CN112887237B - 光纤通信系统的复信道均衡器设计方法 - Google Patents
光纤通信系统的复信道均衡器设计方法 Download PDFInfo
- Publication number
- CN112887237B CN112887237B CN202110269878.5A CN202110269878A CN112887237B CN 112887237 B CN112887237 B CN 112887237B CN 202110269878 A CN202110269878 A CN 202110269878A CN 112887237 B CN112887237 B CN 112887237B
- Authority
- CN
- China
- Prior art keywords
- complex
- neural network
- signal
- channel equalizer
- optical fiber
- 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
Images
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
- H04L25/03006—Arrangements for removing intersymbol interference
- H04L25/03165—Arrangements for removing intersymbol interference using neural 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
- G06N3/04—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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Optical Communication System (AREA)
Abstract
本发明公开了一种光纤通信系统的复信道均衡器设计方法,包括:采用多层前向复值神经网络构建复信道均衡器,所述复信道均衡器用于光纤通信系统,由多个时刻的数字信号组成的向量作为复信道均衡器的输入,从而对信号传输过程中产生的畸变信号进行校正,并使用判别器对其进行判断,降低光纤通信系统的误码率。本发明的有益效果:本发明提出了一种可用于光纤通信系统的复信道均衡器设计方法,相比于采用其它方法设计的信道均衡器,本发明实现的复信道均衡器能取得更低的误码率,保证信号传输的可靠性。
Description
技术领域
本发明涉及通信工程和人工智能领域,具体涉及一种光纤通信系统的复信道均衡器设计方法。
背景技术
对于日益增长的通信需求,高速且大容量的通信系统是必不可少的。光纤通信系统利用高阶正交调幅的各种复用格式,将通信带宽扩展到其它频段。然而,克尔效应引起的光纤非线性性是限制可达到的传输距离的主要障碍。在长距离和高带宽的情形下,这种非线性性通常会导致信号在传输过程中大幅度地衰弱。在接收端通过数字信号处理的手段来对信道进行补偿,从而达到对已有信道的矫正已经成为了共识。信道均衡是一种常见的补偿手段,通过观测信道输出的信号来重新恢复信道传输的数据,从而消除码间串扰和噪声干扰。它主要是为了消除宽带通信的多径时延带来的码间串扰问题,其基本原理也是对信道或传输系统进行特性补偿。
发明内容
本发明要解决的技术问题是提供一种光纤通信系统的复信道均衡器设计方法,能取得更低的误码率,保证信号传输的可靠性。
为了解决上述技术问题,本发明提供了一种光纤通信系统的复信道均衡器设计方法,包括:采用复值神经网络构建复信道均衡器,所述复信道均衡器用于光纤通信系统,由多个时刻的数字信号组成的向量作为复信道均衡器的输入,从而对信号传输过程中产生的畸变信号进行校正,并使用判别器对其进行判断,降低光纤通信系统的误码率。
在其中一个实施例中,所述光纤通信系统以激光为载波信号,通过多进制正交幅度调制等技术进行电光调制,并利用光纤构成的传输链路进行传输,在接收端通过使用接收器对信号进行接收并将光信号转化为电信号;此后,电信号通过数字信号处理模块将模拟信号转化为数字信号。
在其中一个实施例中,具体如下:将需要传输的电信号通过电光调制器加载到载波激光上获得已调信号;已调信号通过光纤构成的传输链路被接收端接收,并通过数字信号处理模块获得多个时刻的数字信号组成的向量y(n),将输入电信号的时延信号s(n-τ)作为期望输出T(n),构建损失函数
其中,O为样本矩阵,T为期望矩阵,P为训练样本数;根据目标函数f(z,z*)对所设计的复值神经网络进行训练,调整权值和偏置参数,最终得到合适的复值神经网络模型;最后将该复值神经网络嵌入到所述光纤通信系统中作为复信道均衡器,使用判决器对其输出结果进行判决,实现信号均衡的效果。
在其中一个实施例中,所述复值神经网络的前向计算过程为
其中,Yp表示输入第p个输入样本,W1表示输入层与隐层神经元之间的权值矩阵,b1表示隐层神经元的偏置,表示隐层神经元的输入向量,表示隐层的输出向量,W2表示隐层与输出层神经元之间的权值矩阵,b2表示输出层神经元的偏置,表示输出层神经元的输入,Op表示该复值神经网络对于第p样个本的最终输出。
在其中一个实施例中,为了调整权值和偏置,采用Wirtinger微分计算损失函数对各变量的梯度,具体为:
其中,⊙表示矩阵按位相乘,σz′表示函数σ的导数,σz*′表示函数σ的共轭导数。
在其中一个实施例中,训练所述复值神经网络的具体过程如下:
(2)计算复值L-BFGS方向,根据公式
在其中一个实施例中,所述复步长为η=|η|eiθ=μν,由幅度和相位组成;通过复步长η的引入,实际搜索方向为ηdt=|η|eiθdt=μνdt。
在其中一个实施例中,所述复步长的计算过程为:
首先需要使得
在其中一个实施例中,调节参数vt计算过程为
在其中一个实施例中,常数k1在(0,0.5)之间取值,常数k2在(k1,1)之间取值。
本发明的有益效果:
本发明提出了一种可用于光纤通信系统的复信道均衡器设计方法。相比于采用其它方法设计的信道均衡器,本发明实现的复信道均衡器能取得更低的误码率,保证信号传输的可靠性。为达到上述目标,本发明提出了一种基于多层前向复值神经网络的复信道均衡器的设计方法。针对上述的复值神经网络,本发明提出了一种基于复步长的复值L-BFGS算法,实现了复值神经网络的训练,取得了更快的收敛速度,能够找到更加精确的解。本发明采用复步长调整复值L-BFGS算法所得到的计算方向,使其尽可能接近BFGS算法的搜索方向,有效解决了由于记忆尺度的不当选择引起的性能下降问题。
附图说明
图1是本发明光纤通信系统的复信道均衡器设计方法的流程示意图。
图2是本发明光纤通信系统的复信道均衡器设计方法中的复值神经网络的示意图。
图3是本发明光纤通信系统的复信道均衡器设计方法中的复步长改变方向的示意图。
图4是本发明光纤通信系统的复信道均衡器设计方法中的复值神经网络的训练方法的流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
在均衡器的实现上,以往已有许多方法,主要分为Volterra系列的非线性均衡器、基于机器学习的决策器、支持向量机和人工神经网络等。对于基于人工神经网络的均衡器设计,一般采用两个实值神经网络分别对复信号的实部和虚部进行处理,从而忽视了复信号实部和虚部之间的关联性。所幸的是,复值神经网络及其优化算法的提出,使得直接处理复信号成为了可能。另一方面,复值神经网络由于快速学习以及能够直接处理复信号的能力备受学者的关注,与之相关的研究也越来越多。在一些应用领域如图像处理、复信号处理等,复值神经网络的表现已经被证实在许多方面都超过了相同结构的实值神经网络。
目前,复值神经网络模型根据激活函数的不同可以分为三类:实部虚部型复值神经网络,幅度相位型复值神经网络和全复值神经网络。实部虚部型复值神经网络使用一对有界的实数值函数分别处理复信号的实部和虚部,从而能够避免激活函数的无界性以及自适应训练过程中奇点的产生。幅度相位型复值神经网络采用实值函数分别对信号的幅度和相位进行处理,加强了对相位的处理能力。为了使得激活函数同时满足解析性和有界性,一些具有较少奇点的双曲函数被用作复值神经网络的激活函数。这类复值神经网络被统称为全复值神经网络。相对于前两类复值神经网络,全复值神经网络能够利用完整的梯度信息,因此能够达到更好的训练效果。
对于复值神经网络来说,复值最速下降算法和复牛顿类算法是目前较为流行的训练算法。其中,由于计算复杂度低,复最速下降算法被广泛应用,其通过使用Wirtinger算子进行反向求导,适用于不同类型的复值神经网络。和实数值最速下降算法一样,复值最速下降算法的表现相对于二阶复优化算法并不突出。另一方面,由于复值神经网络的代价函数中存在着大量的鞍点,这就给最速下降算法的应用增加了难度。牛顿类算法相比于最速下降算法往往能获得更快的收敛速度和更高的精度。牛顿类算法主要分为牛顿法和拟牛顿法。牛顿法需要计算海森矩阵的逆,因此计算复杂度非常高。为了解决这一问题,提出了一些拟牛顿法。拟牛顿法采用近似方式计算海森矩阵逆的方式,大大减少了计算量。较为常用的拟牛顿法是BFGS算法。通过秩2修正可以迭代计算BFGS算法的搜索方向,达到很好的效果。在BFGS算法中,由于需要存储大规模的矩阵,内存的需求仍然很大。为了减少储存量,有限内存的BFGS(L-BFGS)算法被提出。L-BFGS算法只需要以向量组的形式保留有限次的信息,大大降低了对内存的需求,增强了算法的实用性。需要注意地是,L-BFGS算法的性能和记忆尺度的大小密切相关。目前已提出一种自适应变记忆尺度的L-BFGS方法。基本思想是从一个较大的范围选择实际计算方向接近于BFGS方向的记忆尺度。但是这样的选择通常需要大量的计算,算法的高效性被降低。在L-BFGS算法的研究中,如何在计算量不大的前提下,使其搜索方向更接近于BFGS算法计算的方向,是一个需要解决的问题。选择合适的复步长为解决这一问题提供了可能。已经知道,复步长能够通过旋转对计算方向进行调整,从而找到更加合适的搜索方向。实验和理论结果都表明采用复步长可以使梯度下降算法具备逃离鞍点的能力。在传统的复值L-BFGS算法中,记忆尺度往往都是选取事先设定的较大的常数,并在算法实现过程中保持不变。这样容易导致复值L-BFGS算法在解决实际问题时难以取得满意的效果,而且计算复杂度高。
基于这些考虑,本发明提出了一种基于复步长的L-BFGS算法,通过优化和步长搜索手段,使训练算法在每一次迭代时所得到的搜索方向尽可能地接近于BFGS方向,大大地避免了由于记忆尺度的不当选择使得算法性能发生巨大波动的情况出现。通过采用本发明所提出的算法进行训练,我们对光纤通信系统构建了基于多层前向复值神经网络的复信道均衡器,能够取得更好的校正效果,有效降低了通信系统的误码率,提高信号传输的可靠性。
复值L-BFGS(CL-BFGS)算法是一种复数域的优化算法,能够用于求解复数域无约束优化问题minf(z,z*)。在CL-BFGS算法的实现中,只需要存储有限组向量对。相比于BFGS算法,CL-BFGS算法有效降低了实现过程中所需要的内存单元。在CL-BFGS算法中,有一个重要参数(即记忆尺度)对算法的性能有显著的影响。但是,为了便于实现,在迭代过程中往往选择固定的记忆尺度。这将难以充分发挥CL-BFGS算法的优势。本发明从理论上给出了在工程实践中易于计算的复步长,可对CL-BFGS算法计算的方向进行有效调整,避免了记忆尺度的选择对算法性能造成影响。进而,我们设计实现了一种光纤通信系统的复信道均衡器,有效降低了误码率,提高信号传输的可靠性。
本发明可以解决以下技术问题:
针对光纤通信系统的信号传输过程中码间串扰和噪声干扰等问题,提出一种基于多层前向复值神经网络的复信道均衡器的设计方法。
为了实现多层前向复值神经网络的高效学习,提出了一种基于复步长的复值L-BFGS算法,能够取得更快的收敛速度,同时找到更加精确的解。
为了便于计算复步长,在考虑拟牛顿矩阵与真实海塞矩阵的近似程度的基础上,结合复线性搜索技术,利用优化方法实现了迭代过程中复步长的自适应调整,所需的计算量较小。
采用本发明提出的训练算法计算得到的搜索方向能够尽可能地接近于BFGS方向,有效解决了由于记忆尺度的不当选择引起的性能下降问题。
光纤通信系统是一种以激光为信息载体,光纤为物理基础的现代通信技术。以激光为载波信号,通过多进制正交幅度调制等技术进行电光调制,并利用光纤构成的传输链路进行传输,在接收端通过接收器对信号进行接收并将光信号转化为电信号。此后,电信号通过数字信号处理模块将模拟信号转化为数字信号,并采用由多个时刻的数字信号组成的向量y(n)=[y(n),y(n-1),…,y(n-m+1)]T作为复信道均衡器的输入,从而对信号传输过程中产生的畸变信号进行校正,并使用判别器对其进行判断,降低光纤通信系统的误码率。从光纤通信的整体流程中可以发现,复信道均衡器的性能对整个通信系统都有重要的影响。
光纤通信系统的整体流程如图1所示:为此,本发明实现了一种基于复值神经网络的复信道均衡器,并采用我们提出的自适应复步长L-BFGS算法进行训练,能够取得很好的性能。首先,将需要传输的电信号通过电光调制器加载到载波激光上获得已调信号。已调信号通过光纤构成的传输链路被接收端接收,并通过数字信号处理模块获得y(n),将输入电信号的时延信号s(n-τ)作为期望输出T(n),构建损失函数
其中,O为样本矩阵,T为期望矩阵,P为训练样本数。根据目标函数f(z,z*)对所设计的复值神经网络采用自适应复步长L-BFGS算法进行训练,调整权值和偏置等参数,最终得到合适的复值神经网络模型。最后将该复值神经网络嵌入到光纤通信系统中作为复信道均衡器,使用判决器对其输出结果进行判决,实现信号均衡的效果。所设计的复值神经网络模型如图2所示。
该复值神经网络的前向计算过程为
其中,Yp表示输入第p个输入样本,W1表示输入层与隐层神经元之间的权值矩阵,b1表示隐层神经元的偏置,表示隐层神经元的输入向量,表示隐层的输出向量,W2表示隐层与输出层神经元之间的权值矩阵,b2表示输出层神经元的偏置,表示输出层神经元的输入,Op表示该复值神经网络对于第p样个本的最终输出。
为了调整权值和偏置,采用Wirtinger微分计算损失函数对各变量的梯度,具体为
其中,⊙表示矩阵按位相乘,σz′表示函数σ的导数,σz*′表示函数σ的共轭导数。
采用本发明提出的自适应复步长L-BFGS算法训练复值神经网络的具体过程如下:
计算复值L-BFGS方向:根据公式
在初始方向的基础上,我们采用复步长进行调整,得到实际的搜索方向。其原理如下:本发明采用的复步长为η=|η|eiθ=μν,由幅度和相位组成。正是由于θ的引入,可以改变初始方向。图3给出了复步长改变方向的示意图。即,通过复步长η的引入,实际搜索方向为ηdt=|η|eiθdt=μνdt。复步长的计算过程为:
在每一次迭代时,为了得到更加合理的搜索方向,首先需要使得
计算复步长的大小调节参数μt,其中,常数k1在(0,0.5)之间取值,k2在(k1,1)之间取值。得到复步长ηt=μtvt,从而得到参数更新公式不断迭代,直到训练过程收敛为止,保存权值和偏置,最终得到复值神经网络模型。训练流程图如图4所示。
本发明提出使用多层前向复值神经网络构建光纤通信系统的复信道均衡器,并设计自适应复值L-BFGS算法用于实现网络高效学习,最终实现信道均衡的目的。对于所设计的多层前向复值神经网络,首先通过前向传播和反向传播计算采用前述方法计算合理的复数值步长ηt=μtvt。从而对多层前向复值神经网络的权值和偏置进行更新,最后实现多层前向复值神经网络的高效学习,构建合适的复信道均衡器。
本发明提出了一种可用于光纤通信系统的复信道均衡器设计方法。相比于采用其它方法设计的信道均衡器,本发明实现的复信道均衡器能取得更低的误码率,保证信号传输的可靠性。为达到上述目标,本发明提出了一种基于多层前向复值神经网络的复信道均衡器的设计方法。针对上述的复值神经网络,本发明提出了一种基于复步长的复值L-BFGS算法,实现了复值神经网络的训练,取得了更快的收敛速度,能够找到更加精确的解。本发明采用复步长调整复值L-BFGS算法所得到的计算方向,使其尽可能接近BFGS算法的搜索方向,有效解决了由于记忆尺度的不当选择引起的性能下降问题。
本发明的一个具体应用场景如下:
本发明通过设计一种复信道均衡器,对光纤通信进行补偿,从而降低光纤传输系统的误码率。首先,在已建立的光纤传输系统模型中,通过设计传输实验得到一些样本数据,作为训练和测试数据。其次利用本发明提到的复信道均衡器设计方法,设计适合光纤通信系统的均衡器,使用测试集对其性能进行测试。在均衡器能达到预期性能后,将已训练好的均衡器进行保存。在信号通过解调器之前,通过加入本发明设计的复信道均衡器对信号进行补偿,从而保证信号传输的可靠性。
本发明的关键构思如下:
为解决光纤通信系统的信号传输过程中码间串扰和噪声干扰等问题,本发明提出了一种基于多层前向复值神经网络的复信道均衡器的设计方法。
本发明提出了一种基于复步长的复值L-BFGS算法用于所设计的多层前向复值神经网络的训练,能够取得更快的收敛速度,同时找到更加精确的解。
本发明中复步长的相位计算可以通过求解一个优化问题得到,幅度是借助于线搜技术通过迭代取得的,有效简化了复步长的计算。
本发明所提出的算法计算得到的搜索方向能够尽可能地接近于BFGS方向,有效解决了由于记忆尺度的不当选择引起的性能下降问题。
结合拟牛顿矩阵与真实海塞矩阵的近似程度和复线性搜索的方法,利用优化方法在迭代的过程中自适应并快速地计算复步长,所需的计算量较小。
本发明提出的算法实现了多层前向复值神经网络的高效学习,解决了光纤通信系统中复信道均衡器的设计问题。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例,本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换,均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (2)
1.一种光纤通信系统的复信道均衡器设计方法,其特征在于,包括:采用复值神经网络构建复信道均衡器,所述复信道均衡器用于光纤通信系统,由多个时刻的数字信号组成的向量作为复信道均衡器的输入,从而对信号传输过程中产生的畸变信号进行校正,并使用判别器对其进行判断,降低光纤通信系统的误码率;
所述光纤通信系统以激光为载波信号,通过多进制正交幅度调制技术进行电光调制,并利用光纤构成的传输链路进行传输,在接收端通过使用接收器对信号进行接收并将光信号转化为电信号;此后,电信号通过数字信号处理模块将模拟信号转化为数字信号;
具体如下:将需要传输的电信号通过电光调制器加载到载波激光上获得已调信号;已调信号通过光纤构成的传输链路被接收端接收,并通过数字信号处理模块获得多个时刻的数字信号组成的向量y(n),将输入电信号的时延信号s(n-τ)作为期望输出T(n),构建损失函数
其中,O为样本矩阵,T为期望矩阵,P为训练样本数;根据目标函数f(z,z*)对所设计的复值神经网络进行训练,调整权值和偏置参数,最终得到合适的复值神经网络模型;最后将该复值神经网络嵌入到所述光纤通信系统中作为复信道均衡器,使用判决器对其输出结果进行判决,实现信号均衡的效果;
所述复值神经网络的前向计算过程为
其中,Yp表示输入第p个输入样本,W1表示输入层与隐层神经元之间的权值矩阵,b1表示隐层神经元的偏置,表示隐层神经元的输入向量,表示隐层的输出向量,W2表示隐层与输出层神经元之间的权值矩阵,b2表示输出层神经元的偏置,表示输出层神经元的输入,Op表示该复值神经网络对于第p样个本的最终输出;
为了调整权值和偏置,采用Wirtinger微分计算损失函数对各变量的梯度,具体为:
其中,⊙表示矩阵按位相乘,σz′表示函数σ的导数,σz*′表示函数σ的共轭导数;
训练所述复值神经网络的具体过程如下:
(2)计算复值L-BFGS方向,根据公式
所述复步长为η=|η|eiθ=μν,由幅度和相位组成;通过复步长η的引入,实际搜索方向为ηdt=|η|eiθdt=μνdt;
所述复步长的计算过程为:
首先需要使得
调节参数vt的计算过程为
2.如权利要求1所述的光纤通信系统的复信道均衡器设计方法,其特征在于,常数k1在(0,0.5)之间取值,常数k2在(k1,1)之间取值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110269878.5A CN112887237B (zh) | 2021-03-12 | 2021-03-12 | 光纤通信系统的复信道均衡器设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110269878.5A CN112887237B (zh) | 2021-03-12 | 2021-03-12 | 光纤通信系统的复信道均衡器设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112887237A CN112887237A (zh) | 2021-06-01 |
CN112887237B true CN112887237B (zh) | 2022-02-11 |
Family
ID=76041171
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110269878.5A Active CN112887237B (zh) | 2021-03-12 | 2021-03-12 | 光纤通信系统的复信道均衡器设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112887237B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113408726B (zh) * | 2021-06-30 | 2022-12-06 | 苏州大学 | 基于ap-nag算法的复值神经网络信道均衡器设计方法 |
CN115208721B (zh) * | 2022-06-23 | 2024-01-23 | 上海交通大学 | 类Volterra的神经网络均衡器构建方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103384229A (zh) * | 2013-07-09 | 2013-11-06 | 温州大学 | 一种适用于复数域信号盲均衡的误差反馈网络设计方法 |
CN104486271A (zh) * | 2014-11-04 | 2015-04-01 | 荆楚理工学院 | 基于激活函数可调的复值bp神经网络盲均衡方法 |
CN109686381A (zh) * | 2017-10-19 | 2019-04-26 | 恩智浦有限公司 | 用于信号增强的信号处理器和相关方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9473250B2 (en) * | 2014-09-03 | 2016-10-18 | Mitsubishi Electric Research Laboratories, Inc. | System and method for recovering carrier phase in optical communications |
US10891555B2 (en) * | 2018-08-07 | 2021-01-12 | Nxgen Partners Ip, Llc | Universal quantum computer, communication, QKD security and quantum networks using OAM Qu-dits with digital light processing |
EP3761237A1 (en) * | 2019-07-01 | 2021-01-06 | Institut Mines-Telecom | Devices and methods for machine learning assisted sphere decoding |
CN110636020B (zh) * | 2019-08-05 | 2021-01-19 | 北京大学 | 一种自适应通信系统神经网络均衡方法 |
CN112422462B (zh) * | 2020-11-20 | 2021-08-31 | 苏州大学 | 复值信道均衡器的设计方法 |
-
2021
- 2021-03-12 CN CN202110269878.5A patent/CN112887237B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103384229A (zh) * | 2013-07-09 | 2013-11-06 | 温州大学 | 一种适用于复数域信号盲均衡的误差反馈网络设计方法 |
CN104486271A (zh) * | 2014-11-04 | 2015-04-01 | 荆楚理工学院 | 基于激活函数可调的复值bp神经网络盲均衡方法 |
CN109686381A (zh) * | 2017-10-19 | 2019-04-26 | 恩智浦有限公司 | 用于信号增强的信号处理器和相关方法 |
Non-Patent Citations (1)
Title |
---|
Zhongying Dong ; He Huang.《A Structural Optimization Algorithm for Complex-Valued Neural Networks》.《IEEE》.2019, * |
Also Published As
Publication number | Publication date |
---|---|
CN112887237A (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Häger et al. | Nonlinear interference mitigation via deep neural networks | |
CN112887237B (zh) | 光纤通信系统的复信道均衡器设计方法 | |
CN112036543B (zh) | 神经网络均衡与线性均衡相结合的时域均衡器及均衡方法 | |
CN111917474B (zh) | 一种隐式三元组神经网络及光纤非线性损伤均衡方法 | |
CN113285758B (zh) | 一种基于ipca-dnn算法的光纤非线性均衡方法 | |
CN112422462B (zh) | 复值信道均衡器的设计方法 | |
CN113408726B (zh) | 基于ap-nag算法的复值神经网络信道均衡器设计方法 | |
CN114285715A (zh) | 基于双向gru-条件随机场的非线性均衡方法 | |
CN114499601A (zh) | 一种基于深度学习的大规模mimo信号检测方法 | |
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 | |
Shahkarami et al. | Efficient deep learning of nonlinear fiber-optic communications using a convolutional recurrent neural network | |
CN115882959A (zh) | 一种基于机器学习的非线性补偿方法 | |
CN101924718B (zh) | 模糊神经网络控制的混合小波神经网络盲均衡方法 | |
WO2022178918A1 (zh) | 对大容量高阶qam相干光进行非线性补偿的方法 | |
CN114124223A (zh) | 一种卷积神经网络光纤均衡器生成方法及系统 | |
Wang et al. | Low-complexity nonlinear equalizer based on artificial neural network for 112 Gbit/s PAM-4 transmission using DML | |
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 | |
Srivallapanondh et al. | Parallelization of Recurrent Neural Network-Based Equalizer for Coherent Optical Systems via Knowledge Distillation | |
Osadchuk et al. | Low-complexity samples versus symbols-based neural network receiver for channel equalization | |
Maniak et al. | Deep Neural Networks for Transmission Impairment Mitigation in Long-Reach 5G Access Networks | |
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 | |
CN113283592B (zh) | 基于低复杂度lstm的接收端均衡方法及系统 | |
CN115378507B (zh) | 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 | |
CN115733548A (zh) | 基于神经网络均衡器的非线性损伤补偿系统及方法 | |
Imtiaz et al. | Performance vs. complexity in NN pre-distortion for a nonlinear channel |
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 |