CN110505020B - 基于迁移学习的光非线性均衡方法 - Google Patents
基于迁移学习的光非线性均衡方法 Download PDFInfo
- Publication number
- CN110505020B CN110505020B CN201910634777.6A CN201910634777A CN110505020B CN 110505020 B CN110505020 B CN 110505020B CN 201910634777 A CN201910634777 A CN 201910634777A CN 110505020 B CN110505020 B CN 110505020B
- Authority
- CN
- China
- Prior art keywords
- neural network
- channel
- parameters
- training
- 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.)
- Active
Links
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
- H04B10/60—Receivers
- H04B10/61—Coherent receivers
- H04B10/616—Details of the electronic signal processing in coherent optical receivers
- H04B10/6163—Compensation of non-linear effects in the fiber optic link, e.g. self-phase modulation [SPM], cross-phase modulation [XPM], four wave mixing [FWM]
-
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Nonlinear Science (AREA)
- Optical Communication System (AREA)
Abstract
本发明提供一种基于迁移学习的光非线性均衡方法,通过迁移学习将训练好的初始化神经网络参数迁移至各个信道的神经网络中,辅助各个信道快速的建立其神经网络均衡器,从而实现快速的建模,降低资源开销,如更少的新的训练数据,更少的迭代补偿。同时,一旦信道状态发生变化,如光功率、传输距离等发生变化,非线性相位噪声相应改变,此时,如果各个信道分别进行再训练也将对应着巨大的开销。此时,通过初始化神经网络参数的迁移,再补充少量新的数据,实现快速的神经网络重新建模,再将更新的参数迁移至各个信道下进行更新,这将提高对信道变化的响应能力。本发明提高了不同信道下的非线性均衡效率,保持对光纤非线性较高的容忍性。
Description
技术领域
本发明涉及多通道光纤通信系统的非线性均衡技术。
背景技术
随着社交网络、云计算、虚拟现实等新兴互联网业务的不断涌现,所产生的数据量和对通信容量的需求都在以指数级快速增长。政府机构、大型企业、互联网公司等都在积极建设自身的数据中心,数据中心、乃至超大规模数据中心之间的光互联已经成为一个热点研究问题。发射端采用强度调制或者光I/Q调制器的直接探测系统与相干探测系统方案层出不穷。基于单步线性滤波、Volterra滤波器、Kramers-Kronig收发机方案在信号间拍频噪声的补偿上已经取得较大进展。100Gb/s的数据中心光互联传输系统已经成型。然而,在向200Gb/s乃至400Gb/s升级过程中,受到光纤非线性效应的制约,导致传输性能与传输距离受限。类似的,在骨干光纤传输中,随着100Gb/s商业布局的完成,在向400Gb/s、800Gb/s乃至1Tb/s升级过程中,同样受到光纤非线性效应的制约。香农理论中,系统的传输容量越大,无误码传输所需的信噪比就越大,过大的信噪比将限制光纤的传输距离。光纤信道特有的非线性效应对入纤光功率的限制,导致进一步提升信噪比变得困难,从而限制了传输容量的升级。对于多信道复用的光纤传输系统,不仅受限于单个通道的自相位调制带来的光纤非线性效应,多通道之间的交叉相位调制、四波混频、通道间的串扰等将进一步恶化系统传输性能。因此,光纤非线性效应已经成为制约光纤通信系统不断升级的主要限制因素之一。
针对光纤非线性效应的补偿方法,以往研究的热点很多基于数字信号处理(DSP)的非线性补偿,其计算复杂度都很大,如数字向后传输(DBP)等。对于多通道的光纤非线性补偿,有效的补偿方法较少,并且复杂度较高。随着机器学习的发展,它已经被运用到了光纤通信的许多领域,其中就包括有非线性补偿、光学性能监测等方面。针对非线性补偿,一些机器学习的算法已经被证实可以用于实践,例如随机反向传播、最大期望算法、M维的支持向量机(M-ary SVM)等。由于深度神经网络(DNN)强大的拟合特征与输出标签之间的能力,DNN也已经被广泛应用于补偿非线性效应。然而,现有的DNN结构主要是针对单通道下的非线性补偿,并且无法满足当信道参数发生变化时的快速建模,比如当光功率或者光纤长度发生变化时,对实时的非线性效应补偿无法快速做到跟踪并补偿。
发明内容
本发明所要解决的技术问题是,提高现有多路复用光纤传输系统对光纤非线性效应的容忍性,克服现有基于深度神经网络无法高效的实现多通道下的光纤非线性均衡问题。
本发明为解决上述技术问题所采用的技术方案是,基于迁移学习的光非线性均衡方法,其特征在于,包括以下步骤:
接收机将经解复用的各信道上的信号输入至数字信号处理器DSP进行处理;
DSP中各信道上的信号经特征提取后,输入至对应该信道的神经网络中,通过该神经网络得到非线性均衡参数后,完成对该信道上的信号的非线性均衡;
其中,各信道的神经网络的训练方法为:
1)从每个信道随机提取信号数据构成数据样本集,其中训练数据占70%,测试数据占30%。再将训练数据输入至DSP中的一个初始化神经网络进行训练得到初始化的神经网络参数,接着用测试数据进行网络性能的测试与验证;
2)初始化神经网络将初始化的神经网络参数迁移到每个信道的神经网络中,再从各信道提取少量信号数据输入至该信道的神经网络进行训练得到优化的神经网络参数;此处少量为占初始化神经网络所需训练数据的一半以下;
当光纤信道模型发生变化时,发生变化的信道的神经网络的训练方法为:初始化神经网络将初始化的神经网络参数迁移到发生变化的信道的神经网络中,再从该信道提取少量新的信号数据输入至该信道的神经网络进行训练得到变化后的神经网络参数。
初始化神经网络独立于各信道的神经网络,也可以是指定的某一个信道的神经网络。
传统的机器学习训练方式如图1所示,接收机的解复用器将接收信号解复用为若干路信号,各信道上的信号通过特征提取后,输入至数字信号处理器DSP中,对应每一个信道的DSP单独采用神经网络或者传统自适应滤波进行均衡,有较大的计算量,并且随着信道数的增加成倍的增加,算法的复杂度变得巨大。当信道参数一旦发生变化,再重新初始化并训练模型同样具有巨大的开销。
基于多通道的信号是通过复用后在同一根光纤中传输,多通道的信号彼此之间经历的非线性损伤具有一定的相关性的特点,本发明提出基于迁移学习辅助的神网络均衡方法。本发明对现有光发射机的硬件结构不做改变,在接收机的数字信号处理器DSP中引入迁移学习的方法。
本发明通过迁移学习将训练好的初始化神经网络参数迁移至各个信道的神经网络中,辅助各个信道快速的建立其神经网络均衡器,从而实现快速的建模,降低资源开销,如更少的新的训练数据,更少的迭代补偿。同时,一旦信道状态发生变化,如光功率、传输距离等发生变化,非线性相位噪声相应改变,此时,如果各个信道分别进行再训练也将对应着巨大的开销。此时,通过初始化神经网络参数的迁移,再补充少量新的数据,实现快速的神经网络重新建模,再将更新的参数迁移至各个信道下进行更新,这将提高对信道变化的响应能力。
本发明的有益效果是,通过迁移学习辅助的神经网络来完成在光通信系统中的非线性补偿任务,提高了不同信道下的非线性均衡效率,同时实现在光纤信道参数变化下的快速建模,保持对光纤非线性较高的容忍性,节省了大量数据资源和训练时间,特别适合于城域网数据中心光互联与长途光纤传输的场景。
附图说明
图1传统机器学习的非线性补偿应用图;
图2多信道下参数迁移的非线性补偿的应用示意图。
图3本发明中迁移学习辅助深度学习的非线性补偿原理框图;
图4信道条件变化下的单信道非线性补偿。
具体实施方式
如图2所示,本发明应用在接收机端波分解复用器将同一根光纤中传输接收信号解复用为多信道信号之后,各信道判决模块之前的数字处理模块DSP中。
图3所示为本发明系统的原理框图,具体步骤如下:
1.在系统的初始化阶段,随机从各个子信道上提取数据构成一组训练数据对深度神经网络模型DNNsource进行训练,得到初始化神经网络参数;
2.由于多个信道在同一根光纤中传输,因此,将初始化阶段得到的初始化神经网络参数迁移至各信道的深度神经网络DNNtarget中,辅助各信道快速的建立各自的神经网络模型;
3.各个信道的深度神经网络DNNtarget通过少量的数据对各自的神经网络进行训练,达到最优的性能;
4.当系统的参数发生变化,如传输距离、入纤光功率、传输速率等发生变化时,导致特征空间和预测函数发生变化。基于架构的重新训练,显然无法满足要求。这里,通过迁移学习将DNNsource中的初始化神经网络参数迁移到DNNtarget,加速新的DNNtarget的收敛速度完成新模型的建立,节约资源开销。
当信道环境发生改变,具体考虑一个线性回归的DNN模型,在迁移学习中:
wS=w0+vS and wT=w0+vT,
其中,wS和wT是分别针对DNNsource中训练得到的参数和在DNNtarget中训练得到的参数。这里,假设w0是DNNsource和DNNtarget中共有的参数,而vS和vT是两个网络分别特有的参数。在这样的条件下,结合DNN回归模型的代价函数,其优化问题可以总结如下:
其中,函数JT表示模型的损失函数(如均方根误差),t表示参数所在的不同阶段,S表示初始化阶段下的数据情况,T表示迁移后的数据情况,N表示总样本大小,yi表示第i个真实标签数据,xi表示第i个输入数据,f(·)为预测函数,括号中分号左右两侧分别是预测函数中的两个乘积项,逗号用来区分同一乘积项中的不同参数,const.表示损失函数中的常数项。
对于DNNtarget来说,它只需要从迁移学习中学习vS到vT即可,这帮助DNNtarget从一个好的起点而不是重新初始化状态来开始训练。
从多个信道随机提取数据,仅通过一个神经网络进行网络的初始化训练,补偿信号的非线性损伤,将训练好的神经网络参数迁移到各个子信道的DSP处理模块,辅助各个子信道快速建立相应的神经网络架构。各个子信道仅需要少量的数据进行网络的优化,从整体上降低资源开销。并且,一旦信道的参数发生变化,为了及时响应,通过迁移学习重新对训练好的DNNtarget单元进行快速的再建模,节约开销与计算复杂度,提高对信道变化的响应速度,提高了算法的自适应性与灵活性。
基于以上的原理,除了多波长光纤通信系统的非线性均衡,还可以将本发明运用到单通道光纤通信系统的非线性均衡中,并可以扩展到基于神经网络的性能监测中。如图4所示,将本发明分别应用到单路光纤传输系统中,用于补偿光纤非线性效应带来的损伤。接收机产生的光信号经光电转换后,接收到的电信号通过深度神经网络DNN进行均衡,补偿非线性损伤。
类似地,也可以采用多路信道中的某一个信道进行训练,训练好的网络作为初始化神经网络,借助机器学习进行参数迁移,辅助其它信道快速建立相应的神经网络模型。
Claims (4)
1.基于迁移学习的光非线性均衡方法,其特征在于,包括以下步骤:
接收机将经解复用的各信道上的信号输入至数字信号处理器DSP进行处理;
DSP中各信道上的信号经特征提取后,输入至对应该信道的神经网络中,通过该神经网络得到非线性均衡参数后,完成对该信道上的信号的非线性均衡;
其中,各信道的神经网络的训练方法为:
1)从每个信道随机提取信号数据构成数据样本集,其中训练数据占70%,测试数据占30%,再将训练数据输入至DSP中的一个初始化神经网络进行训练得到初始化的神经网络参数,接着用测试数据进行网络性能的测试与验证;
2)初始化神经网络将初始化的神经网络参数迁移到每个信道的神经网络中,再从各信道提取少量信号数据输入至该信道的神经网络进行训练得到优化的神经网络参数;所述少量为小于初始化神经网络所需训练数据的二分之一;
当光纤信道模型发生变化时,发生变化的信道的神经网络的训练方法为:初始化神经网络将初始化的神经网络参数迁移到发生变化的信道的神经网络中,再从该信道提取一半以下新的信号数据输入至该信道的神经网络进行训练得到变化后的神经网络参数。
2.如权利要求1所述方法,其特征在于,初始化神经网络为独立于各信道的神经网络,或者为一个指定的信道的神经网络。
3.如权利要求1所述方法,其特征在于,所述神经网络参数包括网络超参数与权重因子。
4.如权利要求1所述方法,其特征在于,所述光纤信道模型发生变化的情况包括传输距离、入纤光功率或传输速率发生变化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910634777.6A CN110505020B (zh) | 2019-07-15 | 2019-07-15 | 基于迁移学习的光非线性均衡方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910634777.6A CN110505020B (zh) | 2019-07-15 | 2019-07-15 | 基于迁移学习的光非线性均衡方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110505020A CN110505020A (zh) | 2019-11-26 |
CN110505020B true CN110505020B (zh) | 2022-03-15 |
Family
ID=68585419
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910634777.6A Active CN110505020B (zh) | 2019-07-15 | 2019-07-15 | 基于迁移学习的光非线性均衡方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110505020B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210256347A1 (en) * | 2020-01-13 | 2021-08-19 | Nec Laboratories America, Inc | Low complexity fiber nonlinearity compensation using lookup table |
CN111275120B (zh) * | 2020-01-22 | 2022-07-26 | 支付宝(杭州)信息技术有限公司 | 图像识别模型的训练方法及装置、图像识别方法及装置 |
CN114124640A (zh) * | 2020-08-31 | 2022-03-01 | 中兴通讯股份有限公司 | 一种信号补偿处理方法及装置 |
CN112468244B (zh) * | 2020-10-30 | 2022-06-24 | 南京微毫科技有限公司 | 一种均衡延时方法、具有均衡延时模块的收发变频通道系统 |
CN112737688A (zh) * | 2020-12-28 | 2021-04-30 | 杭州电子科技大学 | 一种基于信道特征迁移的dsp均衡方法及系统 |
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 |
CN113033781A (zh) * | 2021-03-26 | 2021-06-25 | 南京信息工程大学 | 一种基于自进化优化bp神经网络的非线性均衡补偿方法 |
CN114024810B (zh) * | 2021-11-03 | 2023-05-23 | 南京信息工程大学 | 一种多芯光纤信道调制格式识别方法及其装置 |
CN114124223B (zh) * | 2021-11-26 | 2023-05-12 | 北京邮电大学 | 一种卷积神经网络光纤均衡器生成方法及系统 |
CN115589264B (zh) * | 2022-08-29 | 2024-03-22 | 电子科技大学 | 一种全神经网络的全数字相干接收系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US10003483B1 (en) * | 2017-05-03 | 2018-06-19 | The United States Of America, As Represented By The Secretary Of The Navy | Biologically inspired methods and systems for automatically determining the modulation types of radio signals using stacked de-noising autoencoders |
CN108596038A (zh) * | 2018-03-28 | 2018-09-28 | 电子科技大学 | 一种结合形态学分割和神经网络的粪便中红细胞识别方法 |
CN108847279A (zh) * | 2018-04-27 | 2018-11-20 | 吉林大学 | 一种基于脉搏波数据的睡眠呼吸状态自动判别方法及系统 |
WO2018223147A1 (en) * | 2017-06-02 | 2018-12-06 | Virtual Fluid Monitoring Services LLC | Fluid analysis and monitoring using optical spectroscopy |
CN109241983A (zh) * | 2018-09-13 | 2019-01-18 | 电子科技大学 | 一种图像处理与神经网络结合的条烟图像识别方法 |
-
2019
- 2019-07-15 CN CN201910634777.6A patent/CN110505020B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10003483B1 (en) * | 2017-05-03 | 2018-06-19 | The United States Of America, As Represented By The Secretary Of The Navy | Biologically inspired methods and systems for automatically determining the modulation types of radio signals using stacked de-noising autoencoders |
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 |
WO2018223147A1 (en) * | 2017-06-02 | 2018-12-06 | Virtual Fluid Monitoring Services LLC | Fluid analysis and monitoring using optical spectroscopy |
CN108596038A (zh) * | 2018-03-28 | 2018-09-28 | 电子科技大学 | 一种结合形态学分割和神经网络的粪便中红细胞识别方法 |
CN108847279A (zh) * | 2018-04-27 | 2018-11-20 | 吉林大学 | 一种基于脉搏波数据的睡眠呼吸状态自动判别方法及系统 |
CN109241983A (zh) * | 2018-09-13 | 2019-01-18 | 电子科技大学 | 一种图像处理与神经网络结合的条烟图像识别方法 |
Non-Patent Citations (2)
Title |
---|
Deep Learning for Interference Cancellation in Non-Orthogonal Signal Based Optical Communication Systems;Tongyang Xu;《2018 Progress in Electromagnetics Research Symposium (PIERS-Toyama)》;20190103;全文 * |
基于广义回归神经网络的CO-OFDM系统非线性均衡;吴金达;《光学学报》;20180411;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110505020A (zh) | 2019-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110505020B (zh) | 基于迁移学习的光非线性均衡方法 | |
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 | |
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 | |
US20190266480A1 (en) | Single-step nonlinearity compensation using artificial intelligence for digital coherent transmission systems | |
Li et al. | Low-complexity adaptive chromatic dispersion estimation scheme using machine learning for coherent long-reach passive optical networks | |
CN114285715B (zh) | 基于双向gru-条件随机场的非线性均衡方法 | |
Zhang et al. | Modulation format identification in heterogeneous fiber-optic networks using artificial neural networks and genetic algorithms | |
CN106998229A (zh) | 一种基于变步长无约束fd‑lms的模分复用系统解复用方法 | |
CN113381953A (zh) | 基于可重构智能表面辅助的极限学习机的信道估计方法 | |
CN101764649B (zh) | 基于ica信号分离算法的mgdm多模光纤通信系统及方法 | |
Jiang et al. | Data-driven method for nonlinear optical fiber channel modeling based on deep neural network | |
Shahkarami et al. | Efficient deep learning of nonlinear fiber-optic communications using a convolutional recurrent neural network | |
CN115765876A (zh) | 一种基于改进lstm非线性均衡器的概率整形信号均衡方法 | |
CN113111473B (zh) | 传输系统功率谱的优化方法、装置及电子设备 | |
CN112713942B (zh) | 基于mc-dbp算法对光纤信号损伤联合均衡的方法 | |
CN114358061A (zh) | 一种空分复用信号光性能监测方法及系统 | |
CN114024810A (zh) | 一种多芯光纤信道调制格式识别方法及其装置 | |
CN114124223A (zh) | 一种卷积神经网络光纤均衡器生成方法及系统 | |
Zhang et al. | Machine learning for long-haul optical systems | |
Li et al. | Optical signal monitoring using multi-task residual network | |
Sorokina et al. | Sparse identification for nonlinear optical communication systems | |
CN115361068B (zh) | 一种多芯少模光纤信号的自适应损伤均衡方法及装置 | |
von Hünefeld et al. | Enabling optical modulation format identification using an integrated photonic reservoir and a digital multiclass classifier | |
CN117675061A (zh) | 一种基于轻量化知识蒸馏的少模多芯光纤信道建模方法 | |
CN113890622B (zh) | 一种基于图神经网络的长距离无源光网络解调方法 |
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 |