CN114124223A - 一种卷积神经网络光纤均衡器生成方法及系统 - Google Patents

一种卷积神经网络光纤均衡器生成方法及系统 Download PDF

Info

Publication number
CN114124223A
CN114124223A CN202111422345.2A CN202111422345A CN114124223A CN 114124223 A CN114124223 A CN 114124223A CN 202111422345 A CN202111422345 A CN 202111422345A CN 114124223 A CN114124223 A CN 114124223A
Authority
CN
China
Prior art keywords
data
neural network
convolutional neural
source
model
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
Application number
CN202111422345.2A
Other languages
English (en)
Other versions
CN114124223B (zh
Inventor
王拥军
任宪达
李超
忻向军
张琦
田清华
田凤
黄兴源
薛俊良
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN202111422345.2A priority Critical patent/CN114124223B/zh
Publication of CN114124223A publication Critical patent/CN114124223A/zh
Application granted granted Critical
Publication of CN114124223B publication Critical patent/CN114124223B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
    • H04B10/25—Arrangements specific to fibre transmission
    • H04B10/2507—Arrangements specific to fibre transmission for the reduction or elimination of distortion or dispersion
    • H04B10/2543—Arrangements specific to fibre transmission for the reduction or elimination of distortion or dispersion due to fibre non-linearities, e.g. Kerr effect
    • 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
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Nonlinear Science (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Optical Communication System (AREA)

Abstract

本发明涉及一种卷积神经网络光纤均衡器生成方法及系统，方法包括：获取接收端采集的发射端数据和不同光信噪比数据；利用特征工程分别对所述发射端数据和所述不同光信噪比数据进行特征构建，得到源数据加权特征向量和目标数据加权特征向量；利用所述源数据加权特征向量对卷积神经网络进行训练，得到源模型；根据所述源模型利用迁移学习法得到初始目标模型；利用所述目标数据加权特征向量对所述初始目标模型进行训练，得到卷积神经网络光纤均衡器。本发明能够实现在不同的光纤链路环境中快速生成神经网络均衡器。

Description

一种卷积神经网络光纤均衡器生成方法及系统
技术领域
本发明涉及光纤通信领域，特别是涉及一种卷积神经网络光纤均衡器生成方法及系统。
背景技术
随着光纤通信技术的发展，人们对高速长距离大容量的光纤传输系统的需求越来越迫切，而限制光信号高速长距离传输的最主要因素，是光纤链路和器件的非线性效应所带来的非线性损伤。因此，如何有效地对光纤信道的非线性进行补偿，是目前一个极其重要的课题。与传统的数字信号处理(DSP)补偿算法，如数字反向传播(DBP)和基于Volterra的非线性均衡(V-NLE)算法相比，神经网络作为一种重要的机器学习算法，其在需要较少先验条件的同时也能获得相当不错的性能，被认为是光纤通信中补偿非线性损伤的一种很有前途的工具。
对于神经网络而言，数据决定了它的上限，而在光纤通信领域中，接收端的数据特征往往较为单一，这必然会大大限制神经网络的性能。特征工程(Feature Engineering)是把原始数据转变为模型的训练数据的过程，它的目的就是获取更好的训练数据特征，从而使得模型的性能得到提升。
神经网络在作为有效的非线性均衡器之前，需要大量数据集对其进行一定周期的训练，而由于特征工程对数据进行了特征重构，提高了数据特征的复杂度，势必会造成神经网络均衡器生成速率的降低。另外，当传输不同光信噪比(OSNR)的信号时，为了得到适合新场景的模型，需要重新生成新型神经网络均衡器，这显然是非常低效的，因为在未来全光网络的数据交换中，神经网络的实际生成时间与其他因素(例如数据收集和模型部署的时间)相比将变得更加重要。
发明内容
本发明的目的是提供一种卷积神经网络光纤均衡器生成方法及系统，以实现在不同的光纤链路环境中快速生成神经网络均衡器。
为实现上述目的，本发明提供了如下方案：
一种卷积神经网络光纤均衡器生成方法，包括：
获取接收端采集的发射端数据和不同光信噪比数据；
利用特征工程分别对所述发射端数据和所述不同光信噪比数据进行特征构建，得到源数据加权特征向量和目标数据加权特征向量；
利用所述源数据加权特征向量对卷积神经网络进行训练，得到源模型；
根据所述源模型利用迁移学习法得到初始目标模型；
利用所述目标数据加权特征向量对所述初始目标模型进行训练，得到卷积神经网络光纤均衡器。
可选地，在所述获取接收端采集的发射端数据和不同光信噪比数据之后，还包括：
对所述发射端数据和所述不同光信噪比数据进行预处理。
可选地，所述利用特征工程分别对所述发射端数据和所述不同光信噪比数据进行特征构建，得到源数据加权特征向量和目标数据加权特征向量，具体包括：
分别确定源数据加权特征向量和目标数据加权特征向量；
其中，所述源数据加权特征向量的确定方法具体包括：
将所述发射端数据的输入码元设定范围内的码元作为相关向量；
根据所述相关向量确定特征加权系数；
根据所述特征加权系数和所述相关向量确定源数据加权特征向量。
可选地，所述利用所述源数据加权特征向量对卷积神经网络进行训练，得到源模型，具体包括：
以所述源数据加权特征向量为输入，以非线性均衡后的源数据为输出，以最小化损失函数值为目标，对卷积神经网络进行训练得到源模型；所述卷积神经网络包括依次连接的输入层、卷积层、全连接层、输出层和softmax层。
可选地，所述根据所述源模型利用迁移学习法得到初始目标模型，具体包括：
将所述源模型的网络参数迁移至目标模型，得到初始目标模型。
可选地，所述利用所述目标数据加权特征向量对所述初始目标模型进行训练，得到卷积神经网络光纤均衡器，具体包括：
以所述目标数据加权特征向量为输入，以非线性均衡后的目标数据为输出，以最小化损失函数值为目标，对所述初始目标模型进行训练，得到卷积神经网络光纤均衡器。
一种卷积神经网络光纤均衡器生成系统，包括：
获取模块，用于获取接收端采集的发射端数据和不同光信噪比数据；
特征构建模块，用于利用特征工程分别对所述发射端数据和所述不同光信噪比数据进行特征构建，得到源数据加权特征向量和目标数据加权特征向量；
源模型确定模块，用于利用所述源数据加权特征向量对卷积神经网络进行训练，得到源模型；
迁移模块，用于根据所述源模型利用迁移学习法得到初始目标模型；
卷积神经网络光纤均衡器确定模块，用于利用所述目标数据加权特征向量对所述初始目标模型进行训练，得到卷积神经网络光纤均衡器。
可选地，还包括：
预处理模块，用于对所述发射端数据和所述不同光信噪比数据进行预处理。
可选地，所述源模型确定模块，具体包括：
源模型训练单元，用于以所述源数据加权特征向量为输入，以非线性均衡后的源数据为输出，以最小化损失函数值为目标，对卷积神经网络进行训练得到源模型；所述卷积神经网络包括依次连接的输入层、卷积层、全连接层、输出层和softmax层。
可选地，所述迁移模块，具体包括：
迁移单元，用于将所述源模型的网络参数迁移至目标模型，得到初始目标模型。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明获取接收端采集的发射端数据和不同光信噪比数据；利用特征工程分别对所述发射端数据和所述不同光信噪比数据进行特征构建，得到源数据加权特征向量和目标数据加权特征向量；利用所述源数据加权特征向量对卷积神经网络进行训练，得到源模型；根据所述源模型利用迁移学习法得到初始目标模型；利用所述目标数据加权特征向量对所述初始目标模型进行训练，得到卷积神经网络光纤均衡器。利用特征工程构建训练集可以提高卷积神经网络的性能，利用迁移学习法构建卷积神经网络光纤均衡器，可以是均衡器快速适应不同的光纤链路环境从而实现在不同的光纤链路环境中快速生成神经网络均衡器。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的卷积神经网络光纤均衡器生成方法流程图；
图2为本发明提供的卷积神经网络光纤均衡器生成方法简化流程图；
图3为本发明提供的加权特征向量构建流程图；
图4为本发明提供的加权特征向量构建模块图；
图5为本发明提供的FE-CNN网络模型示意图；
图6为本发明提供的卷积神经网络光纤均衡器生成方法示意图；
图7为本发明提供的卷积神经网络光纤均衡器生成系统示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
迁移学习是解决神经网络均衡器生成速率低的有效方案。迁移学习(TransferLearning)是一种重要的神经网络生成方式，是把一个领域(即源领域)的知识，迁移到另外一个领域(即目标领域)中，使得目标领域能够取得更好的学习效果。迁移学习主要可以分为基于实例的迁移学习、基于特征表示的迁移学习、基于模型参数的迁移学习和基于关系知识迁移学习。已经广泛应用于图像分类、WiFi信号定位、自动化设计等领域，都取得了相当不错的效果。
本发明主要展示了在DP-16QAM相干光通信系统中，对16QAM信号进行产生、发射、相干接收以及非线性均衡器生成的过程，以此来验证基于模型参数的迁移式卷积神经网络光纤均衡器生成方法相较于传统方法，可以大大提高神经网络模型的生成速率，并且在一定程度上优化神经网络模型。
16QAM信号的收发和非线性均衡器生成过程：
在发射端，首先由MATLAB程序生成伪随机二进制序列数据，经过16QAM星座映射处理后，其I路和Q路分量可视为两个PAM-4信号，然后通过任意波形发生器(AWG)转换为电信号，外腔激光器(ECL)产生光波，并发送到发射端，电信号通过I/Q调制器加载到光载波上，调制后的16QAM信号被传送至偏振复用模块进行处理，之后进入传输链路。
在接收端，16QAM光信号由相干接收器与本地振荡器(LO)共同检测。经实时示波器采集到的数据经过DSP模块的处理之后，便会输入到非线性均衡模块，将运用特征工程构建的特征的数据输入到FE-CNN中，最后运用基于模型参数的迁移式卷积神经网络光纤均衡器生成方法快速生成对应FE-CNN模型。
如图2所示，首先需要对接收端的16QAM信号数据进行标签映射预处理，将预处理后的数据输入到特征构建模块，通过特征工程对其进行特征构建，之后将构建好特征的源数据(用来训练源网络模型的数据)特征矩阵输入到FE-CNN中进行训练，经过若干个周期的训练后得到基础源模型，最后将构建好特征的目标数据(通过迁移学习得到目标模型的数据)特征矩阵输入到预训练的源模型中进行训练，从而快速得到目标模型。
如图1所示，本发明提供的一种卷积神经网络光纤均衡器生成方法，包括：
步骤101：获取接收端采集的发射端数据和不同光信噪比数据。
步骤102：利用特征工程分别对所述发射端数据和所述不同光信噪比数据进行特征构建，得到源数据加权特征向量和目标数据加权特征向量。步骤102，具体包括：分别确定源数据加权特征向量和目标数据加权特征向量；目标数据加权特征向量的确定方法和源数据相同，只是将发射端数据替换为不同光信噪比数据。其中，所述源数据加权特征向量的确定方法具体包括：将所述发射端数据的输入码元设定范围内的码元作为相关向量。根据所述相关向量确定特征加权系数。根据所述特征加权系数和所述相关向量确定源数据加权特征向量。
如图3和图4所示，预处理后的数据通过特征工程进行特征构建。在光纤信道中，色散和非线性效应的共同作用，会导致所传输的码元受到相邻若干个码元之间的干扰。因此为了获得更好的数据特征，在利用特征工程对I/Q路码元的特征进行构建时，对于第i个输入码元xi(1≤i≤n)，取该码元及其前后各l个码元作为它的特征，如此一来，第i个码元(1≤i≤n)的相关向量可以表示为：
fi＝[xi-l,...,xi,...,xi+l]
相关向量中的第j个元素的特征加权系数可以表示为一个高斯函数：
Figure BDA0003377928500000061
其中，wj为特征加权系数，ε是一个比例参数，它控制特征加权系数的大小比例，在此将其取值为1；l为相关向量fi中所取的一侧相邻码元数。最终，第i个码元的加权特征向量可以表示为：
Fi＝[Fi-l,...,Fi,...,Fi+l]＝[xi-lwi-l,...,xiwi,...,xi+lwi+l]
如此一来，I/Q路码元序列便可以转换为一个(2l+1)×n×1的加权特征矩阵，进而用于FE-CNN模型的生成。其中加权特征矩阵即为加权特征向量。
步骤103：利用所述源数据加权特征向量对卷积神经网络进行训练，得到源模型。步骤103，具体包括：以所述源数据加权特征向量为输入，以非线性均衡后的源数据为输出，以最小化损失函数值为目标，对卷积神经网络进行训练得到源模型；所述卷积神经网络包括依次连接的输入层、卷积层、全连接层、输出层和softmax层。
本发明采用的卷积神经网络为基于特征工程的卷积神经网络(FeatureEngineering-based Convolutional Neural Network，FE-CNN)，构造好数据的特征矩阵之后，要将源数据的特征矩阵输入到FE-CNN进行训练。如图FE-CNN包含输入层、两个卷积层、一个全连接层、输出层和softmax层，其结构如图5所示。在特征构造时，取l为5，即每一个码元具有11个特征，因此将I/Q路的11×n×1大小的加权特征矩阵传送至FE-CNN的输入层，每一个码元便对应着一个11×1×1的矩阵，在第一层卷积层中与8个5×1×1的卷积核计算后，转化为7×1×8的8通道数据，在第二层卷积层中与16个7×1×8的卷积核计算后，转化为1×1×16的16通道数据，随后经过一个由两层隐藏层构成的全连接层，隐藏层的神经元数量分别为32和64，最后经过输出层和softmax层，再进行反向传播，优化网络参数，经过大量训练周期的迭代后，最终使得损失函数值收敛至最小值，从而完成训练，生成源模型。
步骤104：根据所述源模型利用迁移学习法得到初始目标模型。步骤104，具体包括：将所述源模型的网络参数迁移至目标模型，得到初始目标模型。
步骤105：利用所述目标数据加权特征向量对所述初始目标模型进行训练，得到卷积神经网络光纤均衡器。步骤105，具体包括：以所述目标数据加权特征向量为输入，以非线性均衡后的目标数据为输出，以最小化损失函数值为目标，对所述初始目标模型进行训练，得到卷积神经网络光纤均衡器。从而可以利用卷积神经网络光纤均衡器对接收端的数据进行均衡。
对于不同光信噪比的数据，传统的神经网络光纤均衡器的生成方法需要重复进行上述相同的训练过程来生成适用于新场景的神经网络均衡器，而且神经网络中的参数矩阵在每次训练时都需要随机选取，如此一来，必然会花费大量的训练周期。因此，如图6所示，本发明将经过预训练的源模型的网络参数进行迁移，作为目标模型网络参数起点，具体则是以源模型为基础，将不同光信噪比的数据(即目标数据)加权特征矩阵输入到源模型中进行训练，从而使损失函数值迅速收敛至最小值。与源模型的生成方式不同的是，经过学习得到的源模型网络参数可以作为目标模型优化的更好起点，而不再是随机选取，从而可以大大提高目标FE-CNN模型的生成速率和质量。
在实际应用中，在所述获取接收端采集的发射端数据和不同光信噪比数据之后，还包括：对所述发射端数据和所述不同光信噪比数据进行预处理。
接收端信号数据的预处理主要是对接收端数据进行所属类别的映射。对于一组16QAM信号来说，其同相(I)和正交(Q)分量可视为两个相互独立的4电平脉冲幅度调制(PAM-4)信号，因此为了简化分类过程，将I和Q两路并行处理。对于I/Q路，首先需要应用MATLAB中的xcorr函数计算发射端经16QAM星座映射处理后的4电平码元序列与接收端数据的互相关值，得到的最大值处即为接收端数据的帧头(接收端开始接收发射端数据的初始位置)，并从帧头处开始将发射端数据电平的所属类别作为与其对应的接收端数据的标签。
本发明利用模型参数迁移生成卷积神经网络光纤均衡器可以更加快速地生成高质量的FE-CNN光纤均衡器以用于对光纤通信系统接收端信号的非线性均衡，从而大大提高了全光骨干网的灵活性、有效性和实时性，在信息交换过程中具有重要的意义。
如图7所示，本发明提供的一种卷积神经网络光纤均衡器生成系统，包括：
获取模块701，用于获取接收端采集的发射端数据和不同光信噪比数据。
特征构建模块702，用于利用特征工程分别对所述发射端数据和所述不同光信噪比数据进行特征构建，得到源数据加权特征向量和目标数据加权特征向量。
源模型确定模块703，用于利用所述源数据加权特征向量对卷积神经网络进行训练，得到源模型。
迁移模块704，用于根据所述源模型利用迁移学习法得到初始目标模型。
卷积神经网络光纤均衡器确定模块705，用于利用所述目标数据加权特征向量对所述初始目标模型进行训练，得到卷积神经网络光纤均衡器。
在实际应用中，还包括：预处理模块，用于对所述发射端数据和所述不同光信噪比数据进行预处理。
其中，所述源模型确定模块703，具体包括：源模型训练单元，用于以所述源数据加权特征向量为输入，以非线性均衡后的源数据为输出，以最小化损失函数值为目标，对卷积神经网络进行训练得到源模型；所述卷积神经网络包括依次连接的输入层、卷积层、全连接层、输出层和softmax层。
其中，所述迁移模块704，具体包括：
迁移单元，用于将所述源模型的网络参数迁移至目标模型，得到初始目标模型。
本发明专利根据DP-16QAM光纤通信系统的特点，利用特征工程构建数据特征以提高神经网络的性能，设计了基于模型参数的迁移式神经网络均衡器生成方法，从而快速适应不同的光纤链路环境，大大提高了全光骨干网的灵活性、有效性和实时性。通过将预训练的源FE-CNN模型的神经网络模型参数迁移至目标模型，并让目标模型在此基础上进行训练，从而达到在光纤通信系统中针对不同OSNR的信号都能快速生成对应的神经网络均衡器模型的目标。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种卷积神经网络光纤均衡器生成方法，其特征在于，包括：
获取接收端采集的发射端数据和不同光信噪比数据；
利用特征工程分别对所述发射端数据和所述不同光信噪比数据进行特征构建，得到源数据加权特征向量和目标数据加权特征向量；
利用所述源数据加权特征向量对卷积神经网络进行训练，得到源模型；
根据所述源模型利用迁移学习法得到初始目标模型；
利用所述目标数据加权特征向量对所述初始目标模型进行训练，得到卷积神经网络光纤均衡器。
2.根据权利要求1所述的卷积神经网络光纤均衡器生成方法，其特征在于，在所述获取接收端采集的发射端数据和不同光信噪比数据之后，还包括：
对所述发射端数据和所述不同光信噪比数据进行预处理。
3.根据权利要求1所述的卷积神经网络光纤均衡器生成方法，其特征在于，所述利用特征工程分别对所述发射端数据和所述不同光信噪比数据进行特征构建，得到源数据加权特征向量和目标数据加权特征向量，具体包括：
分别确定源数据加权特征向量和目标数据加权特征向量；
其中，所述源数据加权特征向量的确定方法具体包括：
将所述发射端数据的输入码元设定范围内的码元作为相关向量；
根据所述相关向量确定特征加权系数；
根据所述特征加权系数和所述相关向量确定源数据加权特征向量。
4.根据权利要求1所述的卷积神经网络光纤均衡器生成方法，其特征在于，所述利用所述源数据加权特征向量对卷积神经网络进行训练，得到源模型，具体包括：
以所述源数据加权特征向量为输入，以非线性均衡后的源数据为输出，以最小化损失函数值为目标，对卷积神经网络进行训练得到源模型；所述卷积神经网络包括依次连接的输入层、卷积层、全连接层、输出层和softmax层。
5.根据权利要求1所述的卷积神经网络光纤均衡器生成方法，其特征在于，所述根据所述源模型利用迁移学习法得到初始目标模型，具体包括：
将所述源模型的网络参数迁移至目标模型，得到初始目标模型。
6.根据权利要求1所述的卷积神经网络光纤均衡器生成方法，其特征在于，所述利用所述目标数据加权特征向量对所述初始目标模型进行训练，得到卷积神经网络光纤均衡器，具体包括：
以所述目标数据加权特征向量为输入，以非线性均衡后的目标数据为输出，以最小化损失函数值为目标，对所述初始目标模型进行训练，得到卷积神经网络光纤均衡器。
7.一种卷积神经网络光纤均衡器生成系统，其特征在于，包括：
获取模块，用于获取接收端采集的发射端数据和不同光信噪比数据；
特征构建模块，用于利用特征工程分别对所述发射端数据和所述不同光信噪比数据进行特征构建，得到源数据加权特征向量和目标数据加权特征向量；
源模型确定模块，用于利用所述源数据加权特征向量对卷积神经网络进行训练，得到源模型；
迁移模块，用于根据所述源模型利用迁移学习法得到初始目标模型；
卷积神经网络光纤均衡器确定模块，用于利用所述目标数据加权特征向量对所述初始目标模型进行训练，得到卷积神经网络光纤均衡器。
8.根据权利要求7所述的卷积神经网络光纤均衡器生成系统，其特征在于，还包括：
预处理模块，用于对所述发射端数据和所述不同光信噪比数据进行预处理。
9.根据权利要求7所述的卷积神经网络光纤均衡器生成系统，其特征在于，所述源模型确定模块，具体包括：
源模型训练单元，用于以所述源数据加权特征向量为输入，以非线性均衡后的源数据为输出，以最小化损失函数值为目标，对卷积神经网络进行训练得到源模型；所述卷积神经网络包括依次连接的输入层、卷积层、全连接层、输出层和softmax层。
10.根据权利要求7所述的卷积神经网络光纤均衡器生成系统，其特征在于，所述迁移模块，具体包括：
迁移单元，用于将所述源模型的网络参数迁移至目标模型，得到初始目标模型。
CN202111422345.2A 2021-11-26 2021-11-26 一种卷积神经网络光纤均衡器生成方法及系统 Active CN114124223B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111422345.2A CN114124223B (zh) 2021-11-26 2021-11-26 一种卷积神经网络光纤均衡器生成方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111422345.2A CN114124223B (zh) 2021-11-26 2021-11-26 一种卷积神经网络光纤均衡器生成方法及系统

Publications (2)

Publication Number Publication Date
CN114124223A true CN114124223A (zh) 2022-03-01
CN114124223B CN114124223B (zh) 2023-05-12

Family

ID=80370210

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111422345.2A Active CN114124223B (zh) 2021-11-26 2021-11-26 一种卷积神经网络光纤均衡器生成方法及系统

Country Status (1)

Country Link
CN (1) CN114124223B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116911186A (zh) * 2023-07-13 2023-10-20 上海频准激光科技有限公司 用于单频光纤激光器的智能设计系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108650201A (zh) * 2018-05-10 2018-10-12 东南大学 基于神经网络的信道均衡方法、译码方法及对应设备
CN109740690A (zh) * 2019-01-10 2019-05-10 杭州电子科技大学 用于短距离光通信的基于特征工程的knn均衡算法
CN110505020A (zh) * 2019-07-15 2019-11-26 电子科技大学 基于迁移学习的光非线性均衡方法
US20190393965A1 (en) * 2018-06-22 2019-12-26 Nec Laboratories America, Inc Optical fiber nonlinearity compensation using neural networks
CN112737688A (zh) * 2020-12-28 2021-04-30 杭州电子科技大学 一种基于信道特征迁移的dsp均衡方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108650201A (zh) * 2018-05-10 2018-10-12 东南大学 基于神经网络的信道均衡方法、译码方法及对应设备
US20190393965A1 (en) * 2018-06-22 2019-12-26 Nec Laboratories America, Inc Optical fiber nonlinearity compensation using neural networks
CN109740690A (zh) * 2019-01-10 2019-05-10 杭州电子科技大学 用于短距离光通信的基于特征工程的knn均衡算法
CN110505020A (zh) * 2019-07-15 2019-11-26 电子科技大学 基于迁移学习的光非线性均衡方法
CN112737688A (zh) * 2020-12-28 2021-04-30 杭州电子科技大学 一种基于信道特征迁移的dsp均衡方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XINYU LIU 等: "onlinear Equalizer by Feature Engineering Based-Deep Neural Network for Coherent Optical Communication System", 《ASIA COMMUNICATIONS AND PHOTONICS CONFERENCE 2020》 *
ZHAOPENG XU 等: "Transfer Learning Aided Neural Networks for Nonlinear Equalization in Short-Reach Direct Detection Systems", 《2020 OPTICAL FIBER COMMUNICATIONS CONFERENCE AND EXHIBITION (OFC)》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116911186A (zh) * 2023-07-13 2023-10-20 上海频准激光科技有限公司 用于单频光纤激光器的智能设计系统
CN116911186B (zh) * 2023-07-13 2024-02-02 上海频准激光科技有限公司 用于单频光纤激光器的智能设计系统

Also Published As

Publication number Publication date
CN114124223B (zh) 2023-05-12

Similar Documents

Publication Publication Date Title
CN108123908B (zh) 一种用于ng-pon的改进svm均衡方法及系统
Ming et al. Ultralow complexity long short-term memory network for fiber nonlinearity mitigation in coherent optical communication systems
WO2019191099A1 (en) Non-linear adaptive neural network equalizer in optical communication
CN114039670B (zh) 一种模分复用通信系统非线性损伤补偿方法
CN112598072B (zh) 基于SVM训练的权重系数迁移的改进Volterra滤波器的均衡方法
CN115882959B (zh) 一种基于机器学习的非线性补偿方法
Hu et al. Data-aided iterative algorithms for linearizing IM/DD optical transmission systems
CN113938198B (zh) 光纤传输系统、基于lda简化非线性均衡器的方法及模块
CN114285715B (zh) 基于双向gru-条件随机场的非线性均衡方法
CN114124223B (zh) 一种卷积神经网络光纤均衡器生成方法及系统
WO2022178918A1 (zh) 对大容量高阶qam相干光进行非线性补偿的方法
Li et al. Attention-assisted autoencoder neural network for end-to-end optimization of multi-access fiber-terahertz communication systems
Jones Machine learning methods in coherent optical communication systems
CN116131963B (zh) 基于lstm神经网络的光纤链路多径干扰噪声均衡方法
CN117319847A (zh) 一种多维整形联合的相干端到端均衡系统
CN115001912A (zh) 基于BiLSTM的IFDMA-PON改善方法
Jovanovic et al. End-to-end learning for fiber-optic communication systems
Dong et al. Reservoir-Computing for Dispersion Compensation in Digital Filter Multiple Access PON
CN115276818B (zh) 一种基于深度学习的光载无线传输链路解调方法
CN115589264B (zh) 一种全神经网络的全数字相干接收系统
Yu et al. Reservoir computing based signal recovery for 56 Gb/s PAM4 system
CN113890622B (zh) 一种基于图神经网络的长距离无源光网络解调方法
CN118337293A (zh) 一种带宽限制下的pam4均衡传输系统及方法
Wei et al. End-to-End Multi-band Adaptive Optimization Autoencoder Framework for Bandwidth-limited Optical Wireless Fronthaul
Zheng et al. Accurate and Efficient Fiber Channel Modeling for Complex-Value Based Conditional Generative Adversarial Network

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