CN113452638B - 一种正交啁啾复用光传输方法和系统 - Google Patents
一种正交啁啾复用光传输方法和系统 Download PDFInfo
- Publication number
- CN113452638B CN113452638B CN202110923441.9A CN202110923441A CN113452638B CN 113452638 B CN113452638 B CN 113452638B CN 202110923441 A CN202110923441 A CN 202110923441A CN 113452638 B CN113452638 B CN 113452638B
- Authority
- CN
- China
- Prior art keywords
- signal
- algorithm
- signals
- discrete
- modulated
- 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
- 230000003287 optical effect Effects 0.000 title claims abstract description 70
- 230000005540 biological transmission Effects 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 86
- 238000013528 artificial neural network Methods 0.000 claims abstract description 55
- 230000009466 transformation Effects 0.000 claims abstract description 55
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 28
- 230000001131 transforming effect Effects 0.000 claims abstract description 12
- 239000013598 vector Substances 0.000 claims abstract description 12
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 230000015654 memory Effects 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 37
- 238000006243 chemical reaction Methods 0.000 claims description 27
- 230000006403 short-term memory Effects 0.000 claims description 20
- 230000007787 long-term memory Effects 0.000 claims description 19
- 238000010586 diagram Methods 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 230000000737 periodic effect Effects 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 10
- 239000013307 optical fiber Substances 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- LFEUVBZXUFMACD-UHFFFAOYSA-H lead(2+);trioxido(oxo)-$l^{5}-arsane Chemical compound [Pb+2].[Pb+2].[Pb+2].[O-][As]([O-])([O-])=O.[O-][As]([O-])([O-])=O LFEUVBZXUFMACD-UHFFFAOYSA-H 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/01—Equalisers
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- 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
-
- 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
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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Power Engineering (AREA)
- Optical Communication System (AREA)
- Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
Abstract
本发明公开了一种正交啁啾复用光传输方法，包括：在信号调制的过程中引入离散逆菲涅尔变换，将调制信号变换为调制在多组正交啁啾子载波上的离散已调信号；以卷积双向长短期记忆神经网络对离散已调信号进行滤波均衡后输出去除信道影响的补偿信号，再经判决得到均衡后的已调信号；同时，通过坐标变换对补偿信号进行处理，将非常模信号的星座点变换为常模位置以得到常模信号，再利用增强型的常模算法‑判决引导与多模算法结合的DD‑MMA算法，对CNN‑BLSTM神经网络的权值向量进行更新，来不断调整滤波器参数以适应时变的非线性信道；解调出原调制信号。本发明具有更强的抗干扰能力，极大地提高了传输系统的性能。
Description
技术领域
本发明涉及人工神经网络技术与正交啁啾复用(OCDM)技术领域，具体而言涉及一种正交啁啾复用光传输方法和系统。
背景技术
自20世纪60年代光纤通信技术发明以来，由于光纤信道具有低损耗(损耗小于0.2dB/km)、高带宽(带宽大于100THz)的特性，光纤通信系统成为目前唯一可以支持全球通信网络的通信系统，并且发展迅速。特别是自21世纪初以来，随着超高速微电子和数字电路技术的发展，现代光纤通信系统步入了全数字时代。然而，由于各个模式之间的时延会使一部分分量反复耦合进出一种模式，从而引发类似于多径效应(指电磁波经不同路径传播后，各分量场到达接收端时间不同，按各自相位相互叠加而造成干扰，使得原来的信号失真，或者产生错误。)的串扰以及光纤会对其中传输的光造成色散等影响从而引起接收端符号间干扰问题，不仅降低了光传输系统的传输可靠性，而且还限制了光传输系统系统的传输速率。因此，作为对抗符号间干扰的有效手段，新型的高速多载波传输技术以及对于光纤通信的信道均衡技术一直是光数字通信系统中举足轻重的研究内容。
对于目前热门的高速多载波传输技术，例如正交频分复用(OrthogonalFrequency Division Multiplexing OFDM)多载波系统，其采用了正交频分信道，能够在不需要复杂的均衡技术情况下支持高速数据传输，并具有很强的抗衰落和抗符号间干扰的能力。现在OFDM已经在欧洲的数字音视频广播，欧洲和北美的高速无线局域网系统，高比特数字用户线以及电力载波通信中得到了广泛应用。最新提出的正交啁啾复用(OrthogonalChirp Division Multiplexing OCDM)多载波系统，由于啁啾波形具有较强的脉冲压缩和扩频能力以及OCDM系统能有效地利用多径分集特性，从而优于OFDM系统，并且与单载波频域均衡相比，OCDM系统对保护间隔不足造成的干扰具有更强的抗干扰能力，因此，对于OCDM系统的研究也是未来通信系统的一种发展趋势。
传统的数据辅助信道均衡方案需要借助训练序列的训练，对均衡器的抽头系数进行调整，以达到均衡信道影响的目的。但是训练序列的发送会造成部分频谱资源的浪费，同时在非合作通信场景中，训练序列是不可用的。因此，无需使用训练序列而仅仅利用信号自身先验信息以恢复发送信号的盲均衡技术应运而生。
在盲均衡技术中，非线性盲均衡算法主要利用非线性模型如小波变换与人工神经网络进行信道均衡，由于这些非线件模型均具有极强的非线性拟合能力，可以针对信道的非线性畸变拟合出非线性信道的逆信道，完成对信道的补偿。人工神经网络可以拟合出复杂的非线性过程，具备鲁棒性强、学习能力强与容错性高等优点，并且具有优异的全局搜索能力，利用人工神经网络进行信道盲均衡具有极大的优势。然而目前采用的人工神经网络的适配性不佳，目前采用人工神经网络的盲均衡技术并未完全解决传统盲均衡技术中的抗干扰能力弱、收敛速度慢、稳态误差大与信号接收端严重失真等问题。
发明内容
本发明针对现有技术中的不足，提供一种正交啁啾复用光传输方法和系统，具有更强的抗干扰能力，成功解决了传统盲均衡算法收敛速度慢、稳态误差大与信号接收端严重失真等问题，极大地提高了传输系统的性能。
为实现上述目的，本发明采用以下技术方案：
一种正交啁啾复用光传输方法，所述传输方法包括：
S1，在信号调制的过程中引入离散逆菲涅尔变换，将调制信号变换为调制在多组正交啁啾子载波上的离散已调信号；
S2，以卷积双向长短期记忆神经网络对离散已调信号进行滤波均衡后输出去除信道影响的补偿信号，再经判决得到均衡后的已调信号；同时，通过坐标变换对补偿信号进行处理，将非常模信号的星座点变换为常模位置以得到常模信号，再利用增强型的常模算法-判决引导与多模算法结合的DD-MMA算法，对CNN-BLSTM神经网络的权值向量进行更新，来不断调整滤波器参数以适应时变的非线性信道；
S3，在信号解调过程中，利用各个啁啾信号之间的正交性对步骤S2中均衡后的已调信号进行离散菲涅尔变换，解调出原调制信号。
为优化上述技术方案，采取的具体措施还包括：
基于前述传输方法，本发明还提及一种正交啁啾复用光传输系统，所述传输系统包括依次连接的OCDM调制单元、光信号输出单元、信道、光信号接收单元、卷积双向长短期记忆神经网络坐标变换盲均衡单元和OCDM解调单元；
所述OCDM调制单元用于对输入的原始信号进行处理，引入离散逆菲涅尔变换，将调制信号变换为调制在多组正交啁啾子载波上的串行离散已调信号；
所述光信号输出单元用于将串行离散已调信号转换成光信号发送至信道中进行传输；
所述光信号接收单元用于接收经信道传输过来的光信号，对光信号依次进行功率调整和滤波后，将滤波后的光信号再转换成数字格式的离散已调信号；
所述卷积双向长短期记忆神经网络坐标变换盲均衡单元采用卷积双向长短期记忆神经网络对离散已调信号进行滤波均衡后输出去除信道影响的补偿信号，再经判决得到均衡后的已调信号；同时，通过坐标变换对补偿信号进行处理，将非常模信号的星座点变换为常模位置以得到常模信号，再利用增强型的常模算法-判决引导与多模算法结合的DD-MMA算法，对CNN-BLSTM神经网络的权值向量进行更新，来不断调整滤波器参数以适应时变的非线性信道；
所述OCDM解调单元用于利用各个啁啾信号之间的正交性对均衡后的已调信号进行离散菲涅尔变换，解调出原调制信号。
进一步地，所述OCDM调制单元包括依次连接的串/并转换模块、映射模块、离散逆菲涅耳变换模块、前缀模块和并/串转换模块；
所述串/并转换模块用于对输入码元进行串/并转换，将其分为多路并行码元发送至映射模块进行调制映射处理以得到多路调制信号；
所述离散逆菲涅耳变换模块用于对多路调制信号进行逆离散菲涅耳变换，将变换得到的调制在多组正交啁啾子载波上的离散已调信号发送至前缀模块增加前缀后，再经并/串转换模块将多路信号合并成一路后，输出为调制在多组正交啁啾子载波上的串行离散已调信号。
进一步地，所述光信号输出单元包括数模转换模块、MZ调制器和激光器；
所述OCDM调制单元、数模转换模块和MZ调制器依次连接，激光器与MZ调制器的另一个输入端连接，MZ调制器的输出端与信道连接，OCDM调制单元输出的离散已调信号经数模转换模块转换成模拟电信号后，再经MZ调制器转换成对应的光信号，经信号传输至光信号接收单元。
进一步地，所述光信号接收单元包括依次连接的预放大器、光带通滤波器、光电探测器和模数转换模块；
经信道传送过来的离散已调信号首先经过预放大器进行功率调整，其次经过光带通滤波器进行滤波，再利用光电探测器对信号进行探测接收后，将光信号转换为电信号，最后通过模数转换将电信号转换为对应的数字信号。
进一步地，所述卷积双向长短期记忆神经网络坐标变换盲均衡单元包括CNN-BLSTM神经网络、判决器、坐标变换模块和DD-MMA模块；
设发送端的已调信号a(k)经过非线性信道以及考虑到加性高斯白噪声对其的影响，到接收端的信号为y(k)＝a(k)*h(k)+w(k)；
所述CNN-BLSTM神经网络用于对接收信号y(k)进行滤波均衡，将经过补偿的去除信道影响的已调信号z(k)输出至判决器，得到输出信号
所述CNN-BLSTM神经网络还用于将补偿信号z(k)发送至坐标变换模块进行坐标变换，以使非常模信号变换为常模信号并且发送至DD-MMA模块；所述DD-MMA模块采用增强型的常模算法-判决引导与多模算法结合的DD-MMA算法，对CNN-BLSTM神经网络的权值向量f(k)进行更新。
进一步地，所述卷积双向长短期记忆神经网络包括一个BLSTM层、一个全连接层和两个卷积层；两个卷积层采用修正线性单元ReLU作为激活函数，BLSTM层采用sigmoid作为激活函数，全连接层采用软最大函数SoftMax作为激活函数对滤波器参数特征进行整合；同时卷积层和BLSTM层采用丢失输出Dropout避免出现过拟合的现象，选用Adam作为梯度下降优化算法。
进一步地，所述坐标变换模块利用三角函数周期性归零的特性，将高阶非常模信号的坐标值统一变换至星座图原点的位置；
当信号为实信号MPAM或复信号MQAM时，其实部或虚部的模值均为{±1，±3，±5，…}，当正弦函数y＝sin(πx)的x为奇数时，函数y恒为零。
进一步地，所述DD-MMA算法采用多模算法与判决引导算法相结合的方式，DD算法以MMA算法为冷启动算法，当判决误码率减至预设门限阈值时，再切换至DD算法；
所述MMA算法的代价函数为：
JMMA＝E{(Re[y(k)]p-R)2+(Im[y(k)]p-R)2}；
其中，Re[y(k)]和Im[y(k)]分别为均衡器输出信号的实部与虚部；
所述MMA算法的迭代公式为：
DD算法盲均衡器权向量更新公式为：
其中
为误差信号，μ为迭代步长，wk为权重矩阵，x(k)为输入信号，JMMA为代价函数，R为期望模值，p为常数。
本发明的有益效果是：
本发明提出的OCDM技术在信号调制的过程中引入离散逆菲涅尔变换，该变换将调制信号变换为调制在多组正交啁啾子载波上的离散已调信号，在信号解调过程中，利用各个啁啾信号之间的正交性对已调信号进行离散菲涅尔变换，解调出原调制信号。在已调信号解调之前，用卷积双向长短期记忆神经网络坐标变换盲均衡算法进行信道均衡，通过坐标变换将非常模信号变换为常模信号，通过DD-MMA均衡算法，利用均衡器输入序列与输出序列的统计信息构造DD-MMA代价函数，得出网络权重误差更新量，根据信道的变化，更新卷积双向长短期记忆神经网络各层的权值，运用该网络，实现信道均衡。
本专利通过将传统盲均衡器中的横向滤波器替换为卷积双向长短期记忆神经网络以解决传统忙均衡算法的缺点，利用坐标变换将非常模信号的星座点变换为常模位置对常数模算法进行优化，提出了一种更加优异的盲均衡算法，并将其用于OCDM光传输系统中，给出了一种比传统OFDM光传输系统性能更加优异的OCDM光传输系统方案。
附图说明
图1为本发明的正交啁啾复用(OCDM)光传输系统原理流程框图。
图2为OCDM调制单元框图。
图3为OCDM解调单元框图。
图4为卷积双向长短期记忆神经网络坐标变换盲均衡单元的结构框图。
图5为沿着时间展开的BLSTM网络示意图。
图6为CNN-BLSTM网络结构示意图。
图7为本发明的正交啁啾复用(OCDM)光传输系统的系统模型示意图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
本发明是一种基于卷积双向长短期记忆神经网络坐标变换盲均衡算法的正交啁啾复用(OCDM)光传输系统，其系统原理流程框图如图1所示。原始信息经过OCDM调制单元调制，输出为调制在多组正交啁啾子载波上的离散已调信号，经过信道后先由神经网络优化的盲均衡器补偿信道的影响，再经OCDM解调单元进行解调，最后输出解调信息，即基带信号。各部分的具体工作流程如下：
(1)OCDM调制单元
OCDM调制单元以逆离散菲涅耳变换为核心，该调制单元将调制信号变换为调制在多组正交啁啾子载波上的离散已调信号实现高速多载波传输。OCDM调制单元框图如下图2所示。
在系统输入端，输入码元经过串/并转换后分为多路并行码元，经过调制映射(PSK调制、QAM调制等)即可得到多路调制信号。将调制信号进行逆离散菲涅耳变换IDFnT并考虑到离散菲涅耳变换具有简并性需要考虑分数N的奇偶，可得输出为：
s＝ΦHx；
其中ФH为IDFnT矩阵。
对于离散菲涅耳变换可做简单推导，菲涅耳变换的离散形式DFnT与Talbot效应有关，DFnT矩阵给出了Talbot像或自成像在Talbot距离的分数处即(z＝zT/N)的场系数，其中zT为Talbot距离，DFnT矩阵如下式所示：
由经IDFnT输出的矩阵形式可得，离散形式的OCDM已调信号即为对调制信号矩阵x进行逆离散菲涅耳变换IDFnT，调制信号经过该调制单元即可将调制信号变换为调制在多组正交啁啾子载波上的离散已调信号，再经过增加前缀以防止符号间干扰(ISI)以及并/串变换将多路信号合并为一路后，即可完成OCDM调制。
(2)OCDM解调单元
OCDM解调单元对应于OCDM调制单元，其核心为离散菲涅耳变换DFnT，OCDM解调单元的结构框图如下图3所示。
将接收信号经串/并转换后变为多路信号，解除循环前缀即可得多路调制信号，调制信号经离散菲涅耳变换DFnT的输出可用其矩阵形式表示为：
x′＝Φs＝x；
DFnT的输出即为调制信号，再通过解映射、并/串转换后即可得到接收码元。
(3)卷积双向长短期记忆神经网络坐标变换盲均衡单元
卷积双向长短期记忆神经网络坐标变换盲均衡单元以卷积双向长短期记忆神经网络代替横向滤波器实现滤波功能，以三角坐标变换算法将非常模信号变换为常模信号以满足均衡算法的要求，采用多模算法(MMA)和判决引导算法(DD)结合的DD-MMA算法对神经网络的权值更新，对比传统的CMA算法，DD-MMA算法既能够获得信号的相位信息又能提升算法的收敛速度。卷积双向长短期记忆神经网络坐标变换盲均衡单元的结构框图如下图4所示。
发送端的已调信号a(k)经过非线性信道以及考虑到加性高斯白噪声对其的影响，到接收端的信号为y(k)＝a(k)*h(k)+w(k)，将CNN-BLSTM神经网络代替传统的横向滤波器对接收信号y(k)进行滤波均衡，输出即为经过补偿的去除信道影响的已调信号z(k)，经过判决器即可得到输出信号
同时将补偿信号z(k)经坐标变换，将非常模信号变换为常模信号，利用一个增强型的常模算法-判决引导与多模算法结合的DD-MMA算法，对CNN-BLSTM神经网络的权值向量f(k)进行更新，来不断调整滤波器参数以适应时变的非线性信道。对于CNN-BLSTM神经网络、坐标变换算法以及DD-MMA算法介绍如下：
(3.1)CNN-BLSTM神经网络
卷积双向长短期记忆神经网络(CNN-BLSTM)是在双向长短期记忆神经网络(BLSTM)的基础上提出的，BLSTM的基本思想是每一个训练序列向前和向后分别是两个长短期记忆神经网络(LSTM)，而且这两个都连接着同一个输出层。图5展示的是一个沿着时间展开的BLSTM网络。
该网络的前向传播层和反向传播层共同连接着输出层，其中包含6个共享权值W1～W6。该网络首先通过前向传播层正向计算一遍，保存正向计算过程中每时刻向前隐含层的输出。然后，通过反向传播层反向计算，得到反向计算的每时刻向后隐含层的输出。最后，每个时刻的输出为相应时刻前向传播和反向传播输出的综合，数学表达式如下：
ht＝f(w1xt+w2ht-1)
h't＝f(w3xt+w5h't+1)
Ot＝g(w4ht+w6h't)
CNN-BLSTM网络由一个BLSTM层和一个全连接层两个卷积层组成。两个卷积层采用修正线性单元ReLU作为激活函数，BLSTM采用sigmoid作为激活函数，全连接层采用软最大函数SoftMax作为激活函数对滤波器参数特征进行整合，同时卷积层和BLSTM层采用丢失输出Dropout防止出现过拟合的现象。同时，选用Adam作为梯度下降优化算法。其结构图如下图6所示。
(2)坐标变换算法
坐标变换采用三角坐标变换算法，由于三角函数的周期性，可以通过构造三角函数的方法，利用三角函数周期性归零的特性，将高阶非常模信号的坐标值统一变换至星座图原点的位置。当信号为实信号MPAM或复信号MQAM时，其实部或虚部的模值均为{±1，±3，±5，…}，当正弦函数y＝sin(πx)的x为奇数时，函数y恒为零。利用这一周期性，可以将阶数不限的高阶非常模信号变换至原点位置，并且变换公式不会随着阶数的增大而提高计算量。
(3)DD-MMA算法
均衡算法采用多模算法(MMA)与判决引导算法(DD)相结合的DD-MMA算法，MMA在本质上既利用了均衡器输出信号的幅值信息，又利用了信号的相位信息，从而消除了恢复信号的相位模糊性，避免了纠正相位的开销，提高了收敛性能。MMA的代价函数为：
JMMA＝E{(Re[y(k)]p-R)2+(Im[y(k)]p-R)2}
其中，Re[y(k)]和Im[y(k)]分别为均衡器输出信号的实部与虚部。并用随机梯度法对MMA的权值向量进行更新，得到MMA的迭代公式为：
DD算法以牺牲可靠性为代价换取收敛速度，当存在符号间干扰(ISI)时误判的概率非常大，会导致算法不收敛，其不具备冷启动的功能。所以DD算法以MMA算法为冷启动算法，当判决误码率减至某一门限时，再切换至DD算法。DD算法盲均衡器权向量更新公式为：
其中
为误差信号，μ为迭代步长。
基于卷积双向长短期记忆神经网络坐标变换盲均衡算法的正交啁啾复用(OCDM)光传输系统的系统模型如图7所示，在系统输入端，输入码元经过OCDM调制单元调制，输出为调制在多组正交啁啾子载波上的串行离散已调信号。对已调信号进行数模转换将数字信号转换为模拟电信号。利用马赫曾德尔调制器将电信号转换为光信号，放入光纤中传输。
在系统的接收端，首先经过预放大器对光信号进行功率调整以便于信号的接收，再经过光带通滤波器进行滤波，然后利用光电探测器对信号进行探测接收，将光信号转换为电信号，通过模数转换将模拟信号转换为数字信号，经过卷积双向长短期记忆神经网络坐标变换盲均衡器对数字信号进行信道补偿，再进入OCDM解调单元解调，输出即为接收的码元数据。
正交啁啾复用(OCDM)技术是一种啁啾扩频技术(CSS)，其啁啾波形有较强的脉冲压缩和扩频能力，OCDM多载波系统既具有OCDM技术的优点，又同时能有效地利用多径分集特性，所以OCDM系统对保护间隔不足造成的干扰具有更强的抗干扰能力。在卷积双向长短期记忆神经网络坐标变换盲均衡算法中，利用坐标变换算法把非常模信号星座坐标变换到常模位置，使信号星座坐标与统计模值匹配。利用判决引导-多模算法(DD-MMA)代替常规的常模算法(CMA)，既利用了均衡器输出信号的幅值信息，又利用了信号的相位信息，并以MMA作为冷启动算法，当判决误码率减至某一门限时，切换至DD算法，提升了收敛速度。利用CNN卷积运算提取信号的空间特征，利用BLSTM提取信号的时序相关性，将卷积运CNN与BLSTM结合成卷积双向长短期记忆神经网络(CNN-BLSTM)，其出色的学习能力与序列特征提取能力可极大提高收敛速度，降低稳态误差。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。
Claims (9)
1.一种正交啁啾复用光传输方法，其特征在于，所述传输方法包括：
S1，在信号调制的过程中引入离散逆菲涅尔变换，将调制信号变换为调制在多组正交啁啾子载波上的串行离散已调信号；将串行离散已调信号转换成光信号发送至信道中进行传输；接收经信道传输过来的光信号，对光信号依次进行功率调整和滤波后，将滤波后的光信号再转换成数字格式的离散已调信号；
S2，以卷积双向长短期记忆神经网络对离散已调信号进行滤波均衡后输出去除信道影响的补偿信号，再经判决得到均衡后的已调信号；同时，利用三角函数周期性归零的特性，将高阶非常模信号的坐标值统一变换至星座图原点的位置；当信号为实信号MPAM或复信号MQAM时，其实部或虚部的模值均为{±1，±3，±5，…}，当正弦函数y＝sin(πx)的x为奇数时，函数y恒为零，以将非常模信号的星座点变换为常模位置，得到常模信号；再利用增强型DD-MMA算法，对CNN-BLSTM神经网络的权值向量进行更新，来不断调整滤波器参数以适应时变的非线性信道；所述DD-MMA算法采用多模算法与判决引导算法相结合的方式，DD算法以MMA算法为冷启动算法，当判决误码率减至预设门限阈值时，再切换至DD算法；
S3，在信号解调过程中，利用各个啁啾信号之间的正交性对步骤S2中均衡后的已调信号进行离散菲涅尔变换，解调出原调制信号。
2.一种正交啁啾复用光传输系统，其特征在于，所述传输系统包括依次连接的OCDM调制单元、光信号输出单元、信道、光信号接收单元、卷积双向长短期记忆神经网络坐标变换盲均衡单元和OCDM解调单元；
所述OCDM调制单元用于对输入的原始信号进行处理，引入离散逆菲涅尔变换，将调制信号变换为调制在多组正交啁啾子载波上的串行离散已调信号；
所述光信号输出单元用于将串行离散已调信号转换成光信号发送至信道中进行传输；
所述光信号接收单元用于接收经信道传输过来的光信号，对光信号依次进行功率调整和滤波后，将滤波后的光信号再转换成数字格式的离散已调信号；
所述卷积双向长短期记忆神经网络坐标变换盲均衡单元采用卷积双向长短期记忆神经网络对离散已调信号进行滤波均衡后输出去除信道影响的补偿信号，再经判决得到均衡后的已调信号；同时，利用三角函数周期性归零的特性，将高阶非常模信号的坐标值统一变换至星座图原点的位置；当信号为实信号MPAM或复信号MQAM时，其实部或虚部的模值均为{±1，±3，±5，…}，当正弦函数y＝sin(πx)的x为奇数时，函数y恒为零，以将非常模信号的星座点变换为常模位置，得到常模信号；再利用增强型DD-MMA算法，对CNN-BLSTM神经网络的权值向量进行更新，来不断调整滤波器参数以适应时变的非线性信道；所述DD-MMA算法采用多模算法与判决引导算法相结合的方式，DD算法以MMA算法为冷启动算法，当判决误码率减至预设门限阈值时，再切换至DD算法；
所述OCDM解调单元用于利用各个啁啾信号之间的正交性对均衡后的已调信号进行离散菲涅尔变换，解调出原调制信号。
3.根据权利要求2所述的正交啁啾复用光传输系统，其特征在于，所述OCDM调制单元包括依次连接的串/并转换模块、映射模块、离散逆菲涅耳变换模块、前缀模块和并/串转换模块；
所述串/并转换模块用于对输入码元进行串/并转换，将其分为多路并行码元发送至映射模块进行调制映射处理以得到多路调制信号；
所述离散逆菲涅耳变换模块用于对多路调制信号进行逆离散菲涅耳变换，将变换得到的调制在多组正交啁啾子载波上的离散已调信号发送至前缀模块增加前缀后，再经并/串转换模块将多路信号合并成一路后，输出为调制在多组正交啁啾子载波上的串行离散已调信号。
4.根据权利要求2所述的正交啁啾复用光传输系统，其特征在于，所述光信号输出单元包括数模转换模块、MZ调制器和激光器；
所述OCDM调制单元、数模转换模块和MZ调制器依次连接，激光器与MZ调制器的另一个输入端连接，MZ调制器的输出端与信道连接，OCDM调制单元输出的离散已调信号经数模转换模块转换成模拟电信号后，再经MZ调制器转换成对应的光信号，经信号传输至光信号接收单元。
5.根据权利要求2所述的正交啁啾复用光传输系统，其特征在于，所述光信号接收单元包括依次连接的预放大器、光带通滤波器、光电探测器和模数转换模块；
经信道传送过来的离散已调信号首先经过预放大器进行功率调整，其次经过光带通滤波器进行滤波，再利用光电探测器对信号进行探测接收后，将光信号转换为电信号，最后通过模数转换将电信号转换为对应的数字信号。
6.根据权利要求2所述的正交啁啾复用光传输系统，其特征在于，所述卷积双向长短期记忆神经网络坐标变换盲均衡单元包括CNN-BLSTM神经网络、判决器、坐标变换模块和DD-MMA模块；
设发送端的已调信号a(k)经过非线性信道以及考虑到加性高斯白噪声对其的影响，到接收端的信号为y(k)＝a(k)*h(k)+w(k)；
所述CNN-BLSTM神经网络用于对接收信号y(k)进行滤波均衡，将经过补偿的去除信道影响的已调信号z(k)输出至判决器，得到输出信号
所述CNN-BLSTM神经网络还用于将补偿信号z(k)发送至坐标变换模块进行坐标变换，以使非常模信号变换为常模信号并且发送至DD-MMA模块；所述DD-MMA模块采用增强型的常模算法-判决引导与多模算法结合的DD-MMA算法，对CNN-BLSTM神经网络的权值向量f(k)进行更新。
7.根据权利要求6所述的正交啁啾复用光传输系统，其特征在于，所述卷积双向长短期记忆神经网络包括一个BLSTM层、一个全连接层和两个卷积层；两个卷积层采用修正线性单元ReLU作为激活函数，BLSTM层采用sigmoid作为激活函数，全连接层采用软最大函数SoftMax作为激活函数对滤波器参数特征进行整合；同时卷积层和BLSTM层采用丢失输出Dropout避免出现过拟合的现象，选用Adam作为梯度下降优化算法。
8.根据权利要求6所述的正交啁啾复用光传输系统，其特征在于，所述坐标变换模块利用三角函数周期性归零的特性，将高阶非常模信号的坐标值统一变换至星座图原点的位置；
当信号为实信号MPAM或复信号MQAM时，其实部或虚部的模值均为{±1，±3，±5，…}，当正弦函数y＝sin(πx)的x为奇数时，函数y恒为零。
9.根据权利要求6所述的正交啁啾复用光传输系统，其特征在于，减至所述MMA算法的代价函数为：
JMMA＝E{(|Re[y(k)]|p-R)2+(|Im[y(k)]|p-R)2}；
其中，Re[y(k)]和Im[y(k)]分别为均衡器输出信号的实部与虚部；
所述MMA算法的迭代公式为：
DD算法盲均衡器权向量更新公式为：
其中
为误差信号，μ为迭代步长，wk为权重矩阵，x(k)为输入信号，JMMA为代价函数，R为期望模值，p为常数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110923441.9A CN113452638B (zh) | 2021-08-12 | 2021-08-12 | 一种正交啁啾复用光传输方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110923441.9A CN113452638B (zh) | 2021-08-12 | 2021-08-12 | 一种正交啁啾复用光传输方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113452638A CN113452638A (zh) | 2021-09-28 |
| CN113452638B true CN113452638B (zh) | 2023-04-07 |
Family
ID=77818487
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110923441.9A Active CN113452638B (zh) | 2021-08-12 | 2021-08-12 | 一种正交啁啾复用光传输方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113452638B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114142988B (zh) * | 2021-11-25 | 2023-05-26 | 南京信息工程大学 | 一种基于啁啾调制的高安全光传输方法 |
| CN115314119A (zh) * | 2022-07-28 | 2022-11-08 | 聊城大学 | 一种高速光通信系统中的光纤非线性均衡方法及系统 |
| CN117792839B (zh) * | 2023-12-28 | 2024-08-06 | 广东金融学院 | 一种Fresnel域信道的近似计算方法及OCDM信号解调方法 |
| CN118199739B (zh) * | 2024-05-16 | 2024-08-09 | 江苏百卓智能科技有限公司 | 一种光信号传输优化方法及系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN100469070C (zh) * | 2005-08-05 | 2009-03-11 | 西安电子科技大学 | 基于神经网络均衡器的小波包多载波扩频系统及控制方法 |
| WO2012090190A1 (en) * | 2010-11-08 | 2012-07-05 | Ben-Gurion University Of The Negev Research & Development Authority | A low cost direct modulation and coherent detection system |
| CN106982183A (zh) * | 2017-05-12 | 2017-07-25 | 北京工业大学 | 一种高速数传系统中的自适应盲均衡方法 |
-
2021
- 2021-08-12 CN CN202110923441.9A patent/CN113452638B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN113452638A (zh) | 2021-09-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113452638B (zh) | 一种正交啁啾复用光传输方法和系统 | |
| US8233809B2 (en) | Polarization independent frequency domain equalization (FDE) for chromatic dispersion (CD) compensation in PolMux coherent systems | |
| Tao et al. | 40 Gb/s CAP32 system with DD-LMS equalizer for short reach optical transmissions | |
| CN109347562B (zh) | 一种co-ofdm系统相位噪声优化补偿方法 | |
| CN114844749B (zh) | 基于神经网络的光纤信道估计方法 | |
| CN109861939B (zh) | 一种oqpsk频域均衡无线数据传输方法 | |
| 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 | |
| CN113472443A (zh) | 一种针对强度调制直接检测系统的发射端迭代色散补偿方法 | |
| CN112511472B (zh) | 一种基于神经网络的时频二阶均衡方法及通信系统 | |
| Jana et al. | Precoded time-frequency-packed multicarrier faster-than-Nyquist transmission | |
| CN107592580B (zh) | 光通信方法和装置 | |
| CN113726433B (zh) | 一种多速率子载波调制信号收、发方法和系统 | |
| CN101741804A (zh) | 光ofdm系统中基于训练序列和循环前缀（cp）的自适应信道估计方法 | |
| CN111541459B (zh) | 积极利用多径效应的数据传输方法和系统 | |
| CN101854316A (zh) | 一种电均衡及电解偏的方法、接收端设备和通信系统 | |
| CN115882959B (zh) | 一种基于机器学习的非线性补偿方法 | |
| Wang et al. | 3Gbit/s transmission over plastic optical fiber with adaptive Tomlinson-Harashima precoded systems | |
| CN113347128B (zh) | 基于神经网络均衡的qpsk调制超奈奎斯特传输方法及系统 | |
| CN109861760B (zh) | 相干光通信系统码型相关损伤自适应补偿方法及系统 | |
| Chekireva et al. | Analysis of BER Performance of the Fiber-optic Communication System with IMDD when using CP-OFDM Signals | |
| Zhou et al. | Performance and complexity comparison of different equalizers in 100-Gb/s PAM-4 signal transmission systems | |
| Peng et al. | PN-PAM scheme for short range optical transmission over SI-POF—an alternative to Discrete Multi-Tone (DMT) scheme | |
| Zhang et al. | LGBM-improved-MLSE equalizer for 50Gb/s PAM4 IM-DD PON with 10G class optical transceivers | |
| Zhou et al. | Digital signal processing for faster-than-Nyquist non-orthogonal systems: An overview | |
| CN113746765B (zh) | Uddf水声通信协作方法及多分支合并与均衡频域联合实现方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP02 | Change in the address of a patent holder |
Address after: 210044 No. 219 Ning six road, Jiangbei new district, Nanjing, Jiangsu Patentee after: Nanjing University of Information Science and Technology Address before: 210044, No. 219, Ning six road, Pukou District, Jiangsu, Nanjing Patentee before: Nanjing University of Information Science and Technology |
|
| CP02 | Change in the address of a patent holder |