CN113285758A - 一种基于ipca-dnn算法的光纤非线性均衡方法 - Google Patents

一种基于ipca-dnn算法的光纤非线性均衡方法 Download PDF

Info

Publication number
CN113285758A
CN113285758A CN202110540032.0A CN202110540032A CN113285758A CN 113285758 A CN113285758 A CN 113285758A CN 202110540032 A CN202110540032 A CN 202110540032A CN 113285758 A CN113285758 A CN 113285758A
Authority
CN
China
Prior art keywords
nonlinear
optical fiber
polarization
neural network
triple
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
CN202110540032.0A
Other languages
English (en)
Other versions
CN113285758B (zh
Inventor
蒙建宇
张洪波
张敏
蔡炬
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.)
Chengdu University of Information Technology
Original Assignee
Chengdu University of Information 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 Chengdu University of Information Technology filed Critical Chengdu University of Information Technology
Priority to CN202110540032.0A priority Critical patent/CN113285758B/zh
Publication of CN113285758A publication Critical patent/CN113285758A/zh
Application granted granted Critical
Publication of CN113285758B publication Critical patent/CN113285758B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H04B10/25—Arrangements specific to fibre transmission
    • H04B10/2507—Arrangements specific to fibre transmission for the reduction or elimination of distortion or dispersion
    • H04B10/2543—Arrangements specific to fibre transmission for the reduction or elimination of distortion or dispersion due to fibre non-linearities, e.g. Kerr effect
    • H04B10/2557—Cross-phase modulation [XPM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Nonlinear Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Optical Communication System (AREA)

Abstract

本发明公开了一种基于IPCA‑DNN算法的光纤非线性均衡方法，首先用色散补偿模块来补偿传输链路的线性损伤，然后计算信道内交叉相位调制和信道内四波混频的三元组；再通过改进型PCA算法与聚类分析结合对所述三元组进行数据预处理；然后通过神经网络训练预处理后的三元组，生成该传输链路的黑箱模型，并在执行阶段得到该模型的非线性损伤值；最后利用非线性损伤值的预测值与神经网络的标签值来计算该非线性补偿方案的性能。本发明通过神经网络对光纤非线性损伤进行均衡处理，可以逼近任意非线性函数，建立更好的黑箱模型，能够准确的预测光纤非线性损伤，并且只依赖于接收到的数据来模拟传输模型，可以在预先不知道链路参数的情况下工作，具有普适性。

Description

一种基于IPCA-DNN算法的光纤非线性均衡方法
技术领域
本发明涉及光纤通信技术领域，具体为一种基于IPCA-DNN算法的光纤非线性均衡方法。
背景技术
随着信息社会的不断发展，光网络承载了大量的数据流量，其容量在过去五年里急剧增长了十倍。大数据，云服务，VR/AR和高清全景直播等应用仍在推动光网络向更高的频谱效率和更大的信道容量发展。但是光纤线性损伤和非线性损伤这两类因素限制了光通信技术的进一步发展。随着数字信号处理技术的飞速发展，光纤线性损伤得到很好的补偿，所以目前光纤非线性损伤是长距离高速光纤传输系统的主要障碍，补偿光纤非线性效应具有很大的实用意义。
在传统的光纤非线性补偿算法中，共轭孪生波创造性地提出了两种共轭方案：时域共轭孪生波和频域共轭孪生波，可消除由克尔非线性效应与色散相互作用引起的非线性失真，但是共轭孪生波补偿的精度会随着WDM(Wavelength Division Multiplexing波分复用)系统复用信道数量的增加而下降，并且会浪费一半的传输带宽；通过Volterra级数来求解非线性薛定谔方程，计算的复杂度较高并且非线性的补偿效果受滤波器抽头系数影响而并不稳定；作为一种在数字域上补偿光纤非线性效应的方法，数字反向传播使用分步傅里叶变换来得到非线性薛定谔方程的近似时域解，数字处理的精度跟与选择的步长有关，很难平衡性能与复杂度之间的关系，并且它需要准确的链路参数，而在一些实际应用下(如海底光缆)链路参数无法准确获得。
随着机器学习技术不断发展，将机器学习引入光纤非线性补偿，已成为解决光纤通信中许多新挑战的一个创新方向。其中，基于分类算法的补偿方案(如：k-NearestNeighbors，KNN)，通过生成非线性决策边界来确定测试数据的类别，由于KNN的全局遍历性导致了相对较大的计算复杂度；基于聚类算法的NLC(Nonlinear ImpairmentCompensation)方案(如：k-Mean)，由于初始质心的随机选择使其难以得到全局最优解，导致较高的计算复杂度。
发明内容
针对上述问题，本发明的目的在于提供一种基于IPCA-DNN(Improved principalcomponent analysis-Deep Neural Networks改进主成分分析-深度神经网络)算法的光纤非线性均衡方法，通过神经网络对光纤非线性损伤进行均衡处理，可以逼近任意非线性函数，建立更好的黑箱模型，能够准确的预测光纤非线性损伤，并且只依赖于接收到的数据来模拟传输模型，可以在预先不知道链路参数的情况下工作，具有普适性。技术方案如下：
一种基于IPCA-DNN算法的光纤非线性均衡方法，包括以下步骤：
步骤1：用色散补偿模块来补偿传输链路的线性损伤，然后计算信道内交叉相位调制和信道内四波混频的三元组；
步骤2：通过改进型PCA算法与聚类分析结合对所述三元组进行数据预处理；
步骤3：通过神经网络训练预处理后的三元组，生成该传输链路的黑箱模型，并在执行阶段得到该模型的非线性损伤值；
步骤4：利用神经网络迭代出的非线性损伤值，与神经网络的标签值来计算系统的误码率，从而得到系统的非线性补偿方案性能。
进一步的，所述步骤1中三元组的计算和选择过程包括：
用Manakov方程分析光纤通信链路中双偏光场的非线性薛定谔方程，得到光纤非线性扰动：
Figure BDA0003071330590000021
Figure BDA0003071330590000022
其中，ΔAx和ΔAy分别为X偏振和Y偏振上的光纤非线性扰动；P0是发射点处的脉冲峰值功率；Xn，Yn分别表示在第n时刻接收到的符号序列X偏振和Y偏振的复振幅；m,n是与接收时刻对应的符号索引；Cm,n表示光纤的非线性系数；此时，三元组的计算公式为：
Figure BDA0003071330590000023
Figure BDA0003071330590000024
其中，Tx、Ty分别表示X偏振和Y偏振的三元组，Xm、Ym分别表示在第m时刻接收到的符号序列X偏振和Y偏振的复振幅；
Figure BDA0003071330590000025
和
Figure BDA0003071330590000026
分别表示第m+n时刻接收到的符号序列X偏振和Y偏振的复振幅的共轭转置
建立三元组选择的标准，确定三元组中贡献最大的项；标准如下：
|mn|≤C (3a)
m,n∈[-L,+L] (3b)
式中，L是一个调节参数，其数值取决于信道储存器的大小和约束条件；C是一个调节参数，用来平衡NLC的性能与计算复杂度。
更进一步的，所述步骤2具体包括：
步骤21：对三元组各个变量均值化，即用三元组的原始数据除以相应的实部与虚部的均值；
设原始三元组数据为X＝(xij)M×P，令
Figure BDA0003071330590000031
其中xij和x′ij分别表示原始三元组的第i行j列的元素和均值化后三元组的第i行j列的元素，M和P分别表示三元组数据的行数和列数；
Figure BDA0003071330590000032
j＝1,2,…,P。
得到均值化矩阵X′＝(x'ij)M×P；设X′的协方差矩阵为U＝(uij)P×P，并且X′中各个向量的均值为1，所以：
Figure BDA0003071330590000033
步骤22：按照贡献率的大小选择前K个主成分，并计算此时主成分的贡献率；
步骤23：对所选定的新数据进行聚类分析，并以第一主成分贡献率的均值来确定；
步骤24：根据聚类中包含的主成分来确定三元组的数据集。
更进一步的，所述神经网络包括输入层、隐藏层和输出层，且第2隐藏层之后还添加有概率为0.5的脱落层。
更进一步的，所述神经网络的标签值为光纤的发送符号Txsymbol与对应的接收符号Rxsymbol的差值。
本发明的有益效果是：本发明提供基于回归算法的光纤非线性补偿方案通过神经网络对光纤非线性损伤进行均衡处理，并且它可以逼近任意非线性函数，建立更好的黑箱模型，能够准确的预测光纤非线性损伤，并且只依赖于接收到的数据来模拟传输模型，可以在预先不知道链路参数的情况下工作，具有普适性。
附图说明
图1为基于IPCA-DNN算法的NLC模型。
具体实施方式
下面结合附图和具体实施例对本发明做进一步详细说明。本发明所采用的技术方案是：
首先用色散补偿模块来补偿传输链路的线性损伤，再计算信道内交叉相位调制和信道内四波混频的三元组来提供给神经网络。通过神经网络训练三元组，生成该传输链路的黑箱模型，并在执行阶段得到该模型的非线性损伤值。图1给出了基于IPCA-DNN算法的NLC模型，其中，为了避免神络过度经网拟合，需要在第2隐藏层之后添加一个概率为0.5的脱落层。
需要得到实验数据：构建PDM-16QAM的长距离光传输系统。发射端，利用偏振分束器将载波光源分解成两个光载波，然后注入I/Q调制器中。同时波形发生器产生四路电信号分别注入I/Q调制器中进行载波调制。最后使用偏振合束器对光载波进行耦合，再利用掺铒光纤放大器将信号光功率放大后进行传输；光纤链路，使用环路控制器与掺铒光纤放大器以及滤波器组成的长距传输链路进行实现。接收端，将接收到的光信号与本地激光器进行混频，并馈入两对平衡光电二极管进行相干检测，然后由低通滤波器滤波并进行模数转换，最后进行离线数字信号处理：I/Q不平衡补偿和正交归一化、色散补偿、频偏估计、偏振解复用、载波相位恢复。
本发明基于IPCA-DNN算法的光纤非线性均衡方法具体步骤如下：
步骤1：用色散补偿模块来补偿传输链路的线性损伤，然后计算信道内交叉相位调制和信道内四波混频的三元组。
三元组计算与选择的具体过程如下：
用Manakov方程分析光纤通信链路中双偏光场的非线性薛定谔方程，得到光纤非线性扰动：
Figure BDA0003071330590000041
Figure BDA0003071330590000042
其中，m,n是符号索引；P0是发射点处的脉冲峰值功率；Xn，Yn分别表示在第n时刻接收到的符号序列X偏振和Y偏振的复振幅；Cm,n表示光纤的非线性系数。此时，三元组的计算公式为：
Figure BDA0003071330590000043
Figure BDA0003071330590000044
其中Tx、Ty分别表示x偏振和y偏振的三元组，Xm、Ym分别表示在第m时刻接收到的符号序列X偏振光和Y偏振光的复振幅。
根据式(2a)(2b)计算三元组，此时三元组的个数较多，在神经网络训练该数据会增加迭代运算的复杂度。为了降低复杂度，需要建立一个三元组选择的标准，只需要将三元组中贡献最大的项作为神经网络的输入。建立的标准如下：
|mn|≤C (3a)
m,n∈[-L,+L] (3b)
式中，数值L取决于信道储存器的大小和约束条件；C是一个调节参数，用来平衡NLC的性能与计算复杂度。
根据等式(3a)可以得出，当L或C固定时，C或L的值越大，特征中包含的三元组数就越多。同时三元组越多，会相应地增加系统的计算复杂度，因此需要根据性能和计算复杂度两方面因素来灵活地调整L和C的值。
步骤2：通过改进型PCA算法与聚类分析结合对所述三元组进行数据预处理。
对于神经网络输入的三元组数据包含了两方面的信息：一是各个三元组的实部与虚部变异程度的信息(由数据的方差与其均值之比来反映)，二是各个三元组之间相互影响程度的信息(由三元组之间的相关系数反映)。传统的主成分分析(Principal ComponentAnalysis，PCA)算法，是对三元组进行数据标准化，即标准化为均值为0、方差为1的数据集，但在标准化消除数量级影响的过程中，也抹杀了各个三元组实部与虚部变异程度的信息。所以，标准化后提取的主成分，不能准确反映原始数据所包含的全部信息。
针对传统PCA算法的缺点，本发明提出一种改进型PCA算法，具体思路如下：首先对三元组各个变量均值化，即用三元组的原始数据除以相应实部与虚部的均值。
设原始三元组数据为X＝(xij)M×P，令
Figure BDA0003071330590000051
其中，
Figure BDA0003071330590000052
j＝1,2,…,P，得到均值化矩阵X′＝(x'ij)M×P。设X′的协方差矩阵为U＝(uij)P×P，并且X′中各个向量的均值为1，所以：
Figure BDA0003071330590000053
式(5)表明：均值化不改变各个三元组间的相关系数，故均值化后的数据能够准确反映原始数据所包含的信息。但是，第一主成分F1的方差贡献率不够高(没有达到90％以上)，仅仅采用第一主成分的数据，使得给定的数据集相对过于简单而导致神经网络过拟合。
此时，应该将IPCA与聚类分析结合起来，具体做法如下：
⑴按照贡献率的大小选择前K个主成分，并计算此时主成分的贡献率；
⑵对所选定的新数据进行聚类分析，以第一主成分贡献率的均值来确定；
⑶最后根据聚类中包含的主成分来确定三元组的数据集。
步骤3：通过神经网络训练标准化后的三元组，生成该传输链路的黑箱模型，并在执行阶段得到该模型的非线性损伤值的预测值；
作为一种监督算法，DNN在迭代训练中需要提供两个部分：特征xt和标签yt,label。其中xt是经过IPCA后的三元组数据，yt,label为光纤的发送符号(Txsymbol)与对应的接收符号(Rxsymbol)的差值。先由神经网络训练三元组，生成该传输链路的黑箱模型，并在执行阶段得到该模型的预测非线性损伤值。
步骤4：利用非线性损伤值的预测值与神经网络的标签值来计算该非线性补偿方案的性能。
本发明基于IPAC-DNN算法的光纤非线性补偿方案只依赖于接收到的数据来模拟传输模型，可以在预先不知道链路参数(如：海底光缆)的情况下工作，具有普适性，而传统的光纤非线性补偿方案(如：DBP)在运算中需要获得准确的传输链路参数。
而且本发明以较低的复杂度而实现较高的光纤非线性补偿性能。传统的光纤非线性补偿方案：数字反向传播由于在频域补偿色散，在时域补偿非线性，所以需要大量做傅里叶变换和傅里叶逆变换，增加了系统的复杂性；Volterra级数，通过Volterra级数来求解非线性薛定谔方程，计算的复杂度高，性能不稳定。而神经网络的计算复杂度比较低，并且可以实现相类似的性能指标。

Claims (5)

1.一种基于IPCA-DNN算法的光纤非线性均衡方法，其特征在于，包括以下步骤：
步骤1：用色散补偿模块来补偿传输链路的线性损伤，然后计算信道内交叉相位调制和信道内四波混频的三元组；
步骤2：通过改进型PCA算法与聚类分析结合对所述三元组进行数据预处理；
步骤3：通过神经网络训练预处理后的三元组，生成该传输链路的黑箱模型，并在执行阶段得到该模型的非线性损伤值；
步骤4：利用神经网络迭代出的非线性损伤值，与神经网络的标签值来计算系统的误码率，从而得到系统的非线性补偿方案性能。
2.根据权利要求1所述的基于IPCA-DNN算法的光纤非线性均衡方法，其特征在于，所述步骤1中三元组的计算和选择过程包括：
用Manakov方程分析光纤通信链路中双偏光场的非线性薛定谔方程，得到光纤非线性扰动：
Figure FDA0003071330580000011
Figure FDA0003071330580000012
其中，ΔAx和ΔAy分别为X偏振和Y偏振上的光纤非线性扰动；P0是发射点处的脉冲峰值功率；Xn，Yn分别表示在第n时刻接收到的符号序列X偏振和Y偏振的复振幅；m,n是与接收时刻对应的符号索引；Cm,n表示光纤的非线性系数；此时，三元组的计算公式为：
Figure FDA0003071330580000013
Figure FDA0003071330580000014
其中，Tx、Ty分别表示X偏振和Y偏振的三元组，Xm、Ym分别表示在第m时刻接收到的符号序列X偏振和Y偏振的复振幅；
Figure FDA0003071330580000015
和
Figure FDA0003071330580000016
分别表示第m+n时刻接收到的符号序列X偏振和Y偏振的复振幅的共轭转置；
建立三元组选择的标准，确定三元组中贡献最大的项；标准如下：
|mn|≤C (3a)
m,n∈[-L,+L] (3b)
式中，L是一个调节参数，其数值取决于信道储存器的大小和约束条件；C是一个调节参数，用来平衡NLC的性能与计算复杂度。
3.根据权利要求2所述的基于IPCA-DNN算法的光纤非线性均衡方法，其特征在于，所述步骤2具体包括：
步骤21：对三元组各个变量均值化，即用三元组的原始数据除以相应的实部与虚部的均值；
设原始三元组数据为X＝(xij)M×P，令
Figure FDA0003071330580000021
其中，xij和x′ij分别表示原始三元组的第i行j列的元素和均值化后三元组的第i行j列的元素，M和P分别表示三元组数据的行数和列数；
Figure FDA0003071330580000022
得到均值化矩阵X′＝(x’ij)M×P；设X′的协方差矩阵为U＝(uij)P×P，并且X′中各个向量的均值为1，所以：
Figure FDA0003071330580000023
步骤22：按照贡献率的大小选择前K个主成分，并计算此时主成分的贡献率；
步骤23：对所选定的新数据进行聚类分析，并以第一主成分贡献率的均值来确定；
步骤24：根据聚类中包含的主成分来确定三元组的数据集。
4.根据权利要求1所述的基于IPCA-DNN算法的光纤非线性均衡方法，其特征在于，所述神经网络包括输入层、隐藏层和输出层，且第2隐藏层之后还添加有概率为0.5的脱落层。
5.根据权利要求1所述的基于IPCA-DNN算法的光纤非线性均衡方法，其特征在于，所述神经网络的标签值为光纤的发送符号Txsymbol与对应的接收符号Rxsymbol的差值。
CN202110540032.0A 2021-05-18 2021-05-18 一种基于ipca-dnn算法的光纤非线性均衡方法 Active CN113285758B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110540032.0A CN113285758B (zh) 2021-05-18 2021-05-18 一种基于ipca-dnn算法的光纤非线性均衡方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110540032.0A CN113285758B (zh) 2021-05-18 2021-05-18 一种基于ipca-dnn算法的光纤非线性均衡方法

Publications (2)

Publication Number Publication Date
CN113285758A true CN113285758A (zh) 2021-08-20
CN113285758B CN113285758B (zh) 2022-06-14

Family

ID=77279659

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110540032.0A Active CN113285758B (zh) 2021-05-18 2021-05-18 一种基于ipca-dnn算法的光纤非线性均衡方法

Country Status (1)

Country Link
CN (1) CN113285758B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113916497A (zh) * 2021-09-24 2022-01-11 中国传媒大学 一种光波导参数测量方法和装置
CN114422035A (zh) * 2022-01-21 2022-04-29 上海交通大学 相干光通信系统中光纤非线性损伤补偿方法及系统
CN115314118A (zh) * 2022-07-28 2022-11-08 聊城大学 一种光纤非线性补偿方法及装置
CN115632717A (zh) * 2022-10-08 2023-01-20 北京理工大学 一种基于自注意力的非线性补偿方法
CN116032371A (zh) * 2022-12-28 2023-04-28 北京理工大学 一种lcrf光纤传输系统的非线性补偿方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150161994A1 (en) * 2013-12-05 2015-06-11 Nuance Communications, Inc. Method and Apparatus for Speech Recognition Using Neural Networks with Speaker Adaptation
CN107862329A (zh) * 2017-10-31 2018-03-30 电子科技大学 一种基于深度置信网络的雷达一维距离像真假目标识别方法
CN108268872A (zh) * 2018-02-28 2018-07-10 电子科技大学 一种基于增量学习的鲁棒非负矩阵分解方法
CN111726168A (zh) * 2020-06-19 2020-09-29 成都信息工程大学 一种单载波光通信信号检测方法及其装置
CN111917474A (zh) * 2020-07-22 2020-11-10 北京理工大学 一种隐式三元组神经网络及光纤非线性损伤均衡方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150161994A1 (en) * 2013-12-05 2015-06-11 Nuance Communications, Inc. Method and Apparatus for Speech Recognition Using Neural Networks with Speaker Adaptation
CN107862329A (zh) * 2017-10-31 2018-03-30 电子科技大学 一种基于深度置信网络的雷达一维距离像真假目标识别方法
CN108268872A (zh) * 2018-02-28 2018-07-10 电子科技大学 一种基于增量学习的鲁棒非负矩阵分解方法
CN111726168A (zh) * 2020-06-19 2020-09-29 成都信息工程大学 一种单载波光通信信号检测方法及其装置
CN111917474A (zh) * 2020-07-22 2020-11-10 北京理工大学 一种隐式三元组神经网络及光纤非线性损伤均衡方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
YULIANG GAO: "Reduced Complexity Nonlinearity Compensation via Principal Component Analysis and Deep Neural Networks", 《2019 OPTICAL FIBER COMMUNICATIONS CONFERENCE AND EXHIBITION (OFC)》 *
YULIANG GAO: "Reduced Complexity Nonlinearity Compensation via Principal Component Analysis and Deep Neural Networks", 《2019 OPTICAL FIBER COMMUNICATIONS CONFERENCE AND EXHIBITION (OFC)》, 25 April 2019 (2019-04-25) *
华涛: "高维大数据流时间维度特征提取方法仿真", 《计算机仿真》 *
华涛: "高维大数据流时间维度特征提取方法仿真", 《计算机仿真》, 15 April 2021 (2021-04-15) *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113916497A (zh) * 2021-09-24 2022-01-11 中国传媒大学 一种光波导参数测量方法和装置
CN113916497B (zh) * 2021-09-24 2024-05-03 中国传媒大学 一种光波导参数测量方法和装置
CN114422035A (zh) * 2022-01-21 2022-04-29 上海交通大学 相干光通信系统中光纤非线性损伤补偿方法及系统
CN114422035B (zh) * 2022-01-21 2023-08-25 上海交通大学 相干光通信系统中光纤非线性损伤补偿方法及系统
CN115314118A (zh) * 2022-07-28 2022-11-08 聊城大学 一种光纤非线性补偿方法及装置
CN115314118B (zh) * 2022-07-28 2024-02-20 聊城大学 一种光纤非线性补偿方法及装置
CN115632717A (zh) * 2022-10-08 2023-01-20 北京理工大学 一种基于自注意力的非线性补偿方法
CN116032371A (zh) * 2022-12-28 2023-04-28 北京理工大学 一种lcrf光纤传输系统的非线性补偿方法
CN116032371B (zh) * 2022-12-28 2024-03-22 北京理工大学 一种lcrf光纤传输系统的非线性补偿方法

Also Published As

Publication number Publication date
CN113285758B (zh) 2022-06-14

Similar Documents

Publication Publication Date Title
CN113285758B (zh) 一种基于ipca-dnn算法的光纤非线性均衡方法
Freire et al. Complex-valued neural network design for mitigation of signal distortions in optical links
CN114039670B (zh) 一种模分复用通信系统非线性损伤补偿方法
Zhang et al. Functional-link neural network for nonlinear equalizer in coherent optical fiber communications
Zhao et al. Low-complexity fiber nonlinearity impairments compensation enabled by simple recurrent neural network with time memory
CN114285715B (zh) 基于双向gru-条件随机场的非线性均衡方法
CN114553315B (zh) 基于CNN-biRNN的光纤非线性均衡方法及系统
Li et al. Deep-learning-enabled high-performance full-field direct detection with dispersion diversity
Zhang et al. Transformer-based long distance fiber channel modeling for optical OFDM systems
Feng et al. Intelligent optical performance monitoring based on intensity and differential-phase features for digital coherent receivers
CN113346957A (zh) 一种oam-qpsk传输的聚类非线性补偿方法
Guo et al. Deep neural network based chromatic dispersion estimation with ultra-low sampling rate for optical fiber communication systems
CN115987394A (zh) 一种基于Wide&Deep模型的光纤非线性均衡方法
Cui et al. Hidden conditional random field-based equalizer for the 3D-CAP-64 transmission of OAM mode-division multiplexed ring-core fiber communication
CN113595641B (zh) 一种基于ma-dbp算法的光纤非线性均衡方法
Sun et al. End-to-End Deep-Learning-Based Photonic-assisted Multi-user Fiber-mmWave Integrated Communication System
CN112769497B (zh) 对大容量高阶qam相干光进行非线性补偿的方法
CN115441956A (zh) 基于奇异值分解的光纤通信降噪方法及系统、计算机程序
Liu et al. Nonlinearity mitigation in a fiber-wireless integrated system based on low-complexity autoencoder and BiLSTM-ANN equalizer
Sun et al. Joint equalization of RSOP and PMD impairments based on square-root cubature Kalman filter for PDM-16QAM system
Borges et al. K-means clustering for mitigation of nonlinear phase noise in digital coherent optical systems using 16-qam modulation format
Yang et al. Fiber Nonlinear Compensation Using Bi-directional Recurrent Neural Network Model Based on Attention Mechanism
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
Cui et al. Optical fiber channel modeling method using multi-BiLSTM for PM-QPSK systems
Yang et al. A cost-effective joint multi-parameter optical performance monitoring scheme for high baud rate mode division multiplexing system

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
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20210820

Assignee: Chengdu genbo Radar Technology Co.,Ltd.

Assignor: CHENGDU University OF INFORMATION TECHNOLOGY

Contract record no.: X2023980052204

Denomination of invention: A Fiber Nonlinear Equalization Method Based on IPCA-DNN Algorithm

Granted publication date: 20220614

License type: Common License

Record date: 20231215

EC01 Cancellation of recordation of patent licensing contract

Assignee: Chengdu genbo Radar Technology Co.,Ltd.

Assignor: CHENGDU University OF INFORMATION TECHNOLOGY

Contract record no.: X2023980052204

Date of cancellation: 20240606