CN110730037A - 一种基于动量梯度下降法的相干光通信系统光信噪比监测方法 - Google Patents
一种基于动量梯度下降法的相干光通信系统光信噪比监测方法 Download PDFInfo
- Publication number
- CN110730037A CN110730037A CN201910997280.0A CN201910997280A CN110730037A CN 110730037 A CN110730037 A CN 110730037A CN 201910997280 A CN201910997280 A CN 201910997280A CN 110730037 A CN110730037 A CN 110730037A
- Authority
- CN
- China
- Prior art keywords
- signal
- amplitude
- optical signal
- gradient descent
- noise ratio
- 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
Images
Classifications
-
- 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
- H04B10/0795—Performance monitoring; Measurement of transmission parameters
- H04B10/07953—Monitoring or measuring OSNR, BER or Q
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth 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)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Optical Communication System (AREA)
Abstract
本发明提出一种基于动量梯度下降法的相干光通信系统光信噪比监测方法,其方法包含如下步骤:提出特征值,即通过观察不同的光信噪比对应的采样信号的幅度图,截取幅度图的一部分来实现特征值提取,将幅度图的纵坐标作为特征值输入到人工神经网络的输入层,基于动量梯度下降法优化训练的人工神经网络模型信息运算,输出层输出运算的光信噪比。该方法与目前基于神经网络的光信噪比监测方法相比,特征值相对减少,数据集简单,简化人工神经网络模型;采用动量梯度下降法,使得网络训练过程中达到最优解的速度较快,系统具有较好的稳定性,监测结果准确率较高。
Description
技术领域
本发明涉及光通信系统领域中的光信噪比监测,具体涉及一种基于动量梯度下降法的相干光通信系统光信噪比监测方法。
背景技术
随着通信的业务量和复杂度的增加,对网络带宽需求越来越高。强度调制直接检测系统中只有信号幅度可以被用来调制信息,通信速率的提高依然存在瓶颈。在相干光通信中,光信号的幅度和相位都可以被调制,高阶的幅度或相位调制格式极大地提高系统的频谱效率,从而可以保证高速光纤通信系统的实现。
高速相干光通信系统中的光信号更容易受到多种传输损伤,随着数字信号处理技术的不断发展,相干通信系统中的线性损伤能够在接收端得到完全的补偿。因此,需要在光网络传输过程中采取适当的方法对光信号进行精确和实时地监测,并进行相应的补偿,从而改善高速相干光通信系统的性能。光信号的传输质量主要由光信噪比决定,光信噪比与误码率直接相关。因此,光信噪比成为了相干光通信系统中最重要的监测参数之一。
相干光通信系统中的光信噪比监测方法主要是在相干光接收端经过数字信号处理算法对信号进行线性补偿,然后再通过信号分析来实现监测。目前相干光通信系统中的光信噪比监测方法主要包括统计矩,误差矢量幅度,延迟线干涉仪,Stoke参数,Golay序列,偏移滤波和光功率测量等。
随着人工神经网络取得了引人注目地发展,机器学习方法被越来越多的研究者提出。机器学习包括人工神经网络,深度神经网络,卷积神经网络,循环神经网络,支持向量机等,这些方法已经被成功应用于分类,回归,降维,信息检索,图像识别和语音处理等工作中。
人工神经网络(Artificial Neural Network,即ANN),是20世纪80年代以来人工智能领域兴起的研究热点。它从信息处理角度对人脑神经元网络进行抽象,建立某种简单模型,按不同的连接方式组成不同的网络。在工程与学术界也常直接简称为神经网络或类神经网络。神经网络是一种运算模型,由大量的节点(或称神经元)之间相互连接构成。每个节点代表一种特定的输出函数,称为激励函数。每两个节点间的连接都代表一个对于通过该连接信号的加权值,称之为权重,这相当于人工神经网络的记忆。网络的输出则依网络的连接方式,权重值和激励函数的不同而不同。人工神经网络具有从多层感知器中自主学习并提取数据特征的能力,通过不断训练能够使用复杂函数实现输入层到输出层数据的映射。
发明内容
基于上述问题,本发明的目的旨在至少解决所述技术缺陷之一。提出在于提出如何提取采样信号的特征值输入到人工神经网络,并采用动量梯度下降法来优化神经网络训练模型,提高输出结果的准确性和稳定性,实现有效监测相干光通信系统的光信噪比的功能。
为实现上述目的,本发明采用如下技术方案:
一种基于动量梯度下降法的相干光通信系统光信噪比监测方法,其特征在于,所述方法包含如下步骤:
S1.提出特征值,即通过观察不同的光信噪比对应的采样信号的幅度图,截取幅度图的一部分来实现特征值提取,
S2.所述幅度图的纵坐标作为特征值输入到人工神经网络的输入层
S3.基于动量梯度下降法优化训练的人工神经网络模型信息运算,
S4.输出层输出运算的光信噪比。
优选的,该S1中,还包含提取采样信号的部分幅度值绘制幅度图,所述幅度图的横坐标代表幅度区间,纵坐标代表所述幅度区间在整个采样信号的幅度中出现的次数。
优选的,该S3中,基于
Vdm=βVdm+(1-β)dw
Vdb=βVdb+(l-β)db
进行动量梯度下降算法迭代,其中,α代表学习率,参数β控制着指数加权平均数,表示动力的大小,其取值介于0.80~0.95,Vdw,Vdb指数加权平均,dw是损失函数对w的偏导数,db是损失函数对b的偏导数。
优选的,该S3中,学习率α选取0.01,参数β为0.9。
优选的,该S1之前还包含,信号处理模块,其基于相干光接收端接收的信号进行处理,其包含光电装置,用以将接收端接收的光信号转换为电信号,模数转换模块,其用以将经光电装置转换输出的电信号进行数模转换,补偿模块,其电性连接ADC的输出端,以将接收的ADC转换的电信号进行色散补偿及时钟相位恢复,CMA均衡模块,其电性连接补偿模块,以补偿所有的线性传输损伤,
其中,相干光通信系统中接收端接收的光信号先经过光电装置经光电转换变为电信号后传输至与其的连接的模数转换模块,经模数转换模块模数转换变为数字信号后传输至与其连接的补偿模块,所述补偿模块进行色散补偿及时钟相位恢复,并将补偿后的信号传输至CMA均衡模块,所述CMA均衡模块基于CMA均衡算法来补偿所有的线性传输损伤。
优选的,该相干光通信系统光信噪比监测方法,还包含对CMA均衡后的信号进行采样,并将采样信号的幅度值提取出来作为原始数据。
优选的,该人工神经网络模型包含有4层结构:
输入层、二层隐含层、输出层,其中,
输入层的特征值为经过预处理后的采样信号幅度图的纵坐标,输入层神经元的个数与特征值的个数相同,
两层隐含层的激活函数皆使用sigmoid函数,
输出层的激活函数使用的是Relu函数。
优选的,该输出层的神经元为一个。
相对于现有技术中的方案,本发明实施方式的的优点:
1.该方法与目前存在的一些基于神经网络的光信噪比监测方法相比,特征值相对减少,数据集简单,简化人工神经网络模型;
2.在光信噪比监测模型中采用动量梯度下降法,使得网络训练过程中达到最优解的速度较快,系统具有较好的稳定性,监测结果准确率较高。
附图说明
为了更清楚地说明本说明书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说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图:
图1所示为本发明实施例的光信噪比监测方法的流程示意图,
图2所示为本发明实施例的动量梯度法的迭代示意图,
图3所示为本发明实施的光通信系统光信噪比监测结构示意图;
图4所示本发明实施例中的信号处理模块的示意图;
图5所示为本发明实施例的人工神经网络模型。
具体实施方式
以下结合具体实施例对上述方案做进一步说明。应理解,这些实施例是用于说明本发明而不限于限制本发明的范围。实施例中采用的实施条件可以如具体厂家的条件做进一步调整,未注明的实施条件通常为常规实验中的条件。
本申请提出的基于动量梯度下降法的相干光通信系统光信噪比监测方法,其机理在于通过计算梯度的指数加权平均数,并利用该梯度来更新权重。本实施方法中有两个参数,学习率a以及参数β,β控制着指数加权平均数,该方法中特征值数量少,数据集简单,简化人工神经网络模型;系统的稳定性好。
请参考图1所示为本申请实施例的基于动量梯度下降法的相干光通信系统光信噪比监测方法的流程示意图,所述方法包括:
S1.输入层特征值的提取,
通过观察不同的光信噪比对应的采样信号的幅度图,提取采样信号的部分幅度值绘制幅度图,相当于在原有采样信号的幅度图中截取了一部分来实现特征值提取,该幅度图的横坐标代表幅度区间,纵坐标代表该幅度区间在整个采样信号幅度中出现的次数。
S2.该幅度图的纵坐标将作为特征值输入到神经网络的输入层,该实施方式中,不同调制格式对应的特征值个数可能不相同,
S3.采用动量梯度下降法优化训练模型。
S4.输出层的输出运算的光信噪比。
该方法的,S3中,选取合适的参数,优化模型,参数β的取值介于0.80~0.95,本实施方式中,当β取0.9时,系统具有较好的稳定性。
该实施方法是在梯度下降法的基础上进行改进,该改进的方法具有加速梯度下降的作用,其运行速度快于标准的梯度下降算法。通过选取采样信号的特征值输入到人工神经网络并采用动量梯度下降法来优化神经网络训练模型,提高输出结果的准确性和稳定性,以实现相干光通信系统的光信噪比监测。动量梯度下降法是对梯度下降法的一种优化算法,该方法学习率可以选择更大的值,函数的收敛速度也更快,动量梯度下降法的核心是指数加权平均数。
1.指数加权平均和
以计算某城市每天的温度为例,温度计算公式如下:Vt=βVt-1+(1-β)θt,其中Vt代表前t天的平均温度,θt代表第t天的温度,V0等于0。
如果将公式展开,当β=0.9时,通过前100天温度的迭代,可计算出:
V100=0.1θ100+0.1*0.9θ99+0.1*(0.9)2θ98+...+0.1*(0.9)99θ1
由公式可知,每一个值都被赋予了一个权重,Vt将之前的θt都联系起来。
2.动量梯度下降算法迭代公式如下:
Vdw=βVdw+(1-β)dw
Vdb=βVdb+(1-β)db
W=W-αVdw
b=b-αVdb
动量梯度下降法中有2个超参数,学习率α和参数β,参数β控制着指数加权平均数,表示动力的大小,参数β一般取值介于0.80~0.95,本实施方法中选取0.9,dw是损失函数对w的偏导数,db是损失函数对b的偏导数。
公式中Vdw,Vdb用到了指数加权平均,Vdw和Vdb相当于计算温度公式中的Vt,dw和db相当于θt,将之前的dw和db都关联起来,即每一次梯度不再是独立的,而是与之前梯度相关。如图2所示,动量梯度法就是通过计算其加权平均值,不断更新权重w和偏置b,让函数移动到中心点,从而达到最优解,把这些在纵轴上多余的波动去除,从而让函数尽可能快的朝着横轴移动,使其与中心点的距离越来越近,因此其收敛的速度也会很快。
接下来请参考图3,为本申请实施的(不同调制格式的相干)光通信系统光信噪比监测结构示意图。本申请实施例中采用的不同调制格式为QPSK和16QAM。将数据信号映射为QPSK和16QAM的调制信号,通过任意波形发生器进行数模转换,经过IQ调制后光信号分别经过960km和320km的标准单模光纤传输后再经过掺铒光纤放大器进行功率放大,光衰减器用来调节光信噪比,光谱分析仪用来进行光信噪比的监测,光信号经过光带通滤波器后被相干接收机接收。
如图4所示为信号处理模块的(流程)示意图,其基于相干光接收端接收的信号并对其进行处理,接收端(接收机)接收的信号处理,包含光电装置,用以将接收的光信号转换为电信号,ADC(模数转换模块),其用以将接收的光电装置转换输出的电信号进行数模转换,
补偿模块,其电性连接ADC的输出端,以将接收的ADC转换的电信号进行色散补偿及时钟相位恢复,
CMA均衡模块,其电性连接补偿模块,以补偿所有的线性传输损伤。其中,相干光通信系统中接收端的光信号先经过光电装置经光电转换变为电信号,传输至与其的连接的ADC(模数转换模块),经过ADC模数转换变为数字信号,并传输至与其连接的补偿模块,经补偿模块进行色散补偿及时钟相位恢复后,信号传输至CMA均衡模块,其基于CMA均衡算法来补偿所有的线性传输损伤。因此,经过上述算法处理后的信号主要受到ASE噪声的影响。将CMA均衡后的信号进行采样,然后将采样信号的幅度值提取出来作为原始数据。通过观察不同光信噪比对应的采样信号的幅度值,在原始数据的幅度值中截取一部分来绘制幅度图,该幅度图的横坐标代表幅度区间,纵坐标代表该幅度区间在整个采样信号的幅度中出现的次数,相当于对原始数据进行预处理,使得数据集变得简单,然后与人工神经网络结合,实现基于动量梯度下降法的光信噪比监测。
如图5所示,将采样信号幅度图与人工神经网络相结合实现光信噪比监测,本实施方式中选用的神经网络包含有4层结构:输入层、二层隐含层(隐含层1、隐含层2)、输出层,其中,输入层的特征值为经过预处理后的采样信号幅度图的纵坐标,输入层神经元的个数与特征值的个数相同,两层隐含层的激活函数皆使用sigmoid函数,输出层的激活函数使用的是Relu函数。因输出层的输出结果仅有光信噪比,所以输出层的神经元只有一个。训练过程中的优化器使用的是动量梯度下降算法,学习率设置为0.01,参数β为0.9,最小化损失函数,经过不断迭代训练,使得模型快速达到最优解。实验中选取部分数据集作为训练集用来训练神经网络,剩下的数据集作为测试集用来测试模型训练结束后的效果,实现适用于不同调制格式的相干光通信系统光信噪比监测。
上述实施例只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人是能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡如本发明精神实质所做的等效变换或修饰,都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种基于动量梯度下降法的相干光通信系统光信噪比监测方法,其特征在于,所述方法包含如下步骤:
S1.提出特征值,即通过观察不同的光信噪比对应的采样信号的幅度图,截取幅度图的一部分来实现特征值提取,
S2.所述幅度图的纵坐标作为特征值输入到人工神经网络的输入层,
S3.基于动量梯度下降法优化训练的人工神经网络模型信息运算,
S4.输出层输出运算的光信噪比。
2.如权利要求1所述的相干光通信系统光信噪比监测方法,其特征在于,所述S1中,还包含提取采样信号的部分幅度值绘制幅度图,
所述幅度图的横坐标代表幅度区间,纵坐标代表所述幅度区间在整个采样信号的幅度中出现的次数。
4.如权利要求3所述的相干光通信系统光信噪比监测方法,其特征在于,所述S3中,学习率α选取0.01,参数β为0.9。
5.如权利要求1所述的相干光通信系统光信噪比监测方法,其特征在于,所述S1之前还包含,信号处理模块,其基于相干光接收端接收的信号进行处理,其包含
光电装置,用以将接收端接收的光信号转换为电信号,
模数转换模块,其用以将经光电装置转换输出的电信号进行数模转换,
补偿模块,其电性连接ADC的输出端,以将接收的ADC转换的电信号进行色散补偿及时钟相位恢复,
CMA均衡模块,其电性连接补偿模块,以补偿所有的线性传输损伤,
其中,相干光通信系统中接收端接收的光信号先经过光电装置经光电转换变为电信号后传输至与其的连接的模数转换模块,经模数转换模块模数转换变为数字信号后传输至与其连接的补偿模块,所述补偿模块进行色散补偿及时钟相位恢复,并将补偿后的信号传输至CMA均衡模块,所述CMA均衡模块基于CMA均衡算法来补偿所有的线性传输损伤。
6.如权利要求5所述的相干光通信系统光信噪比监测方法,其特征在于,对CMA均衡后的信号进行采样,并将采样信号的幅度值提取出来作为原始数据。
7.如权利要求1所述的相干光通信系统光信噪比监测方法,其特征在于,所述人工神经网络模型包含有4层结构:
输入层、二层隐含层、输出层,其中,
输入层的特征值为经过预处理后的采样信号幅度图的纵坐标,输入层神经元的个数与特征值的个数相同,
两层隐含层的激活函数皆使用sigmoid函数,
输出层的激活函数使用的是Relu函数。
8.如权利要求7所述的相干光通信系统光信噪比监测方法,其特征在于,所述输出层的神经元为一个。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910997280.0A CN110730037B (zh) | 2019-10-21 | 2019-10-21 | 一种基于动量梯度下降法的相干光通信系统光信噪比监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910997280.0A CN110730037B (zh) | 2019-10-21 | 2019-10-21 | 一种基于动量梯度下降法的相干光通信系统光信噪比监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110730037A true CN110730037A (zh) | 2020-01-24 |
CN110730037B CN110730037B (zh) | 2021-02-26 |
Family
ID=69220349
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910997280.0A Active CN110730037B (zh) | 2019-10-21 | 2019-10-21 | 一种基于动量梯度下降法的相干光通信系统光信噪比监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110730037B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111541483A (zh) * | 2020-04-20 | 2020-08-14 | 苏州大学 | 基于高阶统计矩的相干光通信系统光信噪比监测方法 |
CN111541484A (zh) * | 2020-04-20 | 2020-08-14 | 苏州大学 | 基于延时采样的光纤通信系统光信噪比监测方法 |
CN112769497A (zh) * | 2021-02-23 | 2021-05-07 | 苏州大学 | 对大容量高阶qam相干光进行非线性补偿的方法 |
CN113125992A (zh) * | 2021-04-23 | 2021-07-16 | 合肥工业大学 | 基于dbn的npc三电平逆变器故障诊断方法及系统 |
CN113472435A (zh) * | 2021-06-30 | 2021-10-01 | 华中科技大学 | 一种光信号调制参数和损伤因素同时提取的方法 |
WO2022110640A1 (zh) * | 2020-11-27 | 2022-06-02 | 平安科技(深圳)有限公司 | 一种模型优化方法、装置、计算机设备及存储介质 |
CN117786513A (zh) * | 2023-12-26 | 2024-03-29 | 深圳市龙华区妇幼保健院(深圳市龙华区妇幼保健计划生育服务中心、深圳市龙华区健康教育所) | 一种可计时智能紫外线灯的监测方法与系统 |
WO2024114159A1 (zh) * | 2022-11-29 | 2024-06-06 | 中兴通讯股份有限公司 | 光信噪比容限的优化方法、装置、系统和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101282481A (zh) * | 2008-05-09 | 2008-10-08 | 中国传媒大学 | 一种基于人工神经网络的视频质量评价方法 |
CN106204646A (zh) * | 2016-07-01 | 2016-12-07 | 湖南源信光电科技有限公司 | 基于bp神经网络的多运动目标跟踪方法 |
CN109084186A (zh) * | 2018-08-17 | 2018-12-25 | 常州大学 | 基于改进的elmd多尺度熵的管道泄漏信号识别方法 |
US10171161B1 (en) * | 2018-04-23 | 2019-01-01 | Ciena Corporation | Machine learning for link parameter identification in an optical communications system |
CN109117951A (zh) * | 2018-01-15 | 2019-01-01 | 重庆大学 | 基于bp神经网络的概率潮流在线计算方法 |
CN109284818A (zh) * | 2018-09-07 | 2019-01-29 | 北方爆破科技有限公司 | 一种基于事故树和遗传算法的爆破振动控制预测方法 |
US20190109736A1 (en) * | 2017-10-09 | 2019-04-11 | Nec Laboratories America, Inc. | Transmission filtering using machine learning |
-
2019
- 2019-10-21 CN CN201910997280.0A patent/CN110730037B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101282481A (zh) * | 2008-05-09 | 2008-10-08 | 中国传媒大学 | 一种基于人工神经网络的视频质量评价方法 |
CN106204646A (zh) * | 2016-07-01 | 2016-12-07 | 湖南源信光电科技有限公司 | 基于bp神经网络的多运动目标跟踪方法 |
US20190109736A1 (en) * | 2017-10-09 | 2019-04-11 | Nec Laboratories America, Inc. | Transmission filtering using machine learning |
CN109117951A (zh) * | 2018-01-15 | 2019-01-01 | 重庆大学 | 基于bp神经网络的概率潮流在线计算方法 |
US10171161B1 (en) * | 2018-04-23 | 2019-01-01 | Ciena Corporation | Machine learning for link parameter identification in an optical communications system |
CN109084186A (zh) * | 2018-08-17 | 2018-12-25 | 常州大学 | 基于改进的elmd多尺度熵的管道泄漏信号识别方法 |
CN109284818A (zh) * | 2018-09-07 | 2019-01-29 | 北方爆破科技有限公司 | 一种基于事故树和遗传算法的爆破振动控制预测方法 |
Non-Patent Citations (2)
Title |
---|
WU X: "ANN-Based Optical Performance Monitoring of QPSK Signals Using Parameters Derived From Balanced-Detected Asynchronous Diagrams", 《IEEE PHOTONICS TECHNOLOGY LETTERS》 * |
张肃: "基于机器学习的高速光信号性能监测", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111541483A (zh) * | 2020-04-20 | 2020-08-14 | 苏州大学 | 基于高阶统计矩的相干光通信系统光信噪比监测方法 |
CN111541484A (zh) * | 2020-04-20 | 2020-08-14 | 苏州大学 | 基于延时采样的光纤通信系统光信噪比监测方法 |
WO2022110640A1 (zh) * | 2020-11-27 | 2022-06-02 | 平安科技(深圳)有限公司 | 一种模型优化方法、装置、计算机设备及存储介质 |
CN112769497A (zh) * | 2021-02-23 | 2021-05-07 | 苏州大学 | 对大容量高阶qam相干光进行非线性补偿的方法 |
CN113125992A (zh) * | 2021-04-23 | 2021-07-16 | 合肥工业大学 | 基于dbn的npc三电平逆变器故障诊断方法及系统 |
CN113125992B (zh) * | 2021-04-23 | 2022-07-19 | 合肥工业大学 | 基于dbn的npc三电平逆变器故障诊断方法及系统 |
CN113472435A (zh) * | 2021-06-30 | 2021-10-01 | 华中科技大学 | 一种光信号调制参数和损伤因素同时提取的方法 |
CN113472435B (zh) * | 2021-06-30 | 2022-09-27 | 华中科技大学 | 一种光信号调制参数和损伤因素同时提取的方法 |
WO2024114159A1 (zh) * | 2022-11-29 | 2024-06-06 | 中兴通讯股份有限公司 | 光信噪比容限的优化方法、装置、系统和存储介质 |
CN117786513A (zh) * | 2023-12-26 | 2024-03-29 | 深圳市龙华区妇幼保健院(深圳市龙华区妇幼保健计划生育服务中心、深圳市龙华区健康教育所) | 一种可计时智能紫外线灯的监测方法与系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110730037B (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110730037B (zh) | 一种基于动量梯度下降法的相干光通信系统光信噪比监测方法 | |
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 | |
CN109039472B (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 | |
CN109379132B (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 | |
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 | |
CN109361471B (zh) | 一种基于幅度偏差分析的光通信信号调制格式识别方法 | |
CN112733917B (zh) | 一种基于shap特征优化的信道均衡方法 | |
CN109450836B (zh) | 一种状态转换概率分布的光数字通信调制格式识别方法 | |
CN112598072A (zh) | 基于SVM训练的权重系数迁移的改进Volterra滤波器的均衡方法 | |
CN114285715B (zh) | 基于双向gru-条件随机场的非线性均衡方法 | |
CN114301529B (zh) | 基于多符号处理的Volterra均衡方法及系统 | |
Guo et al. | Deep neural network based chromatic dispersion estimation with ultra-low sampling rate for optical fiber communication systems | |
CN112613538B (zh) | 一种基于加权主成分分析的非线性均衡方法 | |
CN114124223B (zh) | 一种卷积神经网络光纤均衡器生成方法及系统 | |
Shahkarami et al. | Efficient deep learning of nonlinear fiber-optic communications using a convolutional recurrent neural network | |
Liu et al. | A grey-box model for estimating nonlinear SNR in optical networks based on physics-guided neural networks | |
CN114204993A (zh) | 基于多项式映射的特征构建的非线性均衡方法及系统 | |
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 | |
Gao et al. | Least Angle Regression-Based Modified Volterra Nonlinear Equalizer for Optical Interconnection System | |
CN113938199A (zh) | 一种信号的处理方法及装置、存储介质、电子装置 | |
CN112737688A (zh) | 一种基于信道特征迁移的dsp均衡方法及系统 | |
CN115276818B (zh) | 一种基于深度学习的光载无线传输链路解调方法 | |
CN115173940B (zh) | 多信道光传输系统链路联合损伤监测方法及系统 | |
Yao et al. | MPT-Transformer based post equalizer utilized in underwater visible light communication system | |
Ghanem et al. | Comparative analysis of ML-schemes in OWC systems |
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 |