020-09-29 |
Family
ID=67720838
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910493273.7A Active CN110190909B (zh) | 2019-06-06 | 2019-06-06 | 一种用于光通信的信号均衡方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110190909B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111064512B (zh) * | 2019-12-06 | 2022-09-27 | 中山大学 | 基于深度学习的光正交频分复用调制方法与系统 |
| CN112733917B (zh) * | 2020-12-31 | 2024-04-05 | 杭州电子科技大学 | 一种基于shap特征优化的信道均衡方法 |
| EP4047893A1 (en) * | 2021-02-23 | 2022-08-24 | Nokia Solutions and Networks Oy | An equalizer and an equalizer training unit for data-dependent distortion compensation |
| CN115396032A (zh) * | 2021-05-25 | 2022-11-25 | 华为技术有限公司 | 一种信号发送方法、装置、电子设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109255440A (zh) * | 2017-07-11 | 2019-01-22 | 上海有孚网络股份有限公司 | 基于递归神经网络（rnn）的对电力生产设备进行预测性维护的方法 |
| CN109348497A (zh) * | 2018-09-30 | 2019-02-15 | 南昌航空大学 | 无线传感器网络链路质量预测方法 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7421019B2 (en) * | 2004-06-18 | 2008-09-02 | Chung Shan Institute Of Science And Technology, Armaments Bureau, M.N.D. | Hierarchical adaptive equalizer and design method thereof |
| EP1990963A1 (en) * | 2007-05-09 | 2008-11-12 | Industrial Technology Research Institute | Apparatus and method for adaptive wireless channel estimation |
| CN106959967B (zh) * | 2016-01-12 | 2019-11-19 | 中国科学院声学研究所 | 一种链路预测模型的训练及链路预测方法 |
| CN106250461A (zh) * | 2016-07-28 | 2016-12-21 | 北京北信源软件股份有限公司 | 一种基于Spark框架利用梯度提升决策树进行数据挖掘的算法 |
| CN107392241B (zh) * | 2017-07-17 | 2020-12-25 | 北京邮电大学 | 一种基于加权列抽样XGBoost的图像目标分类方法 |
| CN107517481B (zh) * | 2017-09-21 | 2021-06-04 | 台州市吉吉知识产权运营有限公司 | 一种基站负载均衡的管理方法及系统 |
| CN108173599B (zh) * | 2017-12-26 | 2020-07-24 | 中山大学 | 基于DENCLUE聚类的Stokes空间相干光调制格式识别方法 |
| CN109740690A (zh) * | 2019-01-10 | 2019-05-10 | 杭州电子科技大学 | 用于短距离光通信的基于特征工程的knn均衡算法 |
-
2019
- 2019-06-06 CN CN201910493273.7A patent/CN110190909B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109255440A (zh) * | 2017-07-11 | 2019-01-22 | 上海有孚网络股份有限公司 | 基于递归神经网络（rnn）的对电力生产设备进行预测性维护的方法 |
| CN109348497A (zh) * | 2018-09-30 | 2019-02-15 | 南昌航空大学 | 无线传感器网络链路质量预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110190909A (zh) | 2019-08-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110190909B (zh) | 一种用于光通信的信号均衡方法及装置 | |
| CN109246038B (zh) | 一种数据模型双驱动的gfdm接收机及方法 | |
| CN112637093B (zh) | 一种基于模型驱动深度学习的信号检测方法 | |
| CN110598859B (zh) | 基于门控循环神经网络的非线性均衡方法 | |
| CN109756432B (zh) | Ofdm信道估计方法和装置 | |
| CN111798244B (zh) | 交易欺诈行为监测方法及装置 | |
| Wang et al. | Convolutional neural network-based deep learning for intelligent OSNR estimation on eye diagrams | |
| Niu et al. | End-to-end deep learning for long-haul fiber transmission using differentiable surrogate channel | |
| CN111224905B (zh) | 一种大规模物联网中基于卷积残差网络的多用户检测方法 | |
| CN112836822B (zh) | 基于宽度学习的联邦学习策略优化方法和装置 | |
| CN111313971B (zh) | 一种用于IMDD短距离光通信系统改进的Lightgbm均衡系统及方法 | |
| CN115169575A (zh) | 个性化联邦学习方法、电子设备及计算机可读存储介质 | |
| CN113011448B (zh) | 一种基于迁移学习的多用户下行信道估计方法及装置 | |
| Rode et al. | End-to-end optimization of constellation shaping for Wiener phase noise channels with a differentiable blind phase search | |
| 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 | |
| CN114513394A (zh) | 一种基于注意力机制图神经网络的信号调制格式识别方法、系统、装置及存储介质 | |
| CN114285715A (zh) | 基于双向gru-条件随机场的非线性均衡方法 | |
| Le-Tran et al. | Deep learning-based collaborative constellation design for visible light communication | |
| CN113570493A (zh) | 一种图像生成方法及装置 | |
| CN113393317A (zh) | 基于算法、大数据和区块链的汽车金融贷款风控系统 | |
| Ney et al. | Unsupervised ANN-based equalizer and its trainable FPGA implementation | |
| CN117176517A (zh) | 采用遗传算法和深度学习对mimo-ofdm可见光通信实施信道估计的方法及系统 | |
| CN115987406A (zh) | 一种基于深度强化学习的水声通信链路自适应方法 | |
| CN111327558B (zh) | 用于滤波器多载波调制光通信的gmm非均匀量化的方法及系统 | |
| CN113037409B (zh) | 基于深度学习的大规模mimo系统信号检测方法 |
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 |