CN113673686A - 一种基于全连接神经网络编码译码的光传输方法 - Google Patents

Abstract

本发明涉及一种基于全连接神经网络编码译码的光传输方法，其中：二进制比特流首先通过串并变化，将串行的二进制数据并行输入到全连接神经网络模块中，利用全连接神经网络模块的全连接方式对所有输入的相邻比特间的相互联系进行整合连接，保留输入比特信息间的相互关联和影响，将数据转化为符号信息后再进行脉冲整形，发射到信道进行传输。本发明消除了码间串扰，有效地降低了接收端信号误码率，提高信号抗噪能力，间接提高了信号传输速率和信道容量，优化系统的传输性能。同时在输入端采用升余弦滤波器进一步地减少码间串扰，提升系统的传输性能。

Description

一种基于全连接神经网络编码译码的光传输方法

技术领域

本发明涉及通信技术领域的光传输技术，尤其涉及一种基于全连接层神经网络编码译码的消除码间串扰（ISI）的光传输方法。

背景技术

从古代中国的烽火台，到近现代的贝尔电话，人类从来没停止过追逐信息传递的脚步。随着电子产业的发展，通信的方式也在逐步的发生转变。从长波电台到蜂窝式无线网、从电缆到光缆、从空间到海底，通信己经渗透到地球的各个角落。同时，通信速率的提升、通信业务的多种多样，使得人类生活也发生了前所未有的转变。随着光通信的不断发展，作为信息载体的光信号也在不断发展，传输理论不断加深，人与人之间的沟通交流也不局限在之前的电话短信等这些渠道，微信、微博、联机游戏、视频等时刻地改变着我们的生活，而通信系统传输效率的提高可以更有利于人们更好的进行沟通交流，这就对光纤通信网络的带宽和容量提出了更髙更迫切的需求。

目前，提高光传输频谱效率的有效技术途径就是广泛地采用多维复用技术和复杂调制码型，其中采用密集波分复用与时分复用技术相结合的方法，己成为现代光纤通信网的主要的复用手段。随着相干光通信的广泛应用，偏振复用技术也被广泛采用。在频率、偏振等各个维度均被复用后，使得光网络的容量不断接近香农极限。同时，多载波技术在光网络中受到越来越多的关注，在一系列多载波调制技术中正交频分复用（OFDM）技术因其频谱利用率高、抗多径衰落等优点一直是光通信领域的研究热点，但OFDM系统为了消除码间干扰(ISI)，需要在信号中加入循环前缀（CP)，这会导致数据传输效率的降低。但是由于系统传输总特性不理想，导致前后码元的波形畸变、展宽，并使前面波形出现很长的拖尾，蔓延到当前码元的抽样时刻上，从而对当前码元的判决造成干扰，这样会很大程度上影响信道上可行的码元速率。

人工神经网络（ANN）简称神经网络（NN），属于机器学习算法中的一类，它是一种模仿生物神经网络的结构和功能的数学或计算模型。大多数情况下人工神经网络能在外界信息的基础上改变内部结构，是一种自适应系统。现代神经网络是一种非线性统计性数据建模工具，常用来对输入和输出间复杂的关系进行建模或用来探索数据的模式。未来的智能光网络将是自动化的，自愈的，可以预测流量需求，支持能效最大化。这样的光网络不仅提供高速率，而且可以支持联合国的绿色可持续发展目标。这将是光通信未来的重要方向。

发明内容

针对上述问题，本专利新提出了一种基于全连接神经网络编码译码达到消除码间串扰的一种新型光传输方法，采用全连接神经网络模型将比特信息转化为符号信息，有效地消除码间串扰，提高系统的误码率，间接提升了系统的传输速率和信道容量。

为实现上述技术目的，本发明采取的技术方案为：

一种基于全连接神经网络编码译码的光传输方法，其中：二进制比特流首先通过串并变化，将串行的二进制数据并行输入到全连接神经网络模块中，利用全连接神经网络模块的全连接方式对所有输入的相邻比特间的相互联系进行整合连接，保留输入比特信息间的相互关联和影响，将数据转化为符号信息后再进行脉冲整形，发射到信道进行传输。

为优化上述结构形式，采取的具体措施还包括：

上述的全连接神经网络模块包括前向传播和反向传播，前向传播为信号从输入层经过每一个神经元，直到输出神经元的传播过程，全连接神经网络模块经过前向传播输出数据，再根据数据经过反向传播不断地调整权重和偏置。

上述的前向传播的具体过程为：接收输入的二进制数据，经过激活函数换算后，输出数据，其中，接收输入的二进制数据过程具体为：神经网络能接收多个输入, 并且每个输入上有一个权值w，神经网络可以通过学习自动获取最优的权重参数，假设输入比特流为[x₁,x₂,x₃…x_8n],经过串并变化后将其转换为并行二进制比特流，将并行的二进制比特流矩阵进行变换为，[x₁,x₂…x_n；x_n+1,x_n+2…x_2n；x_2n+1,x_2n+2…x_3n；x_3n+1,x_3n+2…x_4n；x_n+1,x_n+2…x_2n；x_2n+1,x_2n+2…x_3n；x_3n+1,x_3n+2…x_4n；x_4n+1,x_4n+2…x_5n；x_2n+1,x_2n+2…x_3n；x_3n+1,x_3n+2…x_4n；x_4n+1,x_4n+2…x_5n；x_5n+1,x_5n+2…x_6n；x_3n+1,x_3n+2…x_4n；x_4n+1,x_4n+2…x_5n；x_5n+1,x_5n+2…x_6n；x_6n+1,x_6n+2…x_7n；x_4n+1,x_4n+2…x_5n；x_5n+1,x_5n+2…x_6n；x_6n+1,x_6n+2…x_7n；x_7n+1,x_7n+2…x_8n]，然后将该矩阵输入全连接神经网络信息编码器的输入层进行编码，利用神经网络的全连接方式将每个相邻比特间的相互联系和影响全连接得到符号信息，使得符号信息的值由多个比特信息全连接得到。

上述的激活函数为线性整流单元函数，即ReLU函数，ReLU函数的数学表达式为：

h(x) =max(0, x)；

其中，h(x)的含义是激活函数，x的含义是该神经元输入值。

上述的全连接神经网络模块输出数据的具体过程为：在神经网络中，一个神经元的输出是另一个神经元的输入，假设a_4n ^(l)表示的是第一层隐藏层的第4n个神经元的输入，z_4n ^(l)表示的是第一层隐藏层的第4n个神经元的输出，根据神经网络中的权重和偏置，就可以计算神经网络中每一个神经元的输出，从而计算出神经网络的最终的输出。

上述的全连接神经网络模块输出数据通过升余弦滤波器进行脉冲整形，再经过数模转换器将调制映射后的数据流转换为模拟信号，通过调制器将模拟电信号调制成模拟光信号，经过光纤链路将信号传送到接收端。

在接收端，光信号通过光电探测器转变为电信号，经过滤波解调以及相应的全连接神经网络的解码过程获得原始的二进制数据流，其中匹配滤波器用于滤除波形噪声，全连接神经网络的解调过程是发射端全连接神经网络模块编码的逆过程。

本发明通过全连接神经网络将比特信息转化为符号信息进行信息传输获得了一种新的光传输方法，全连接神经网络信息编码器将比特信息转化为符号信息的同时，保留了输入比特信息间的相互关联和影响，从而使系统采样到的符号信息的值是由多个信息符号综合构成的，消除了码间串扰，有效地降低了接收端信号误码率，提高信号抗噪能力，间接提高了信号传输速率和信道容量，优化系统的传输性能。同时在输入端采用升余弦滤波器进一步地减少码间串扰，提升系统的传输性能。

附图说明

图1为本发明的基于全连接神经网络编码译码光传输的流程框图；

图2为全连接神经网络信息编码译码模块的原理框图；

图3为发射端全连接神经网络信息编码器的原理图；

图4为接收端全连接神经网络信息译码器的原理图；

图5为基于全连接神经网络的光传输系统模型框图。

具体实施方式

以下结合附图对本发明的实施例作进一步详细描述。

本实施例的一种基于全连接神经网络编码译码的消除码间串扰的光传输方法，其流程图如图一所示。

基于全连接神经网络编码译码的光信号传输系统流程框图说明如下：二进制比特流首先通过串并变化，将串行的二进制数据并行输入到全连接神经网络信息编码器中，并行的二进制数据经过全连接神经网络将比特信息转化为符号信息后再进行脉冲整形，发射到信道进行传输，在接收端利用匹配滤波器提高接收到信号的信噪比，然后进行并串变化，从而得到接收的二进制数据，最后对接收的二进制数据进行误码率分析，评估系统的传输性能。

全连接神经网络信息编码译码模块原理框图如图二所示。图中以4n个输入神经元，5层隐藏层，4m个输出神经元的全连接神经网络作为发射端，接收端与发射端输入输出神经元相反为例。

如图二所示，本专利是基于全连接神经网络信息编码译码模型的一种新型的光传输方法，核心点在于利用全连接神经网络模块的全连接方式对所有输入的相邻比特间的相互联系进行了整合连接，保留了输入比特信息间的相互关联和影响，从而使系统采样到的符号信息的值是由多个信息符号综合构成的，从而有效地减少了码间串扰。

该全连接神经网络信息编码译码模块的各个单元的工作原理如下所述：

(一) 发射端

发射端全连接神经网络信息编码器的原理图如图三所示。

a)输入权值

一个神经网络可以接收多个输入, 并且每个输入上有一个权值w，神经网络可以通过学习自动获取最优的权重参数。假设输入比特流为[x₁,x₂,x₃…x_8n],经过串并变化后将其转换为并行二进制比特流，将并行的二进制比特流矩阵进行变换为，[x₁,x₂…x_n；x_n+1,x_n+2…x_2n；x_2n+1,x_2n+2…x_3n；x_3n+1,x_3n+2…x_4n；x_n+1,x_n+2…x_2n；x_2n+1,x_2n+2…x_3n；x_3n+1,x_3n+2…x_4n；x_4n+1,x_4n+2…x_5n；x_2n+1,x_2n+2…x_3n；x_3n+1,x_3n+2…x_4n；x_4n+1,x_4n+2…x_5n；x_5n+1,x_5n+2…x_6n；x_3n+1,x_3n+2…x_4n；x_4n+1,x_4n+2…x_5n；x_5n+1,x_5n+2…x_6n；x_6n+1,x_6n+2…x_7n；x_4n+1,x_4n+2…x_5n；x_5n+1,x_5n+2…x_6n；x_6n+1,x_6n+2…x_7n；x_7n+1,x_7n+2…x_8n]然后将该矩阵输入全连接神经网络信息编码器的输入层进行编码，利用神经网络的全连接方式将每个相邻比特间的相互联系和影响全连接得到符号信息，使得符号信息的值由多个比特信息全连接得到，达到消除码间串扰的效果。

b)激活函数

激活函数可以将神经元的输出映射到某个范围内，且非线性激活函数能够使神经网络逼近任意复杂的函数。sigmoid函数和tanh函数是两种常用的激活函数，但当使用反向传播算法传播梯度时，这两种函数会导致梯度消失现象，进而导致网络训练困难的情况。线性整流单元函数(Rectified Linear Unit, ReLU)在一定程度上解决了这个问题，所以本专利使用ReLU函数做激活函数。ReLU函数不仅大大减少了计算量，还能有效缓解梯度消失的问题，除此之外ReLU函数为网络引入了一些稀疏性，减少了参数之间的相互依存关系，缓解了过拟合现象的发生。ReLU函数的数学表达式为：

h(x) =max(0, x)

c)输出

在神经网络中，一个神经元的输出是另一个神经元的输入。假设a_4n ^(l)表示的是第一层隐藏层的第4n个神经元的输入，z_4n ^(l)表示的是第一层隐藏层的第4n个神经元的输出，h（）激活函数为a_4n ^(l)和z_4n ^(l)之间的函数关系，根据神经网络中的权重w和偏置b，就可以计算神经网络中每一个神经元的输出，从而计算出神经网络的最终的输出。

对于图三发射端的全连接神经网络信息编码器的结构，有下述的计算：

a₁ ⁽¹⁾ =w₁₁ ⁽¹⁾ x₁+w₁₂ ⁽¹⁾ x₂+…+w_{1 20} ⁽¹⁾ x₂₀+b₁ ⁽¹⁾

z₁ ⁽¹⁾ =h(w₁₁ ⁽¹⁾ x₁+w₁₂ ⁽¹⁾x₂+…+ w_{1 20} ⁽¹⁾ x₂₀+b₁ ⁽¹⁾)

a₂ ⁽¹⁾ =w₂₁ ⁽¹⁾ x₁+w₂₂ ⁽¹⁾x₂+…+w_{2 20} ⁽¹⁾x₂₀+b₂ ⁽¹⁾

z₂ ⁽¹⁾ =h(w₂₁ ⁽¹⁾x₁+w₂₂ ⁽¹⁾x₂+…+ w_{2 20} ⁽¹⁾x₂₀+b₂ ⁽¹⁾)

a₃ ⁽¹⁾ =w₃₁ ⁽¹⁾x₁+w₃₂ ⁽¹⁾x₂+…+w_{3 20} ⁽¹⁾x₂₀+b₃ ⁽¹⁾

z₃ ⁽¹⁾ =h(w₃₁ ⁽¹⁾x₁+w₃₂ ⁽¹⁾x₂+ …+w_{3 20} ⁽¹⁾x₂₀+b₃ ⁽¹⁾)

…

a_4n ⁽¹⁾ =w_{4n 1} ⁽¹⁾x₁+w_{4n 2} ⁽¹⁾x₂+…+w_{4n 4n} ⁽¹⁾x_4n+b_4n ⁽¹⁾

z_4n ⁽¹⁾ =h(w_{4n 1} ⁽¹⁾x₁+w_{4n 2} ⁽¹⁾x₂+…+w_{4n 4n} ⁽¹⁾x_4n+b_4n ⁽¹⁾)

从而，发射端神经网络结构的最终输出结果为：

y₁=h(w₁₁ ⁽⁶⁾z₁ ⁽⁵⁾+w₁₂ ⁽⁶⁾z₂ ⁽⁵⁾+ …+w_{1 4n} ⁽⁶⁾z_4n ⁽⁵⁾+b₁ ⁽⁵⁾)

y₂=h(w₂₁ ⁽⁶⁾z₁ ⁽⁵⁾+w₂₂ ⁽⁶⁾z₂ ⁽⁵⁾+…+w_{2 4n} ⁽⁶⁾z_4n ⁽⁵⁾+b₂ ⁽⁵⁾)

…

y_n=h(w_n1 ⁽⁶⁾z₁ ⁽⁵⁾+w_n2 ⁽⁶⁾z₂ ⁽⁵⁾+…+w_{n 4n} ⁽⁶⁾z_4n ⁽⁵⁾+b_4n ⁽⁶⁾)

上述的步骤称为前向传播，指的是信号从输入层经过每一个神经元，直到输出神经元的传播过程。神经网络经过前向传播计算出损失函数，再经过反向传播不断地调整权重和偏置。

综上得出发射端全连接神经网络信息编码器的输出为[y₁,y₂,y₃…y_n]。

(二) 接收端

接收端全连接神经网络信息译码器的原理图如图四所示。

a)输入权值

如图四所示接收端全连接神经网络信息译码器的结构,假设输入的符号信息为[Y₁;Y₂;Y₃…Y_8m]且每个输入上有一个权值W，将输入的符号信息矩阵变换为[Y₁,Y₂…Y_m;Y_m+1,Y_m+2…Y_2m;Y_2m+1,Y_2m+2…Y_3m;Y_3m+1,Y_3m+2;…Y_4m;Y_m+1,Y_m+2;…Y_2m;Y_2m+1,Y_2m+2…Y_3m;Y_3m+1,Y_3m+2…Y_4m;Y_4m+1,Y_4m+2…Y_5m;Y_2m+1,Y_2m+2…Y_3m;Y_3m+1,Y_3m+2…Y_4m;Y_4m+1,Y_4m+2…Y_5m;Y_5m+1,Y_5m+2…Y_6mY_3m+1,Y_3m+2…Y_4m;Y_4m+1,Y_4m+2…Y_5m;Y_5m+1,Y_5m+2;…Y_6m;Y_6m+1,Y_6m+2…Y_7m;Y_4m+1,Y_4m+2…Y_5m;Y_5m+1,Y_5m+2…Y_6m;Y_6m+1,Y_6m+2…Y_7m;Y_7m+1,Y_7m+2…Y_8m], 然后将该矩阵输入全连接神经网络信息译码器的输入层进行译码。

b)输出

对于图四接收端全连接神经网络信息译码器的结构，有下述的计算：

A₁ ⁽¹⁾ =W₁₁ ⁽¹⁾ Y₁+W₁₂ ⁽¹⁾ Y₂+…+W_{1 4m} ⁽¹⁾ Y_4m+B₁ ⁽¹⁾

Z₁ ⁽¹⁾ =h(W₁₁ ⁽¹⁾ Y₁+W₁₂ ⁽¹⁾ Y₂+…+W_{1 4m} ⁽¹⁾ Y_4m+B₁ ⁽¹⁾)

…

A_4n ⁽¹⁾ =W_{4n 1} ⁽¹⁾ Y₁+W_{4n 2} ⁽¹⁾ Y₂+…+W_{4n 4m} ⁽¹⁾ Y₅+B_4n ⁽¹⁾

Z_4n ⁽¹⁾ =h(W_{4n 1} ⁽¹⁾ Y₁+W_{4n 2} ⁽¹⁾ Y₂+…+W_{4n 4m} ⁽¹⁾ Y₅+B_4n ⁽¹⁾)

从而，发射端神经网络结构的最终输出结果为：

X₁= h(W₁₁ ⁽⁶⁾ Z₁ ⁽⁵⁾+W₁₂ ⁽⁶⁾ Z ₂ ⁽⁵⁾+…+W_{1 4n} ⁽⁶⁾ Z _4n ⁽⁵⁾+B₁ ⁽⁶⁾)

…

X_4n= h(W_{4n 1} ⁽⁶⁾ Z₁ ⁽⁵⁾+W_{4n 2} ⁽⁶⁾ Z ₂ ⁽⁵⁾+…+W_{4n 4n} ⁽⁶⁾ Z _4n ⁽⁵⁾+B_4n ⁽⁶⁾)

接收端的全连接神经网络信息译码模型结构是发射端神经网络信息编码结构的逆结构。综上得出符号信息经过接收端全连接神经网络信息译码器输出为[X₁,X₂,X₃…X_4n]。再将并行二进制比特流经过并串变化转化为原始的二进制比特流。

基于全连接神经网络的光信号传输系统的系统模型框图如图五所示。在发射端，将串行的二进制数据通过串并变换，转换成并行二进制数据输入到全连接神经网络信息编码器中进行编码得到符号信息，将得到的符号信息通过升余弦滤波器进行脉冲整形，再经过数模转换器将调制映射后的数据流转换为模拟信号，通过调制器将模拟电信号调制成模拟光信号，经过光纤链路将信号传送到接收端。

在接收端，光信号通过光电探测器转变为电信号，经过滤波解调以及相应的全连接神经网络的解码过程获得原始的二进制数据流。其中匹配滤波器用于滤除波形噪声，提高系统信噪比。全连接神经网络的解调过程是发射端全连接神经网络编码的逆过程。

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 (7)

1.一种基于全连接神经网络编码译码的光传输方法，其特征是：二进制比特流首先通过串并变化，将串行的二进制数据并行输入到全连接神经网络模块中，利用全连接神经网络模块的全连接方式对所有输入的相邻比特间的相互联系进行整合连接，保留输入比特信息间的相互关联和影响，将数据转化为符号信息后再进行脉冲整形，发射到信道进行传输。

2.根据权利要求1所述的一种基于全连接神经网络编码译码的光传输方法，其特征是：所述的全连接神经网络模块包括前向传播和反向传播，前向传播为信号从输入层经过每一个神经元，直到输出神经元的传播过程，全连接神经网络模块经过前向传播输出数据，再根据数据经过反向传播不断地调整权重和偏置。

3.根据权利要求2所述的一种基于全连接神经网络编码译码的光传输方法，其特征是：所述的前向传播的具体过程为：接收输入的二进制数据，经过激活函数换算后，输出数据，其中，接收输入的二进制数据过程具体为：神经网络能接收多个输入, 并且每个输入上有一个权值w，神经网络可以通过学习自动获取最优的权重参数，假设输入比特流为[x₁,x₂,x₃…x_8n],经过串并变化后将其转换为并行二进制比特流，将并行的二进制比特流矩阵进行变换为，[x₁,x₂…x_n；x_n+1,x_n+2…x_2n；x_2n+1,x_2n+2…x_3n；x_3n+1,x_3n+2…x_4n；x_n+1,x_n+2…x_2n；x_2n+1,x_2n+2…x_3n；x_3n+1,x_3n+2…x_4n；x_4n+1,x_4n+2…x_5n；x_2n+1,x_2n+2…x_3n；x_3n+1,x_3n+2…x_4n；x_4n+1,x_4n+2…x_5n；x_5n+1,x_5n+2…x_6n；x_3n+1,x_3n+2…x_4n；x_4n+1,x_4n+2…x_5n；x_5n+1,x_5n+2…x_6n；x_6n+1,x_6n+2…x_7n；x_4n+1,x_4n+2…x_5n；x_5n+1,x_5n+2…x_6n；x_6n+1,x_6n+2…x_7n；x_7n+1,x_7n+2…x_8n]，然后将该矩阵输入全连接神经网络信息编码器的输入层进行编码，利用神经网络的全连接方式将每个相邻比特间的相互联系和影响全连接得到符号信息，使得符号信息的值由多个比特信息全连接得到。

4.根据权利要求3所述的一种基于全连接神经网络编码译码的光传输方法，其特征是：所述的激活函数为线性整流单元函数，即ReLU函数，ReLU函数的数学表达式为：

h(x) =max(0, x)；

其中，h(x)的含义是激活函数，x的含义是该神经元输入值。

5.根据权利要求4所述的一种基于全连接神经网络编码译码的光传输方法，其特征是：所述的全连接神经网络模块输出数据的具体过程为：在神经网络中，一个神经元的输出是另一个神经元的输入，假设a_4n ^(l)表示的是第一层隐藏层的第4n个神经元的输入，z_4n ^(l)表示的是第一层隐藏层的第4n个神经元的输出，根据神经网络中的权重和偏置，就可以计算神经网络中每一个神经元的输出，从而计算出神经网络的最终的输出。

6.根据权利要求5所述的一种基于全连接神经网络编码译码的光传输方法，其特征是：全连接神经网络模块输出数据通过升余弦滤波器进行脉冲整形，再经过数模转换器将调制映射后的数据流转换为模拟信号，通过调制器将模拟电信号调制成模拟光信号，经过光纤链路将信号传送到接收端。

7.根据权利要求6所述的一种基于全连接神经网络编码译码的光传输方法，其特征是：在接收端，光信号通过光电探测器转变为电信号，经过滤波解调以及相应的全连接神经网络的解码过程获得原始的二进制数据流，其中匹配滤波器用于滤除波形噪声，全连接神经网络的解调过程是发射端全连接神经网络模块编码的逆过程。

Images