CN113033781A - 一种基于自进化优化bp神经网络的非线性均衡补偿方法 - Google Patents
一种基于自进化优化bp神经网络的非线性均衡补偿方法 Download PDFInfo
- Publication number
- CN113033781A CN113033781A CN202110325125.1A CN202110325125A CN113033781A CN 113033781 A CN113033781 A CN 113033781A CN 202110325125 A CN202110325125 A CN 202110325125A CN 113033781 A CN113033781 A CN 113033781A
- Authority
- CN
- China
- Prior art keywords
- neural network
- self
- weight
- training
- evolution
- 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.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000005457 optimization Methods 0.000 title claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 39
- 230000003287 optical effect Effects 0.000 claims abstract description 17
- 230000001427 coherent effect Effects 0.000 claims abstract description 15
- 230000005540 biological transmission Effects 0.000 claims description 20
- 230000035772 mutation Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims 1
- 238000004891 communication Methods 0.000 abstract description 9
- 230000000694 effects Effects 0.000 abstract description 5
- 239000013307 optical fiber Substances 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 230000009022 nonlinear effect Effects 0.000 description 5
- 239000006185 dispersion Substances 0.000 description 2
- 230000009021 linear effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000021615 conjugation Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000028161 membrane depolarization Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
Images
Classifications
-
- 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
- G06N3/047—Probabilistic or stochastic 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
-
- 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
- H04B10/61—Coherent receivers
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (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)
- Probability & Statistics with Applications (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Optical Communication System (AREA)
Abstract
本发明涉及一种基于自进化优化BP神经网络的非线性均衡补偿方法,其通过自进化算法搜寻BP神经网络的一组适应度最高的权值和阈值,再对BP神经网络进行训练迭代,找到最佳的权值和阈值。本发明不需要复杂的建模过程,自进化BP神经网络的运算速度极快、训练后的准确率高,方案成本低、效果好,能保障相干光通信信号的稳定性,做到精准补偿。
Description
技术领域
本发明属于通信领域,涉及相干光传输系统的DSP信号处理,具体涉及一种基于自进化优化BP神经网络的非线性均衡补偿方法。
背景技术
相干光通信理论产生自上世纪80年代,由于相干光通信能够节省光带宽资源,提高光纤传输效率,因此目前的骨干网长距传输往往选择相干光通信。随着智能电视、人工智能、物联网等新兴技术的研究和发展,催生出了譬如直播、8K电视、自动驾驶等网络新业务,这些业务的开展需要依托大流量的数据传输,极大地增加了光纤骨干网的压力。因此,光纤通信系统的未来需要结合各种新型调制格式,以大容量、高速率和长距离为导向,并在信道传输中不断减少损伤和非线性效应等为目标,不断提升传输容量和质量。
另一方面,在光纤通信系统中,会有很多因素限制信号在光纤中的传输,譬如光纤损耗、色散、器件非线性响应等,目前对这些效应有很多的DSP补偿算法,譬如沃尔泰拉滤波器、光相位共轭、后向数字传播算法等,但是这些DSP处理算法的建立基于复杂的物理模型和数学模型的分析,在譬如后向数字传播算法中,需要用到分步傅里叶(SSF)方法,计算量大,成本高,因此很难运用到实际的光纤传输通道中。
现有相干光传输系统中,利用激光器产生一束激光,然后通过分束器(PBS)来获得两个方向上的正交光,分别在光上进行调制,调制后两束偏振信号通过合束器(PBC)合成一束双偏振信号光,经过放大器放大后在光纤中进行传输。在接收端对光信号进行相干接收,需要进行的DSP信号处理包括色散补偿、匹配滤波、频偏及相位补偿、解偏振复用等线性效应,以往补偿往往使用人工干预或者盲均衡等方式,补偿效果较差。
发明内容
本发明提出一种基于自进化优化BP神经网络的非线性均衡补偿方法,对光传输信道中的非线性效应进行模拟和补偿,提升光纤传输的距离和容量。
本发明所采用的技术方案为:
一种基于自进化优化BP神经网络的非线性均衡补偿方法,包括如下步骤:
步骤1、确定BP神经网络的拓扑结构;
步骤2、给权值和阈值分别赋[-1,1]的随机数;
步骤3、根据随机赋值得到的BP神经网络的初始权值和阈值,用相干光传输系统的输入数据作为BP神经网络的输入层数据x n ,经过相干光传输系统传输后的数据作为BP神经网络的期望数据y t ,BP神经网络通过初始权值和阈值生成的数据作为BP神经网络的预测输出数据y n ,然后对初始BP神经网络的权值和阈值大小进行编码,得到初始种群;
步骤4、通过自进化算法,搜寻BP神经网络的一组适应度最高的权值和阈值,该自进化算法为BP神经网络的训练误差;
首先,计算初始权值和阈值的适应度,适应度的计算公式为:该组权值和阈值在BP神经网络中训练得到的训练误差;然后,基于轮盘赌算法,即基于适应度比例的选择策略,随机选取两组权值和阈值放进BP神经网络中计算,并剔除两组权值和阈值中相关程度较低的数值;接着,通过交叉操作将第k个权值和第j个权值进行设定几率的随机交叉对调,并计算适应度,将适应度低的一组剔除;最后,进行变异操作,以设定几率选择一个权值进行随机进化,生成一个在边界条件内的值,并计算适应度,最终得到一组适应度最高的权值和阈值;
步骤5、通过自进化算法得到一组适应度最高的权值和阈值后,放进BP神经网络里进行最终的训练,若满足训练精度要求,则训练成功;若低于迭代次数要求,则将该阈值和权值进一步通过自进化算法进行演化,直到训练精度达到要求,获得最佳权值和阈值。
进一步地,步骤1中,BP神经网络的拓扑结构中,输入层为1层,中间隐藏层为5层,输出层为1层。
进一步地,步骤2中,随机数通过matlab中的rand函数生成。
进一步地,步骤3中,编码格式为将数字的每一位数都进行二进制编码,并按十进制的数字顺序进行排列,形成一组新的二进制编码。
进一步地,步骤4中,交叉操作中,交叉概率为0.3,即每次运算有30%的几率将第k个权值和第j个权值进行随机交叉对调;变异操作中,变异概率为0.3,即每次运算有30%的几率选择一个权值进行随机进化。
进一步地,步骤5中,训练数据包括输入端的传输信号的光载波强度和输出端的人工均衡的最优化值,训练数据为2000组并贴上对应的标签,其中,1900组作为训练集,剩下的100组作为验证集;训练迭代次数设置为100次。
本发明的有益效果在于:
本发明不需要复杂的建模过程,自进化BP神经网络的运算速度极快(收敛速度快,对非线性效应损伤的处理速度快)、训练后的准确率高,方案成本低、效果好,能保障相干光通信信号的稳定性,做到精准补偿。
附图说明
图1为本发明中自进化优化BP神经网络示意图。
具体实施方式
下面结合附图对本发明的基于自进化优化BP神经网络的非线性均衡补偿方法作进一步地详细说明。
如图1所示,一种基于自进化优化BP神经网络的非线性均衡补偿方法,包括如下步骤:
步骤1、确定BP神经网络的拓扑结构。BP神经网络的拓扑结构中,输入层为1层,中间隐藏层为5层,输出层为1层,BP神经网络结构为1-5-1,共有1×5+5=10个权值,5+1=6个阈值,所以自进化算法的个体编码长度为10+6=16个。
步骤2、给权值和阈值分别赋[-1,1]的随机数,随机数通过matlab中的rand函数生成。
步骤3、根据随机赋值得到的BP神经网络的初始权值和阈值,用相干光传输系统的输入数据作为BP神经网络的输入层数据x n ,经过相干光传输系统传输后的数据作为BP神经网络的期望数据y t ,BP神经网络通过初始权值和阈值生成的数据作为BP神经网络的预测输出数据y n ,然后对初始BP神经网络的权值和阈值大小进行编码,得到初始种群。编码格式为将数字的每一位数都进行二进制编码,并按十进制的数字顺序进行排列,形成一组新的二进制编码。
步骤4、通过自进化算法,搜寻BP神经网络的一组适应度最高的权值和阈值,该自进化算法为BP神经网络的训练误差。
首先,计算初始权值和阈值的适应度,适应度的计算公式为:该组权值和阈值在BP神经网络中训练得到的训练误差。然后,基于轮盘赌算法,即基于适应度比例的选择策略,随机选取两组权值和阈值放进BP神经网络中计算,并剔除两组权值和阈值中相关程度较低的数值。接着,通过交叉操作将第k个权值和第j个权值进行设定几率的随机交叉对调,并计算适应度,将适应度低的一组剔除。最后,进行变异操作,以设定几率选择一个权值进行随机进化,生成一个在边界条件内的值,并计算适应度,最终得到一组适应度最高的权值和阈值。
本实施例,交叉操作中,交叉概率为0.3,即每次运算有30%的几率将第k个权值和第j个权值进行随机交叉对调。变异操作中,变异概率为0.3,即每次运算有30%的几率选择一个权值进行随机进化。
步骤5、通过自进化算法得到一组适应度最高的权值和阈值后,放进BP神经网络里进行最终的训练,若满足训练精度要求,则训练成功。若低于训练精度要求,则将该阈值和权值进一步通过自进化算法进行演化,直到训练精度达到要求,获得最佳权值和阈值。
神经网络的输入端为传输信号的光载波强度,输出端为人工均衡的最优化值,训练数据共有2000组(训练数据选择16QAM以及64QAM下覆盖-10dB~-20dB的情况)并贴上对应的标签,其中,1900组作为训练集,剩下的100组作为验证集。训练迭代次数设置为100次。通过GPU进行神经网络的训练,得到相应的相干光补偿的神经网络结构。
以WDM系统为例,先对信号进行编码整形处理,然后在真实信道中进行传输后通过示波器读取波形信息,将信号输出,得到一系列的数据值。在输入到BP神经网络之前,先对输入信号和输出数据统一进行标准化处理,确定好BP神经网络的权值和阈值后进行训练,训练后将误差传输给自进化算法进行适应度计算,得到满足条件后的权值和阈值后,将新的权值和阈值传输给BP神经网络并进行训练。经过100次迭代后,将最佳神经网络的权值和阈值输出,得到训练好的神经网络。这种非线性均衡算法结合自进化算法优化后的BP神经网络结构,训练效果更好,对非线性效应损伤的处理速度更快,能进一步保障相干光通信信号的稳定性,做到精准补偿。经过训练的准确度可以达到97%,预测结果表明,基于自适应算法的BP神经网络可以精准补偿信号的非线性效应。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术方法范围内,可轻易想到的替换或变换方法,都应该涵盖在本发明的保护范围之内。
Claims (6)
1.一种基于自进化优化BP神经网络的非线性均衡补偿方法,其特征在于,包括如下步骤:
步骤1、确定BP神经网络的拓扑结构;
步骤2、给权值和阈值分别赋[-1,1]的随机数;
步骤3、根据随机赋值得到的BP神经网络的初始权值和阈值,用相干光传输系统的输入数据作为BP神经网络的输入层数据x n ,经过相干光传输系统传输后的数据作为BP神经网络的期望数据y t ,BP神经网络通过初始权值和阈值生成的数据作为BP神经网络的预测输出数据y n ,然后对初始BP神经网络的权值和阈值大小进行编码,得到初始种群;
步骤4、通过自进化算法,搜寻BP神经网络的一组适应度最高的权值和阈值,该自进化算法为BP神经网络的训练误差;
首先,计算初始权值和阈值的适应度,适应度的计算公式为:该组权值和阈值在BP神经网络中训练得到的训练误差;然后,基于轮盘赌算法,即基于适应度比例的选择策略,随机选取两组权值和阈值放进BP神经网络中计算,并剔除两组权值和阈值中相关程度较低的数值;接着,通过交叉操作将第k个权值和第j个权值进行设定几率的随机交叉对调,并计算适应度,将适应度低的一组剔除;最后,进行变异操作,以设定几率选择一个权值进行随机进化,生成一个在边界条件内的值,并计算适应度,最终得到一组适应度最高的权值和阈值;
步骤5、通过自进化算法得到一组适应度最高的权值和阈值后,放进BP神经网络里进行最终的训练,若满足训练精度要求,则训练成功;若低于迭代次数要求,则将该阈值和权值进一步通过自进化算法进行演化,直到训练精度达到要求,获得最佳权值和阈值。
2.根据权利要求1所述的基于自进化优化BP神经网络的非线性均衡补偿方法,其特征在于,步骤1中,BP神经网络的拓扑结构中,输入层为1层,中间隐藏层为5层,输出层为1层。
3.根据权利要求1所述的基于自进化优化BP神经网络的非线性均衡补偿方法,其特征在于,步骤2中,随机数通过matlab中的rand函数生成。
4.根据权利要求1所述的基于自进化优化BP神经网络的非线性均衡补偿方法,其特征在于,步骤3中,编码格式为将数字的每一位数都进行二进制编码,并按十进制的数字顺序进行排列,形成一组新的二进制编码。
5.根据权利要求1所述的基于自进化优化BP神经网络的非线性均衡补偿方法,其特征在于,步骤4中,交叉操作中,交叉概率为0.3,即每次运算有30%的几率将第k个权值和第j个权值进行随机交叉对调;变异操作中,变异概率为0.3,即每次运算有30%的几率选择一个权值进行随机进化。
6.根据权利要求1所述的基于自进化优化BP神经网络的非线性均衡补偿方法,其特征在于,步骤5中,训练数据包括输入端的传输信号的光载波强度和输出端的人工均衡的最优化值,训练数据为2000组并贴上对应的标签,其中,1900组作为训练集,剩下的100组作为验证集;训练迭代次数设置为100次。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110325125.1A CN113033781A (zh) | 2021-03-26 | 2021-03-26 | 一种基于自进化优化bp神经网络的非线性均衡补偿方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110325125.1A CN113033781A (zh) | 2021-03-26 | 2021-03-26 | 一种基于自进化优化bp神经网络的非线性均衡补偿方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113033781A true CN113033781A (zh) | 2021-06-25 |
Family
ID=76474184
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110325125.1A Pending CN113033781A (zh) | 2021-03-26 | 2021-03-26 | 一种基于自进化优化bp神经网络的非线性均衡补偿方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113033781A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115953333A (zh) * | 2023-03-15 | 2023-04-11 | 杭州魔点科技有限公司 | 一种动态背光补偿方法和系统 |
Citations (10)
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 |
CN107547457A (zh) * | 2017-09-15 | 2018-01-05 | 重庆大学 | 一种基于改进粒子群优化bp神经网络的盲信道均衡方法 |
CN109347555A (zh) * | 2018-09-19 | 2019-02-15 | 北京邮电大学 | 一种基于径向基函数神经网络的可见光通信均衡方法 |
CN110046710A (zh) * | 2019-04-11 | 2019-07-23 | 山东师范大学 | 一种神经网络的非线性函数极值优化方法及系统 |
CN110059803A (zh) * | 2019-04-03 | 2019-07-26 | 东华大学 | 一种基于ga-bp的光纤位移传感器的温度补偿方法 |
WO2019191099A1 (en) * | 2018-03-26 | 2019-10-03 | Zte Corporation | Non-linear adaptive neural network equalizer in optical communication |
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 |
CN110598859A (zh) * | 2019-08-01 | 2019-12-20 | 北京光锁科技有限公司 | 基于门控循环神经网络的非线性均衡方法 |
US20190393965A1 (en) * | 2018-06-22 | 2019-12-26 | Nec Laboratories America, Inc | Optical fiber nonlinearity compensation using neural networks |
US20210021346A1 (en) * | 2019-07-19 | 2021-01-21 | Nokia Solutions And Networks Oy | Method, device, apparatus for optical communication and computer readable storage medium |
-
2021
- 2021-03-26 CN CN202110325125.1A patent/CN113033781A/zh active Pending
Patent Citations (10)
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 |
CN107547457A (zh) * | 2017-09-15 | 2018-01-05 | 重庆大学 | 一种基于改进粒子群优化bp神经网络的盲信道均衡方法 |
WO2019191099A1 (en) * | 2018-03-26 | 2019-10-03 | Zte Corporation | Non-linear adaptive neural network equalizer in optical communication |
US20190393965A1 (en) * | 2018-06-22 | 2019-12-26 | Nec Laboratories America, Inc | Optical fiber nonlinearity compensation using neural networks |
CN109347555A (zh) * | 2018-09-19 | 2019-02-15 | 北京邮电大学 | 一种基于径向基函数神经网络的可见光通信均衡方法 |
CN110059803A (zh) * | 2019-04-03 | 2019-07-26 | 东华大学 | 一种基于ga-bp的光纤位移传感器的温度补偿方法 |
CN110046710A (zh) * | 2019-04-11 | 2019-07-23 | 山东师范大学 | 一种神经网络的非线性函数极值优化方法及系统 |
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 |
US20210021346A1 (en) * | 2019-07-19 | 2021-01-21 | Nokia Solutions And Networks Oy | Method, device, apparatus for optical communication and computer readable storage medium |
CN110598859A (zh) * | 2019-08-01 | 2019-12-20 | 北京光锁科技有限公司 | 基于门控循环神经网络的非线性均衡方法 |
Non-Patent Citations (6)
Title |
---|
WANG D 等: "System impairment compensation in coherent optical communications by using a bio-inspired detector based on artificial neural network and genetic algorithm", 《OPTICS COMMUNICATIONS》, vol. 399, pages 1 - 12 * |
YANG J 等: "An improved evolution algorithm using population competition genetic algorithm and self-correction BP neural network based on fitness landscape", 《SOFT COMPUTING》, vol. 25, pages 1751 - 1776, XP037367044, DOI: 10.1007/s00500-020-05250-7 * |
ZHANG S 等: "Field and lab experimental demonstration of nonlinear impairment compensation using neural networks", 《NATURE COMMUNICATIONS》, vol. 10, no. 01, pages 3033 - 379 * |
刘海锋 等: "长距离分布式光纤传感中基于STM32的遗传算法偏振控制", 《光子学报》, vol. 43, no. 08, pages 112 - 116 * |
王锦 等: "基于遗传算法的神经网络权值优化方法", 《电子元器件与信息技术》, no. 09, pages 33 - 36 * |
雷平平: "相干光传输系统非线性均衡算法研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, no. 07, pages 136 - 607 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115953333A (zh) * | 2023-03-15 | 2023-04-11 | 杭州魔点科技有限公司 | 一种动态背光补偿方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111010239B (zh) | 一种相干光纤通信系统中非线性相位噪声补偿方法及系统 | |
CN110505020B (zh) | 基于迁移学习的光非线性均衡方法 | |
KR20170128148A (ko) | 광섬유 기반 송신 시스템을 위한 시공간 코딩 방법 및 장치 | |
CN113285758B (zh) | 一种基于ipca-dnn算法的光纤非线性均衡方法 | |
CN114285715B (zh) | 基于双向gru-条件随机场的非线性均衡方法 | |
US20220239371A1 (en) | Methods, devices, apparatuses, and medium for optical communication | |
CN113033781A (zh) | 一种基于自进化优化bp神经网络的非线性均衡补偿方法 | |
CN114553315B (zh) | 基于CNN-biRNN的光纤非线性均衡方法及系统 | |
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 | |
Song et al. | Physics-informed neural operator for fast and scalable optical fiber channel modelling in multi-span transmission | |
CN114358061A (zh) | 一种空分复用信号光性能监测方法及系统 | |
CN114124223A (zh) | 一种卷积神经网络光纤均衡器生成方法及系统 | |
CN114039824B (zh) | 基于位操作和分层枚举球面成形的数据传输方法及系统 | |
Cui et al. | Optical Fiber Channel Modeling Method Using Multi-BiLSTM for PM-QPSK Systems | |
CN111835415B (zh) | 一种基于遗传算法的信号延迟补偿合并方法 | |
Yu et al. | Multi-core fiber channel equalization algorithm based on K nearest neighbor method | |
Arpanaei et al. | A novel approach for joint analytical and ml-assisted gsnr estimation in flexible optical network | |
JP7440803B2 (ja) | 信号検出装置、信号検出方法及びプログラム | |
CN116389287B (zh) | 一种模分复用通信系统的信道构建方法 | |
CN114650100B (zh) | 一种星座点概率可调的16-cap映射传输方法 | |
CN115314118B (zh) | 一种光纤非线性补偿方法及装置 | |
CN116599598A (zh) | 一种用于模分复用通信系统的非线性损伤均衡方法 | |
Ma et al. | Modeling of Multi-Core Fiber Channel Based on M-CGAN for High Capacity Fiber Optical Communication | |
CN115955279B (zh) | 一种基于可变自编码器的信道匹配非网格化编码调制方法 | |
CN115632717A (zh) | 一种基于自注意力的非线性补偿方法 |
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 |