CN110598859B - 基于门控循环神经网络的非线性均衡方法 - Google Patents

基于门控循环神经网络的非线性均衡方法 Download PDF

Info

Publication number
CN110598859B
CN110598859B CN201910707923.3A CN201910707923A CN110598859B CN 110598859 B CN110598859 B CN 110598859B CN 201910707923 A CN201910707923 A CN 201910707923A CN 110598859 B CN110598859 B CN 110598859B
Authority
CN
China
Prior art keywords
neural network
network model
gated
cyclic neural
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
Application number
CN201910707923.3A
Other languages
English (en)
Other versions
CN110598859A (zh
Inventor
李亚杰
张�杰
刘守东
赵永利
张会彬
雷超
赵瑛琪
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.)
Beijing Guangsuo Technology Co ltd
Beijing University of Posts and Telecommunications
Original Assignee
Beijing Guangsuo Technology Co ltd
Beijing University of Posts and Telecommunications
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 Beijing Guangsuo Technology Co ltd, Beijing University of Posts and Telecommunications filed Critical Beijing Guangsuo Technology Co ltd
Priority to CN201910707923.3A priority Critical patent/CN110598859B/zh
Publication of CN110598859A publication Critical patent/CN110598859A/zh
Application granted granted Critical
Publication of CN110598859B publication Critical patent/CN110598859B/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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
    • 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
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Neurology (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Optical Communication System (AREA)
  • Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)

Abstract

本发明公开了一种基于门控循环神经网络的非线性均衡方法，包括：确定门控循环神经网络模型，利用训练样本数据训练所述门控循环神经网络模型，得到初步训练后的门控循环神经网络模型；对所述初步训练生成的门控循环神经网络模型进行优化处理；对优化处理后的门控循环神经网络模型进行修剪处理；利用训练样本数据，对修剪处理后的门控循环神经网络模型进行再训练，得到训练后的门控循环神经网络模型；利用所述训练后的门控循环神经网络模型进行非线性估计或是均衡处理，能够实现高性能低复杂度的非线性损失补偿功能。

Description

基于门控循环神经网络的非线性均衡方法
技术领域
本发明涉及光通信技术领域，特别是指一种基于门控循环神经网络的非线性均衡方法。
背景技术
光传输系统和光接入网中存在的非线性效应对信号传输性能、信号质量等造成了很大的影响。传统的非线性均衡算法复杂度很大，依赖于链路信息，实现困难，在应用上有很大的局限性。目前已有的基于机器学习的非线性均衡算法虽然可以用较低复杂度实现与传统算法相近的性能，但是，大部分基于人工神经网络和支持向量机的非线性均衡算法存在训练开销大、收敛速度慢、Q因子提升幅度较小的问题，基于模糊逻辑C均值的聚类方案在系统传输所用调制格式阶数方面存在很大的限制性。
发明内容
有鉴于此，本发明的目的在于提出一种基于门控循环神经网络的非线性均衡方法，能够实现高性能低复杂度的非线性损失补偿功能。
基于上述目的，本发明提供了一种基于门控循环神经网络的非线性均衡方法，包括：
确定门控循环神经网络模型，利用训练样本数据训练所述门控循环神经网络模型，得到初步训练后的门控循环神经网络模型；
对所述初步训练生成的门控循环神经网络模型进行优化处理；
对优化处理后的门控循环神经网络模型进行修剪处理；
利用训练样本数据，对修剪处理后的门控循环神经网络模型进行再训练，得到训练后的门控循环神经网络模型；
利用所述训练后的门控循环神经网络模型进行非线性估计或是均衡处理。
可选的，所述门控循环神经网络模型包括一个输入层、多个隐藏层和一个输出层，所述输入层用于将输入数据的实部和虚部分离，所述隐藏层中的每个神经元均为一个门控循环单元，所述输入层与第一隐藏层全连接，最后一个隐藏层与所述输出层全连接，所述输出层用于将隐藏层输出数据的实部和虚部合并，所述输出层与所述输入层之间设置记忆单元。
可选的，所述训练后的门控循环神经网络模型部署于光传输系统的发送端，用于非线性损失预估。
可选的，所述训练后的门控循环神经网络模型部署于光传输系统的接收端，用于进行非线性均衡处理。
可选的，所述方法还包括：从光传输系统的接收端采集原始数据，对原始数据进行预处理得到所述训练样本数据，包括：对于同一信道内的相邻符号数据，按照三元组
Figure BDA0002152767960000021
方式进行处理，得到所述训练样本数据；对于相邻信道间的相邻符号数据，按照三元组
Figure BDA0002152767960000022
方式进行处理，得到所述训练样本数据；其中，Xm、Xn、Xm+n为同一信道内的第m、n、m+n时刻的符号数据，
Figure BDA0002152767960000023
为Xm+n的共轭，Ym+n为相邻信道第m+n时刻的符号数据，
Figure BDA0002152767960000024
为Ym+n的共轭。
可选的，所述方法还包括：从光传输系统的接收端接收的数据，先进行去直流、色散补偿、频偏补偿、重采样、帧同步、解调处理，处理之后得到复数形式的符号数据；之后，对于复数形式的符号数据，将实部和虚部分开，利用若干符号数据的实部和虚部构建二维矩阵序列，得到所述训练样本数据。
可选的，所述门控循环神经网络模型的参数采用随时间进行反向传播算法进行训练。
可选的，采用Adam优化算法对所述门控循环神经网络模型的网络参数进行迭代更新，基于所述训练样本数据迭代地更新所述门控循环神经网络模型的权重值。
可选的，对所述优化处理后的门控循环神经网络模型进行修剪处理的方法是，如果第一神经元与其他神经元之间连接的权值低于预设的阈值，则删除所述第一神经元。
从上面所述可以看出，本发明提供的基于门控循环神经网络的非线性均衡方法，通过利用训练样本数据训练门控循环神经网络模型，得到初步训练后的门控循环神经网络模型，对初步训练生成的门控循环神经网络模型进行优化处理；对优化处理后的门控循环神经网络模型进行修剪处理；利用训练样本数据，对修剪处理后的门控循环神经网络模型进行再训练，得到训练后的门控循环神经网络模型；本发明可利用训练后的门控循环神经网络模型进行非线性估计或是均衡处理，实现高性能低复杂度的非线性损失补偿功能。
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简单地介绍，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。
图1为本发明实施例的方法流程示意图；
图2为本发明实施例的门控循环神经网络结构示意图；
图3为本发明实施例的门控循环单元的结构示意图；
图4为本发明实施例的应用场景示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
需要说明的是，本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量，可见“第一”“第二”仅为了表述的方便，不应理解为对本发明实施例的限定，后续实施例对此不再一一说明。
图1为本发明实施例的方法流程示意图。如图所示，本发明实施例提供的基于门控循环神经网络的非线性均衡方法，包括：
S10：采集原始数据；
本发明实施例中，在光传输系统的接收端采集原始数据，具体是，对于经过光接收机之后、解调器之前的数据，利用示波器采集获取所需原始数据，将原始数据保存于数据库中，以备后续处理。
S11：对原始数据进行预处理，得到训练样本数据；
本发明实施例的门控循环神经网络可应用于光传输系统的发送端，作为预测模型进行非线性预补偿。这种情况下，对原始数据进行预处理的方法是，将原始数据处理成符号数据，对于同一信道内的相邻符号数据，按照三元组
Figure BDA0002152767960000041
方式进行处理，得到训练样本数据；对于相邻信道间的相邻符号数据，按照三元组
Figure BDA0002152767960000042
方式进行处理，得到训练样本数据；其中，Xm、Xn、Xm+n为同一信道内的第m、n、m+n时刻的符号数据，
Figure BDA0002152767960000043
为Xm+n的共轭，Ym+n为相邻信道第m+n时刻的符号数据，
Figure BDA0002152767960000044
为Ym+n的共轭。
例如，以QPSK为例，发送数据经发送端进行编码调制之后形成复数形式的符号数据，假设同一信道内m时刻的符号数据Xm为1.0000-1.0000i，n时刻的符号数据Xn为1.0000+1.0000i，m+n时刻的符号数据Xm+n为-1.0000-1.0000i，则将Xn、Xm、
Figure BDA0002152767960000045
三个符号数据相乘后得到三元组
Figure BDA0002152767960000046
为-2.0000+2.0000i。
本发明实施例的门控循环神经网络模型可应用于光传输系统的接收端，作为分类模型进行非线性后补充。这种情况下，对于从接收端接收的数据，先进行去直流、色散补偿、频偏补偿、重采样、帧同步、解调处理，处理之后得到复数形式的符号数据；之后，对于复数形式的符号数据，将实部和虚部分开，利用若干符号数据的实部和虚部构建二维矩阵序列，得到训练样本数据，二维矩阵序列的第i个元素为{Ii，Qi}，其中，Ii为第i个符号数据的实部，Qi为第i个符号数据的虚部；对于二维矩阵序列的每个元素，根据调制方式，确定对应的标签。例如，对于QPSK调制方式，结合其星座图所示，元素{0,0}对应的标签为0，元素{0,1}对应的标签为1，元素{1,0}对应的标签为2，元素{1,1}对应的标签为3；对于16QAM调试方式，结合其星座图所示，元素{1，-1}对应的标签为0(0000)，元素{-3，-1}对应的标签为1(0001)，元素{-1，-3}对应的标签为2(0010)，……，元素{3,3}对应的标签为15(1111)。
S12：确定门控循环神经网络模型，利用训练样本数据训练门控循环神经网络模型；
图2为本发明实施例的门控循环神经网络结构示意图，图3为本发明实施例的门控循环单元的结构示意图。如图所示，本发明实施例的门控循环神经网络模型包括三个部分，第一部分为输入层，第二部分为隐藏层，第三部分为输出层。输入层仅包含一层，主要作用为分离输入数据的实部与虚部；隐藏层包含第一隐藏层、第二隐藏层等多个隐藏层，隐藏层中的每个神经元均为一个门控循环单元，隐藏层的神经元个数应与光传输系统中OFDM符号个数一致，子神经网络(图2中输入x{k}到输出y{k}之间的部分)个数应与子载波个数一致。输出层仅包含一层的Soft-Max层。输入层与第一隐藏层、最后一个隐藏层与输出层之间为全连接。在输出层与输入层之间还有一个反馈支路，并包含一个记忆单元。训练后的门控循环神经网络通过最后的Soft-Max层来输出序列的判断结果，并将实部与虚部重新合并。除输入层之外，所有门控循环神经网络层均通过激活函数与前一层链接。
将训练样本数据输入门控循环神经网络模型，对模型进行训练，模型的参数采用随时间进行反向传播算法(Backpropagation Through Time，BPTT)进行训练，包括：(1)前向计算每个神经元的输出值；(2)反向计算每个神经元的误差项值，其为误差函数对神经元的加权输入的偏导数；(3)计算每个权重的梯度，更新权重值。
如图3所示，对于门控循环单元，使用更新门和重置门进行信息的更新与重置。
Figure BDA0002152767960000051
Figure BDA0002152767960000052
其中，
Figure BDA0002152767960000053
为更新门，
Figure BDA0002152767960000054
为重置门，
Figure BDA0002152767960000055
为第i个输入层t时刻的输入数据，
Figure BDA0002152767960000056
为t-1时刻第h个隐藏层的输出，I表示输入层数量，H表示隐藏层数量，ω是权值，j是整数，取值为1到当前层的神经元个数。
隐藏层的输入
Figure BDA0002152767960000057
如式(3)所示，前一时间片段的隐藏层输出需要先与重置门相乘检验是否重置之后，再乘以相应的权重进行累加求和计算。
Figure BDA0002152767960000058
隐藏层的输出一般经过更新门的选择后即可输出。如式(4)所示，更新门输出“0”或“1”；“0”表示当前数据不输出，前一隐藏层输出替代当前数据进行输出；“1”表示过滤之前数据，输出当前数据。
Figure BDA0002152767960000059
隐藏层神经元到输出层神经元之间的前向计算公式如(5)、(6)所示：
bt＝Sigmoid(U*Xt+W*bt-1) (5)
其中，bt、bt-1分别表示t、t-1时刻的隐藏状态，U，W为权值矩阵，Xt为t时刻的输入。
Ot＝Softmax(V*bt) (6)
其中，Ot是t时刻的输出,V是隐藏层到输出层的权值，bt是隐藏层到输出层的输入。
更新门控循环神经网络模型的网络参数时，需要利用损失函数计算，对于应用于发送端的预测模型，采用最小均方误差函数，如公式(7)所示；对于应用于接收端的分类模型，采用交叉熵函数，如公式(8)所示。
Figure BDA0002152767960000061
其中，yi为第i个输出，
Figure BDA0002152767960000062
为第i个预测输出。
Figure BDA0002152767960000063
其中，x表示样本，n表示样本的总数，y表示实际值，a表示输出值，C表示代价。
S13：对初步训练生成的门控循环神经网络模型进行优化处理；
本发明实施例，采用Adam优化算法对门控循环神经网络模型的网络参数进行迭代更新，基于训练样本数据迭代地更新模型的权重值。Adam优化算法利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率，其优点主要在于经过偏置校正后，每一次迭代学习率都有个确定范围，使得参数比较平稳，对内存需求较小，为不同的参数计算不同的自适应学习率。
采用Adam算法更新权重值的公式如(9)-(11)所示：
v＝β1v+(1-β1)dω (9)
s＝β2s+(1-β2)dω2 (10)
Figure BDA0002152767960000064
其中，ω是待训练的网络参数，α是学习率，v为加权平均梯度值，s为对梯度平方做平滑得到的值，β1，β2，ε均为固定系数，典型值分别为0.9，0.999，10-8。
一阶矩估计计算公式为：
mt＝βl*mt-l+(1-βl)*gt (12)
二阶矩估计计算公式为：
Figure BDA0002152767960000071
其中，β1,β2∈[0,1)，分别为一阶矩估计和二阶矩估计的指数衰减率，gt为目标函数的梯度，
Figure BDA0002152767960000072
为gt的Hadamard积。mt为t时刻的一阶向量，vt为t时刻的二阶向量。
S14：对优化处理后的门控循环神经网络模型进行修剪处理；
本发明实施例中，在初始设计时，采用了具有足够冗余节点和连接的门控循环神经网络结构。因此，对于初步训练得到的门控循环神经网络模型，需要进行修剪以降低复杂度，在删除冗余节点和连接的同时，需要确保所需精度。
本发明实施例中，对门控循环神经网络模型进行修剪处理的方法是，如果第一神经元与其他神经元之间连接的权值(如公式(9)-(11))低于预设的阈值(例如，设定阈值为0.05)，即第一神经元的处理对最终的输出结果几乎没有影响，可将第一神经元标记为“非关键”；之后，将标记为“非关键”的神经元删除，并估计训练误差的增加，如果训练误差的增长是可容忍的，则删除该神经元。
S15：利用训练样本数据，对修剪处理后的门控循环神经网络模型进行再训练，得到训练后的门控循环神经网络模型；
对修剪处理之后的门控循环神经网络模型进行再训练，以补充修剪错误，保持非线性均衡精度，得到训练后的门控循环神经网络模型。
S16：利用训练后的门控循环神经网络模型进行非线性估计或是均衡处理。
本发明实施例中，可将训练后的门控循环神经网络模型部署于光传输系统，应用于发送端作为预测模型，用于估计系统的非线性损失，或是应用于接收端作为分类模型，用于非线性均衡。
图4为本发明实施例的应用场景示意图。如图所示，本发明实施例的门控循环神经网络模型可应用于相干光传输系统，
在系统的发送端，首先将发送数据进行加密处理，然后将密文数据调制为64QAM序列，输入任意波形发生器(AWG)中；IQ调制器用直接调制激光器发出的光信号对任意波形发生器的输出信号进行调制，将得到的调制信号送入光纤放大器(EDFA)中进行适当放大处理；然后，将放大后的信号送入多路复用器进行复用，送入城市网络、长跨距传输网络、校园网络三种不同的网络进行传输。
在系统的接收端，先通过多路复用器对接收信号进行解复用处理，然后经过光纤放大器进行放大处理，放大后的信号采集、保存于数据库，用于对门控循环神经网络模型按照上述步骤S11-S15进行训练，训练过程由SDN控制器进行控制，对门控循环神经网络模型进行训练之后，可以利用训练后的门控循环神经网络模型，部署于系统发送端进行非线性损失预估，或是部署于接收端进行非线性均衡处理。
上述实施例的装置用于实现前述实施例中相应的方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。
另外，为简化说明和讨论，并且为了不会使本发明难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本发明难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本发明的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本发明的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本发明。因此，这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本发明的具体实施例对本发明进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。
本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于门控循环神经网络的非线性均衡方法，其特征在于，包括：
确定门控循环神经网络模型，利用训练样本数据训练所述门控循环神经网络模型，得到初步训练后的门控循环神经网络模型；
对所述初步训练生成的门控循环神经网络模型进行优化处理；
对优化处理后的门控循环神经网络模型进行修剪处理；
利用训练样本数据，对修剪处理后的门控循环神经网络模型进行再训练，得到训练后的门控循环神经网络模型；
将所述训练后的门控循环神经网络模型部署于光传输系统的发送端，用于非线性损失预估；
从光传输系统的接收端采集原始数据，对原始数据进行预处理得到所述训练样本数据，包括：对于同一信道内的相邻符号数据，按照三元组
Figure FDA0003903166910000011
方式进行处理，得到所述训练样本数据；对于相邻信道间的相邻符号数据，按照三元组
Figure FDA0003903166910000012
方式进行处理，得到所述训练样本数据；其中，Xm、Xn、Xm+n为同一信道内的第m、n、m+n时刻的符号数据，
Figure FDA0003903166910000013
为Xm+n的共轭，Ym+n为相邻信道第m+n时刻的符号数据，
Figure FDA0003903166910000014
为Ym+n的共轭。
2.根据权利要求1所述的方法，其特征在于，
所述门控循环神经网络模型包括一个输入层、多个隐藏层和一个输出层，所述输入层用于将输入数据的实部和虚部分离，所述隐藏层中的每个神经元均为一个门控循环单元，所述输入层与第一隐藏层全连接，最后一个隐藏层与所述输出层全连接，所述输出层用于将隐藏层输出数据的实部和虚部合并，所述输出层与所述输入层之间设置记忆单元。
3.根据权利要求1所述的方法，其特征在于，还包括：
将所述训练后的门控循环神经网络模型部署于光传输系统的接收端，用于进行非线性均衡处理。
4.根据权利要求3所述的方法，其特征在于，还包括：从光传输系统的接收端接收的数据，先进行去直流、色散补偿、频偏补偿、重采样、帧同步、解调处理，处理之后得到复数形式的符号数据；之后，对于复数形式的符号数据，将实部和虚部分开，利用若干符号数据的实部和虚部构建二维矩阵序列，得到所述训练样本数据。
5.根据权利要求1所述的方法，其特征在于，所述门控循环神经网络模型的参数采用随时间进行反向传播算法进行训练。
6.根据权利要求1所述的方法，其特征在于，采用Adam优化算法对所述门控循环神经网络模型的网络参数进行迭代更新，基于所述训练样本数据迭代地更新所述门控循环神经网络模型的权重值。
7.根据权利要求1所述的方法，其特征在于，对所述优化处理后的门控循环神经网络模型进行修剪处理的方法是，如果第一神经元与其他神经元之间连接的权值低于预设的阈值，则删除所述第一神经元。
CN201910707923.3A 2019-08-01 2019-08-01 基于门控循环神经网络的非线性均衡方法 Active CN110598859B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910707923.3A CN110598859B (zh) 2019-08-01 2019-08-01 基于门控循环神经网络的非线性均衡方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910707923.3A CN110598859B (zh) 2019-08-01 2019-08-01 基于门控循环神经网络的非线性均衡方法

Publications (2)

Publication Number Publication Date
CN110598859A CN110598859A (zh) 2019-12-20
CN110598859B true CN110598859B (zh) 2022-12-13

Family

ID=68853313

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910707923.3A Active CN110598859B (zh) 2019-08-01 2019-08-01 基于门控循环神经网络的非线性均衡方法

Country Status (1)

Country Link
CN (1) CN110598859B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111865863B (zh) * 2020-07-20 2021-07-20 山东大学 一种基于rnn神经网络的ofdm信号检测方法
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
JP2024504997A (ja) * 2021-01-25 2024-02-02 マーベル アジア ピーティーイー、リミテッド 非線形ニューラルネットワーク等化器を有するイーサネット（登録商標）物理層トランシーバ
CN113779860B (zh) * 2021-03-01 2024-05-28 北京科益虹源光电技术有限公司 一种准分子激光器能量模型辨识方法及装置
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
CN114070415A (zh) * 2021-11-30 2022-02-18 北京邮电大学 一种光纤非线性均衡方法及系统
CN114500197B (zh) * 2022-01-24 2023-05-23 华南理工大学 一种可见光通信后均衡方法、系统、装置及存储介质
CN115086082B (zh) * 2022-08-16 2022-11-01 四川公众项目咨询管理有限公司 基于深度学习的网络安全评估方法、系统、设备及介质
CN118473874B (zh) * 2024-05-15 2024-11-01 北京邮电大学 一种基于双向门控循环单元的单载波光子太赫兹通信系统非线性均衡方法
CN118534953B (zh) * 2024-07-24 2024-11-01 江华新材料科技(江苏)有限公司 用于壳聚糖无纺布生产的温度控制方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107707494A (zh) * 2017-10-10 2018-02-16 苏州大学 用于64‑qam相干光通信系统的光纤非线性均衡方法
CN108650201A (zh) * 2018-05-10 2018-10-12 东南大学 基于神经网络的信道均衡方法、译码方法及对应设备
CN108667523A (zh) * 2018-03-06 2018-10-16 苏州大学 基于无数据辅助的knn算法的光纤非线性均衡方法
CN109995449A (zh) * 2019-03-15 2019-07-09 北京邮电大学 一种基于深度学习的毫米波信号检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107707494A (zh) * 2017-10-10 2018-02-16 苏州大学 用于64‑qam相干光通信系统的光纤非线性均衡方法
CN108667523A (zh) * 2018-03-06 2018-10-16 苏州大学 基于无数据辅助的knn算法的光纤非线性均衡方法
CN108650201A (zh) * 2018-05-10 2018-10-12 东南大学 基于神经网络的信道均衡方法、译码方法及对应设备
CN109995449A (zh) * 2019-03-15 2019-07-09 北京邮电大学 一种基于深度学习的毫米波信号检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Convolutional Neural Network based Nonlinear Classifier for 112-Gbps High Speed Optical Link;Chun-Yen Chuang等;《IEEE》;20181231;第1-3页 *
Nonlinear Equalizer Based on Neural Networks for PAM-4 Signal Transmission Using DML;Ahmed Galib Reza等;《IEEE PHOTONICS TECHNOLOGY LETTERS》;20180801;第30卷(第15期);第1416-1419页 *
可见光通信系统中均衡算法的研究;罗小芳;《中国优秀硕士学位论文全文数据库（电子期刊）信息科技辑》;20190315;I136-133 *

Also Published As

Publication number Publication date
CN110598859A (zh) 2019-12-20

Similar Documents

Publication Publication Date Title
CN110598859B (zh) 基于门控循环神经网络的非线性均衡方法
Zhang et al. Field and lab experimental demonstration of nonlinear impairment compensation using neural networks
WO2019191099A1 (en) Non-linear adaptive neural network equalizer in optical communication
Khan et al. Modulation format identification in coherent receivers using deep machine learning
Zhang et al. Non-data-aided k-nearest neighbors technique for optical fiber nonlinearity mitigation
Schädler et al. Soft-demapping for short reach optical communication: A comparison of deep neural networks and volterra series
Häger et al. Deep learning of the nonlinear Schrödinger equation in fiber-optic communications
Wang et al. System impairment compensation in coherent optical communications by using a bio-inspired detector based on artificial neural network and genetic algorithm
Li et al. Convolutional neural network-aided DP-64 QAM coherent optical communication systems
Niu et al. End-to-end deep learning for long-haul fiber transmission using differentiable surrogate channel
CN110190909B (zh) 一种用于光通信的信号均衡方法及装置
Bluemm et al. Equalizing nonlinearities with memory effects: Volterra series vs. deep neural networks
Wang et al. Convolutional neural network-based deep learning for intelligent OSNR estimation on eye diagrams
Song et al. Model-based end-to-end learning for WDM systems with transceiver hardware impairments
Zhou et al. Bandwidth variable transceivers with artificial neural network-aided provisioning and capacity improvement capabilities in meshed optical networks with cascaded ROADM filtering
Schaedler et al. Neural network-based soft-demapping for nonlinear channels
Logins et al. Block-structured deep learning-based OFDM channel equalization
Jain et al. Kernel recursive maximum Versoria criterion based post-distorter for VLC using kernel-width sampling
Ney et al. Unsupervised ANN-based equalizer and its trainable FPGA implementation
Jovanovic et al. End-to-end learning for fiber-optic communication systems
Wang et al. Low-complexity nonlinear equalizer based on artificial neural network for 112 Gbit/s PAM-4 transmission using DML
CN116418405A (zh) 基于微扰理论的复值卷积神经网络光纤非线性均衡方法
CN114978342B (zh) 相干光通信数字多载波系统中光滤波损伤补偿方法和系统
US20210256347A1 (en) Low complexity fiber nonlinearity compensation using lookup table
Maniak et al. Deep Neural Networks for Transmission Impairment Mitigation in Long-Reach 5G Access Networks

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