CN111093123A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN111093123A
CN111093123A CN201911251746.9A CN201911251746A CN111093123A CN 111093123 A CN111093123 A CN 111093123A CN 201911251746 A CN201911251746 A CN 201911251746A CN 111093123 A CN111093123 A CN 111093123A
Authority
CN
China
Prior art keywords
neural network
flexible optical
optical network
stage
time domain
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
Application number
CN201911251746.9A
Other languages
English (en)
Other versions
CN111093123B (zh
Inventor
付松年
杨正
童天昊
程逸骏
唐明
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN201911251746.9A priority Critical patent/CN111093123B/zh
Publication of CN111093123A publication Critical patent/CN111093123A/zh
Application granted granted Critical
Publication of CN111093123B publication Critical patent/CN111093123B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04Q—SELECTING
    • H04Q11/00—Selecting arrangements for multiplex systems
    • H04Q11/0001—Selecting arrangements for multiplex systems using optical switching
    • H04Q11/0062—Network aspects
    • 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
    • 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

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)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Signal Processing (AREA)
  • Optical Communication System (AREA)

Abstract

本发明公开了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，属于光纤通信系统领域，包括：(1)对灵活光网络传输的接收信号进行预处理；(2)计算预处理后接收信号的振幅分布直方图；(3)将振幅分布直方图输入至第一级多任务神经网络分类器，输出灵活光网络的传输参数；(4)根据灵活光网络的传输参数，设置第二级神经网络回归器的权值和偏置参数；(5)采用第二级神经网络回归器对预处理后的接收信号进行时域均衡；其中，第一级多任务神经网络分类器的输入神经元个数与振幅直方图的组数相同，其输出神经元个数与灵活光网络的传输参数相同。本发明公开的时域均衡方法及系统适用范围更广。

Description

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
技术领域
本发明属于光纤通信系统领域，更具体地，涉及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。
背景技术
近年来，随着智能终端的普及和新型网络业务的发展，网络流量呈爆炸式增长，给通信系统的容量带来了巨大的压力。为了满足海量的数据传输需求，一方面也需要克服光纤通信系统中的各种传输损伤，提高单纤传输容量；另一方面也需要根据实际需求动态分配网络资源，对应的传输损伤补偿方法也需要相应调整。
为了提升传输效率，灵活光网络技术将软件定义的传输方法与先进的网络规划和资源优化方法相结合，得到了广泛应用。在灵活光网络中，可以在发射端中调整载波数量、波长、速率、调制格式和发送功率等参数，在传输链路中调整传输距离和信噪比等参数，从而适配不同的传输场景，达到提高传输效率的目的。光纤通信系统中的损伤主要包含损耗、色散、非线性等，色散可以利用色散补偿光纤或相干接收算法进行完全补偿，但器件和光纤的非线性损伤则难以完全补偿，且随着传输距离增加，损耗逐渐增加，要求增大入纤功率，但高传输功率又会进一步恶化非线性损伤。进一步地，复杂场景下的部分信道损伤机理尚不明确。如多波长信道非线性与色散的相互作用等，因此还需要研究更高效的信道均衡方法。同时，现有均衡方法往往只能针对具体某一情况进行均衡补偿，当信道发生变化时，更换均衡方法实施难度较大，因此，还需要研究可兼容性更好的均衡方法应对灵活光网络中不同传输条件下的信道损伤。
得益于数据量急剧增加与计算机处理能力显著提高，机器学习作为人工智能领域的核心技术之一，近年来在各行各业都获得了较为广泛的应用，例如数据挖掘、计算机视觉、自然语言处理、生物特征识别等。而神经网络技术，作为一种具有强大的非线性拟合能力的机器学习工具，在光纤通信系统中被广泛应用于信道均衡、调制格式识别、光性能监测和故障监测等方面，取得了良好的效果。神经网络通过大量数据训练，使用不同的算法自主学习，可以对真实世界中的事件作出决策和预测，这种特质使得神经网络可以实现复杂光纤通信系统的信道表征与信号均衡。但同时神经网络也具有一定的局限性，即固定的神经网络只能应用于训练的特定信道，一旦信道条件发生变化，则需要重新训练，因此灵活性较差。同时训练阶段往往对数据量要求大，训练时间长，也对神经网络在灵活光网络中的应用造成了一定困难。
发明内容
针对现有技术的缺陷，本发明的目的在于提供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，现有的均衡方法往往只能针对某一种信道情况进行均衡补偿，因此，旨在解决现有的时域均衡方法在灵活光网络中适用范围较窄的问题。
为实现上述目的，一方面，本发明提供了一种基于复合神经网络的灵活光网络时域均衡方法，包括：
(1)对灵活光网络传输的接收信号进行预处理；
(2)计算预处理后接收信号的振幅分布直方图；
(3)将振幅分布直方图输入至第一级多任务神经网络分类器，输出灵活光网络的传输参数；
(4)根据灵活光网络的传输参数，设置第二级神经网络回归器的权值和偏置参数；
(5)采用步骤(4)获取的第二级神经网络回归器对步骤(1)获取的预处理后的接收信号进行时域均衡；
其中，第一级多任务神经网络分类器的输入神经元个数与振幅直方图的组数相同，其输出神经元个数与灵活光网络的传输参数相同。
优选地，灵活光网络传输的接收信号为正交频分复用信号或脉冲幅度调制信号；
优选地，若接收信号为正交频分复用信号，则步骤(1)中的预处理具体包括：
(1.1.1)利用同步序列提取正交频分复用信号中完整的一帧数据；
(1.1.2)将步骤(1)中的帧数据降采样至待恢复的发送数据的采样率；
(1.1.3)将降采样后的帧数据去除循环前缀；
(1.1.4)将去除循环前缀的帧数据归一化。
优选地，若接收信号为脉冲幅度调制信号时，则步骤(1)中的预处理具体包括：
(1.2.1)利用同步序列提取正交频分复用信号中完整的一帧数据；
(1.2.2)将步骤(1)中的帧数据降采样至待恢复的发送数据的采样率；
(1.2.3)将降采样后的帧数据归一化。
优选地，归一化方法为：采用z-score标准化方法，使得降采样后的帧数据均值为0，标准差为1；
或采用最小-最大规范化方法，使得降采样后的帧数据最小值0，最大值为1。
优选地，灵活光网络的传输参数包括：传输波长、波特率、传输距离、发送功率和光信噪比。
优选地，第一级多任务神经网络分类器的输出层激活函数为softmax函数；
优选地，第一级多任务神经网络分类器和第二级神经网络回归器的神经网络为多层感知器神经网络或卷积神经网络或循环神经网络；
优选地，步骤(5)后面还包括步骤(6)：计算均衡后接收信号的误码率。
优选地，若接收信号为正交频分复用信号时，则步骤(6)包括：
(6.1.1)将时域的正交频分复用信号进行串并转换后，利用快速傅里叶变换得到频域的正交频分复用信号；
(6.1.2)对频域的正交频分复用信号进行判决和解映射后输出；
(6.1.3)计算步骤(6.1.2)输出信号的误码率；
优选地，若接收信号为脉冲幅度调制信号时，则步骤(6)包括：
(6.2.1)对脉冲幅度调制信号进行判决和解映射后输出；
(6.2.2)计算步骤(6.2.1)输出信号的误码率。
优选地，灵活光网络的传输参数还用于灵活光网络的性能监测，预防故障的发生；
优选地，对于灵活光网络的某一具体场景，第一级多任务神经网络分类器和第二级神经网络回归器利用自适应矩估计方法或批量计算优化的梯度下降法训练，误差函数为均方根误差函数；
优选地，对于灵活光网络不同的场景，第一级多任务神经网络分类器和第二级神经网络回归器利用迁移学习方法训练。
另一方面，本发明提供了一种基于复合神经网络的灵活光网络时域均衡系统，包括预处理模块、直方图计算模块、第一级多任务神经网络分类器模块和第二级神经网络回归器模块；
预处理模块的输出端与直方图计算模块的输入端和第二级神经网络回归器模块的输入端连接；直方图计算模块的输出端与第一级多任务神经网络分类器模块的输入端连接；第一级多任务神经网络分类器模块的输出端与第二级神经网络回归器模块的输入端连接；
预处理模块用于对灵活光网络传输的接收信号进行预处理；直方图计算模块用于计算预处理后接收信号的振幅分布直方图；第一级多任务神经网络分类器模块用于接收振幅分布直方图，并输出灵活光网络的传输参数；第二级神经网络回归器模块用于对预处理后的接收信号进行时域均衡；
其中，灵活光网络的传输参数用于设置第二级神经网络回归器的权值和偏置参数；第一级多任务神经网络分类器的输入神经元个数与所述振幅直方图的组数相同，其输出神经元个数与所述灵活光网络的传输参数相同。
优选地，预处理模块包括提取单元、降采样单元、去循环前缀单元和归一化单元；
提取单元用于利用同步序列提取正交频分复用信号中完整的一帧数据；降采样单元用于将帧数据降采样至待恢复的发送数据的采样率；去循环前缀单元用于去除帧数据中的循环前缀；归一化单元用于将帧数据归一化。
优选地，所述归一化方法为：
采用z-score标准化方法，使得降采样后的帧数据均值为0，标准差为1；
或采用最小-最大规范化方法，使得降采样后的帧数据最小值0，最大值为1。
优选地，灵活光网络的传输参数包括传输波长、波特率、传输距离、发送功率和光信噪比。
通过本发明所构思的以上技术方案，与现有技术相比，能够取得以下有益效果：
(1)本发明对于不同场景的灵活光网络传输的接收信号进行预处理获取振幅分布直方图后，采用第一级多任务神经网络分类器获取灵活光网络的传输参数；再利用灵活光网络的传输参数设置第二级神经网络回归器的权值和偏置参数，采用第二级神经网络回归器对预处理后的接收信号进行均衡处理，相比于传统的均衡方法，由于本发明采用第一级多任务神经网络去识别不同场景下灵活光网络传输参数，可适用于不同场景下的灵活光网络的均衡处理，因此，本发明公开的时域均衡方法适用范围更广。
(2)本发明提供的第一级多任务神经网络分类器可以识别灵活光网络的波长、波特率、传输距离、发送功率和光信噪比等系统参数，不仅根据其可以控制第二级神经网络回归器的权重和偏置参数设置，而且根据其对灵活光网络检测，预防故障的发生。
(3)本发明提供的是基于复合神经网络的灵活光网络时域均衡方法，接收信号可以为正交频分复用信号，也可以是脉冲幅度调制信号，因此，本发明不仅可以兼容不同调制格式，而且可以取得良好的信道均衡效果。
(4)本发明提供的基于复合神经网络的灵活光网络时域均衡方法，采用迁移学习的方式进行训练，减少了不同场景间重复训练的复杂度，要求的数据量少，训练速度快。
附图说明
图1是本发明提供的基于复合神经网络的灵活光网络时域均衡方法流程图；
图2是实施例提供的基于复合神经网络的灵活光网络时域均衡方法流程图；
图3是本发明提供的多层感知器神经网络的结构示意图；
图4是本发明提供的一种灵活光网络的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
一方面，如图1所示，本发明提供了一种基于复合神经网络的灵活光网络时域均衡方法，包括：
(1)对灵活光网络传输的接收信号进行预处理；
具体地，如图2所示，灵活光网络传输的接收信号为正交频分复用信号或脉冲幅度调制信号；
若接收信号为正交频分复用信号，则步骤(1)中的预处理具体包括：
(1.1.1)利用同步序列提取正交频分复用信号中完整的一帧数据；
(1.1.2)将步骤(1)中的帧数据降采样至待恢复的发送数据的采样率；
(1.1.3)将降采样后的帧数据去除循环前缀；
(1.1.4)将去除循环前缀的帧数据归一化。
若接收信号为脉冲幅度调制信号时，则步骤(1)中的预处理具体包括：
(1.2.1)利用同步序列提取正交频分复用信号中完整的一帧数据；
(1.2.2)将步骤(1)中的帧数据降采样至待恢复的发送数据的采样率；
(1.2.3)将降采样后的帧数据归一化。
具体地，归一化方法为：采用z-score标准化方法，使得降采样后的帧数据均值为0，标准差为1；
或采用最小-最大规范化方法，使得降采样后的帧数据最小值0，最大值为1；
优选地，在本步骤中，优先采用z-score标准化方法，由于该方法鲁棒性更好，可以避免奇异值的影响；
(2)计算预处理后接收信号的振幅分布直方图；
具体地，在本步骤中，选取预处理后接收信号的数据点数50000，振幅分布直方图的组数为50；一般地，数据点数越高、振幅分布直方图的组数越大，计算结果越准确，但是计算复杂度也越大，导致训练时间增加，因此，需要在计算结果的精度和计算过程的复杂度之间取平衡；通过实践经验，数据点数为50000，振幅分布直方图的组数为50时，在此基础上继续增加点数和组数对计算结果精度的提升不明显，但是会明显增加计算复杂度；
(3)将振幅分布直方图输入至第一级多任务神经网络分类器，输出灵活光网络的传输参数；
在本步骤中，第一级多任务神经网络分类器的输入神经元个数与振幅直方图的组数相同，其输出神经元个数与灵活光网络的传输参数相同，由于第一级多任务神经网络分类器主要用于区分灵活光网络传输场景的类别，因此输出层激活函数设置为softmax函数，如图3所示。
(4)根据灵活光网络的传输参数，设置第二级神经网络回归器的权值和偏置参数；
灵活光网络的传输参数包括：传输波长、波特率、传输距离、发送功率和光信噪比等，在实际应用时可以根据灵活光网络的场景需求选择输出其中某一或几个参数，也可以增加新的灵活光网络的传输参数；根据灵活光网络的传输参数，可以获取第二级神经网络回归器的权重和偏置参数，还可以辅助灵活光网络的性能监测，预防故障的发生；
(5)采用步骤(4)获取的第二级神经网络回归器对步骤(1)获取的预处理后的接收信号进行时域均衡；
本步骤中，第二级神经网络回归器输入神经元个数为61，参数表征了均衡器的时间窗口；更大的输入神经元个数会增加计算的复杂度，而输入神经元数量较少时，会影响第二级神经网络回归器的均衡效果。由于第二级神经网络回归器是在时域下进行均衡，因此输出神经元个数为1，输出层激活函数为线性函数，如图3所示。
优选地，第一级多任务神经网络分类器和第二级神经网络回归器的神经网络为多层感知器神经网络或卷积神经网络或循环神经网络；
优选地，多层感知器神经网络的隐藏层数优选3层；
优选地，步骤(5)后面还包括步骤(6)：计算均衡后接收信号的误码率。
优选地，若接收信号为正交频分复用信号时，则步骤(6)包括：
(6.1.1)将时域的正交频分复用信号进行串并转换后，利用快速傅里叶变换得到频域的正交频分复用信号；
(6.1.2)对频域的正交频分复用信号进行判决和解映射后输出；
(6.1.3)计算步骤(6.1.2)输出信号的误码率。
优选地，若接收信号为脉冲幅度调制信号时，则步骤(6)包括：
(6.2.1)对脉冲幅度调制信号进行判决和解映射后输出；
(6.2.2)计算步骤(6.2.1)输出信号的误码率。
优选地，灵活光网络的传输参数还用于灵活光网络的性能监测，预防故障的发生；
优选地，第一级多任务神经网络分类器和第二级神经网络回归器采用自适应矩估计法和批量计算优化的梯度下降法作为训练算法，采用均方根误差函数作为误差函数；为了应对灵活光网络的不同使用场景造成的训练复杂度倍增的难题，在神经网络的训练阶段，均采用迁移学习的方法，选择现有场景的网络作为初始值，利用新场景下的数据作为训练数据进行训练，从而减少训练数据量，节省训练时间。
另一方面，本发明提供了一种基于复合神经网络的灵活光网络时域均衡系统，包括预处理模块、直方图计算模块、第一级多任务神经网络分类器模块和第二级神经网络回归器模块；
预处理模块的输出端与直方图计算模块的输入端和第二级神经网络回归器模块的输入端连接；直方图计算模块的输出端与第一级多任务神经网络分类器模块的输入端连接；第一级多任务神经网络分类器模块的输出端与第二级神经网络回归器模块的输入端连接；
预处理模块用于对灵活光网络传输的接收信号进行预处理；直方图计算模块用于计算预处理后接收信号的振幅分布直方图；第一级多任务神经网络分类器模块用于接收振幅分布直方图，并输出灵活光网络的传输参数；第二级神经网络回归器模块用于对预处理后的接收信号进行时域均衡；
其中，灵活光网络的传输参数用于设置第二级神经网络回归器的权值和偏置参数；第一级多任务神经网络分类器的输入神经元个数与所述振幅直方图的组数相同，其输出神经元个数与所述灵活光网络的传输参数相同。
优选地，预处理模块包括提取单元、降采样单元、去循环前缀单元和归一化单元；
提取单元用于利用同步序列提取正交频分复用信号中完整的一帧数据；降采样单元用于将帧数据降采样至待恢复的发送数据的采样率；去循环前缀单元用于去除帧数据中的循环前缀；归一化单元用于将帧数据归一化。
优选地，所述归一化方法为：
采用z-score标准化方法，使得降采样后的帧数据均值为0，标准差为1；
或采用最小-最大规范化方法，使得降采样后的帧数据最小值0，最大值为1。
优选地，灵活光网络的传输参数包括传输波长、波特率、传输距离、发送功率和光信噪比。
实施例
如图4所示，实施例提供了一种典型的传输系统示意图，包括发送端、传输链路和接收端三部分。
在发送端中，采用工作在C-波段的可调激光器作为光源，待发送信号经发送端数字信号处理模块进行预处理后，由任意波形发生器完成数模转换得到模拟信号，经电放大器放大后，驱动马赫-曾德尔调制器产生调制后的光信号，并由掺饵光纤放大器调控入纤功率；
传输链路为标准单模光纤，同时可以利用可调节光衰减器调整接收光功率和光信噪比；
在接收端，光信号经PIN型光电探测器接收转换成电信号，并经电放大器放大后，由示波器进行显示和存储，在接收端数字信号处理模块中进行离线均衡处理。在典型的灵活光网络传输长江中，可调激光器可以调节载波波长，发送端数字信号处理模块可以选择调制格式，掺饵光纤放大器可以调整发射功率，传输链路可以选择不同长度的单模光纤，并利用可调光衰减器调整接收信号的光信噪比，从而满足不同的传输需求。
在接收端首先需要对接收信号进行预处理，利用帧同步取出完整的数据，然后降采样至一倍采样率。对于正交频分复用信号，需要去除循环前缀，然后对信号进行z-score归一化处理；接下来需要获取灵活光网络的传输参数，实现均衡器对多种场景的适配；利用约50000个数据点的预处理后的信号计算振幅分布直方图，组数设置为50，然后输入第一级多任务神经网络分类器，计算获取灵活光网络的传输参数，包括传输波长、波特率、传输距离、发送功率和光信噪比等，利用传输参数来配置第二级神经网络回归器的权重和偏置；将预处理后的信号按长度为61的时间窗口输入至第二级神经网络回归器得到均衡后的时域信号；对于正交频分复用信号，需要将时域信号进行串并转换后利用快速傅里叶变换得到频域信号，然后进行判决和解映射输出；对于脉冲幅度调制信号则直接对时域信号进行判决和解映射输出，最后计算误码率，评估均衡效果。
在初始场景下，可以根据现有数据训练第一级多任务神经网络分类器，输入神经元个数为50，输出神经元个数与现有数据包含的动态传输特征一致，输出层激活函数为softmax函数；然后针对不同的灵活光网络的传输参数，分别训练得到第二级神经网络回归器的权值和偏置信息，第二级神经网络输入神经元数为61，输出神经元数为1，输出层激活函数为线性函数。两级神经网络均设置为3层隐藏层的多层感知机，并采用自适应矩估计法和批量计算优化的梯度下降法作为训练算法，采用均方根误差函数作为误差函数；当灵活光网络进一步变化时，可以选择训练完毕的两级神经网络作为初始网络，采用新的传输场景的接收数据进行训练，这种方法就是迁移学习，采用迁移学习可以避免每一次变化系统都要重新训练神经网络，而是借鉴了现有的信息，因此可以减少神经网络学习的时间，降低训练阶段的复杂度。
总的而言，本发明采用了两级神经网络复合结构，采用神经网络分类器识别传输参数，然后采用神经网络回归器进行时域均衡，可以在不同传输场景下均获得良好的均衡性能，同时在训练阶段采用迁移学习进行训练，降低了计算复杂度，进一步提升了所述均衡方案的灵活性。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
上述计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于复合神经网络的灵活光网络时域均衡方法，其特征在于，包括：
(1)对灵活光网络传输的接收信号进行预处理；
(2)计算预处理后接收信号的振幅分布直方图；
(3)将振幅分布直方图输入至第一级多任务神经网络分类器，输出灵活光网络的传输参数；
(4)根据灵活光网络的传输参数，设置第二级神经网络回归器的权值和偏置参数；
(5)采用步骤(4)获取的第二级神经网络回归器对步骤(1)获取的预处理后的接收信号进行时域均衡；
其中，第一级多任务神经网络分类器的输入神经元个数与振幅直方图的组数相同，其输出神经元个数与灵活光网络的传输参数相同。
2.根据权利要求1所述的灵活光网络时域均衡方法，其特征在于，所述灵活光网络传输的接收信号为正交频分复用信号或脉冲幅度调制信号。
3.根据权利要求2所述的灵活光网络时域均衡方法，其特征在于，若所述接收信号为正交频分复用信号，则所述步骤(1)中的预处理具体包括：
(1.1.1)利用同步序列提取正交频分复用信号中完整的一帧数据；
(1.1.2)将步骤(1)中所述的帧数据降采样至待恢复的发送数据的采样率；
(1.1.3)将所述的降采样后的帧数据去除循环前缀；
(1.1.4)将去除循环前缀的帧数据归一化。
4.根据权利要求2所述的灵活光网络时域均衡方法，其特征在于，若所述接收信号为脉冲幅度调制信号时，则步骤(1)中的预处理具体包括：
(1.2.1)利用同步序列提取正交频分复用信号中完整的一帧数据；
(1.2.2)将步骤(1)中所述的帧数据降采样至待恢复的发送数据的采样率；
(1.2.3)将所述降采样后的帧数据归一化。
5.根据权利要求3或4所述的灵活光网络时域均衡方法，其特征在于，所述归一化方法为：
采用z-score标准化方法，使得所述降采样后的帧数据均值为0，标准差为1；
或采用最小-最大规范化方法，使得所述降采样后的帧数据最小值0，最大值为1。
6.根据权利要求1所述的灵活光网络时域均衡方法，其特征在于，所述灵活光网络的传输参数包括：传输波长、波特率、传输距离、发送功率和光信噪比。
7.一种基于复合神经网络的灵活光网络时域均衡系统，其特征在于，包括：预处理模块、直方图计算模块、第一级多任务神经网络分类器模块和第二级神经网络回归器模块；
所述预处理模块的输出端与所述直方图计算模块的输入端和所述第二级神经网络回归器模块的输入端连接；所述直方图计算模块的输出端与所述第一级多任务神经网络分类器模块的输入端连接；所述第一级多任务神经网络分类器模块的输出端与所述第二级神经网络回归器模块的输入端连接；
所述预处理模块用于对灵活光网络传输的接收信号进行预处理；所述直方图计算模块用于计算预处理后接收信号的振幅分布直方图；所述第一级多任务神经网络分类器模块用于接收振幅分布直方图，并输出灵活光网络的传输参数；所述第二级神经网络回归器模块用于对预处理后的接收信号进行时域均衡；
其中，所述灵活光网络的传输参数用于设置所述第二级神经网络回归器模块的权值和偏置参数；所述第一级多任务神经网络分类器模块的输入神经元个数与所述振幅直方图的组数相同，其输出神经元个数与所述灵活光网络的传输参数相同。
8.根据权利要求7所述的灵活光网络时域均衡系统，其特征在于，所述预处理模块包括提取单元、降采样单元、去循环前缀单元和归一化单元；
所述提取单元用于利用同步序列提取接收信号中完整的一帧数据；所述降采样单元用于将帧数据降采样至待恢复的发送数据的采样率；所述去循环前缀单元用于去除正交频分复用信号帧数据中的循环前缀；所述归一化单元用于将帧数据归一化。
9.根据权利要求8所述的灵活光网络时域均衡系统，其特征在于，所述归一化为：
采用z-score标准化方法，使得降采样后的帧数据均值为0，标准差为1；
或采用最小-最大规范化方法，使得降采样后的帧数据最小值0，最大值为1。
10.根据权利要求7所述的灵活光网络时域均衡系统，其特征在于，所述灵活光网络的传输参数包括传输波长、波特率、传输距离、发送功率和光信噪比。
CN201911251746.9A 2019-12-09 2019-12-09 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 Active CN111093123B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911251746.9A CN111093123B (zh) 2019-12-09 2019-12-09 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911251746.9A CN111093123B (zh) 2019-12-09 2019-12-09 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

Publications (2)

Publication Number Publication Date
CN111093123A true CN111093123A (zh) 2020-05-01
CN111093123B CN111093123B (zh) 2020-12-18

Family

ID=70396446

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911251746.9A Active CN111093123B (zh) 2019-12-09 2019-12-09 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

Country Status (1)

Country Link
CN (1) CN111093123B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111884716A (zh) * 2020-06-30 2020-11-03 中国南方电网有限责任公司 一种基于神经网络的光纤通信系统性能评估方法
CN112511472A (zh) * 2020-11-10 2021-03-16 北京大学 一种基于神经网络的时频二阶均衡方法及通信系统
CN112505829A (zh) * 2020-12-14 2021-03-16 华中科技大学 一种模式选择性耦合器设计方法
CN112632855A (zh) * 2020-12-18 2021-04-09 北京科技大学 一种基于特征融合多任务卷积网络光性能检测方法及系统
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
CN113240104A (zh) * 2021-05-27 2021-08-10 中国科学院半导体研究所 一种基于时域泰伯效应的串行光神经网络系统
CN113595626A (zh) * 2021-06-21 2021-11-02 香港理工大学深圳研究院 一种基于神经网络的光信号参数实时监测方法、装置
CN115347955A (zh) * 2021-05-14 2022-11-15 上海诺基亚贝尔股份有限公司 用于信道均衡的方法、设备、装置和介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105975941A (zh) * 2016-05-31 2016-09-28 电子科技大学 一种基于深度学习的多方向车型检测识别系统
CN108599865A (zh) * 2018-04-13 2018-09-28 北京邮电大学 基于光子神经网络的信号调制格式识别方法、装置
CN109347775A (zh) * 2018-10-22 2019-02-15 西南交通大学 一种联合强度波动与相位波动特征的调制格式识别方法
US20190114547A1 (en) * 2017-10-16 2019-04-18 Illumina, Inc. Deep Learning-Based Splice Site Classification
CN109919209A (zh) * 2019-02-26 2019-06-21 中国人民解放军军事科学院国防科技创新研究院 一种领域自适应深度学习方法及可读存储介质
CN110457687A (zh) * 2019-07-23 2019-11-15 福建奇点时空数字科技有限公司 一种基于复合神经网络建模的数据挖掘与标注方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105975941A (zh) * 2016-05-31 2016-09-28 电子科技大学 一种基于深度学习的多方向车型检测识别系统
US20190114547A1 (en) * 2017-10-16 2019-04-18 Illumina, Inc. Deep Learning-Based Splice Site Classification
CN108599865A (zh) * 2018-04-13 2018-09-28 北京邮电大学 基于光子神经网络的信号调制格式识别方法、装置
CN109347775A (zh) * 2018-10-22 2019-02-15 西南交通大学 一种联合强度波动与相位波动特征的调制格式识别方法
CN109919209A (zh) * 2019-02-26 2019-06-21 中国人民解放军军事科学院国防科技创新研究院 一种领域自适应深度学习方法及可读存储介质
CN110457687A (zh) * 2019-07-23 2019-11-15 福建奇点时空数字科技有限公司 一种基于复合神经网络建模的数据挖掘与标注方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CHUNXIAO WANG,SONGNIAN FU等: "Deep Learning Enabled Simultaneous OSNR and CD", 《IEEE XPLORE》 *
蒋剑: "《基于深度卷积神经网络的旋转机械》", 《中国优秀硕士学位论文全文数据库》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111884716A (zh) * 2020-06-30 2020-11-03 中国南方电网有限责任公司 一种基于神经网络的光纤通信系统性能评估方法
CN111884716B (zh) * 2020-06-30 2021-10-15 中国南方电网有限责任公司 一种基于神经网络的光纤通信系统性能评估方法
CN112511472A (zh) * 2020-11-10 2021-03-16 北京大学 一种基于神经网络的时频二阶均衡方法及通信系统
CN112511472B (zh) * 2020-11-10 2022-04-01 北京大学 一种基于神经网络的时频二阶均衡方法及通信系统
CN112505829A (zh) * 2020-12-14 2021-03-16 华中科技大学 一种模式选择性耦合器设计方法
CN112632855A (zh) * 2020-12-18 2021-04-09 北京科技大学 一种基于特征融合多任务卷积网络光性能检测方法及系统
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
CN115347955A (zh) * 2021-05-14 2022-11-15 上海诺基亚贝尔股份有限公司 用于信道均衡的方法、设备、装置和介质
CN115347955B (zh) * 2021-05-14 2023-11-24 上海诺基亚贝尔股份有限公司 用于信道均衡的方法、设备、装置和介质
CN113240104A (zh) * 2021-05-27 2021-08-10 中国科学院半导体研究所 一种基于时域泰伯效应的串行光神经网络系统
CN113240104B (zh) * 2021-05-27 2023-11-14 中国科学院半导体研究所 一种基于时域泰伯效应的串行光神经网络系统
CN113595626A (zh) * 2021-06-21 2021-11-02 香港理工大学深圳研究院 一种基于神经网络的光信号参数实时监测方法、装置

Also Published As

Publication number Publication date
CN111093123B (zh) 2020-12-18

Similar Documents

Publication Publication Date Title
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
Khan et al. Modulation format identification in coherent receivers using deep machine learning
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
CN110505020B (zh) 基于迁移学习的光非线性均衡方法
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
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
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
Zhao et al. Low complexity OSNR monitoring and modulation format identification based on binarized neural networks
CN103178900A (zh) 基于支持向量机的相干光通信系统非线性损伤消除装置
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
CN112733917A (zh) 一种基于shap特征优化的信道均衡方法
CN114553315B (zh) 基于CNN-biRNN的光纤非线性均衡方法及系统
CN109347776A (zh) 一种差分相位幅度比的光通信信号调制格式识别方法
Lippiatt et al. Joint linear and nonlinear noise estimation of optical links by exploiting carrier phase recovery
CN114285715B (zh) 基于双向gru-条件随机场的非线性均衡方法
CN113472435B (zh) 一种光信号调制参数和损伤因素同时提取的方法
Hao et al. Stokes space modulation format identification for optical signals using probabilistic neural network
Zhang et al. A simple artificial neural network based joint modulation format identification and OSNR monitoring algorithm for elastic optical networks
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
Gao et al. Joint baud-rate and modulation format identification based on asynchronous delay-tap plots analyzer by using convolutional neural network
CN111988249A (zh) 一种基于自适应神经网络的接收端均衡方法及接收端
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
CN112737688A (zh) 一种基于信道特征迁移的dsp均衡方法及系统
CN109861760A (zh) 相干光通信系统码型相关损伤自适应补偿方法及系统

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