CN110535803B - 一种无源光网络上行传输接收端解调方法 - Google Patents

一种无源光网络上行传输接收端解调方法 Download PDF

Info

Publication number
CN110535803B
CN110535803B CN201910825412.1A CN201910825412A CN110535803B CN 110535803 B CN110535803 B CN 110535803B CN 201910825412 A CN201910825412 A CN 201910825412A CN 110535803 B CN110535803 B CN 110535803B
Authority
CN
China
Prior art keywords
signal
data
model
training
signals
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
CN201910825412.1A
Other languages
English (en)
Other versions
CN110535803A (zh
Inventor
杨慧
王睿
张先卓
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.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
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 Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN201910825412.1A priority Critical patent/CN110535803B/zh
Publication of CN110535803A publication Critical patent/CN110535803A/zh
Application granted granted Critical
Publication of CN110535803B publication Critical patent/CN110535803B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N3/04—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
    • H04B10/60—Receivers
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/26—Systems using multi-frequency codes
    • H04L27/2601—Multicarrier modulation systems
    • H04L27/2647—Arrangements specific to the receiver only
    • H04L27/2649—Demodulators
    • H04L27/265—Fourier transform demodulators, e.g. fast Fourier transform [FFT] or discrete Fourier transform [DFT] demodulators
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/26—Systems using multi-frequency codes
    • H04L27/2601—Multicarrier modulation systems
    • H04L27/2697—Multicarrier modulation systems in combination with other modulation techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Discrete Mathematics (AREA)
  • Electromagnetism (AREA)
  • Optical Communication System (AREA)

Abstract

本发明公开了一种无源光网络上行传输接收端解调方法，包括以下步骤：步骤1：构建全连接神经网络；步骤2：获取数据发射单元发出的信号和原始发送数据作为训练数据集，对模型进行训练；步骤3：将接收到的数据输入步骤2训练完成后的模型中，得到原始数据信号；本发明采用深度学习神经网络模型实现信道估计和解调，可以有效提供接收机灵敏度，尤其针对高阶调制和远距离传输的情况；可根据调制格式和距离自适应进行解调，增加了系统的灵活性，可有效解决传统方案的低速和低频谱效率的问题。

Description

一种无源光网络上行传输接收端解调方法
技术领域
本发明涉及光通信技术领域，具体涉及一种无源光网络上行传输接收端解调方法。
背景技术
光纤通信技术已成为现代通信的主要支柱之一，在现代电信网中起着举足轻重的作用；其近年来发展速度之快、应用面之广是通信史上罕见的，也是世界新技术革命的重要标志和未来信息社会中各种信息的主要传送工具。光纤即为光导纤维的简称。光纤通信是以光波作为信息载体，以光纤作为传输媒介的一种通信方式。近年来，由于光纤的大量铺设和波分复用等新技术的应用，使得主干光纤网络在几年之内已经有了突破性的发展。同时由于以太网技术的进步，由其主导的局域网带宽也从10M、100M到1G甚至10G。而目前大家关注，最需要突破的地方就在于连接网络主干和局域网以及家庭用户之间的一段。这就是常说的“最后一公里”，这是个瓶颈。必须打破这个瓶颈，才可能迎来网络世界的新天地。人们迫切需要一种经济、简单、易升级、能够综合传输语音、数字和视频业务的新的接入网络技术。在各种技术中，无源光网络(PON)技术获得了广泛的关注。
PON网络的突出优点是消除了户外的有源设备，所有的信号处理功能均在交换机和用户宅内设备完成。而且这种接入方式的前提投资小，大部分资金要推迟到用户真正接入时才投入。它的传输距离比有源光纤接入系统的短，覆盖的范围较小，但它造价低，无须另设机房，维护容易。因此这种结构可以经济地为居家用户服务。
目前PON技术主要采用异步转移模式(ATM)的无源光网络APON、以太网无源光网络(EPON)、千兆比特无源光网络(GPON)和波分复用无源光网络(WDM-PON)，基于正交频分复用无源光网络(OFDMA-PON)等几种。其主要差异在于采用了不同的传输技术。其中，前三种PON技术都是基于时分复用的，而WDM-PON和OFDMA-PON是基于波分复用和频分复用的。对于传统的TDM-PON，一般采用OOK调制。传统的OOK调制在接收端通过阈值判决方法恢复发射端的信号，单一的采样点信息决定了接收机灵敏度。自2007年以来，学术界开始将新型的数字信号处理技术引入到PON中，这样可以有效的提高频谱效率，降低信道损伤的影响。而基于成熟数字处理技术的OFDM方法在接收端可以通过接收信号的多个采样点和多维信息(幅度，相位)来有效的提高接收机灵敏度。在高速传输情况下，数字信号处理的方法可以通过与高阶调制技术结合，在带宽有限的光电器件上实现更高容量传输。采用数字信号处理技术，除了在性能上增强之外，还可以通过FFT/IFFT等模块提高计算效率，并将光器件的成本压力向电器件转移。数字信号处理技术还可以有效地进行信道补偿，信道补偿的方法是采用训练序列进行估计。基于LS、MMSE或者其改进算法进行信道损伤补偿，但这种传统方法在调制阶数较高或者信道复杂的时候，也难以有效地补偿信道损伤。近年来人工智能特别是深度学习在计算机视觉、自然语言处理、语音识别等领域获得了巨大成功。通信领域的研究者们也开始关注到其在本领域的优势，当前已有大量的研究成果应用于应用层和网络层进行资源管理和分配等领域。在MAC层和物理层也开始出现传输与深度学习相结合的趋势。
发明内容
本发明为了解决现有技术存在的问题提出一种将深度学习用于PON中的信道估计和信号检测的无源光网络上行传输接收端解调方法。
本发明采用的技术方案是：一种无源光网络上行传输接收端解调方法，包括以下步骤：
步骤1：构建全连接神经网络；
步骤2：获取数据发射单元发出的信号和原始发送数据作为训练数据集，对模型进行训练；
步骤3：将接收到的数据输入步骤2训练完成后的模型中，得到原始数据信号。
进一步的，所述全连接神经网络包括输入层、隐蔽层和输出层；隐藏层采用线性整流函数Relu作为其激活函数；输出层采用softmax函数。
进一步的，所述步骤2中模型训练阶段，首先初始化模型参数，然后最小化损失函数调整模型参数。
进一步的，所述数据发射单元对数据做以下处理：
数据发射单元将输入信息进行正交幅度调制，得到调制信息序列；通过子载波映射模块将信号映射到分配的子载波上；将子载波映射后的频域信号进行快速傅里叶反变换，得到时域信号；将正交频分复用OFDM基带信号上变频；通过数模转换将模拟信号调制到光上，得到的QAM-OFDM信号按照光线路终端所分配的时隙发送出去。
进一步的，所述步骤3中数据接收后做以下处理：
通过光电转换得到模拟电信号，经过模数转换，通过下变频得到OFDM基带信号；将时域信号经过快速傅里叶变换，得到频域信号。
进一步的，所述步骤2中获取不同调制格式的信号，分别形成训练数据集，分别对模型进行训练，得到不同参数的模型；步骤3中首先识别接收到信号的调制格式，然后输入对应参数的模型中，得到原始数据信号。
本发明的有益效果是：
(1)本发明方法采用深度学习神经网络模型实现信道估计和解调，可以有效提供接收机灵敏度，尤其针对高阶调制和远距离传输的情况；
(2)本发明可以根据调制格式和距离自适应进行解调，增加了系统的灵活性；
(3)本发明与传统的系统相比，可有效解决传统方案的低速和低频谱效率的问题。
附图说明
图1为PON网络体系结构。
图2为基于DSP的TDM-PON结构框图。
图3为本发明采用的全连接神经网络结构示意图。
图4为本发明数据传输示意图。
图5为本发明实施例中采用的方法示意图。
具体实施方式
一种无源光网络上行传输接收端解调方法，包括以下步骤：
步骤1：构建全连接神经网络；
近年来，机器学习被认为是解决复杂问题的有效方法，如目标检测识别和语音识别。特别是深度学习已经为各种领域带来了显著的性能提升，包括自然语言处理，计算机视觉。本发明将深度学习用于PON中的信道估计和信号检测。一般的深度学习模型由包含多个神经元的若干层组成。每层的输入为前一层上神经元的加权和的非线性函数的输出。通过反向传播训练，调整每层之间的权重。深度学习可以大致分为监督学习和无监督学习，以及强化学习。
本发明采用全连接神经网络(NN)，其结构如图3所示。采用基于监督学习的深度学习，在基于监督学习的深度学习中，用于训练的所使用数据的标签是预先已知的。损失函数被定义为深度学习网络的输出和标签之间的差异。然后根据损失函数下降的梯度搜索全局最小值。当损失函数的值低于预定阈值时，网络训练停止。该模型包括输入层、隐藏层和输出层。前一层的输出是后续层的输入，带有参数(w，b)。其中隐藏层取复杂特征功能。
步骤2：获取数据发射单元发出的信号和原始发送数据作为训练数据集，对模型进行训练；在实际使用过程中，根据获取得到的不同调制格式的信号，和原始发送数据分别形成训练数据集，分别对模型进行训练，得到不同参数的模型。
发射端(即数据发射单元)利用随机比特流产生QAM-OFDM信号，经过传输链路，在接收端接收到该信号，并转换到频域。搭建深度神经网络模型，将接收到的信号作为模型的输入端，通过模型的处理，得到输出信号。将输出信号和已知的输入比特流进行对比，利用最小化损失函数对模型的参数(w，b)进行不断迭代和优化。根据调制格式和传输距离，确定优化后的模型参数。
数据发送处理步骤如下：
数据发射单元将输入信息进行正交幅度调制，得到调制信息序列；通过子载波映射模块将信号映射到分配的子载波上。将子载波映射后的频域信号进行快速傅里叶反变换，得到时域信号。将OFDM基带信号上变频，数模转换，将模拟信号调制到光上，不同的ONU所用的光波长是任意的。将得到的QAM-OFDM符号按照OLT端所分配的时隙发送出去。
步骤3：将接收到的数据输入步骤2训练完成后的模型中，得到原始数据信号；首先识别接收到信号的调制格式，然后输入步骤2中对应参数的模型中，得到原始数据信号。
数据接收处理如下：
通过光电转换得到模拟电信号，模数转换，通过下变频得到OFDM基带信号。将时域信号进行快速傅里叶变换，得到频域信号。将频域信号送入到模型中，得到原始数据信号。
无源光网络PON网络体系结构如图1所示。
其主要组成部分包括光线路终端(OLT，Optical Line Terminator)，光网络单元(ONU，Optical Network Unit)和光配线网(Optical Distribution Network，ODN)。由于光路特征为OND全部由光分路器(Splitter)等无源器件组成，不需要贵重的有源电子设备，因此被称为无源光网络。
基于时分复用(TDM)的PON技术(EPON和GPON)
基于TDM的PON主要分为APON/BPON(ATMPON/宽带PON)、EPON(以太网PON)和GPON(千兆比特PON)，但只有后两者目前有广泛的应用。其中，EPON非常适合IP业务的宽带接入，商用化程度最高。2004年，IEEE批准EPON标准为802.3ah，它支持上下行最高速率1.25Gb/s传输，最大分路比为64。EPON的优点主要有：(1)以太网技术成熟，设备成本低；(2)设备价格低，通用性好；(3)除去了IP数据传输的协议和格式转换，效率高、管理简单，可灵活支持基于IP的综合业务和多种服务质量管理。其缺点在于传送高质量保证的实时性业务比较复杂，服务质量问题和流量控制待加强。
GPON在高速率和多业务支持方面则有一定优势。2003年GPON被国际电联(ITU)采纳为标准G.984。GPON的优点主要有：(1)承载快速以太网和T1/E1电路不需要额外开销，也不会增加复杂性；(2)综合业务支持能力强，支持VLAN交换和其他新的以太网业务。其缺点是目前成本较EPON高，在仅承载以太网和语音业务时无明显优势。
基于DSP的TDM-PON(以OFDM技术为例进行说明)
OFDMA基带传输信号的产生步骤为：首先，将输入比特序列进行串并转换，转换为m×M比特一组的并行信号。然后将信号进行每符号m比特的QAM映射，得到QAM调制符号。将得到的每组M个符号的并行信号进行子载波映射。将子载波映射后的每组N点(N＞M)的并行数据进行N点IFFT。得到的时域波形加入循环前缀，再经过并串转换就得到要发射的基带信号。
OLT和ONU中的发射部分都主要由OFDM基带信号产生、数字或模拟上变频和电光调制三个部分构成，视变频和调制方式不同，有可能光信号入射到光纤之前还需要进行光滤波。而接收部分都主要由光电转换、电滤波、下变频和OFDM基带信号接收四个部分构成。图2即为基于DSP的TDM-PON结构。
近年来，机器学习被认为是解决复杂问题的有效方法，如目标检测识别和语音识别。特别是深度学习已经为各种领域带来了显著的性能提升，包括自然语言处理，计算机视觉。本发明将深度学习用于PON中的信道估计和信号检测。本发明中基于人工智能技术的方法可以有效提高接收机灵敏度，而且可以根据调制格式和距离自适应进行解调，增加了系统的灵活性。与传统的基于OOK的TDM-PON系统，采用的数字信号处理方法可以有效解决传统方案的低速和低频谱效率的问题。
为了进一步说明本发明方法，通过以下具体实施例进行说明，如图5所示。
深度神经网络模型基于仿真数据进行训练，并应用于信道估计。在ONU(光网络单元)中，在Matlab中生成具有4QAM或16QAM的基带OFDM(正交频分复用技术)信号，128个子载波用于数据传输。光分配网络采用20km标准单模光纤(SSMF)，可变光衰减器(VOA)和1:2分路器进行仿真。在OLT，OFDM信号由光电二极管检测，然后下变频到基带。通过深度神经网络模型将传输的数据预测为原始比特，实现信道估计和解调，可以部分取代传统的接收机。通过采用全连接神经网络(NN)，其中相邻层之间的所有神经元完全连接，作为深度学习模型以恢复传输的数据。在仿真中应用的NN模型是一个6层神经网络，由4个隐蔽层、1个输入层、1个输出层组成。输入层节点数为256个，由OFDM块的128个实部和128个虚部组成。隐藏层中的神经元数量分别为1000,500,250,120。隐藏层使用Relu作为其激活函数。NN模型的输出层数设置为32以预测32位。输出层使用Softmax函数。将输出映射到区间[0,1]，并通过设置0.5作为预测结果的阈值。高于0.5的输出可以确定为1，低于0.5的可以确定为0.预测仅32位的原因是为了减少神经网络的计算负担。FFT的大小为128,4QAM-OFDM块包括256位。因此，使用8个相同但可以预测4QAM-OFDM块。用于预测和连接最终预测输出的独立模型，同时预测16QAM-OFDM块需要16个相同但独立的模型。在NN模型训练阶段，通过VPI(虚拟协议连接)获得接收信号和原始发送数据，并将其作为训练数据集。输入是接收的DSP信号(例如，4QAM-OFDM)，我们使用Matlab和VPI TransmissionMaker收集训练和测试数据。原始比特作为标签，以及VPI处理后的信号作为训练数据。在系统的初始阶段初始化模型参数，接着最小化损失函数不断调整模型参数从而优化模型。该模型采用rmsprop优化和mean_squared_error损失函数进行训练，并在NN模型中添加批量归一化以提高训练性能。
本发明方法中将信道看成一个黑盒子模型，利用已知的数据集来训练得到模型的参数，从而进行信道的估计和解调。与传统的基于训练序列的信道补偿和信号检测方法，采用人工智能技术可有效提高接收灵敏度，而且可根据调制格式和距离自适应进行解调，增加了系统的灵活性。与传统的基于OOK的TDM-PON系统，采用的数字信号处理方法可有效解决传统方案的低速和低频谱效率的问题。

Claims (5)

1.一种无源光网络上行传输接收端解调方法，其特征在于，包括以下步骤：
步骤1：构建全连接神经网络；
步骤2：获取数据发射单元发出的信号和原始发送数据作为训练数据集，对模型进行训练，具体为：
根据获取得到的不同调制格式的信号，和原始发送数据分别形成训练数据集，分别对模型进行训练，得到不同参数的模型；
数据发射单元利用随机比特流产生QAM-OFDM信号，经过传输链路，在接收端接收到该信号，并转换到频域；搭建深度神经网络模型，将接收到的信号作为模型的输入端，通过模型的处理，得到输出信号；将输出信号和已知的输入比特流进行对比，利用最小化损失函数对模型的参数进行不断迭代和优化；根据调制格式和传输距离，确定优化后的模型参数；
步骤3：将接收到的信号输入步骤2训练完成后的模型中，得到原始数据信号。
2.根据权利要求1所述的一种无源光网络上行传输接收端解调方法，其特征在于，所述全连接神经网络包括输入层、隐蔽层和输出层；隐藏层采用线性整流函数Relu作为其激活函数；输出层采用softmax函数。
3.根据权利要求1所述的一种无源光网络上行传输接收端解调方法，其特征在于，所述数据发射单元对数据做以下处理：
数据发射单元将输入信息进行正交幅度调制，得到调制信息序列；通过子载波映射模块将信号映射到分配的子载波上；将子载波映射后的频域信号进行快速傅里叶反变换，得到时域信号；将正交频分复用OFDM基带信号上变频；通过数模转换将模拟信号调制到光上，得到的QAM-OFDM信号按照光线路终端所分配的时隙发送出去。
4.根据权利要求1所述的一种无源光网络上行传输接收端解调方法，其特征在于，所述步骤3中数据接收后做以下处理：
通过光电转换得到模拟电信号，经过模数转换，通过下变频得到OFDM基带信号；将时域信号经过快速傅里叶变换，得到频域信号。
5.根据权利要求1所述的一种无源光网络上行传输接收端解调方法，其特征在于，所述步骤3中首先识别接收到信号的调制格式，然后输入对应参数的模型中，得到原始数据信号。
CN201910825412.1A 2019-09-03 2019-09-03 一种无源光网络上行传输接收端解调方法 Active CN110535803B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910825412.1A CN110535803B (zh) 2019-09-03 2019-09-03 一种无源光网络上行传输接收端解调方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910825412.1A CN110535803B (zh) 2019-09-03 2019-09-03 一种无源光网络上行传输接收端解调方法

Publications (2)

Publication Number Publication Date
CN110535803A CN110535803A (zh) 2019-12-03
CN110535803B true CN110535803B (zh) 2021-06-25

Family

ID=68666233

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910825412.1A Active CN110535803B (zh) 2019-09-03 2019-09-03 一种无源光网络上行传输接收端解调方法

Country Status (1)

Country Link
CN (1) CN110535803B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111641570B (zh) * 2020-04-17 2021-04-27 浙江大学 一种基于深度学习的联合设备检测和信道估计方法
CN111934778B (zh) * 2020-07-01 2021-07-27 华中科技大学 一种光纤通信系统中发射端的优化设计方法及系统
CN114338292A (zh) * 2020-09-29 2022-04-12 华为技术有限公司 信道估计与均衡方法及装置
CN112118066A (zh) * 2020-11-23 2020-12-22 西南交通大学 一种基于改进卷积神经网络的fbmc-pon解调方法
CN113131970A (zh) * 2021-05-19 2021-07-16 西南交通大学 基于强化学习与光载无线技术的高铁电磁干扰规避系统
CN113626960B (zh) * 2021-07-29 2022-06-14 南京信息工程大学 一种抗模式耦合少模信号复杂格式解析方法及装置
CN113890622B (zh) * 2021-11-08 2023-01-10 西南交通大学 一种基于图神经网络的长距离无源光网络解调方法
CN115001912B (zh) * 2022-06-01 2023-07-18 西南交通大学 基于BiLSTM的IFDMA-PON改善方法
CN115276818B (zh) * 2022-08-04 2023-09-29 西南交通大学 一种基于深度学习的光载无线传输链路解调方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106209687A (zh) * 2016-07-12 2016-12-07 重庆邮电大学 一种混合复用pon全局资源高效分配方法
WO2019080987A1 (en) * 2017-10-23 2019-05-02 Nokia Technologies Oy END-TO-END LEARNING IN COMMUNICATION SYSTEMS

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101783762B (zh) * 2009-01-16 2012-05-23 中华电信股份有限公司 以太被动式光纤网络的动态频宽指配方法
US8068731B2 (en) * 2009-04-07 2011-11-29 Chunghwa Telecom Co., Ltd. Dynamic bandwidth allocation method of Ethernet passive optical network
CN102291633B (zh) * 2011-09-01 2014-05-28 北京大学 一种基于交织频分多址的无源光网络上行传输系统
CN108449286B (zh) * 2018-03-01 2020-07-03 北京邮电大学 网络带宽资源分配方法及装置
CN108833313A (zh) * 2018-07-12 2018-11-16 北京邮电大学 一种基于卷积神经网络的无线信道估计方法及装置
CN109299697A (zh) * 2018-09-30 2019-02-01 泰山学院 基于水声通信调制方式识别的深度神经网络系统及方法
CN109672517B (zh) * 2018-12-20 2021-07-27 杭州电子科技大学 基于细胞神经网络的ofdm-pon系统的加密及解密方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106209687A (zh) * 2016-07-12 2016-12-07 重庆邮电大学 一种混合复用pon全局资源高效分配方法
WO2019080987A1 (en) * 2017-10-23 2019-05-02 Nokia Technologies Oy END-TO-END LEARNING IN COMMUNICATION SYSTEMS

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
A Design Method for Ethernet Passive Optical Network;陈光军;《IEEE》;20120924;全文 *

Also Published As

Publication number Publication date
CN110535803A (zh) 2019-12-03

Similar Documents

Publication Publication Date Title
CN110535803B (zh) 一种无源光网络上行传输接收端解调方法
US9882649B2 (en) Transmitting, receiving and communication systems of optical network and method for modulating signal
CN102263726B (zh) 一种数据的传输方法、装置及系统
Tao et al. 50-Gb/s/λ TDM-PON based on 10G DML and 10G APD supporting PR10 link loss budget after 20-km downstream transmission in the O-band
CN101909034B (zh) 基于单载波频分多址的无源光网络发送、接收方法及系统
CN105264853A (zh) 一种应用于无源光网络pon通信的方法、装置及系统
CN103581770A (zh) 基于单载波频分复用的无源光网络信号处理方法与系统
CN102237977A (zh) 一种偏振交织的ofdm/scfdm无源光网络系统
Gupta et al. Passive optical networks: Review and road ahead
CN102291633B (zh) 一种基于交织频分多址的无源光网络上行传输系统
Zhang et al. A simple artificial neural network based joint modulation format identification and OSNR monitoring algorithm for elastic optical networks
CN106331908B (zh) 一种无源光网络系统及其装置
CN115001912B (zh) 基于BiLSTM的IFDMA-PON改善方法
Yang et al. Next-generation passive optical network based on sparse code multiple access and graph neural networks
Luo The application of OFDM in optical fiber communication systems
CN110048983B (zh) 一种im/dd-ofdm无源光网络接收机的同步方法
CN106549715A (zh) 一种基于块交织频分多址的无源光网络传输方法
CN104737480A (zh) 多载波分复用系统的方法和装置
CN104137444A (zh) 一种波长识别方法、装置及系统
CN103873410B (zh) Ofdm-pon系统及时钟信号的发送和提取方法
CN102395061A (zh) 基于非对称截断光正交频分复用的无源光网络传输系统
Aupetit-Berthelemot et al. An IFFT/FFT size efficient improved ACO-OFDM scheme for next-generation passive optical network
Kumar et al. Performance analysis of next generation 3-D OFDM based optical access networks under various system impairments
Wang et al. An Upstream Scheme with Deep Learning-assisted Receiver for DSP-based TDM-PON
CN110289886A (zh) 使用dft扩频技术降低papr的ofdm-wdm-pon方法及系统

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