CN113630667B - 用于光通信的方法、设备、装置和计算机可读介质 - Google Patents

Abstract

本公开的实施例涉及用于光通信的方法、设备、装置和计算机可读介质。该方法包括在光线路终端处，基于从光网络单元接收的畸变信号序列生成在时间上连续的一组子畸变信号序列，所述畸变信号序列是所述光网络单元发送的原始信号序列在传输中发生畸变而引起的；获取参考畸变信号序列和参考原始信号序列之间的关联关系，所述关联关系表征从所述光网络单元到所述光线路终端的传输链路的特性；基于所述关联关系以及所述一组子畸变信号序列确定一组子原始信号序列，所述一组子原始信号序列中的子原始信号序列包括所述原始信号序列的多个符号；以及基于所述一组子原始信号序列确定所述原始信号序列。以此方式，能够显著提升信号均衡器的性能，提高信号处理的精度。与此同时，能够大幅度降低信号处理的复杂度。

Description

用于光通信的方法、设备、装置和计算机可读介质

技术领域

本公开的实施例涉及光通信领域，更具体地涉及在用于光通信的方法、设备、装置和计算机可读介质。

背景技术

最近，具有自适应性和灵活性的信号均衡已成为高速无源光网络(PON)核心技术之一。对于超高速信号的均衡的重要性在于，其有助于将低成本的硬件设备(例如20GHz光器件)用于高速率网络。

此外，近年来在光学或无线通信中，基于神经网络(NN)的信号处理逐渐被认为是一种有前景的信号处理方法，与诸如基于线性最小均方的传统信号处理方法相比具有一些显着的性能优势。基于NN的机器学习能够提取和学习特定传输信道中的某些特征并且以监督训练的方式对其进行补偿。前向反馈神经网络(FF-NN)、循环神经网络(RNN)以及卷积神经网络(CNN)是其中几种较为著名的神经网络方面类型。

发明内容

总体上，本公开的实施例涉及一种用于光通信的方法、设备、装置和计算机可读介质。

在本公开的第一方面，提供了一种用于光通信的方法。该方法包括在光线路终端处，基于从光网络单元接收的畸变信号序列生成在时间上连续的一组子畸变信号序列，所述畸变信号序列是所述光网络单元发送的原始信号序列在传输中发生畸变而引起的；获取参考畸变信号序列和参考原始信号序列之间的关联关系，所述关联关系表征从所述光网络单元到所述光线路终端的传输链路的特性；基于所述关联关系以及所述一组子畸变信号序列确定一组子原始信号序列，所述一组子原始信号序列中的子原始信号序列包括所述原始信号序列的多个符号；以及基于所述一组子原始信号序列确定所述原始信号序列。

在本公开的第二方面，提供一种用于在光通信的设备。该设备包括至少一个处理器；以及与所述至少一个处理器耦合的存储器，所述存储器包含有存储于其中的指令，所述指令在被所述至少一个处理单元执行时，使得该设备执行第一方面的方法。

在本公开的第三方面，提供一种光信号接收器。所述光信号接收器包括：光电转换器，被配置为将在从光信号发射器到所述光信号接收器之间的光路上接收的光信号序列转换成电信号序列；信号均衡器，被耦合至所述光电转换器并且被配置为执行第一方面所述的方法；以及解复用器，被耦合至所述信号均衡器并且被配置为基于所述信号均衡器的输入信号序列和输出信号序列之间的关联关系调节所述信号均衡器的时钟。

在本公开的第四方面，提供一种用于在光通信的装置。所述装置包括用于基于从光网络单元接收的畸变信号序列生成在时间上连续的一组子畸变信号序列的部件，所述畸变信号序列是所述光网络单元发送的原始信号序列在传输中发生畸变而引起的；用于获取参考畸变信号序列和参考原始信号序列之间的关联关系的部件，所述关联关系表征从所述光网络单元到所述光线路终端的传输链路的特性；用于基于所述关联关系以及所述一组子畸变信号序列确定一组子原始信号序列的部件，所述一组子原始信号序列中的子原始信号序列包括所述原始信号序列的多个符号；以及用于基于所述一组子原始信号序列确定所述原始信号序列的部件。

在本公开的第五方面，提供一种计算机可读介质。该计算机可读介质上存储有指令，当指令在被至少一个处理单元执行时，使得至少一个处理单元被配置为执行第一方面的方法。

应当理解，发明内容部分中所描述的内容并非旨在限定本公开实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。

附图说明

图1是本公开描述的实施例可以在其中被实现的通信系统100的示意图；

图2示出了根据本公开的某些实施例的用于光通信的方法200的流程图；

图3A-3C示出了本公开的某些实施例来实施信号处理的示意图；

图4示出了根据本公开的某些实施例来信号均衡器的详细示意图；

图5A和5B示出了根据本公开的某些实施例的用于实施信号处理的神经网络的示意图；

图6示出了使用根据本公开的实施例所得到的示例性的实验结果的示意图；

图7示出了适合实现本公开实施例的电子设备的简化方框图；以及

图8示出了适合实现本公开的实施例的计算机可读介质的示意图。

具体实施方式

下面将参考附图中所示出的若干示例性实施例来描述本公开的原理和精神。应当理解，描述这些具体的实施例仅是为了使本领域的技术人员能够更好地理解并实现本公开，而并非以任何方式限制本公开的范围。

如本文所使用的，术语“包括”及其类似用语应当理解为开放性包含，即“包括但不限于”。术语“基于”应当理解为“至少部分地基于”。术语“一个实施例”或“该实施例”应当理解为“至少一个实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。

如本文所使用的，术语“确定”涵盖各种各样的动作。例如，“确定”可以包括运算、计算、处理、导出、调查、查找(例如，在表格、数据库或另一数据结构中查找)、查明等。此外，“确定”可以包括接收(例如，接收信息)、访问(例如，访问存储器中的数据)等。此外，“确定”可以包括解析、选择、选取、建立等。

本文使用的术语“电路”是指以下的一项或多项：(a)仅硬件电路实现方式(诸如仅模拟和/或数字电路的实现方式)；以及(b)硬件电路和软件的组合，诸如(如果适用)：(i)模拟和/或数字硬件电路与软件/固件的组合，以及(ii)硬件处理器的任意部分与软件(包括一起工作以使得诸如OLT或其他计算设备等装置执行各种功能的数字信号处理器、软件和存储器)；以及(c)硬件电路和/或处理器，诸如微处理器或者微处理器的一部分，其要求软件(例如固件)用于操作，但是在不需要软件用于操作时可以没有软件。

电路的定义适用于此术语在本申请中(包括任意权利要求中)的所有使用场景。作为另一示例，在此使用的术语“电路”也覆盖仅硬件电路或处理器(或多个处理器)、或者硬件电路或处理器的一部分、或者其随附软件或固件的实现方式。例如，如果适用于特定权利要求符号，术语“电路”还覆盖基带集成电路或处理器集成电路或者OLT或其他计算设备中的类似的集成电路。

在此使用的术语“神经网络(NN)”例如可以被理解为机器学习模型该模型能够从训练数据中学习到相应的输入与输出之间的关联，从而在训练完成后基于训练得到的参数集对给定的输入进行处理以生成对应的输出。“神经网络”有时也可以被称为“学习网络”、“学习模型”、“网络”或“模型”。这些术语在本文中可互换地使用。

图1是本公开描述的实施例可以在其中被实现的通信系统100的示意图。如图1所示，该通信系统100包括光线路终端(OLT)110和光网络单元(ONU)120-1和120-2(在下文中可以统称为ONU 120)。如图所示，在OLT 110和ONU 120之间能够进行通信。例如，在OLT 110和ONU 120之间，能够通过从ONU 120至OLT 110的上行链路的进行数据传输，也能够进行从OLT 110至ONU 120之间的下行链路进行数据传输。应理解，尽管在图1中示出了两个ONU120，在通信系统100中，也可以包括任意数目个ONU 120。

从图1中可以看出，OLT 110包括信号处理设备112，该信号处理设备例如是基于NN的信号处理装置。在这里描述的通信系统100中，对于多个ONU 120的情况而言，所有的ONU120都可以共享OLT 110处的信号处理装置。

如上文所述，具有自适应性和灵活性的信号均衡已成为高速无源光网络(PON)核心技术之一。对于超高速信号的均衡的重要性在于，其有助于将低成本的硬件设备(例如20GHz光器件)用于高速率接入网络。

此外，近年来在光学或无线通信中，基于神经网络(NN)的信号处理逐渐被认为是一种有前景的信号处理方法，与诸如基于线性最小均方的传统信号处理方法相比具有一些显着的性能优势。基于NN的机器学习能够提取和学习特定传输信道中的某些特征并且以监督的方式对其进行补偿。前向反馈神经网络(FF-NN)、循环神经网络(RNN)以及卷积神经网络(CNN)是其中几种较为著名的神经网络方面类型。

传统的数字信号均衡器通常采用多符号输入单符号输出这一机制。而目前采用的数字信号均衡器又可以分为线性均衡器和非线性均衡器。

线性均衡器的结构较为简单，然而采用线性均衡器得出的信号处理结果不能令人满意。在非线性均衡器中采用了神经网络，即在输入信号序列和输出信号序列之间采用了至少一个附加的隐藏层，其通常由两个以上的神经元组成。

相较于线性均衡器，基于NN的非线性均衡器在性能上的优势在于NN结构中的非线性特征和深度，其能够提高信号均衡的精度。另一方面，非线性均衡器要求额外的DSP复杂性。

在传统线性均衡器和基于NN的非线性均衡器之间进行选择实质上是在均衡性能和DSP复杂性成本之间做出让步，但不是双赢的解决方案。

鉴于此，本公开的实施例提供一种用于光通信的方法。该方法能够在信号均衡器上实现多符号输入多符号输出的机制。以此方式，能够显著提升信号均衡器的性能，提高信号处理的精度。与此同时能够大幅度降低信号处理的复杂度。

图2示出了根据本公开的实施例的通信方法200的流程图。在一些实施例中，方法200可以由OLT 110来实现，例如可以由OLT 110的信号处理设备112来实现。在其他实施例中，方法200也可以由独立于OLT 110的计算设备来实现。为了便于讨论，将结合图1来讨论方法200。

在光通信过程中，ONU 120向OLT 110发送原始信号序列。该原始信号序列经由从ONU 120到OLT 110的传输信道被发送至OLT 110。

在传输过程中，原始序列信号可能由于传输信道的特性而发生畸变。导致原始信号序列发生畸变的原因，例如可以包括器件带宽不足、光纤色散以及与光信号强度相关的非线性响应等因素。

因此，OLT 110所接收的信号序列为经过传输之后的畸变信号序列。该畸变信号序列是通过ONU 120发送的原始信号序列在传输过程中畸变而引起的。

如图2所示，在框210，OLT 110基于所接收的畸变信号序列生成在时间上连续的一组子畸变信号序列。

在一些实施例中，OLT 110可以确定每个子畸变信号序列所包括的符号的第一数目和一组子畸变信号序列中的子畸变信号序列之间所包括的重叠符号的第二数目。基于该第一数目和第二数目，OLT 110可以从畸变信号序列所包括的符号确定处一组子畸变信号序列。每个子畸变信号序列具有第一数目个符号，相邻的两个子畸变信号序列具有第二数目个重叠符号。

在框220，OLT 110可以获取参考畸变信号序列和参考原始信号序列之间的关联关系。该关联关系例如可以表征从光网络单元到光线路终端的传输链路的特性。针对原始序列信号的畸变程度例如可以取决于上述传输链路的特性。

在一些实施例中，OLT 110可以通过大量训练样本，例如训练原始信号序列和训练畸变信号序列来训练上述关联关系。该关联关系在此可以被理解为基于神经网络的机器学习模型。该关联关系在被训练好之后可以被用于从特定畸变信号序列中恢复出原始信号序列。

在框230，OLT 110基于该关联关系和所生成的一组子畸变信号序列确定一组原始信号序列。该原始信号序列中的子原始信号序列可以所述原始信号序列的多个符号。

在一些实施例中，OLT 110可以将一组子畸变信号序列时间顺序输入至与关联关系对应的机器学习模型中，从而得到一组原始子原始信号序列。

在框240，OLT 110基于该一组子原始信号序列确定原始序列。例如，可以将一组子原始序列中的每个子原始信号序列所包括的符号依次连接来得到原始信号序列。

在上文中结合图2描述的将畸变信号序列恢复成原始信号序列的过程例如可以通过在图3A至图3C中示出的实例而被更好的理解。图3A至图3C示出了本公开的某些实施例来实施信号处理的示意图。

图3A示出了根据本公开的实施例的OLT 110的信号处理设备112的示意性方框图。由OLT 110接收到的光信号例如可以通过光电转换器(未示出)转换成电信号，该电信号例如可以被理解为上文所述的畸变信号序列。如图3A所示，该畸变信号序列被输入至序列数据输入器301，进而该畸变信号序列从序列数据输入器301被传输至耦合到该序列数据输入器301的第一序列转换器302。

第一序列转换器302例如可以被用于将串行序列转换成多个并行序列。例如，该第一序列转换器302可以将畸变信号序列转换成一组子畸变信号序列。如上文所述，每个子畸变信号序列可以具有第一数目个符号，相邻的两个子畸变信号序列可以具有第二数目个重叠符号。

图3B示出了畸变信号序列311。如图3B所示，该畸变信号序列311可以包括符号#1至#17。该畸变信号序列311例如可以在第一序列转换器302中被转换为子畸变信号序列321(包括符号#1至#7)、子畸变信号序列322(包括符号#6至#12)和子畸变信号序列323(包括符号#11至#17)。由此可见，每个子畸变信号序列均包括7个符号，而相邻的两个子畸变信号序列具有2和重叠的符号。

回到图3A，所生成的多个子畸变信号序列被传输至耦合到第一序列转换器302的信号均衡器303。信号均衡器303可以被实现为基于NN的机器学习模型。该机器学习模型可以事先被训练好，使得当输入包括K个符号的子畸变信号序列被输入到该机器学习模型时，能够输出包括M个符号的子原始信号序列。在一些实施例中，上文所述的相邻的两个子畸变信号序列所包括的重叠符号的第二数目可以等于子畸变信号序列所包括的符号的数目减去恢复出的子原始信号序列所包括的符号的数目，即K-M。

再次参见图3B，子畸变信号序列321(包括符号#1至#7)、子畸变信号序列322(包括符号#6至#12)和子畸变信号序列323(包括符号#11至#17)在输入到该机器学习模型后可以获得的一组子原始信号序列，即子原始信号序列324(包括符号#2至#6)、子原始信号序列325(包括符号#7至#11)和子原始信号序列326(包括符号#12至#16)。

图3C示出了在信号均衡器303中执行的从子畸变信号序列至子原始信号序列的恢复过程。如图3C所示，子畸变信号序列321(包括符号#1至#7)、子畸变信号序列322(包括符号#6至#12)和子畸变信号序列323(包括符号#11至#17)可以按时间顺序(T0至T2)被输出到基于NN的机器学习模型的输入层331。在基于NN的机器学习模型的中间层332中，子畸变信号序列所包括的每个符号可以进行相应的加权，使得能够从基于NN的机器学习模型的输出层333处输出子原始信号序列。例如在图3C中，子原始信号序列324(包括符号#2至#6)、子原始信号序列325(包括符号#7至#11)和子原始信号序列326(包括符号#12至#16)同样按照时间顺序(T0至T2)依次被输出。

该一组子原始信号序列可以如图3A所示被传输到第二序列转换器304。第二序列转换器304例如可以被用于将多个并行序列转换成串行序列。例如，该第二序列转换器304可以将一组子原始信号序列转换成原始信号序列，例如通过将一组子原始信号序列中的每个子原始信号序列所包括的符号依次连接来得到。被恢复出的原始信号序列312可以进而通过序列数据输出器305而被输出。

此外，如图3A所示，信号处理设备112还可以包括解复用器306。该解复用器306可以用于控制第一序列转换器302、信号均衡器303和第二序列转换器304的时钟。

例如，畸变信号序列在序列数据输入器301处以第一时钟进行操作。由于畸变信号序列为串行信号序列，每次输入串行信号序列中的一个符号。输入串行信号序列中的符号的频率可以由第一时钟来控制。由于在第一序列转换器302中，串行序列被转换成多个并行信号序列。在此情况下，第一序列转换器302例如可以在第一时间点生成包括多个符号的第一子畸变信号序列，在在第二时间点生成包括多个符号的第二子畸变信号序列，以此类推。在信号均衡器303和第二序列转换器304中存在同样的操作。

由于在每个时间点生成包括多个符号的序列，需要对原始时钟(即第一时钟进行调节)。可以根据被恢复出的子原始信号序列所包括的符号的数目按比例地降低原始时钟的频率。如果子原始信号序列包括M个符号，则被调节后的第二时钟的频率可以变成1/M。在经由第二序列转换器304将一组子原始信号序列转换成原始信号序列之后，也就是说将并行信号序列转换成串行信号序列之后，时钟频率在序列数据输出器305处从调节后的第二时钟被恢复成原始时钟。

以此方式，能够实现多输入多输出的信号均衡。因此一方面能够提高信号处理的效率，同时也降低了信号处理的复杂程度。

在下文中，将结合图4来说明训练实现信号均衡的基于NN的机器学习模型的过程。图4示出了图3中的信号均衡器303的示意性的详细框图。为了描述方便，在图4中出现的与图3相同或相似的部件仍然使用相同的附图标记。

如图4所示，信号均衡器303可以包括多个寄存器401至403，其中部分寄存器，即寄存器402可以与第一序列转换器302耦合，以接收子畸变信号序列。

信号均衡器303还可以包括用于训练基于NN的机器学习模型的训练单元410，寄存器401和寄存器402被耦合至训练单元410，以用于为训练单元410提供训练样本。

在训练过程中，寄存器402接收多个训练子畸变信号序列，寄存器401中存储有已知的训练子原始信号序列，这例如是在训练阶段事先获取到或预定的。可以对机器学习模型的输入符号数目和输出符号数目，即训练子畸变信号序列所包括的符号数目和训练子原始信号序列所包括的符号数目之间的数目对应关系进行预设定。利用多个训练子畸变信号序列和已知的训练子原始信号序列，机器学习模型能够学习出训练子畸变信号序列和训练子原始信号序列之间的对应关系。在训练过程中可以采用基于反向传播(BP)的统计梯度下降(SGD)算法。

一旦机器学习模型被训练好，被耦合到第一序列转换器302的寄存器403则被启用。寄存器403可以保存从第一序列转换器302接收的多个子畸变信号序列并将其按照时间序列逐个输入到均衡单元420。在均衡单元420中可以包括被训练好的基于NN的机器学习模型，以使得均衡单元420可以基于多个子畸变信号序列输出相应的子原始信号序列并将其传输至第二序列转换器304。

可能的是，寄存器可以被包括在相应的训练单元410或均衡单元420中，例如寄存器401和402可以被包括在训练单元410中，而寄存器403可以被包括在均衡单元420中。信号均衡器303的结构和组成部件可以根据需求而进行修改。

以下结合图5A和图5B进一步阐述用于将畸变信号序列恢复成原始信号序列的基于NN的机器学习模型的结构。图5A示出了根据本公开的某些实施例的基于NN的机器学习模型的一种结构的示意图。

如图5A所示，可以在接收到的信号501上进行采样(S(1)至S(7))来得到要被输入到基于NN的机器学习模型的第一子畸变信号序列321。该第一子畸变信号序列321被输入至输入层331。图5A中示出的基于NN的机器学习模型仅包括一层中间层332，以用于对第一子畸变信号序列321中的每个符号进行相应加权，从而能够在输出层333输出具有预定数目的符号的子原始信号序列。

当第一子畸变信号序列321被输入至输入层331后，可以通过移位以基于第一子畸变信号序列321中的部分采样点以及后续采样点生成后续将要输入的子畸变信号序列。例如在图5A中示出了将第一子畸变信号序列321的最后两个采样点和后续的五个采样点生成子畸变信号序列322。该子畸变信号序列322可以继续被输入至输入层331，以在输出层333输出具有预定数目的符号的另一子原始信号序列。

图5B示出了根据本公开的某些实施例的基于NN的机器学习模型的另一种结构的示意图。与图5A相比，图5B中的基于NN的机器学习模型具有两个中间层，即中间层332-1和332-2。也就是说，被输入的子畸变信号序列可以经过两次均衡，来得到被恢复的子原始信号序列。由此能够提供更加精确的恢复数据，然而相应的复杂度会提高。应当理解，在不影响系统需求的情况下，可以针对期望的精度或复杂度采用具有任意数目的中间层的基于NN的机器学习模型的结构。

以此方式，能够显著提升信号均衡器的性能，提高信号处理的精度。与此同时，能够大幅度降低信号处理的复杂度。

为了进一步说明依据本公开的实施例的效果，图6示出了使用根据本公开的实施例所得到的示例性的实验结果的示意图。在图6中性能由均衡后的误码率(BER)与MLSE(维特比算法)一起定义，而DSP复杂度则定义为1个符号推断的平均乘法运算

如图6所示，有6对BER曲线代表2种广泛的均衡方案，其中曲线对601和602以及曲线对651和652代表串行方案(即传统方法中的线性均衡和多输入单输出的非线性均衡)，而其他曲线对(611和612、621和622、631和632以及641和642)表示根据本公开的实施例的并行方案(即多输入多输出的非线性均衡)。每对曲线中的一条曲线表示针对来自一个ONU(ONU-1)的信号序列的恢复性能，另一条曲线表示针对来自另一个ONU(ONU-2)的信号序列的恢复性能。

对于串行方案，以2的步长将MISO-NN的输入宽度从{7-2-1}逐渐调整为{15-2-1}。以{13-2-1}为例，总共有13x2+2x1＝28个连接，每个连接对应一个乘法运算并且ONU-2的对应BER为2.5E-2。

对于并行方案，以2的步长将MISO-NN的输入宽度从{6-4-4-4}调整为{14-4-4-4}。以{10-4-4-4}为例，总连接为10x4+4x4+4x4＝72，因为每次输出有4个符号，每个符号的平均DSP复杂度为18，ONU-2的BER为2.3E-2。通过上述实验，串行方案和并行方案的总体性能比较能够在下表中被表示：

表1：性能比较

由此可见，与一次输出1个符号的串行符号均衡方案(线性前馈结构或非线性NN结构)相反，本公开提出了一种并行符号均衡方案，其特征在于每次推导上的多符号输出。并行符号均衡方案的典型实现是基于NN的MIMO结构，其中输入K个符号，输出M个符号，两者之间有一个或多个隐藏层。由于在每次推断操作中都会生成多个符号，因此对于下一次推断，输入偏移由输出宽度确定。由于具有这种特征结构，与串行线性均衡相比，在相同的DSP复杂度下，BER的降低幅度很大(例如4X+)；与基于AI NN的高级串行非线性均衡相比，在相同的BER下，DSP复杂度降低了很多(例如35％以上)；ASIC管道压力可以减轻M倍(其中M是输出符号宽度)。这种并行均衡方案是一种低成本和高效的均衡选项。

图7是适合于实现本公开的实施例的设备700的简化框图。可以提供设备700以实现通信设备，例如如图1所示OLT 110，ONU 120-1以及ONU 120-2。如图所示，设备700包括一个或多个处理器710，一个或多个存储器720被耦合到处理器710，并且一个或多个通信模块740被耦合到处理器710。

通信模块740用于双向通信。通信模块740具有至少一个天线以便于通信。通信接口可以表示与其他网络元件通信所必需的任何接口。

处理器710可以是适合于本地技术网络的任何类型，并且可以包括但不限于通用计算机、专用计算机、微控制器、数字信号控制器(DSP)、以及基于控制器的多核控制器架构中的一个或多个。设备700可以具有多个处理器，例如专用集成电路芯片，其在时间上从属于与主处理器同步的时钟。

存储器720可以包括一个或多个非易失性存储器和一个或多个易失性存储器。非易失性存储器的示例包括但不限于只读存储器(ROM)724，可擦除可编程只读存储器(EPROM)，闪存，硬盘，光盘(CD)，数字视频盘(DVD)和其他磁存储和/或光存储。易失性存储器的示例包括但不限于随机存取存储器(RAM)722和不会在断电持续时间中持续的其他易失性存储器。

计算机程序730包括由关联处理器710执行的计算机可执行指令。程序730可以存储在ROM 724中。处理器710可以通过将程序730加载到RAM 722中来执行任何合适的动作和处理。

可以借助于程序730来实现本公开的实施例，使得设备700可以执行如参考图2至5所讨论的本公开的任何过程。本公开的实施例还可以通过硬件或通过软件和硬件的组合来实现。

在一些实施例中，程序730可以有形地包含在计算机可读介质中，该计算机可读介质可以包括在设备700中(诸如在存储器720中)或者可以由设备700访问的其他存储设备。可以将程序730从计算机可读介质加载到RAM 722以供执行。计算机可读介质可以包括任何类型的有形非易失性存储器，例如ROM，EPROM，闪存，硬盘，CD，DVD等。图8示出了CD或DVD形式的计算机可读介质800的示例。计算机可读介质上存储有程序730。

通常，本公开的各种实施例可以以硬件或专用电路，软件，逻辑或其任何组合来实现。一些方面可以用硬件实现，而其他方面可以用固件或软件实现，其可以由控制器，微处理器或其他计算设备执行。虽然本公开的实施例的各个方面被示出并描述为框图，流程图或使用一些其他图示表示，但是应当理解，本文描述的框，装置，系统，技术或方法可以实现为，如非限制性示例，硬件，软件，固件，专用电路或逻辑，通用硬件或控制器或其他计算设备，或其某种组合。

本公开还提供有形地存储在非暂时性计算机可读存储介质上的至少一个计算机程序产品。该计算机程序产品包括计算机可执行指令，例如包括在程序模块中的指令，其在目标的真实或虚拟处理器上的设备中执行，以执行如上参考图2所述的方法200。通常，程序模块包括执行特定任务或实现特定抽象数据类型的例程，程序，库，对象，类，组件，数据结构等。在各种实施例中，可以根据需要在程序模块之间组合或分割程序模块的功能。用于程序模块的机器可执行指令可以在本地或分布式设备内执行。在分布式设备中，程序模块可以位于本地和远程存储介质中。

用于实现本公开的方法的计算机程序代码可以用一种或多种编程语言编写。这些计算机程序代码可以提供给通用计算机、专用计算机或其他可编程的数据处理装置的处理器，使得程序代码在被计算机或其他可编程的数据处理装置执行的时候，引起在流程图和/或框图中规定的功能/操作被实施。程序代码可以完全在计算机上、部分在计算机上、作为独立的软件包、部分在计算机上且部分在远程计算机上或完全在远程计算机或服务器上执行。

在本公开的上下文中，计算机程序代码或者相关数据可以由任意适当载体承载，以使得设备、装置或者处理器能够执行上文描述的各种处理和操作。载体的示例包括信号、计算机可读介质、等等。信号的示例可以包括电、光、无线电、声音或其它形式的传播信号，诸如载波、红外信号等。

计算机可读介质可以是包含或存储用于或有关于指令执行系统、装置或设备的程序的任何有形介质。计算机可读介质可以是计算机可读信号介质或计算机可读存储介质。计算机可读介质可以包括但不限于电子的、磁的、光学的、电磁的、红外的或半导体系统、装置或设备，或其任意合适的组合。计算机可读存储介质的更详细示例包括带有一根或多根导线的电气连接、便携式计算机磁盘、硬盘、随机存储存取器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪存)、光存储设备、磁存储设备，或其任意合适的组合。

此外，尽管在附图中以特定顺序描述了本公开的方法的操作，但是这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，流程图中描绘的步骤可以改变执行顺序。附加地或备选地，可以省略某些步骤，将多个步骤组合为一个步骤执行，和/或将一个步骤分解为多个步骤执行。还应当注意，根据本公开的两个或更多装置的特征和功能可以在一个装置中具体化。反之，上文描述的一个装置的特征和功能可以进一步划分为由多个装置来具体化。

虽然已经参考若干具体实施例描述了本公开，但是应当理解，本公开不限于所公开的具体实施例。本公开旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等效布置。

Claims (13)

1.一种用于光通信的方法，包括：

在光线路终端处，基于从光网络单元接收的畸变信号序列生成在时间上连续的一组子畸变信号序列，所述畸变信号序列是所述光网络单元发送的原始信号序列在传输中发生畸变而引起的；

获取参考畸变信号序列和参考原始信号序列之间的关联关系，所述关联关系表征从所述光网络单元到所述光线路终端的传输链路的特性；

基于所述关联关系以及所述一组子畸变信号序列确定一组子原始信号序列，所述一组子原始信号序列中的子原始信号序列包括所述原始信号序列的多个符号；以及

基于所述一组子原始信号序列确定所述原始信号序列。

2.根据权利要求1所述的方法，其中生成所述一组子畸变信号序列包括：

确定所述一组子畸变信号序列中的一个子畸变信号序列所包括的子畸变符号的第一数目；

确定所述一组子畸变信号序列中的子畸变信号序列之间所包括的重叠符号的第二数目；

从所述畸变信号序列所包括的符号确定所述一组子畸变信号序列，每个子畸变信号序列具有第一数目个符号，相邻的两个子畸变信号序列具有第二数目个重叠符号。

3.根据权利要求1所述的方法，还包括：

获取训练原始信号序列和所述训练原始信号序列经由从所述光网络单元到所述光线路终端的所述传输链路发生畸变所引起的多个训练畸变信号序列，所述多个训练畸变信号序列中每个训练畸变信号序列具有第一数目个训练符号，相邻的两个训练畸变信号序列具有第二数目个重叠训练符号；

基于所述第一数目和所述第二数目，确定能够由每个训练畸变信号序列恢复出的训练子原始序列所具有的训练符号的第三数目；

基于所述训练原始信号序列和所述第三数目，确定与所述多个训练畸变信号序列对应的多个训练子原始序列；以及

基于所述多个训练畸变信号序列与所述多个训练子原始序列确定所述关联关系。

4.根据权利要求1所述的方法，其中确定所述一组子原始信号序列包括：

将所述一组子畸变信号序列时间顺序输入至与所述关联关系对应的机器学习模型，以得到所述一组子原始信号序列，所述机器学习模型是利用训练原始信号序列以及所述训练原始信号序列经由所述传输链路发生畸变所引起的多个训练畸变信号序列来训练的。

5.根据权利要求1所述的方法，其中确定所述原始信号序列包括：

将所述一组子原始信号序列依次连接，以得到所述原始信号序列。

6.一种用于光通信的设备，包括：

至少一个处理器；以及

与所述至少一个处理器耦合的至少一个存储器，所述至少一个存储器包含有存储于其中的指令，所述指令在被所述至少一个处理单元执行时，使得所述设备执行以下动作：

基于从光网络单元接收的畸变信号序列生成在时间上连续的一组子畸变信号序列，所述畸变信号序列是所述光网络单元发送的原始信号序列在传输中发生畸变而引起的；

获取参考畸变信号序列和参考原始信号序列之间的关联关系，所述关联关系表征从所述光网络单元到光线路终端的传输链路的特性；

基于所述关联关系以及所述一组子畸变信号序列确定一组子原始信号序列，所述一组子原始信号序列中的子原始信号序列包括所述原始信号序列的多个符号；以及

基于所述一组子原始信号序列确定所述原始信号序列。

7.根据权利要求6所述的设备，其中通过以下方式使所述设备生成所述一组子畸变信号序列：

确定所述一组子畸变信号序列中的一个子畸变信号序列所包括的子畸变符号的第一数目；

确定所述一组子畸变信号序列中的子畸变信号序列之间所包括的重叠符号的第二数目；

从所述畸变信号序列所包括的符号确定所述一组子畸变信号序列，每个子畸变信号序列具有第一数目个符号，相邻的两个子畸变信号序列具有第二数目个重叠符号。

8.根据权利要求6所述的设备，其中所述至少一个存储器和所述指令进一步被配置为，与所述至少一个处理器一起，使得所述设备：

获取训练原始信号序列和所述训练原始信号序列经由从所述光网络单元到所述光线路终端的所述传输链路发生畸变所引起的多个训练畸变信号序列，所述多个训练畸变信号序列中每个训练畸变信号序列具有第一数目个训练符号，相邻的两个训练畸变信号序列具有第二数目个重叠训练符号；

基于所述第一数目和所述第二数目，确定能够由每个训练畸变信号序列恢复出的训练子原始序列所具有的训练符号的第三数目；

基于所述训练原始信号序列和所述第三数目，确定与所述多个训练畸变信号序列对应的多个训练子原始序列；以及

基于所述多个训练畸变信号序列与所述多个训练子原始序列确定所述关联关系。

9.根据权利要求6所述的设备，其中通过以下方式确定所述一组子原始信号序列：

将所述一组子畸变信号序列按时间顺序输入至与所述关联关系对应的机器学习模型，以得到所述一组子原始信号序列，所述机器学习模型是利用训练原始信号序列以及所述训练原始信号序列经由所述传输链路发生畸变所引起的多个训练畸变信号序列来训练的。

10.根据权利要求6所述的设备，其中通过以下方式确定所述原始信号序列：

将所述一组子原始信号序列依次连接，以得到所述原始信号序列。

11.一种光信号接收器，包括：

光电转换器，被配置为将在从光信号发射器到所述光信号接收器之间的光路上接收的光信号序列转换成电信号序列；

信号处理设备，被耦合至所述光电转换器并且被配置为执行根据权利要求1至5中任一项所述的方法；以及

解复用器，被耦合至所述信号处理设备并且被配置为基于所述信号处理设备的输入信号序列和输出信号序列之间的关联关系调节所述信号处理设备的时钟。

12.一种用于光通信的装置，包括：

用于基于从光网络单元接收的畸变信号序列生成在时间上连续的一组子畸变信号序列的部件，所述畸变信号序列是所述光网络单元发送的原始信号序列在传输中发生畸变而引起的；

用于获取参考畸变信号序列和参考原始信号序列之间的关联关系的部件，所述关联关系表征从所述光网络单元到光线路终端的传输链路的特性；

用于基于所述关联关系以及所述一组子畸变信号序列确定一组子原始信号序列的部件，所述一组子原始信号序列中的子原始信号序列包括所述原始信号序列的多个符号；以及

用于基于所述一组子原始信号序列确定所述原始信号序列的部件。

13.一种计算机可读介质，所述计算机可读介质上存储有指令，当所述指令在被至少一个处理单元执行时，使得至少一个处理单元被配置为执行根据权利要求1-5中任一项所述的方法。

Images