CN113890622A - 一种基于图神经网络的长距离无源光网络解调方法 - Google Patents

Abstract

本发明公开了一种基于图神经网络的长距离无源光网络解调方法，具体为：在数据发送端，将用户的发射比特序列映射成多维复数码字，然后经过叠加、OFDM调制、并串转换、上采样、滤波、上变频得到射频信号，电光调制后发射；在数据接收端，经过光电转换、下变频、滤波、下采样得到SCMA‑OFDM信号，通过引入图神经网络模型进行比特判决，得到原始比特数据信号。本发明有效地解决SCMA‑PON中的不确定收敛性和误差传递的影响，大幅增加系统容量和比特率，同时提高了接收机灵敏度。

Description

一种基于图神经网络的长距离无源光网络解调方法

技术领域

本发明属于无源光网络调制解调技术领域，尤其涉及一种基于图神经网络的长距离无源光网络解调方法。

背景技术

无源光网络(PON)最早在1987被英国电信公司提出的，由于其低成本、大带宽和抗干扰性强被业内广泛认可。是“最后一公里”入网用户缺少带宽的解决方案，在接入领域获得了广泛的研究和应用。一个典型的PON系统包括光线路终端(Optical Line Terminal,OLT)、光分配网络(Optical Distribution Network,ODN)和用户端的光网络单元(OpticalNetwork Unit,ONU)。

随着物联网的蓬勃发展和成倍增加的物联网接入设备，下一代PON应满足大容量和低功耗的特性。长距离PON在光接入网络的演进中慢慢引起了了服务提供商和研究人员的广泛关注，长距离PON由于有着更大的覆盖范围，对于覆盖相同距离来说所需要的中心局数量更加少，可以有效地降低成本并且简化网络层次。而目前考虑到应用层面，ITU-T定义基于时分复用的长距离PON为下一代无源光网络(NG-PON2)。然而当接入的速度达到100Gb/s以上时，由于色散的影响，常规的对数据包延迟敏感的TDM-PON遇到了严重的瓶颈，而已经存在的基于频域正交和码域正交的复用技术都必须在复用维度上保证信号的正交性，否则不同用户间信号无法正确分离差从而信号的检测。

近年来非正交多址技术作为一种新的多址技术，近年来引起了广泛的关注，稀疏码分多址是华为提出来的一种5G候选方案，是一种很有前途的扩容技术。SCMA通过将比特信息映射成非正交的多维复数码字，然后将各个维度加载到不同的资源块上传输，不仅可以实现大规模的用户接入，并且该实现方案中用户的接入具有较高的灵活性。已经有研究人员通过实验证明了SCMA-PON系统的可行性。然而对于SCMA来说由于每个资源块中存在多个用户的数据，故SCMA需要一种低复杂度高精度的多用户检测算法用于将用户信号检测。目前SCMA中用于多用户检测最多的是MPA消息传递算法。MPA是一种基于因子图的消息传递算法，MPA使用因子图分解将联合概率密度函数分解为很多个子函数的乘积，可以有效地将变量间的依赖分离，使得最后在保证性能接近最大似然估计的情况下，大幅度降低复杂度。然而由于在MPA中因子图不可避免的存在环，最终用户的码字概率不一定能收敛，并且由于多用户检测和信道均衡是两个分开的步骤，所以信道均衡的误差很容易就会影响MPA的性能，这种两阶段的方法使得SCMA-PON的性能极大程度上依赖信道条件和均衡算法。

近年来，机器学习技术由于其强大的认知能力在计算机视觉，语音识别和自然语言处理领域取得了重大成功，在光通信领域，也存在很多研究将不同的机器学习方法如支持向量机，贝叶斯估计，强化学习等技术用在光网络资源分配，光性能检测，信道估计等方面。图神经网络(GNN)是一种应用图域上的深度学习技术，可以处理具有非欧几里得数据的输入输出，对于图节点间依赖关系具有强大的建模能力，在社交网络，知识图谱甚至生命科学等各个领域中得到了广泛的应用。GNN可以捕捉到节点间相关信息的隐式依赖关系，并且通过概率迭代将概率信息更新到整个图，由于本质上还是学习算法，所以投入大量数据训练，GNN可以有效的学习到节点间的隐藏依赖关系，进而能较好的学习到接收端接收到的码字信息到比特概率的映射关系。

发明内容

为了可以有效地解决SCMA-PON中MPA算法的不确定收敛性和误差传递的影响。本发明提供一种基于图神经网络的长距离无源光网络解调方法。

本发明的一种基于图神经网络的长距离无源光网络解调方法，具体为：

在数据发送端：

S1、将多个用户的发射比特序列通过SCMA码本映射将比特信息映射成多维复数码字。

S2、然后将不同用户的多维复数码字进行叠加，然后进行物理资源映射将码字信号映射到OFDM资源块上。

S3、将通过OFDM调制，将子载波映射后的频域信号进行快速傅里叶逆变换，得到时域信号，加上导频和循环前缀经过上采样，滤波上变频得到射频信号。

S4、使用MZM电光调制器将射频信号调制成SCMA光信号，将得到的SCMA信号按照光线路终端所分配的时隙发送出去。

在数据接收端：

S5、通过光电转换将光信号转换为电信号，接着通过下变频、滤波、下采样得到SCMA-OFDM基带信号。

S6、使用傅里叶变换将时域信号转换为频域信号。

S7、构建图神经网络模型。

S8、获取数据发射单元发出的信号和原始发送数据作为训练数据集，对图神经网络模型进行训练。

S9、将接收到的数据输入到训练完成后的图神经网络模型中进行比特判决，得到原始比特数据信号。

上述图神经网络模型中，使用因子图作为图结构，定义因子图为G(N,E)，N代表图节点，E代表边，边连接所有的函数节点和变量节点，输入经过处理后的资源块上的实数信号，通过不停的更新图神经网络中的函数节点和变量节点的值，最终输出用户节点的比特判决概率；变量节点状态信息的更新公式为：

Relu(x)＝max(0,x)

函数节点的更新公式为：

用relu函数和tanh函数作为激活函数，t代表当前迭代轮数；

示函数节点k在第t次迭代时的状态信息，

表示变量节点j在第t次迭代时的状态信息，ne(k)表示与函数节点k相连的所有函数节点集合，ne(j)表示与变量节点j相连的所有函数节点集合；w_j,k和w_k,j代表从变量节点j到函数节点k和从函数节点k到变量节点j消息传递的滤波器参数。b_j,k和b_k,j表示偏置向量，BN代表归一化层。

对图神经网络模型节点更新，整个网络循环迭代更新用户节点和函数节点的状态信息，最终将信息扩散到整个图，由于其中引入了激活函数非线性，整个模型引入了相对较强的非线性，损失函数使用最小均衡误差，具体如下：

其中

代表第j个比特的标签信息，

表述预测的第j个比特的预测信息；具体预测过程最终根据

进行阈值判决，当其大于0.5，将其判决为1比特，当小于0.5时，将其判断为0比特。

神经网络模型节点更新具体为：

(1)、将载波上接收到的复数信号作为图神经网络的输入赋值给函数节点；

(2)、根据函数节点的信息依据变量节点更新公式更新变量节点的状态信息；

(3)、根据更新的变量节点信息依据函数节点更新公式更新函数节点的状态信息；

(4)、如果没有达到固定迭代次数(本发明固定迭代次数为3)，则继续重新回去执行步骤(2)，否则将使用sigmoid函数将S3中更新的函数节点状态映射到概率信息。

本发明的有益技术效果为：

本发明将GNN引入到SCMA-PON系统中。用于学习消除原始SCMA-PON系统中一个资源块上各用户发送码字间的相互干扰。该算法可以在保证复杂度不增加的情况下解决SCMA-PON系统中均衡加解调带来的误差传递，有效的对信号进行补偿解调，并且对于功率增大的非线性噪声情形，也展现了较好的补偿能力。

附图说明

图1为本发明SCMA-PON系统结构图。

图2为本发明采用的图神经网络模型结构图。

图3为图神经网络节点更新流程图。

图4为SCMA-PON系统发送端信号处理流程图。

图5为SCMA-PON系统接收端信号处理流程图。

具体实施方式

下面结合附图和具体实施方法对本发明做进一步详细说明。

本发明的一种基于图神经网络的长距离无源光网络解调方法，其SCMA-PON系统结构如图1所示，具体为：

在数据发送端(处理流程如图4所示)：

S1、将多个用户的发射比特序列通过SCMA码本映射将比特信息映射成多维复数码字。

S2、然后将不同用户的多维复数码字进行叠加，然后进行物理资源映射将码字信号映射到OFDM资源块上。

S3、将通过OFDM调制，将子载波映射后的频域信号进行快速傅里叶逆变换，得到时域信号，加上导频和循环前缀经过上采样，滤波上变频得到射频信号。

S4、使用MZM电光调制器将射频信号调制成SCMA光信号，将得到的SCMA信号按照光线路终端所分配的时隙发送出去。

在数据接收端(处理流程如图5所示)：

S5、通过光电转换将光信号转换为电信号，接着通过下变频、滤波、下采样得到SCMA-OFDM基带信号。

S6、使用傅里叶变换将时域信号转换为频域信号。

S7、构建图神经网络模型。

S8、获取数据发射单元发出的信号和原始发送数据作为训练数据集，对图神经网络模型进行训练。

S9、将接收到的数据输入到训练完成后的图神经网络模型中进行比特判决，得到原始比特数据信号。

本发明的图神经网络模型如图2所示，在图神经网络模型中，使用因子图作为图结构，定义因子图为G(N,E)，N代表图节点，E代表边，边连接所有的函数节点和变量节点，输入经过处理后的资源块上的实数信号，通过不停的更新图神经网络中的函数节点和变量节点的值，最终输出用户节点的比特判决概率。网络的更新方式和原始的MPA较为相似，变量节点状态信息的更新公式为：

Relu(x)＝max(0,x)

函数节点的更新公式为：

使用relu函数和tanh函数作为激活函数，t代表当前迭代轮数；

示函数节点k在第t次迭代时的状态信息，

表示变量节点j在第t次迭代时的状态信息，ne(k)表示与函数节点k相连的所有函数节点集合，ne(j)表示与变量节点j相连的所有函数节点集合；w_j,k和w_k,j代表从变量节点j到函数节点k和从函数节点k到变量节点j消息传递的滤波器参数。b_j,k和b_k,j表示偏置向量，BN代表归一化层。

对图神经网络模型节点更新，整个网络循环迭代更新用户节点和函数节点的状态信息，最终将信息扩散到整个图，由于其中引入了激活函数非线性，整个模型引入了相对较强的非线性，损失函数使用最小均衡误差，具体如下：

其中

代表第j个比特的标签信息，

表述预测的第j个比特的预测信息；具体预测过程最终根据

进行阈值判决，当其大于0.5，将其判决为1比特，当小于0.5时，将其判断为0比特。

神经网络模型节点更新如图3所示，具体为：

(1)、将载波上接收到的复数信号作为图神经网络的输入赋值给函数节点；

(2)、根据函数节点的信息依据变量节点更新公式更新变量节点的状态信息；

(3)、根据更新的变量节点信息依据函数节点更新公式更新函数节点的状态信息；

(4)、如果没有达到固定迭代次数(本发明固定迭代次数为3)，则继续重新回去执行步骤(2)，否则将使用sigmoid函数将S3中更新的函数节点状态映射到概率信息。

而作为对比，传统的MPA算法实施如下：

S1、条件概率初始化；

S2、消息迭代，更新函数节点的概率信息，并将消息传递给变量节点，然后更新变量节点的信息传递给函数节点；

S3、循环次数达到最大迭代次数推出执行S4，否则执行S2；

S4、完成对每个码字的概率估计，并输出每个用户比特的LLR；

可以发现算法框架层面基本一致，但是节点更新的方式不一致，并且本质上MPA不是一种基于数据驱动的算法，并且只用于多用户检测，相对而言，图神经网络在消息更新层面是MPA的增强版本，并且通过数据驱动学习到近视最优参数。

数据采集方法为：

1)MATLAB根据当前时间为随机种子产生372个用户发送的维度为372*N*Log(M)的伪随机比特序列，存储为图神经网络模型的标签序列；生成的随机序列经过SCMA调制将比特映射成372*N个多维复数码字；

2)将372个用户的码字叠加，然后通过物理资源映射映射到频率上，之后通过逆傅里叶变换，将频域信号转为时域信号，最后经过并串转换，上采样，滤波，上变频产生SCMA-OFDM信号；

3)将MATLAB生成的SCMA-OFDM信号发送到SCMA-PON仿真模型中进行处理；

4)将步骤3)产生的SCMA-OFDM信号经过串并转换，滤波器，傅里叶变换生成频域复数信号；将复数拆分为实部虚部两个维度之后，生成一个维度为248*N*2的向量。

5)重复步骤1)～4)，获得图神经网络模型训练所需的训练和测试样本以及对应的标签。

仿真实验：

在仿真实验中，我们使用Matlab与VPI与tensorflow2进行联合仿真，首先在OLT端，在Matlab中生成原始比特，使用SCMA编码将比特信息映射成多维复数码字信号，然后将码字信号通过逆傅里叶变换进行OFDM调制生成SCMA-OFDM信号，仿真设置cp为8，使用256个载波进行数据传输，而光分配网采用20km，60km的标准单模光纤和可变光衰减器(VOA)和1:2分光器进行仿真，1:2分光器用于测量光功率，在OLT端，使用光电探测器将接收到的光信号转为SCMA-OFDM电信号，之后下变频，滤波，下采样得到SCMA-OFDM基带信号，此时的信号每个频域上存在着多个用户的信息，使用本方案提出的图神经网络进行均衡解调，图网络的节点的更新流程如下。控制迭代次数为3次，每一次迭代过程，所有的函数节点和变量节点都被更新一次，在所有的迭代过程完成之后，将最后一层用户节点的输出通过sigmoid映射到[0,1]的概率信息，设置0.5为比特判决的阈值，大于0.5预测为1比特，小于0.5预测为0比特。值得注意的是，本方案假设光纤中的信道参数是稳定不变的，也就是模型只需要在训练阶段训练一次，并且经过验证，需要注意的是，本方案提出的图神经网络模型只需要训练一次获取到最优的模型参数，之后直接使用模型进行比特判决即可完成解调。

Claims (4)

1.一种基于图神经网络的长距离无源光网络解调方法，其特征在于，具体为：

在数据发送端：

S1、将多个用户的发射比特序列通过SCMA码本映射将比特信息映射成多维复数码字；

S2、然后将不同用户的多维复数码字进行叠加，然后进行物理资源映射将码字信号映射到OFDM资源块上；

S3、将通过OFDM调制，将子载波映射后的频域信号进行快速傅里叶逆变换，得到时域信号，加上导频和循环前缀经过上采样，滤波上变频得到射频信号；

S4、使用MZM电光调制器将射频信号调制成SCMA光信号，将得到的SCMA信号按照光线路终端所分配的时隙发送出去；

在数据接收端：

S5、通过光电转换将光信号转换为电信号，接着通过下变频、滤波、下采样得到SCMA-OFDM基带信号；

S6、使用傅里叶变换将时域信号转换为频域信号；

S7、构建图神经网络模型；

S8、获取数据发射单元发出的信号和原始发送数据作为训练数据集，对图神经网络模型进行训练；

S9、将接收到的数据输入到训练完成后的图神经网络模型中进行比特判决，得到原始比特数据信号。

2.根据权利要求1所述的一种基于图神经网络的长距离无源光网络解调方法，其特征在于，所述图神经网络模型中，使用因子图作为图结构，定义因子图为G(N,E)，N代表图节点，E代表边，边连接所有的函数节点和变量节点，输入经过处理后的资源块上的实数信号，通过不停的更新图神经网络中的函数节点和变量节点的值，最终输出变量节点的比特判决概率；变量节点状态信息的更新公式为：

Relu(x)＝max(0,x)

函数节点的更新公式为：

使用relu函数和tanh函数作为激活函数，t代表当前迭代轮数；

示函数节点k在第t次迭代时的状态信息，

表示变量节点j在第t次迭代时的状态信息，ne(k)表示与函数节点k相连的所有函数节点集合，ne(j)表示与变量节点j相连的所有函数节点集合；w_j,k和w_k,j代表从变量节点j到函数节点k和从函数节点k到变量节点j消息传递的滤波器参数。b_j,k和b_k,j表示偏置向量，BN代表归一化层；

对图神经网络模型节点更新，整个网络循环迭代更新变量节点和函数节点的状态信息，最终将信息扩散到整个图，由于其中引入了激活函数非线性，整个模型引入了相对较强的非线性，损失函数使用最小均衡误差，具体如下：

其中

代表第j个比特的标签信息，

表述预测的第j个比特的预测信息；具体预测过程最终根据

进行阈值判决，当其大于0.5，将其判决为1比特，当小于0.5时，将其判断为0比特。

3.根据权利要求2所述的一种基于图神经网络的长距离无源光网络解调方法，其特征在于，所述神经网络模型节点更新具体为：

(1)、将载波上接收到的复数信号作为图神经网络的输入赋值给函数节点；

(2)、根据函数节点的信息依据变量节点更新公式更新变量节点的状态信息；

(3)、根据更新的变量节点信息依据函数节点更新公式更新函数节点的状态信息；

(4)、如果没有达到固定迭代次数，则继续重新回去执行步骤(2)，否则将使用sigmoid函数将S3中更新的函数节点状态映射到概率信息。

4.根据权利要求3所述的一种基于图神经网络的长距离无源光网络解调方法，其特征在于，所述固定迭代次数为3。

Images