CN112733917B - 一种基于shap特征优化的信道均衡方法 - Google Patents
一种基于shap特征优化的信道均衡方法 Download PDFInfo
- Publication number
- CN112733917B CN112733917B CN202011637284.7A CN202011637284A CN112733917B CN 112733917 B CN112733917 B CN 112733917B CN 202011637284 A CN202011637284 A CN 202011637284A CN 112733917 B CN112733917 B CN 112733917B
- Authority
- CN
- China
- Prior art keywords
- feature
- shap
- equalizer
- training sequence
- channel equalization
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000005457 optimization Methods 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 50
- 239000013598 vector Substances 0.000 claims abstract description 40
- 239000013307 optical fiber Substances 0.000 claims abstract description 23
- 238000010801 machine learning Methods 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 239000000284 extract Substances 0.000 claims abstract description 4
- 230000005540 biological transmission Effects 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 239000000835 fiber Substances 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000009286 beneficial effect Effects 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims 1
- 230000003287 optical effect Effects 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 7
- 238000012706 support-vector machine Methods 0.000 description 7
- 238000010276 construction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000000654 additive Substances 0.000 description 3
- 230000000996 additive effect Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Classifications
-
- 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
- H04L25/03878—Line equalisers; line build-out devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Power Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Optical Communication System (AREA)
- Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
Abstract
本发明涉及一种基于SHAP特征优化的信道均衡方法,包括:(1)发送端将包含训练序列的数据通过光纤传输到接收端,接收端将采样后包含训练序列的数据输入到基于机器学习的均衡器模块;(2)基于机器学习的均衡器模块提取接收到的训练序列,为其构建特征向量;(3)通过计算得到每个样本各个特征的SHAP值,再基于该指标衡量每个特征的特征权重重要性及对预测结果的影响;(4)基于特征权重对特征进行选择,并由特征选择的结果为训练集和测试集构建特征向量;(5)将构建的特征向量输入至基于DSP算法的均衡器之中,对后续有效数据进行均衡。本发明既保持系统性能,又减少时钟抖动对系统性能的影响,并降低了信道均衡的计算复杂度。
Description
技术领域
本发明涉及一种应用于高速光纤接入网传输系统中基于SHAP特征优化的信道均衡方法。
背景技术
近年来,随着云计算、无人驾驶、虚拟现实和其他新型业务的兴起,行业和系统实用性都对基于光纤通信的数据中心互连提出了更高的要求。然而,短距离光传输系统对成本极其敏感。因此,在保持低成本的同时追求容量的提高具有重要意义,并且是当前数据中心互连系统设计的重点。解决低成本需求的一个方案是采用具有低带宽的成熟且低成本的光电设备。但是,对于基于有限频带收发器的高速系统,带宽引起的系统间干扰、光纤的局限性和累积色散会严重降低系统性能。因此,研究如何在保持低成本的同时对信号损伤进行补偿并进一步提升系统性能是十分有必要的。
根据前期文献调研发现,目前均衡方案可以归纳为两类:光域均衡和基于数字信号处理(Digital Signal Process,DSP)的电域均衡。但是,光域均衡技术具有系统成本昂贵以及性能改进有限等固有缺点。因此,基于DSP的电域均衡已经成为主流研究技术。其中,前馈均衡器(Feedforward Equalizer,FFE)和判决反馈均衡器(Decision FeedbackEqualizer,DFE)是信号均衡中使用最广泛的DSP技术。这两种均衡器的关键步骤是基于不同的自适应算法获取抽头系数。然而,常用的自适应算法通常需要大量的训练开支和较高的计算复杂度。因此,需要进行改进以达到更高的适应性和通用性。
同时,为了进一步提高均衡性能,国内外学者陆续提出了一些基于机器学习的均衡方案,包括基于深度神经网络(Deep Neural Network,DNN)、支持向量机(SupportVector Machine,SVM)、卷积神经网络(Convolutional Neural Network,CNN)、K近邻(K-Nearest Neighbors,KNN)等。而目前基于机器学习的均衡方案在系统实现成本、算法性能、计算复杂度及鲁棒性等方面都存在一定的缺陷。此外,目前的机器学习算法都由于其高复杂度和较长的运行时间限制了其在实际光纤通信系统部署中的应用。
因此,本发明综合考虑高速光纤接入网传输系统中的信道损伤,提出了一种基于SHAP特征优化的机器学习均衡算法,能够在满足均衡性能优异的同时最大化降低均衡器成本,可以有效提升均衡器的可扩展性,为高速率短距离光纤传输系统做好技术。
发明内容
针对现有技术中的缺陷,本发明提供了一种应用于高速光纤接入网传输系统的基于SHAP特征优化的信道均衡方法。
为了实现本发明的发明目标,本发明采用如下技术方案:
一种基于SHAP特征优化的信道均衡方法,应用于高速光纤接入网传输系统,所述信道均衡方法包括以下步骤:
步骤1:发送端将包含训练序列的数据通过光纤传输到接收端,接收端将采样后包含训练序列的数据输入到基于机器学习的均衡器模块;
步骤2:基于机器学习的均衡器模块提取接收到的训练序列,为其构建特征向量并进行处理;
步骤3:通过计算得到每个样本的特征向量中各个特征的SHAP值,再基于SHAP值衡量每个特征的特征权重重要性及对预测结果的影响;
步骤4:基于特征权重对特征进行选择,并基于特征选择的结果为训练集和测试集构建特征向量;
步骤5:将构建的特征向量输入至基于DSP算法的均衡器中,对后续有效数据进行均衡。
作为优选方案,所述步骤1中,所述训练序列是由训练序列发生器产生的伪随机序列,信号的调制方式为高阶PAM调制。
作为优选方案,所述高速光纤接入网传输系统为基于器件带宽限制的IM/DD光纤通信系统。
作为优选方案,所述基于机器学习的均衡器模块为SHAP方法适用的模型,为GBDT(Gradient Boosting Decision Tree,梯度提升决策树)或NN(Neural Network,神经网络)。
作为优选方案,所述步骤2中,特征向量的构建方法是利用抽头延时器训练向量中的每个数据,分别得到接收到的后续数据和先前时刻由训练序列发生器重新产生的数据当作其特征,构成特征向量。将构建的训练序列特征向量及其对应的标签,一起构成数据集。
作为优选方案,所述步骤3中,所述SHAP值为样本中每个特征所分配到的数值。SHAP模型是由Shapley值启发的可加性解释模型。
作为优选方案,所述SHAP值用于反映各个特征权重的重要性,即特征对样本预测值的影响程度,以及该影响是有利的还是不利的。
作为优选方案,所述步骤4中,对特征进行选择是基于SHAP值反映出的各个特征权重值进行的,并根据特征重要性选择出具有重要特征权重以及对样本预测结果产生正面结果的特征。
作为优选方案,所述步骤5中,所述基于DSP算法的均衡器为DFE、FFE、Volterra滤波器、基于SVM(支持向量机)的均衡器、基于KNN(K近邻)的均衡器、基于DNN(深度神经网络)的均衡器、基于GBDT(梯度提升决策树)的均衡器。其中,基于DSP的均衡器是指对于信道均衡有效的各种均衡器。
SHAP(Shapely Additive explanations)模型是由Shapley value(沙普利值)启发的可加性解释模型。SHAP模型可以衡量一个预测样本中,该样本各个特征的重要性程度,即哪些特征对最终的预测值影响较大。不同于其他特征选择的算法,SHAP模型不仅可以反映每一个样本中各个特征的影响力,还可以判断每个特征对预测结果的影响力大小。利用SHAP模型进行特征选择,在维持系统性能优异的同时,相对其他均衡器减少了开支及成本;此外,SHAP模型于相对其他特征选择的方法反映了特征与最终预测结果的关系,提高了特征优化的准确性。因此,利用SHAP模型进行特征选择的方案,十分适合应用于低成本光纤传输系统的信道均衡算法。
本发明的信道均衡方法,充分考虑了高速光纤接入网通信系统中存在的系统损伤以及成本代价,构建了特殊的特征向量,结合了基于机器学习算法/DSP的均衡器。利用SHAP模型对样本的各个特征进行选择,并判断出各个特征对于样本最终预测值的影响力大小。在保持均衡性能的同时,减少了时钟抖动对系统性能的影响,并大幅减小计算复杂度,降低了光纤传输系统提升系统性能的成本。
与现有技术比,本发明具有如下的有益效果:
1、本发明的信道均衡方法的性能相比于其他均衡器,大大降低了计算复杂度以及实现难度;
2、本发明利用SHAP模型进行特征优化,减少了时钟抖动对系统性能的影响,可以得到更好的均衡效果,降低接收机灵敏度要求;
3、本发明利用SHAP模型,相对于其他基于特征选择的均衡器,不仅可以权衡各个特征对样本的影响,还可以判断该影响力是正面的还是负面的,可以提高特征选择阶段的准确性。
附图说明
图1为本发明实施例的基于SHAP特征优化的信道均衡方法的原理示意图;
图2为本发明实施例的高速率光纤通信系统结构框图;
图3为本发明实施例的基于SHAP的特征重要性示意图;
图4为本发明实施例的基于SHAP的特征概要图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
如图1所示,本发明实施例的应用于高速光纤接入网传输系统(即高速率光纤通信系统)的基于SHAP特征优化的信道均衡方法,通过构建特殊的特征向量,结合SHAP模型对样本特征进行选择及优化,之后再注入基于机器学习算法/DSP的均衡器,对数据进行有效均衡。
具体地,基于SHAP特征优化的信道均衡方法,包括以下步骤:
步骤1:发送端将包含训练序列的数据通过光纤传输到接收端,接收端将采样后包含训练序列的数据输入到基于机器学习的DSP均衡器模块;
步骤2:基于机器学习的均衡器模块提取接收到的训练序列,为其构建特征向量并进行处理。训练序列发生器重新产生训练序列,并将其作为对应特征向量的标签;
步骤3:通过计算得到每个样本各个特征的SHAP值,再基于该指标衡量每个特征的特征权重重要性及对预测结果的影响;
步骤4:基于特征权重对特征进行选择,并基于特征选择的结果为训练集和测试集构建特征向量;
步骤5:将构建的特征向量输入至基于DSP算法的均衡器之中,对后续有效数据进行均衡。
更进一步地,对本发明需使用的术语进行介绍:
1、PAM-M指脉冲振幅调制,是对载波的幅度随信号变化的一种调制方式。是目前低成本光通信中的热点调制方式之一。
2、第i个码元的特征向量值X(i)可以描述为:
X(i)=[x(i-n),x(i-n+1),…,x(i),…,x(i+m-1),x(i+m)]T
其中,x(i)表示当前样本;x(i-n),x(i-n+1)…表示用于特征构建的先前样本;x(i+m-1),x(i+m)…表示用于特征构建的后续样本。
3、训练集由特征向量和标签组成,可以描述为:
{(X1,l1),(X2,l2),…,(XN,lN)}
其中,XN为第N个样本的特征向量,lN为第N个样本的标签。
4、SHAP模型是指Shapely Additive Explanations。其特性是可以观察到在某一个样本的预测过程中,各个特征对预测结果产生的影响。以往用来解释机器学习模型的Feature Importance方法,只反映出特征的重要性,即哪些特征对最终的模型影响较大。SHAP提供了另一种计算特征重要性的思路,SHAP值最大的优势是能衡量每一个样本中特征的影响力,并表现出影响力的正负性。
5、对于每一个预测样本,模型都会产生一个预测值。SHAP值就是该样本中每个特征所分配到的数值。假设第i个样本为xi,第i个样本的第j个特征为xi,j,对第i个样本的预测值为yi,可以由以下公式表示:
yi=ybase+f(xi,1)+f(xi,2)+…+f(xi,j)
其中,ybase是所有样本目标变量的均值;f(xi,j)为xi,j的SHAP值,即第i个样本中第j个特征对最终预测值yi的贡献值。若f(xi,j)>0,说明该特征提升了预测值准确性,起到了正向作用;若f(xi,j)<0,说明该特征使得预测值准确度降低,有反作用。
6、利用SHAP可以将机器学习的模型解释为:
其中,g是解释模型,N是特征数量,是特征j的Shapely值,即每个特征对样本预测结果的影响力大小。
7、在特征选择之后,本发明选择具有重要特征权重的特征,以构建训练集和测试集的特征向量,可以表示为:
X(i)=[x1(i),x2(i),x3(i),…,xk(i)]T
其中,k表示特征向量按特征权重降序排列的序数。样本集之后被输入到基于DSP的均衡器进行训练及对信号进行有效分类。
步骤1中,具体描述为:
(1)训练序列是由训练序列发生器产生的伪随机序列,信号的调制方式为高阶PAM调制;
(2)本发明所涉及的光纤传输系统为基于器件带宽限制的IM/DD光纤通信系统;
(3)基于机器学习的均衡器是指SHAP算法适用的模型,包括GBDT(梯度提升决策树)、NN(神经网络)等。
步骤2中,具体描述为:
(1)特征向量构建方法为:利用抽头延时器,训练向量中的每个数据分别得到接收到的后续数据和先前时刻由训练序列发生器重新产生的数据当作其特征,构成特征向量;
(2)训练序列中数据的标签,是指接收端训练序列发生器重新产生的对应数据。将构建的训练序列特征向量及其对应的标签,一起构成数据集。
步骤3中,具体描述为:SHAP值可通过上述计算公式得出,是样本中每个特征所分配到的数值,可以反映各个特征权重的重要性,即特征对样本预测值的影响程度,以及该影响是有利的还是不利的。
步骤4中,具体描述为:特征选择是基于SHAP值反映出的各特征权重值,获得每个特征的重要性,并根据该指标选择出具有重要特征权重以及对样本预测结果产生正面结果的特征。提高了特征选择的准确性,以进一步更好地为训练集和测试集数据构建特征向量。
步骤5中,具体描述为:所述基于DSP的均衡器是指对于信道均衡有效的各种均衡器,包括传统DFE、FFE、Volterra滤波器;基于机器学习算法的均衡器模型,例如SVM(支持向量机)、KNN(K近邻)、DNN(深度神经网络)、基于集成学习的XGBoost模型、LigthGBM模型等。
如图2所示,本发明实施例的高速率光纤通信系统,包括传输模块Tx、接收模块Rx以及光纤信道。
Tx模块将包含训练序列的高速率光信号通过光纤信道发送至Rx模块,由所述Rx模块将光信号转化为相应的电信号。采样后基于DSP的均衡器模块对信号进行分类及补偿。
Tx模块包括:数字信号模块、高阶信号调制模块、低成本光调制器;所述数字信号模块将带有训练序列的数字信号输入到高阶PAM调制模块,产生高速电信号,由低带宽光调制器完成电信号到光信号转换。
Rx模块包括:低带宽光电探测器、可调光衰减器、实时示波器、基于特征选择的均衡器、数据输出模块、BER计算模块。其中,低带宽光电探测器将接收到的光信号转化为电信号。实时示波器对训练序列采样后,完成特征向量的构建,之后输入基于机器学习的均衡器以训练均衡模型。在训练模型的同时,利用SHAP值判断每个样本的各个特征对样本预测结果的影响及影响力。本发明根据该权重值以获得每个特征的特征重要性,之后倾向于选择具有重要特征权重以及对样本预测值产生正面影响的特征,以更好地为训练姐和测试集构建特征向量。
本实施例验证提出的基于SHAP特征优化的信道均衡算法,信号采用PAM4调制,接收光功率为-13dBm。SHAP提供了及其强大的数据可视化功能,用来展示模型或预测的解释结果。首先,本发明通过重要性对单个样本的各个特征进行降序排序,得出SHAP特征重要性示意图,如图3所示。其中,横坐标通过取每个特征对预测结果影响程度的绝对值的平均值作为该特征的重要性指标,从而得到一个标准的条形图,即不同特征的重要性排序。其次,为了了解每个特征SHAP值的分布以及特征值与对预测结果的影响之间的关系,本发明在图4中给出了整体特征的SHAP概要图,每一行代表一个特征,横坐标为SHAP值。一个点代表一个特征,颜色越深说明特征本身数值越大,颜色越浅说明特征本身数值越小。若SHAP value小于零,则说明该特征对样本预测结果产生负的影响;若SHAP value大于零,则说明该特征对样本预测结果产生正的影响。因此,利用SHAP可以很好地反映每一个样本的特征权重重要性,并能够衡量该特征对样本预测结果的影响程度。根据特征影响力指标,在后续为测试集构建特征向量时,优先选择对预测结果影响较大的特征,减小了模型的计算复杂度,在保持系统性能的同时,一定程度上降低了部署成本。
综上所述,本发明涉及的基于SHAP特征优化的信道均衡方案,充分考虑了高速光纤接入网通信系统中存在的系统损伤以及成本代价,构建了特殊的特征向量,结合了基于机器学习算法/DSP的均衡器。利用SHAP算法判断出各个特征对于样本最终预测值的影响力大小,并选择具有重要特征权重以及正面影响力的特征,再为训练集和测试集构建特征向量;之后通过信道均衡算法对信号进行有效补偿。在保持均衡性能的同时,减少了时钟抖动对系统性能的影响,并大幅减小计算复杂度,降低了光纤传输系统提升系统性能的成本。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (6)
1.一种基于SHAP特征优化的信道均衡方法,应用于高速光纤接入网传输系统,其特征在于,所述信道均衡方法包括以下步骤:
步骤1:发送端将包含训练序列的数据通过光纤传输到接收端,接收端将采样后包含训练序列的数据输入到基于机器学习的均衡器模块;
步骤2:基于机器学习的均衡器模块提取接收到的训练序列,为其构建特征向量并进行处理;
步骤3:通过计算得到每个样本的特征向量中各个特征的SHAP值,再基于SHAP值衡量每个特征的特征权重重要性及对预测结果的影响;所述SHAP值为样本中每个特征所分配到的数值;所述SHAP值用于反映各个特征权重的重要性,即特征对样本预测值的影响程度,以及该影响是有利的还是不利的;
步骤4:基于特征权重对特征进行选择,并基于特征选择的结果为训练集和测试集构建特征向量;对特征进行选择是基于SHAP值反映出的各个特征权重值进行的,并根据特征重要性选择出具有重要特征权重以及对样本预测结果产生正面结果的特征;
步骤5:将构建的特征向量输入至基于DSP算法的均衡器中,对后续数据进行均衡。
2.根据权利要求1所述的一种基于SHAP特征优化的信道均衡方法,其特征在于,所述步骤1中,所述训练序列是由训练序列发生器产生的伪随机序列,信号的调制方式为高阶PAM调制。
3.根据权利要求1所述的一种基于SHAP特征优化的信道均衡方法,其特征在于,所述高速光纤接入网传输系统为基于器件带宽限制的IM/DD光纤通信系统。
4.根据权利要求1所述的一种基于SHAP特征优化的信道均衡方法,其特征在于,所述基于机器学习的均衡器模块为梯度提升决策树模型或神经网络模型。
5.根据权利要求1所述的一种基于SHAP特征优化的信道均衡方法,其特征在于,所述步骤2中,特征向量的构建方法是利用抽头延时器训练向量中的每个数据,分别得到接收到的后续数据和先前时刻由训练序列发生器重新产生的数据当作其特征,构成特征向量。
6.根据权利要求1所述的一种基于SHAP特征优化的信道均衡方法,其特征在于,所述步骤5中,所述基于DSP算法的均衡器为DFE均衡器,FFE均衡器,Volterra滤波器,基于SVM的均衡器,基于KNN的均衡器,基于DNN模型的均衡器,基于梯度提升决策树模型的均衡器,或基于神经网络模型的均衡器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011637284.7A CN112733917B (zh) | 2020-12-31 | 2020-12-31 | 一种基于shap特征优化的信道均衡方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011637284.7A CN112733917B (zh) | 2020-12-31 | 2020-12-31 | 一种基于shap特征优化的信道均衡方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112733917A CN112733917A (zh) | 2021-04-30 |
CN112733917B true CN112733917B (zh) | 2024-04-05 |
Family
ID=75608748
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011637284.7A Active CN112733917B (zh) | 2020-12-31 | 2020-12-31 | 一种基于shap特征优化的信道均衡方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112733917B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113197578B (zh) * | 2021-05-07 | 2023-06-09 | 天津医科大学 | 一种基于多中心模型的精神分裂症分类方法及系统 |
CN115242458B (zh) * | 2022-06-28 | 2023-07-07 | 南京邮电大学 | 一种基于shap的1d-cnn网络流量分类模型的可解释方法 |
CN114938248B (zh) * | 2022-07-26 | 2022-11-01 | 中国海洋大学三亚海洋研究院 | 一种水下无线光通信解调模型的搭建及解调方法 |
CN116805045B (zh) * | 2023-08-17 | 2024-01-23 | 北京电科智芯科技有限公司 | 气象预测模型修正方法、装置、设备及可读存储介质 |
CN117251813A (zh) * | 2023-09-25 | 2023-12-19 | 安徽省产品质量监督检验研究院 | 一种网络流量异常检测方法和系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105007118A (zh) * | 2015-06-10 | 2015-10-28 | 重庆邮电大学 | 一种用于室内可见光通信系统的神经网络均衡方法 |
CN107733518A (zh) * | 2017-09-30 | 2018-02-23 | 南京理工大学 | 基于合作博弈的leo卫星网络最优收益路由方法 |
CN109740690A (zh) * | 2019-01-10 | 2019-05-10 | 杭州电子科技大学 | 用于短距离光通信的基于特征工程的knn均衡算法 |
CN109818889A (zh) * | 2019-02-19 | 2019-05-28 | 杭州电子科技大学 | 用于高阶pam光传输系统中的svm分类器优化的均衡算法 |
CN109905337A (zh) * | 2019-01-13 | 2019-06-18 | 浙江大学 | 一种基于narx神经网络与块状反馈的信道均衡方法 |
CN110190909A (zh) * | 2019-06-06 | 2019-08-30 | 北京邮电大学 | 一种用于光通信的信号均衡方法及装置 |
CN110505020A (zh) * | 2019-07-15 | 2019-11-26 | 电子科技大学 | 基于迁移学习的光非线性均衡方法 |
CN111401788A (zh) * | 2020-04-10 | 2020-07-10 | 支付宝(杭州)信息技术有限公司 | 业务时序指标的归因方法以及装置 |
-
2020
- 2020-12-31 CN CN202011637284.7A patent/CN112733917B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105007118A (zh) * | 2015-06-10 | 2015-10-28 | 重庆邮电大学 | 一种用于室内可见光通信系统的神经网络均衡方法 |
CN107733518A (zh) * | 2017-09-30 | 2018-02-23 | 南京理工大学 | 基于合作博弈的leo卫星网络最优收益路由方法 |
CN109740690A (zh) * | 2019-01-10 | 2019-05-10 | 杭州电子科技大学 | 用于短距离光通信的基于特征工程的knn均衡算法 |
CN109905337A (zh) * | 2019-01-13 | 2019-06-18 | 浙江大学 | 一种基于narx神经网络与块状反馈的信道均衡方法 |
CN109818889A (zh) * | 2019-02-19 | 2019-05-28 | 杭州电子科技大学 | 用于高阶pam光传输系统中的svm分类器优化的均衡算法 |
CN110190909A (zh) * | 2019-06-06 | 2019-08-30 | 北京邮电大学 | 一种用于光通信的信号均衡方法及装置 |
CN110505020A (zh) * | 2019-07-15 | 2019-11-26 | 电子科技大学 | 基于迁移学习的光非线性均衡方法 |
CN111401788A (zh) * | 2020-04-10 | 2020-07-10 | 支付宝(杭州)信息技术有限公司 | 业务时序指标的归因方法以及装置 |
Non-Patent Citations (2)
Title |
---|
50-Gb/sPAM-4调制NG-PON系统中的基于特征向量构建的改进型SVM均衡算法;俞嘉生;毕美华;欧军;季晨阳;杨国伟;周雪芳;胡淼;;光电子・激光;20191215(12);全文 * |
基于SPECK和Turbo码的鲁棒图像传输;单承赣;李晓莉;;中国图象图形学报;20060228(01);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112733917A (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112733917B (zh) | 一种基于shap特征优化的信道均衡方法 | |
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 | |
CN108123908B (zh) | 一种用于ng-pon的改进svm均衡方法及系统 | |
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 | |
CN112598072B (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 | |
CN109818889B (zh) | 用于高阶pam光传输系统中的svm分类器优化的均衡算法 | |
CN113285758B (zh) | 一种基于ipca-dnn算法的光纤非线性均衡方法 | |
CN109740690A (zh) | 用于短距离光通信的基于特征工程的knn均衡算法 | |
CN111313971B (zh) | 一种用于IMDD短距离光通信系统改进的Lightgbm均衡系统及方法 | |
Luo et al. | Transmission of 4× 50-Gb/s PAM-4 signal over 80-km single mode fiber using neural network | |
CN114285715B (zh) | 基于双向gru-条件随机场的非线性均衡方法 | |
Zhang et al. | 56-Gbit/s PAM-4 optical signal transmission over 100-km SMF enabled by TCNN regression model | |
CN115765876A (zh) | 一种基于改进lstm非线性均衡器的概率整形信号均衡方法 | |
CN114301529A (zh) | 基于多符号处理的Volterra均衡方法及系统 | |
Zhang et al. | Convolutional neural network equalizer for Short-reach optical communication systems | |
He et al. | Delay-tolerant indoor optical wireless communication systems based on attention-augmented recurrent neural network | |
Zhang et al. | An improved end-to-end optical transmission system based on deep learning | |
Guo et al. | Deep neural network based chromatic dispersion estimation with ultra-low sampling rate for optical fiber communication systems | |
CN114124223B (zh) | 一种卷积神经网络光纤均衡器生成方法及系统 | |
CN114204993B (zh) | 基于多项式映射的特征构建的非线性均衡方法及系统 | |
CN112737688A (zh) | 一种基于信道特征迁移的dsp均衡方法及系统 | |
Zhang et al. | LGBM-improved-MLSE equalizer for 50Gb/s PAM4 IM-DD PON with 10G class optical transceivers | |
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 | |
Zhang et al. | Dynamic neural network enabled 50 Gb/s PAM-4 IM/DD transmissions based on 10G-class optical devices | |
CN115426048B (zh) | 一种增广空间信号检测方法、接收装置及光通信系统 |
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 |