CN113779873A - 一种tdecq测量模型的构建方法及应用 - Google Patents
一种tdecq测量模型的构建方法及应用 Download PDFInfo
- Publication number
- CN113779873A CN113779873A CN202110992138.4A CN202110992138A CN113779873A CN 113779873 A CN113779873 A CN 113779873A CN 202110992138 A CN202110992138 A CN 202110992138A CN 113779873 A CN113779873 A CN 113779873A
- Authority
- CN
- China
- Prior art keywords
- tdecq
- pam
- signal
- simulation
- training
- 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
Links
- 238000005259 measurement Methods 0.000 title claims abstract description 48
- 238000010276 construction Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 101
- 238000004088 simulation Methods 0.000 claims abstract description 57
- 238000009826 distribution Methods 0.000 claims abstract description 32
- 238000001514 detection method Methods 0.000 claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 31
- 210000002569 neuron Anatomy 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 9
- 230000003287 optical effect Effects 0.000 claims description 9
- 238000000691 measurement method Methods 0.000 claims description 7
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 6
- 238000012886 linear function Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000012952 Resampling Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 239000006185 dispersion Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 238000009827 uniform distribution Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000004399 eye closure Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000002203 pretreatment Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Filters That Use Time-Delay Elements (AREA)
Abstract
本发明公开了一种TDECQ测量模型的构建方法及应用，包括：S1、采用IEEE802.3标准中的TDECQ计算方法分别计算仿真得到的各PAM‑4仿真信号和实际检测到的各PAM‑4检测信号的TDECQ数值，作为标签；S2、分别对各PAM‑4仿真信号和各PAM‑4检测信号，进行预处理后，计算其振幅分布直方图；各PAM‑4仿真信号的振幅分布直方图及其对应的标签构成仿真信号训练样本集；各PAM‑4检测信号的振幅分布直方图及其对应的标签构成实际信号训练样本集；S3、将仿真信号训练样本集输入到深度神经网络中进行训练，得到预训练模型；S4、将实际信号训练样本集输入到预训练模型中进行训练，得到TDECQ测量模型。通过仿真可以获得足够多的PAM‑4仿真信号，采集成本低，采集速度快，可以预先将模型性能调到最佳，训练效率较高。
Description
技术领域
本发明属于光通信指标测量领域，更具体地，涉及一种TDECQ测量模型的构建方法及应用。
背景技术
PAM-4(4Pulse Amplitude Modulation)信号作为下一代数据中心的热门信号传输技术，被广泛应用于200G/400G接口的电信号或光信号传输，与NRZ(Non Return ZeroCode)信号相比具有相同信号速率下带宽更窄、色散容忍度更高的优点。从NRZ信号到PAM-4信号的转变，带来了测试参数和测试方法的巨大变革，现有的测试参数均无法适用于PAM-4信号，如机色散代价(Transmitter and Dispersion Penalty，TDP)的测量方法成本过于高昂，而发射机色散眼图闭合(Transmitter and Dispersion Eye Closure，TDEC)与PAM-4格式并不兼容。为了克服这些局限性，创建了发射机色散眼图闭合代价(Transmitter andDispersion Eye Closure forPAM4，TDECQ)，TDECQ是一种独立于发射机的评估PAM-4发送器性能的统计方法。
尽管TDECQ对于采用PAM-4调制格式的光发射机来说是十分有用的指标，但是传统的计算TDECQ的方法是一个计算密集的迭代过程，计算复杂、速度较慢。为了提高TDECQ的计算效率，现有技术使用卷积神经网络(CNN)直接从静态眼图图像中估计TDECQ，这种方法需要在配置较为完美的硬件条件下来采集静态眼图图像样本，且需要采集大量的静态眼图图像样本进行训练才能达到较好的泛化，而采集大量的样本会浪费大量的时间和金钱，大大降低了训练效率。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供一种TDECQ测量模型的构建方法及应用，用以解决现有技术由于需要在配置较为完美的硬件条件下采集大量的静态眼图图像样本来训练模型而导致的成本较高、训练效率较低的技术问题。
为了实现上述目的，第一方面，本发明提供了一种TDECQ测量模型的构建方法，包括以下步骤：
S1、采用IEEE802.3标准中的TDECQ计算方法分别计算仿真得到的各PAM-4仿真信号和实际检测到的各PAM-4检测信号的TDECQ数值，作为标签；其中，仿真得到的PAM-4仿真信号的数量大于实际检测到的PAM-4检测信号的数量；
S2、分别对各PAM-4仿真信号和各PAM-4检测信号，进行预处理后，计算其振幅分布直方图；
各PAM-4仿真信号的振幅分布直方图及其对应的标签构成仿真信号训练样本集；各PAM-4检测信号的振幅分布直方图及其对应的标签构成实际信号训练样本集；
S3、将仿真信号训练样本集输入到深度神经网络中进行训练，得到预训练模型；
S4、将实际信号训练样本集输入到预训练模型中进行训练，得到TDECQ测量模型。
进一步优选地，上述TDECQ测量模型的构建方法还包括位于步骤S2和步骤S3之间的步骤S5；
步骤S5包括：分别对仿真信号训练样本集和实际信号训练样本集中的振幅分布直方图进行归一化处理后，采用随机化算法将其与对应的标签同步进行随机化处理。
进一步优选地，上述TDECQ测量模型的构建方法还包括在步骤S1之前执行的步骤S0；步骤S0包括：
在SSPRQ(Short Stress Pattern Random Quaternary，SSPRQ)测试模式下对PAM-4信号进行仿真，得到PAM-4仿真信号；
在SSPRQ测试模式下，采用光发射器生成PAM-4信号；并在背靠背传输条件下，采用光电探测器检测光发射器生成的PAM-4信号构成实际信号训练样本集；其中，光发射器包括激光器、数模转换器和马赫-曾德尔调制器。
进一步优选地，所述预处理的方法包括：对信号依次进行滤波处理、同步处理、重采样处理和均衡处理，以获得最佳的符号误码率。
进一步优选地，上述深度神经网络包括输入层、隐藏层、输出层；在训练的过程中，采用梯度下降法更新深度神经网络中的权值和偏置。
进一步优选地，在训练的过程中，采用批量计算法进行优化：将训练样本集分成若干个子集，对每一个子集，采用Adam算法迭代更新深度神经网络中的权值和偏置。
进一步优选地，深度神经网络为Sequential顺序模型；其中，输入层中神经元个数与输入的振幅分布直方图数据的维度相同；
隐藏层设置为三层，第一层隐藏层中的神经元个数为200，第二层隐藏层中的神经元个数为100，第三层隐藏层中神经元个数为50；
输出层中的神经元个数为1，其中的激活函数为线性函数；
输入层与隐藏层中的激活函数为ReLU。
第二方面，本发明提供了一种TDECQ测量方法，包括：将采集到的PAM-4信号输入到采用本发明第一方面所提供的TDECQ测量模型的构建方法所得的TDECQ测量模型中，得到TDECQ数值。
第三方面，一种TDECQ测量系统，包括：
模型构建模块，用于执行本发明第一方面所提供的TDECQ测量模型的构建方法，得到TDECQ测量模型；
TDECQ测量模块，用于将采集到的PAM-4信号输入到TDECQ测量模型中，得到TDECQ数值。
第四方面，一种机器可读存储介质，所述机器可读存储介质存储有机器可执行指令，所述机器可执行指令在被处理器调用和执行时，所述机器可执行指令促使所述处理器实现本发明第一方面所提供的TDECQ测量模型的构建方法和/或本发明第二方面所提供的TDECQ测量方法。
总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：
1、本发明提供了一种TDECQ测量模型构建方法，构造了两种训练样本集，其中，仿真信号训练样本集通过对PAM-4信号进行仿真得到，实际信号训练样本集通过实际检测得到；通过仿真可以获得足够数量的PAM-4仿真信号，采集成本较低，速度较快，大大扩充了实际采集到的实际信号训练样本集，通过采用足够数量的PAM-4仿真信号对深度神经网络源模型进行训练，调整参数和模型结构，可以预先将模型的性能调到最佳；而实际检测到的PAM-4检测信号能够更加准确的反映发射机的实际情况，进一步采用PAM-4检测信号对预训练模型中的参数进行训练更新，能够以较低的时间成本和金钱成本得到性能稳定、准确率较高的TDECQ测量模型，训练效率较高。
2、本发明所提供的TDECQ测量模型构建方法，将振幅直方图作为输入特征输入到深度神经网络中来计算TDECQ，大大提高了计算速度，减少了时间消耗。
附图说明
图1为本发明实施例1所提供的TDECQ测量模型构建方法的流程示意图；
图2为本发明实施例1所提供的深度神经网络结构示意图；
图3为本发明实施例2提供的信号预测的误差示意图；
图4为本发明实施例2提供的计算得到的TDECQ数值的示意图；
图5为本发明实施例2提供的训练损失与验证损失随迭代次数的变化示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例1、
一种TDECQ测量模型的构建方法，如图1所示，包括以下步骤：
S1、采用IEEE802.3标准中的TDECQ计算方法分别计算仿真得到的各PAM-4仿真信号和实际检测到的各PAM-4检测信号的TDECQ数值，作为标签；其中，仿真得到的PAM-4仿真信号的数量大于实际检测到的PAM-4检测信号的数量；
具体地，在步骤S1之前，需要先得到PAM-4仿真信号和PAM-4检测信号；本实施例的具体方法为，在SSPRQ测试模式下对PAM-4信号进行仿真，得到PAM-4仿真信号。在SSPRQ测试模式下，采用光发射器生成PAM-4信号；并在背靠背传输条件下，采用光电探测器(PD)检测光发射器生成的PAM-4信号构成实际信号训练样本集；其中，光发射器包括激光器、数模转换器(DAC)和马赫-曾德尔调制器(MZM)。
S2、分别对各PAM-4仿真信号和各PAM-4检测信号，进行预处理后，计算其振幅分布直方图；
各PAM-4仿真信号的振幅分布直方图及其对应的标签构成仿真信号训练样本集；各PAM-4检测信号的振幅分布直方图及其对应的标签构成实际信号训练样本集；
具体地，上述预处理的方法包括：对信号依次进行滤波处理、同步处理、重采样处理和均衡处理，以获得最佳的符号误码率。具体地，信号预处理需要通过一个滤波器，然后对采集到的信号进行定时恢复，而且信号需要重采样，最后需要通过均衡器，以获得最佳符号误码率(SER)。其中，滤波器优选为四阶贝塞尔滤波器；均衡器优选为5点的t间隔前馈均衡器。
在计算信号的振幅分布直方图时，首先振幅按照组距(bins)划分，得到多个振幅区间；获取信号中的每个采样点的振幅，在各振幅区间内，统计落入对应振幅区间的采样点的数量，即可计算出信号的振幅分布直方图。一般地，数据点数越多、振幅直方图的组数越大，计算结果越准确，但是计算复杂度也越大，导致训练时间增加。因此需要在计算结果的精度和计算过程的复杂度之间取得平衡。通过实践经验，将信号振幅按照500个组距(Bins)划分，采样点数优选为一百万个，组数为2500，继续增加点数和组数对计算结果精度的提升不明显，但是会明显增加计算复杂度。
优选地，在得到仿真信号训练样本集和实际信号训练样本集之后，分别对仿真信号训练样本集和实际信号训练样本集中的振幅分布直方图进行归一化处理后，采用随机化算法将其与对应的标签同步进行随机化处理。具体地，对振幅分布直方图进行归一化处理，可以使得振幅分布直方图里的每个数据都分布在0到1之间，这样可以提高神经网络的运算速度。另外，为了防止过拟合，本发明运用随机化算法，在对应的训练样本集中对各振幅分布直方图及其标签同步进行随机化处理，以使用于训练的数据是随机分布的，以训练得到准确率高、性能稳定的模型。
S3、将仿真信号训练样本集输入到深度神经网络中进行训练，得到预训练模型；
需要说明的是，仿真得到的PAM-4仿真信号的数量大于实际检测到的PAM-4检测信号的数量。通过仿真可以获得足够数量的PAM-4仿真信号，采集成本较低，速度较快，大大扩充了实际采集到的实际信号训练样本集，通过采用足够数量的PAM-4仿真信号对深度神经网络源模型进行训练，调整参数和模型结构，可以预先将模型的性能调到最佳。
S4、将实际信号训练样本集输入到预训练模型中进行训练，得到TDECQ测量模型。
实际检测到的PAM-4检测信号能够更加准确的反映发射机的实际情况，所获取的PAM-4检测信号的数量可以根据实际情况确定；由于预训练模型是在大数据集即仿真信号训练样本集上进行的，性能已经调到最佳状态，进一步采用PAM-4检测信号对预训练模型中的参数进行训练更新，可以大大节省时间成本和金钱成本，使得模型鲁棒性、泛化能力更好，从而得到性能稳定、准确率高的TDECQ测量模型。
如图2所示，本实施例中的深度神经网络为Sequential顺序模型，包含输入层、隐藏层、输出层；其中，输入层中神经元个数与输入的振幅分布直方图数据的维度相同；隐藏层设置为三层，第一层隐藏层中的神经元个数优选为200，第二层隐藏层中的神经元个数优选为100，第三层隐藏层中神经元个数优选为50；输入层与隐藏层中的激活函数都选择为ReLU；对于线性函数而言，ReLU的表达能力更强，尤其体现在深度网络中；对于非线性函数而言，ReLU由于非负区间的梯度为常数，因此不存在梯度消失问题，使得模型的收敛速度维持在一个稳定状态，同时大大地提高了训练速度。输出层中的神经元个数为1，其激活函数为线性函数；初始化器优选为glorot均匀分布初始化器，也称为Xavier均匀分布初始化器，该方法从具有零均值、与过滤器的数量和大小有关的方差均匀分布中采样过滤器权重的优点，优选均方根误差函数作为误差函数。在训练过程中，epoch优选为100次，batch优选为150。
更进一步地，采用梯度下降法(gradient descent)更新权值w和偏置b，梯度下的主要目的是通过迭代找到目标函数的最小值，或者收敛到最小值；优选地，采用批量计算法(mini-batch)优化，创建mini-batches将训练样本集分成若干个子集mini-batch，对每一个子集mini-batch，用梯度下降训练网络权重；优选地，采用自适应矩估计法(Adam)动态调整每个参数的学习率，Adam本质上是带有动量项的RMSprop，是一种一阶优化算法，利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率，其优点主要在于经过偏置校正后，每一次迭代学习率都有个确定范围，使得参数比较平稳，能够基于训练数据迭代地更新神经网络权重，能够直截了当地实现、进行高效的计算，所需内存少，适合解决含大规模数据和参数的优化问题，超参数可以很直观地解释，并且基本上只需极少量的调参。本实施例中，学习率优选为0.001。
本发明提供了一种TDECQ测量模型构建方法，构造了仿真信号训练样本集和实际信号训练样本集两种训练样本集，其中，仿真信号训练样本集通过对PAM-4信号进行仿真得到，实际信号训练样本集通过实际检测得到；通过仿真可以获得足够数量的PAM-4仿真信号，采集成本较低，速度较快，大大扩充了实际采集到的实际信号训练样本集，通过采用足够数量的PAM-4仿真信号对深度神经网络源模型进行训练，调整参数和模型结构，可以预先将模型的性能调到最佳；而实际检测到的PAM-4检测信号能够更加准确的反映发射机的实际情况，进一步采用PAM-4检测信号对预训练模型中的参数进行训练更新，大大节省了时间成本和金钱成本，使得模型鲁棒性、泛化能力更好，从而以较低的时间成本和金钱成本得到性能稳定、准确率较高的TDECQ测量模型，训练效率较高。
实施例2、
一种TDECQ测量方法，包括：将采集到的PAM-4信号输入到采用本发明实施例1所提供的TDECQ测量模型的构建方法所得的TDECQ测量模型中，得到TDECQ数值。
相关技术方案同实施例1，这里不做赘述。
为了进一步说明本发明所提供的TDECQ测量方法，在一种可选实施例下，采用2500组带标签的PAM-4仿真信号以及100组带标签的PAM-4检测信号，其中PAM-4仿真信号按照8:2分为训练集与测试集，PAM-4检测信号按照2:8分为训练集与测试集。
PAM-4仿真信号首先要预处理，利用约一百万个采样点的预处理后的信号计算振幅分布直方图，bins设置为500，在振幅分布直方图归一化之后，运用shuffle函数将带有标签的归一化后的振幅分布直方图进行随机化，之后输入到深度神经网络模型中，epoch设为100次，batch设为128，模型包括一个输入层、三个隐藏层和一个输出层；输入层的神经元个数为500，与输入维度一致；隐藏层的神经元个数分别为200、100和50，激活函数都选择为ReLU，初始化器选为glorot均匀分布初始化器；模型输出层神经元个数为1，激活函数为线性函数，输出一个数值。所有的参数都在训练后观察loss曲线一步步尝试得来，一般来说参数越大效果越好，但是基于数据量不变的情况下，上述参数已经到达临界点，再增大就会增加复杂度，还会增大过拟合的风险。优化器选为Adam，其中学习率取值0.001。梯度下降法更新权值和偏置，采用自适应矩估计法Adam和批量计算法优化，选均方根误差函数作为误差函数。训练学习完成之后得到预训练模型，运用plot函数作图，作出训练和测试的损失函数图，最后计算出平均绝对误差(MAE)。与传统算法相比，预测TDECQ时间大大降低，误差反而减小，说明深度神经网络成功计算出准确的TDECQ数值。当然这是在大量的仿真数据存在的前提下。
可以直接在上述预训练模型上进行进一步训练，或者创建一个新的深度神经网络，将预训练模型的参数复制到新的深度神经网络上，包括神经网络层数，神经元个数、激活函数、初始化器以及优化器等所有重要的参数，得到新的预训练模型，然后再进行进一步训练。具体地，将PAM-4检测信号按照与PAM-4仿真信号相同的方式，同样经过预处理，计算振幅分布直方图，输入预训练模型或新的预训练模型之中进行训练，进行画图计算预测，得到如图3所示的信号预测的误差示意图、如图4所示的计算得到的TDECQ数值的示意图、以及如图5所示的训练损失与验证损失随迭代次数的变化示意图；其中，图3中所示的每个点表示每个信号，横坐标表示信号的数量，纵坐标表示所得TDECQ数值的误差；图4中的横坐标表示TDECQ的真实值，纵坐标表示采用本发明所提供的TDECQ测量方法计算得到的TDECQ数值。从图3可以看出，本发明所得的TDECQ数值的误差都在0.3dB以内，误差较小且较为稳定。从图4可以看出，本发明中的预测值和真实值较为接近，预测曲线接近线性曲线，预测效果较好。从图5可以看出，训练损失与验证损失在10个迭代后下降趋势渐渐平缓，经过多次测验发现在100次迭代之后效果已不再有变好的趋势，两种损失曲线重合并且趋向于零，说明拟合效果好，训练效果也好；误差在正负0.4dB之内均匀分布，预测曲线趋近于一条正比例直线，最后的平均绝对误差(MAE)为0.83dB，预测结果的准确度较高，与真实值较为接近。另外，本发明中训练深度神经网络的时间仅需要100s；采用训练好了的网络进行TDECQ计算只需要短短1ms，远远小于传统的IEEE802.3标准中的TDECQ计算方法以及现有的基于卷积神经网络(CNN)进行计算的方法(基于神经网络(CNN)计算TDECQ的方法中加入了卷积计算，复杂度较高，所以它的训练时间和测试时间都会增加不少，在同等实验条件下的训练时间为300s，计算的时间为5ms)。由此可知，本发明所提供的TDECQ测量方法可以加速计算TDECQ，既降低了训练的复杂度，减少了训练时间，又解决了实验数据过少的问题。
实施例3、
一种TDECQ测量系统，包括：
模型构建模块，用于执行本发明实施例1所提供的TDECQ测量模型的构建方法，得到TDECQ测量模型；
TDECQ测量模块，用于将采集到的PAM-4信号输入到TDECQ测量模型中，得到TDECQ数值。
相关技术方案同实施例1，这里不做赘述。
实施例4、
一种机器可读存储介质，所述机器可读存储介质存储有机器可执行指令，所述机器可执行指令在被处理器调用和执行时，所述机器可执行指令促使所述处理器实现本发明实施例1所提供的TDECQ测量模型的构建方法和/或本发明实施例2所提供的TDECQ测量方法。
相关技术方案同实施例1和实施例2，这里不做赘述。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种TDECQ测量模型的构建方法，其特征在于，包括以下步骤：
S1、采用IEEE802.3标准中的TDECQ计算方法分别计算仿真得到的各PAM-4仿真信号和实际检测到的各PAM-4检测信号的TDECQ数值，作为标签；其中，仿真得到的PAM-4仿真信号的数量大于实际检测到的PAM-4检测信号的数量；
S2、分别对各PAM-4仿真信号和各PAM-4检测信号，进行预处理后，计算其振幅分布直方图；
各PAM-4仿真信号的振幅分布直方图及其对应的标签构成仿真信号训练样本集；各PAM-4检测信号的振幅分布直方图及其对应的标签构成实际信号训练样本集；
S3、将所述仿真信号训练样本集输入到深度神经网络中进行训练，得到预训练模型；
S4、将所述实际信号训练样本集输入到所述预训练模型中进行训练，得到TDECQ测量模型。
2.根据权利要求1所述的TDECQ测量模型的构建方法，其特征在于，还包括位于步骤S2和步骤S3之间的步骤S5；
所述步骤S5包括：分别对所述仿真信号训练样本集和所述实际信号训练样本集中的振幅分布直方图进行归一化处理后，采用随机化算法将其与对应的标签同步进行随机化处理。
3.根据权利要求1或2所述的TDECQ测量模型的构建方法，其特征在于，还包括在步骤S1之前执行的步骤S0；所述步骤S0包括：
在SSPRQ测试模式下对PAM-4信号进行仿真，得到PAM-4仿真信号；在SSPRQ测试模式下，采用光发射器生成PAM-4信号；并在背靠背传输条件下，采用光电探测器检测光发射器生成的PAM-4信号构成实际信号训练样本集；其中，所述光发射器包括激光器、数模转换器和马赫-曾德尔调制器。
4.根据权利要求1所述的TDECQ测量模型的构建方法，其特征在于，所述预处理的方法包括：对信号依次进行滤波处理、同步处理、重采样处理和均衡处理，以获得最佳的符号误码率。
5.根据权利要求1所述的TDECQ测量模型的构建方法，其特征在于，所述深度神经网络包括输入层、隐藏层、输出层；在训练的过程中，采用梯度下降法更新所述深度神经网络中的权值和偏置。
6.根据权利要求5所述的TDECQ测量模型的构建方法，其特征在于，在训练的过程中，采用批量计算法进行优化：将训练样本集分成若干个子集，对每一个子集，采用Adam算法迭代更新所述深度神经网络中的权值和偏置。
7.根据权利要求5所述的TDECQ测量模型的构建方法，其特征在于，所述深度神经网络为Sequential顺序模型；其中，所述输入层中神经元个数与输入的振幅分布直方图数据的维度相同；
所述隐藏层设置为三层，第一层隐藏层中的神经元个数为200，第二层隐藏层中的神经元个数为100，第三层隐藏层中神经元个数为50；
所述输出层中的神经元个数为1，其中的激活函数为线性函数；
所述输入层与所述隐藏层中的激活函数为ReLU。
8.一种TDECQ测量方法，其特征在于，包括：将采集到的PAM-4信号输入到采用权利要求1-7任意一项所述的TDECQ测量模型的构建方法所得的TDECQ测量模型中，得到TDECQ数值。
9.一种TDECQ测量系统，其特征在于，包括：
模型构建模块，用于执行权利要求1-7任意一项所述的TDECQ测量模型的构建方法，得到TDECQ测量模型；
TDECQ测量模块，用于将采集到的PAM-4信号输入到所述TDECQ测量模型中，得到TDECQ数值。
10.一种机器可读存储介质，其特征在于，所述机器可读存储介质存储有机器可执行指令，所述机器可执行指令在被处理器调用和执行时，所述机器可执行指令促使所述处理器实现权利要求1-7任意一项所述的TDECQ测量模型的构建方法和/或权利要求8所述的TDECQ测量方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110992138.4A CN113779873B (zh) | 2021-08-27 | 一种tdecq测量模型的构建方法及应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110992138.4A CN113779873B (zh) | 2021-08-27 | 一种tdecq测量模型的构建方法及应用 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113779873A true CN113779873A (zh) | 2021-12-10 |
| CN113779873B CN113779873B (zh) | 2024-10-22 |
Family
ID=
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114659785A (zh) * | 2021-12-27 | 2022-06-24 | 三一重能股份有限公司 | 一种风力发电机传动链的故障检测方法及装置 |
| CN115374712A (zh) * | 2022-10-24 | 2022-11-22 | 中国航天三江集团有限公司 | 激光内通道热效应影响下光传输仿真参数校准方法与装置 |
| WO2024060769A1 (zh) * | 2022-09-19 | 2024-03-28 | 华为技术有限公司 | 一种tdec的测试方法及相关设备 |
| WO2024078470A1 (en) * | 2022-10-10 | 2024-04-18 | Huawei Technologies Co., Ltd. | A receiver device for pulse amplitude modulation signals |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150318919A1 (en) * | 2014-05-01 | 2015-11-05 | Mellanox Technologies Denmark Aps | Method of calculating transmitter and dispersion penalty for predicting optical data link and signal quality |
| CN109870729A (zh) * | 2019-01-31 | 2019-06-11 | 吉林大学 | 基于离散余弦变换的深度神经网络磁共振信号消噪方法 |
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150318919A1 (en) * | 2014-05-01 | 2015-11-05 | Mellanox Technologies Denmark Aps | Method of calculating transmitter and dispersion penalty for predicting optical data link and signal quality |
| CN109870729A (zh) * | 2019-01-31 | 2019-06-11 | 吉林大学 | 基于离散余弦变换的深度神经网络磁共振信号消噪方法 |
Non-Patent Citations (2)
| Title |
|---|
| ECHEVERRI-CHACÓN S, ET.AL: "Transmitter and dispersion eye closure quaternary (TDECQ) and its sensitivity to impairments in PAM4 waveforms", JOURNAL OF LIGHTWAVE TECHNOLOGY, vol. 37, no. 3, 31 December 2019 (2019-12-31), pages 852 - 860, XP011711492, DOI: 10.1109/JLT.2018.2881986 * |
| VARUGHESE S, ET.AL: "Accelerating assessments of optical components using machine learning: TDECQ as demonstrated example", JOURNAL OF LIGHTWAVE TECHNOLOGY, vol. 39, no. 1, 18 September 2020 (2020-09-18), pages 64 - 72, XP011826074, DOI: 10.1109/JLT.2020.3025114 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114659785A (zh) * | 2021-12-27 | 2022-06-24 | 三一重能股份有限公司 | 一种风力发电机传动链的故障检测方法及装置 |
| WO2024060769A1 (zh) * | 2022-09-19 | 2024-03-28 | 华为技术有限公司 | 一种tdec的测试方法及相关设备 |
| WO2024078470A1 (en) * | 2022-10-10 | 2024-04-18 | Huawei Technologies Co., Ltd. | A receiver device for pulse amplitude modulation signals |
| CN115374712A (zh) * | 2022-10-24 | 2022-11-22 | 中国航天三江集团有限公司 | 激光内通道热效应影响下光传输仿真参数校准方法与装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111830408B (zh) | 一种基于边缘计算和深度学习的电机故障诊断系统及方法 | |
| CN108696331B (zh) | 一种基于生成对抗网络的信号重构方法 | |
| CN110222748B (zh) | 基于1d-cnn多域特征融合的ofdm雷达信号识别方法 | |
| CN111898734B (zh) | 一种基于mlp的nmr弛豫时间反演方法 | |
| CN114201987B (zh) | 一种基于自适应识别网络的有源干扰识别方法 | |
| CN111967308A (zh) | 一种在线路面不平度辨识方法及系统 | |
| CN112036239A (zh) | 一种基于深度学习网络的雷达信号工作模式识别方法及系统 | |
| CN110889207B (zh) | 一种基于深度学习的体系组合模型可信度智能评估方法 | |
| CN116992779A (zh) | 基于数字孪生模型的光伏储能系统仿真方法及系统 | |
| CN114676637A (zh) | 一种基于条件生成对抗网络的光纤信道建模方法及系统 | |
| CN113779873B (zh) | 一种tdecq测量模型的构建方法及应用 | |
| CN113779873A (zh) | 一种tdecq测量模型的构建方法及应用 | |
| CN109187898B (zh) | 水产养殖环境中水质氨氮含量的软测量方法及装置 | |
| CN115422977A (zh) | 基于cnn-bls网络的雷达辐射源信号识别方法 | |
| CN114417742A (zh) | 一种激光大气闪烁指数预测方法及系统 | |
| CN113988311A (zh) | 质量变量的预测方法、装置、终端及存储介质 | |
| CN112149617A (zh) | 一种基于深度学习的脉冲波形去噪方法 | |
| CN111339646A (zh) | 一种用于全自动控制的温度数据增强方法 | |
| CN111931412A (zh) | 一种基于生成式对抗网络的水中目标噪声lofar谱图仿真方法 | |
| Wendlinger et al. | Evofficient: reproducing a cartesian genetic programming method | |
| CN113535510B (zh) | 一种大规模数据中心数据采集的自适应抽样模型优化方法 | |
| CN117974736B (zh) | 一种基于机器学习的水下传感器输出信号降噪方法及系统 | |
| Wang et al. | Simulation of Sound Signal Analysis Model in Complex Environments Based on Deep Learning Algorithms | |
| CN118520360B (zh) | 一种频谱博弈决策的智能迭代方法和装置 | |
| CN117610397B (zh) | 一种基于污水处理设备的使用效果智能分析方法及装置 |
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 |