CN112511472B - 一种基于神经网络的时频二阶均衡方法及通信系统 - Google Patents

一种基于神经网络的时频二阶均衡方法及通信系统 Download PDF

Info

Publication number
CN112511472B
CN112511472B CN202011246372.4A CN202011246372A CN112511472B CN 112511472 B CN112511472 B CN 112511472B CN 202011246372 A CN202011246372 A CN 202011246372A CN 112511472 B CN112511472 B CN 112511472B
Authority
CN
China
Prior art keywords
frequency domain
neural network
time domain
time
frequency
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
CN202011246372.4A
Other languages
English (en)
Other versions
CN112511472A (zh
Inventor
张帆
陈心羽
明浩
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.)
Peking University
Original Assignee
Peking 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 Peking University filed Critical Peking University
Priority to CN202011246372.4A priority Critical patent/CN112511472B/zh
Publication of CN112511472A publication Critical patent/CN112511472A/zh
Application granted granted Critical
Publication of CN112511472B publication Critical patent/CN112511472B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H04L27/2655—Synchronisation arrangements
    • H04L27/2689—Link with other circuits, i.e. special connections between synchronisation arrangements and other circuits for achieving synchronisation
    • H04L27/2691—Link with other circuits, i.e. special connections between synchronisation arrangements and other circuits for achieving synchronisation involving interference determination or cancellation
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
    • H04L25/03006—Arrangements for removing intersymbol interference
    • H04L25/03821—Inter-carrier interference cancellation [ICI]

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Power Engineering (AREA)
  • Electromagnetism (AREA)
  • Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)

Abstract

本发明公开了一种基于神经网络的时频二阶均衡方法及通信系统。本发明的时频二阶均衡方法包括：1)接收端对收到的时域多载波符号进行处理得到待均衡的信号；2)利用待均衡的信号及其相邻信号生成时域特征向量并输入到训练后的时域神经网络，得到均衡结果并将其转换到频域；3)根据转换到频域的均衡结果生成频域特征向量并输入训练后的频域神经网络，得到最终的均衡信号输出。本发明在时域信号质量提升的基础上，对后续信号到频域的转换以及子载波解调也会计算得更加精准，削弱了计算噪声的影响；同时削弱了时域多载波符号之间和频域相邻子载波之间的串扰。

Description

一种基于神经网络的时频二阶均衡方法及通信系统
技术领域
本发明属于光通信传输领域，涉及一种多载波系统接收端均衡方法及通信系统，尤其涉及一种基于神经网络的多载波系统接收端时频二阶均衡方法及通信系统。
背景技术
光纤通信系统由于频带宽、数据传输速率高、成本低等优点而被广泛应用于在大容量宽带通信系统中得到了广泛的应用。随着高速数字信号处理器的发展，多载波调制技术得到重视，并实际应用到光纤通信系统中，如正交频分复用(OFDM)、离散多音调制(DMT)、非线性频分复用(NFDM)等数字调制技术。多载波调制技术的基本原理是在频域内将信道的可用带宽划分为N个频谱重叠的子信道，各载波间可保持正交，降低了单载波通信系统中对载波间距的要求，使得多载波系统频谱效率通常高于传统的单载波系统。
多载波调制系统中，发射机中首先进行串并转换，将串行比特流转化为并行的块结构，为调制多载波符号做准备。下一步经过符号映射将0,1比特流映射成16QAM、64QAM等一个符号携带多个比特信息的电信号，作为频域子载波上的符号，之后这些符号经过数字运算被调制到频域相互正交的子载波上，在时域上构成多载波符号波形。由于实际传输链路中存在自发辐射噪声、非线性效应等无法避免的损伤因素，不同子信道的信道增益不同，且正交子载波间的独立性会遭到破坏，形成频域上子载波间的相互干扰。时域上，光纤信道的色散和非线性效应的影响会造成时域信号展宽，形成多载波符号间的串扰。这些传输过程中受到线性与非线性损伤严重影响了系统性能。针对这一问题，均衡技术成为多载波调制中的关键技术。传统的均衡方案分为两类，时域均衡(TDE)和频域均衡(FDE)。对符号间干扰的消除可通过时域均衡完成，而频域均衡可用来调整每个子信道增益、消除子载波间的干扰。
近年来，神经网络由于其强大的拟合能力，已被成功应用于光纤通信系统中，神经网络作为一种数据驱动的算法既可在时域对信号进行补偿，又可在频域对信号进行补偿。采用神经网络补偿信号损伤主要分为训练和均衡两个阶段，经过充分训练的神经网络通常都能够很好地对信号进行补偿。不过，多载波调制信号的损伤来源是多方面的，单一维度的训练不能够同时追踪信号在时频域不同的损伤特点，这使得补偿的准确性有待进一步提高。
发明内容
针对现有技术中存在的只能在单一维度上对信号进行均衡的技术问题，本发明的目的在于提供一种应用在多载波调制系统中基于神经网络的接收端时频二阶均衡方法及通信系统。
为实现上述目的，本发明采用如下技术方案：
1.经过传输的时域多载波符号在接收端经过前序数字处理，得到待均衡的信号形式。在保证神经网络输入为采样信息的前提下，神经网络可以嵌入在数字信号处理流程中的任意位置。根据均衡目的，可确定神经网络在数字信号处理流程中的嵌入位置，在该处采集并存储光纤通信传输系统的接收符号信息。
2.将存储的接收符号依据设定方式生成特征向量作为训练数据，其对应的发端发送的符号作为标签训练神经网络。第k个接收符号对应的特征向量记为xk，其对应的发端发送符号为Lk。当神经网络置于时域，时域特征向量记为
Figure BDA0002770172960000021
由时域多载波符号的波形采样点sk构成，即构成时域模拟波形的离散数值点，
Figure BDA0002770172960000022
对应的标签记为
Figure BDA0002770172960000023
当神经网络置于频域，频域特征向量记为
Figure BDA0002770172960000024
由调制在频域子载波上的符号ck构成，
Figure BDA0002770172960000025
对应的标签记为
Figure BDA0002770172960000026
3.时域上，将待均衡的时域采样点对应的特征向量
Figure BDA0002770172960000027
输入时域神经网络，网络对应的输出为时域均衡后的符号，记为
Figure BDA0002770172960000028
频域上，将待均衡的子载波上的符号对应的特征向量
Figure BDA0002770172960000029
输入频域神经网络，网络对应的输出为频域均衡后的符号，记为
Figure BDA00027701729600000210
在多载波调制系统中，发送符号通常为复数，
Figure BDA00027701729600000211
和
Figure BDA00027701729600000212
均为包含信号实部与虚部的向量。
4.对于时域均衡和频域均衡，一个重要部分是将时域信号采样点之间以及频域子载波成分之间的相关性考虑在内。因此可以利用神经网络中的人工神经网络来执行多抽头均衡，根据时域符号间的关联性执行均衡来减小时域符号间的串扰，根据频域相邻子载波之间的关联性执行均衡来削弱子载波间的串扰。在构建特征向量时，包含待均衡的目标符号以及其周围相邻的符号，对应于均衡器的抽头位置。
5.阶段一对时域信号进行训练。将人工神经网络置于时域，在多载波符号时间采样序列作为神经网络的输入之前，对其进行数据重组。将连续的时域多载波符号波形中的每一个多载波符号作为一个块结构。由于时域多载波符号的边界干扰主要发生在前一个块结构和下一个块结构的交界处，可以将时域信号重新组织成由三个连续的块结构中的时域多载波符号构成的组。选取每个组里的时域多载波符号波形采样点构成特征向量
Figure BDA00027701729600000213
包括待均衡的目标采样点sk以及其周围相邻的采样点，将发送端波形上与待均衡的目标采样点sk所对应的采样点
Figure BDA0002770172960000031
作为
Figure BDA0002770172960000032
的标签。训练阶段采用平方误差损失函数计算网络输出
Figure BDA0002770172960000033
与标签
Figure BDA0002770172960000034
之间的误差，通过最小化平方误差来优化网络参数。时域处理中，每一组中间的块结构是待均衡的目标，时域均衡之后，选取中间的块结构进行后续的数字信号处理。
6.阶段二对频域信号进行训练。将人工神经网络置于子载波解调之后，将接收到的每个子载波上的符号作为神经网络的输入。选取子载波上的符号构成特征向量
Figure BDA0002770172960000035
包括待均衡的符号ck以及其周围相邻子载波上的符号，将发送端频域子载波上与待均衡目标所对应的符号
Figure BDA0002770172960000036
作为标签。训练阶段采用平方误差损失函数计算网络输出
Figure BDA0002770172960000037
与标签
Figure BDA0002770172960000038
之间的误差，通过最小化平方误差来优化网络参数。频域均衡之后，再经过数据符号判决。
7.多载波调制系统中，发送符号被调制在子载波上，在接收端，需要将接收到的时域信号先转换到频域，继而再进行子载波解调获得传输后的符号，即接收端数字信号处理流程为先时域处理后频域处理。因此对一待均衡的多载波调制信号，首先将时域生成的特征向量作为训练所得的第一阶段时域神经网络的输入，得到均衡结果；进而对均衡后的时域信号进行多载波解调转换到频域，再将频域生成的特征向量作为第二阶段频域神经网络的输入，得到最终的均衡信号输出。
本发明还提供了一种通信系统，包括发射端和接收端，其特征在于，所述接收端包括依次连接的接收机、前端数字处理单元、时频二阶均衡单元和判决单元；其中，
接收机，用于将收到的时域多载波符号发送给前端数字处理单元；
前端数字处理单元，用于对时域多载波符号进行处理得到待均衡的信号并发送给时频二阶均衡单元；
时频二阶均衡单元，用于利用待均衡的信号及其相邻信号生成时域特征向量并输入到时域神经网络，得到均衡结果并将其转换到频域；然后根据转换到频域的均衡结果生成频域特征向量并输入到频域神经网络，得到最终的均衡信号输出；
判决单元，用于对时频二阶均衡单元最终输出的均衡信号进行判决。
与现有技术相比，本发明的积极效果为：
时频二阶神经网络均衡方法相较于传统频域均衡方法和单一维度神经网络均衡方法具有更高的均衡性能，这种性能的提升来源于减少了计算噪声和传输失真的影响。削弱计算噪声的影响体现在，在时域信号质量提升的基础上，后续信号到频域的转换以及子载波解调也会计算得更加精准；补偿传输失真体现在，二阶神经网络针对多个维度的损伤因子，同时削弱了时域多载波符号之间和频域相邻子载波之间的串扰，具体实验结果由图4所示。
附图说明
图1是本发明实施例的光纤通信传输系统时域神经网络训练阶段结构示意图。
图2是本发明实施例的光纤通信传输系统频域神经网络训练阶段结构示意图。
图3是本发明实施例的光纤通信传输系统时频二阶均衡阶段结构示意图。
图4是本发明实施例的NFDM系统256Gbps总速率、16QAM信号960km传输实验结果示意图。
具体实施方式
下面通过具体实施例和附图，对本发明做进一步详细说明。
1.在阶段一的时域人工神经网络训练和均衡结构中，接收端光信号经过前端数字处理(色散补偿、偏振解复用等)后得到时域多载波符号。将时域符号进行重组，第p个块结构与第p-1个和第p+1个拼接构成一组相邻的时域多载波符号，在时域均衡之后取出第p个块结构进行后续数字信号处理步骤。训练和均衡过程中，每组时域符号波形的每一采样点生成一对应的时域特征向量，时域特征向量
Figure BDA0002770172960000041
由时域波形上第k个采样点sk及其前后2L个相邻采样点组成，即
Figure BDA0002770172960000042
考虑到采样点之间的关联性，L的取值需要根据实际系统进行优化。这里
Figure BDA0002770172960000043
是一个一维向量，由长度为2(2L+1)的接收样本组成，Re(sk)表示复数信号sk的实部，Im(sk)表示复数信号sk的虚部。
2.在阶段二的频域人工神经网络训练和均衡结构中，接收端光信号经过前端数字处理(色散补偿、偏振解复用、时域均衡、子载波解调等)后得到子载波上的符号。训练和均衡过程中，由子载波上的符号生成对应的频域特征向量。子载波上的第k个符号ck的频域特征向量
Figure BDA0002770172960000044
由其本身及其前后2M个相邻子载波上的符号组成，即
Figure BDA0002770172960000045
考虑到子载波之间的关联性，M的取值需要根据实际系统进行优化。
Figure BDA0002770172960000051
是长度为2(2M+1)的一维向量，Re(ck)表示复数符号ck的实部，Im(ck)表示复数信号ck的虚部。
3.在多载波调制系统中，发送端的符号通常为复数信号，将复数信号的实部与虚部组成一个一维向量作为标签。对于时域人工神经网络训练，将生成的时域特征向量xsk作为训练数据，其对应的发送时域符号采样点
Figure BDA0002770172960000052
作为标签，采用平方误差损失函数
Figure BDA0002770172960000053
训练一个神经网络，其中B是一次训练的样本数目，
Figure BDA0002770172960000054
是训练后的输出，对应于标签
Figure BDA0002770172960000055
该过程由图1所示。对于频域人工神经网络训练，将生成的频域特征向量
Figure BDA0002770172960000056
作为训练数据，
Figure BDA0002770172960000057
是训练后的输出，其对应的子载波上的符号作为标签
Figure BDA0002770172960000058
同样采用平方误差损失函数MSEloss训练人工神经网络，该过程由图2所示。
4.记录好训练完成的神经网络的模型，构成时频二阶均衡器。采用训练好的神经网络均衡后续数据。将时域待均衡的多载波符号采样点sj生成的时域特征向量
Figure BDA0002770172960000059
作为时频二阶均衡器阶段一人工神经网络的输入，其输出的时域符号记为tj。进而对均衡后的时域信号tj进行多载波解调转换到频域，得到频域子载波上待均衡的符号cj；然后根据频域子载波上待均衡的符号cj生成的频域特征向量
Figure BDA00027701729600000510
作为时频二阶均衡器阶段二人工神经网络的输入，其输出的符号记为yj。最终对其进行判决，得到均衡后的系统性能。以上过程由图3所示。
图4是本发明实施例的采用256Gps总速率、16QAM信号的NFDM系统传输960km仿真结果示意图。横轴为入纤功率，纵轴为信号Q2值。由时频二阶人工神经网络、传统频域相位纠正均衡方案和单一维度神经网络均衡方案结果的对比可知，时频二阶人工神经网络均衡方案具有显著的均衡性能，这是因为时频二阶人工神经网络能够同时针对多维度上的多个退化因子进行优化，从时域和频域这两个不同的维度对失真的信号进行联合均衡，削弱时域中的符号间干扰和频域中相邻子载波之间的串扰。
以上实施例仅用以说明本发明的技术方案而非对其进行限制，本领域的普通技术人员可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明的精神和范围，本发明的保护范围应以权利要求所述为准。

Claims (6)

1.一种基于神经网络的时频二阶均衡方法，其步骤包括：
1)接收端对收到的时域多载波符号进行处理得到待均衡的信号；
2)利用待均衡的信号及其相邻信号生成时域特征向量并输入到训练后的时域神经网络，得到均衡结果并将其转换到频域；其中训练得到时域神经网络的方法为：将接收端接收的连续时域多载波符号波形中的每一个多载波符号作为一个块结构；将三个连续的块结构构成一组，对每组里的时域多载波符号波形每一采样点构造一时域特征向量
Figure FDA0003354838510000011
时域特征向量
Figure FDA0003354838510000012
包括待均衡的目标采样点
Figure FDA0003354838510000013
以及其相邻的采样点；将发送端波形上与待均衡目标sk所对应的采样点
Figure FDA0003354838510000014
作为
Figure FDA0003354838510000015
的标签；然后基于带标签的时域特征向量
Figure FDA0003354838510000016
采用设定损失函数计算神经网络输出
Figure FDA0003354838510000017
与标签
Figure FDA0003354838510000018
之间的误差，通过最小化平方误差来优化网络参数，得到训练后的时域神经网络；
3)根据转换到频域的均衡结果生成频域特征向量并输入训练后的频域神经网络，得到最终的均衡信号输出；其中训练得到频域神经网络的方法为：根据接收端接收的子载波上的符号构成频域特征向量
Figure FDA0003354838510000019
子载波上的第k个符号ck的频域特征向量
Figure FDA00033548385100000110
包括待均衡的符号ck以及其相邻子载波上的符号；将发送端频域子载波上与待均衡符号ck所对应的符号
Figure FDA00033548385100000111
作为频域特征向量
Figure FDA00033548385100000112
的标签；然后基于带标签的频域特征向量
Figure FDA00033548385100000113
采用设定损失函数计算神经网络输出
Figure FDA00033548385100000114
与标签
Figure FDA00033548385100000115
之间的误差，通过最小化平方误差来优化网络参数，得到训练后的频域神经网络。
2.如权利要求1所述的方法，其特征在于，时域特征向量
Figure FDA00033548385100000116
由时域波形上第k个采样点sk及其前后2L个相邻采样点组成，即
Figure FDA00033548385100000117
其中采样点sk为一复数信号，Re(sk)表示sk的实部，Im(sk)表示sk的虚部。
3.如权利要求1所述的方法，其特征在于，频域特征向量
Figure FDA00033548385100000118
由其本身及其前后2M个相邻子载波上的符号组成，即
Figure FDA00033548385100000119
其中符号ck为一复数信号，Re(ck)表示ck的实部，Im(ck)表示ck的虚部。
4.如权利要求1所述的方法，其特征在于，所述设定损失函数为平方误差损失函数。
5.一种通信系统，包括发射端和接收端，其特征在于，所述接收端包括依次连接的接收机、前端数字处理单元、时频二阶均衡单元和判决单元；其中，
接收机，用于将收到的时域多载波符号发送给前端数字处理单元；
前端数字处理单元，用于对时域多载波符号进行处理得到待均衡的信号并发送给时频二阶均衡单元；
时频二阶均衡单元，用于利用待均衡的信号及其相邻信号生成时域特征向量并输入到时域神经网络，得到均衡结果并将其转换到频域；然后根据转换到频域的均衡结果生成频域特征向量并输入到频域神经网络，得到最终的均衡信号输出；
判决单元，用于对时频二阶均衡单元最终输出的均衡信号进行判决；
其中，训练得到时域神经网络的方法为：将接收端接收的连续时域多载波符号波形中的每一个多载波符号作为一个块结构；将三个连续的块结构构成一组，对每组里的时域多载波符号波形每一采样点构造一时域特征向量
Figure FDA0003354838510000021
时域特征向量
Figure FDA0003354838510000022
包括待均衡的目标采样点sk以及其相邻的采样点；将发送端波形上与待均衡目标sk所对应的采样点
Figure FDA0003354838510000023
作为
Figure FDA0003354838510000024
的标签；然后基于带标签的时域特征向量
Figure FDA0003354838510000025
采用设定损失函数计算神经网络输出
Figure FDA0003354838510000026
与标签
Figure FDA0003354838510000027
之间的误差，通过最小化平方误差来优化网络参数，得到训练后的时域神经网络；
训练得到所述频域神经网络的方法为：根据接收端接收的子载波上的符号构成频域特征向量，子载波上的第k个符号ck的频域特征向量
Figure FDA0003354838510000028
包括待均衡的符号ck以及其相邻子载波上的符号；将发送端频域子载波上与待均衡符号ck所对应的符号
Figure FDA0003354838510000029
作为频域特征向量
Figure FDA00033548385100000210
的标签；然后基于带标签的频域特征向量
Figure FDA00033548385100000211
采用设定损失函数计算神经网络输出
Figure FDA00033548385100000212
与标签
Figure FDA00033548385100000213
之间的误差，通过最小化平方误差来优化网络参数，得到训练后的频域神经网络。
6.如权利要求5所述的通信系统，其特征在于，所述设定损失函数为平方误差损失函数。
CN202011246372.4A 2020-11-10 2020-11-10 一种基于神经网络的时频二阶均衡方法及通信系统 Active CN112511472B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011246372.4A CN112511472B (zh) 2020-11-10 2020-11-10 一种基于神经网络的时频二阶均衡方法及通信系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011246372.4A CN112511472B (zh) 2020-11-10 2020-11-10 一种基于神经网络的时频二阶均衡方法及通信系统

Publications (2)

Publication Number Publication Date
CN112511472A CN112511472A (zh) 2021-03-16
CN112511472B true CN112511472B (zh) 2022-04-01

Family

ID=74957088

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011246372.4A Active CN112511472B (zh) 2020-11-10 2020-11-10 一种基于神经网络的时频二阶均衡方法及通信系统

Country Status (1)

Country Link
CN (1) CN112511472B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022217506A1 (zh) * 2021-04-14 2022-10-20 Oppo广东移动通信有限公司 信道信息反馈的方法、发送端设备和接收端设备
CN115378507B (zh) * 2022-08-19 2024-04-26 聊城大学 适用于多特征值非线性频分复用系统的噪声均衡方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103297362A (zh) * 2013-06-05 2013-09-11 上海高清数字科技产业有限公司 一种基于误差更新的信道估计系统及方法
CN111093123A (zh) * 2019-12-09 2020-05-01 华中科技大学 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

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7684526B2 (en) * 2006-09-21 2010-03-23 Broadcom Corporation Frequency domain equalizer for dual antenna radio
CN101902416B (zh) * 2010-06-30 2013-10-30 南京信息工程大学 模糊控制的动态小波神经网络反馈盲均衡方法
CN109147807B (zh) * 2018-06-05 2023-06-23 安克创新科技股份有限公司 一种基于深度学习的音域平衡方法、装置及系统
US20200074278A1 (en) * 2018-08-30 2020-03-05 International Business Machines Corporation Farming Portfolio Optimization with Cascaded and Stacked Neural Models Incorporating Probabilistic Knowledge for a Defined Timeframe

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103297362A (zh) * 2013-06-05 2013-09-11 上海高清数字科技产业有限公司 一种基于误差更新的信道估计系统及方法
CN111093123A (zh) * 2019-12-09 2020-05-01 华中科技大学 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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于二维LMBP神经网络的ISM频段预测算法;万晓榆等;《电信科学》;20160320(第03期);53-59 *

Also Published As

Publication number Publication date
CN112511472A (zh) 2021-03-16

Similar Documents

Publication Publication Date Title
Cheng et al. Deep learning-based channel estimation and equalization scheme for FBMC/OQAM systems
CN100556012C (zh) 单载波信号的频域均衡
CN112511472B (zh) 一种基于神经网络的时频二阶均衡方法及通信系统
CN113452638B (zh) 一种正交啁啾复用光传输方法和系统
CN109005136B (zh) 一种基于多概率阵列波束映射的多载波光信号发射方法
CN113872657B (zh) 一种免信道均衡的单载波宽带传输方法及系统
CN115174330B (zh) 一种多载波接入网失真信号的补偿方法及非线性均衡器
US6563841B1 (en) Per-bin adaptive equalization in windowed DMT-type modem receiver
CN110661576B (zh) 无线光通信系统中基于im-dd的自适应偏置ofdm调制方法
CN114844749B (zh) 基于神经网络的光纤信道估计方法
Chi et al. AI based on frequency slicing deep neural network for underwater visible light communication
CN113726433B (zh) 一种多速率子载波调制信号收、发方法和系统
Du et al. 90-m/660-Mbps underwater wireless optical communication enabled by interleaved single-carrier FDM scheme combined with sparse weight-initiated DNN equalizer
CN115882959A (zh) 一种基于机器学习的非线性补偿方法
Conceição et al. Highly efficient TIBWB-OFDM waveform for broadband wireless communications
Cai et al. Nonlinear compensation based on bidirectional gate recurrent unit in underwater visible light communication system
Kalet Multitone modulation
CN113556305B (zh) 适用于高频率选择性衰落的fbmc迭代信道均衡方法及系统
Tang et al. A new approach to dealing with the papr problem for ofdm systems via deep learning
Kadhem et al. An Overview for Channel Equalization Techniques in Filter Bank
Raja et al. Novel PAPR Reduction in UFMC system for 5G Wireless Networks Using Precoding Algorithm
Ku et al. Nonlinear pre-distortion in DML-based OFDM transmission enabled by low-complexity sparse volterra filtering
CN108462668B (zh) 一种低复杂度的gfdm信号干扰消除系统
CN109889463A (zh) 一种光ofdm系统中基于ipts技术的带宽节省型峰均比抑制系统
CN109639617A (zh) 一种光ofdm系统中基于apts技术的带宽节省型峰均比抑制系统

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