CN114338292A - 信道估计与均衡方法及装置 - Google Patents

Abstract

本申请公开了信道估计与均衡方法及装置，涉及光通信领域，在进行信道估计时可以不插入解调参考信号(demodulation reference signal，DMRS)，不仅可以提高频谱效率而且可以可以提高信道估计的精度。该方法包括：第一节点接收第一接收信号，并根据第一接收信号和目标神经网络模型，得到第一发送信号。其中，第一发送信号为第二节点要发送给第一节点的信。目标神经网络模型用于根据第一节点接收到的信号对应的交错正交幅度调制(offset quadrature amplitude modulation，OQAM)符号，得到第一节点接收到的信号对应的第二节点发送的信号。

Description

信道估计与均衡方法及装置

技术领域

本申请涉及光通信领域，尤其涉及基于残差卷积神经网络的信道估计与均衡方法及装置。

背景技术

众所周知，互联网业务传输到用户端需经过骨干网、局域网和接入网。其中，骨干网和局域网的发展极为迅速，而接入网的发展却较为缓慢，成为了整个网络宽带发展的瓶颈。为了提高接入网的传输速率，引入了无源光网络(passive optical network，PON)技术。

目前PON技术有多种，例如，异步转移模式(asynchronous transfer mode，ATM)的PON (APON)、以太网(Ethernet)PON(EPON)、千兆比特(gigabit)PON(GPON)、基于正交频分复用(orthogonal frequency division multiplexing，OFDM)的PON(OFDM-PON)或基于滤波器组多载波(filter bank multi-carrier，FBMC)的PON(FBMC-PON)等。

其中，APON、EPON和GPON采用时分复用技术，OFDM-PON和FBMC-PON采用频分复用技术。APON、EPON和GPON的调制格式实现简单，功耗也较低。但是，由于APON、 EPON和GPON采用的是时分复用技术，所以APON、EPON和GPON的频谱效率不高，而且APON、EPON和GPON在传输速率较高的条件下，光纤色散会带来严重的信道损伤，限制传输距离。OFDM-PON相比于APON、EPON和GPON，能提高一定的频谱效率。但是为了保证OFDM-PON的抗干扰能力，在OFDM-PON中传输信号时需要添加循环前缀，因此也会影响OFDM-PON的频谱效率。而在FBMC-PON中传输信号时不需要添加循环前缀，所以 FBMC-PON具有较高的频谱效率。另外，FBMC-PON能够灵活地分配频谱资源，各载波之间不需要保持同步和良好的带外抑制，因此，FBMC-PON的应用越来越广。然而，在FBMC- PON中进行信道估计时虚部干扰的问题严重，导致信道估计的精度不高。

发明内容

本申请提供信道估计与均衡方法及装置，在进行信道估计时可以不插入解调参考信号 (demodulation reference signal，DMRS)，不仅可以提高频谱效率而且可以提高信道估计的精度。

为达到上述目的，本申请的实施例采用如下技术方案：

第一方面，本申请实施例提供一种信道估计与均衡方法，该方法包括：第一节点接收第一接收信号；第一节点根据第一接收信号和目标神经网络模型，得到第一发送信号；其中，第一发送信号为第二节点要发送给第一节点的信号，目标神经网络模型用于根据第一节点接收到的信号对应的交错正交幅度调制(offset quadrature amplitudemodulation，OQAM)符号，得到第一节点接收到的信号对应的第二节点发送的信号。

上述第一方法提供的方法，第一节点接收到第一接收信号后，可以根据第一接收信号和目标神经网络模型，得到第一发送信号。如此，第一节点即可获得第二节点要发送给第一节点的信号。一方面，在第一方面提供的方法中，不需要插入DMRS，提高了频谱效率。另一方面，第一节点在得到第一发送信号的过程中，不需根据DMRS进行信道估计与均衡，而是采用目标神经网络模型进行信道估计与均衡。目标神经网络模型是根据标注的信号训练得来的，可以消除FBMC-PON的虚部干扰的问题，提高信道估计的精度。

一种可能的实现方式，第一节点根据第一接收信号和目标神经网络模型，得到第一发送信号，包括：第一节点根据第一接收信号，获取第一接收信号对应的第一OQAM符号；第一节点将第一OQAM符号输入到目标神经网络模型，得到第一发送信号。基于上述方法，第一节点可以将第一OQAM符号输入到目标神经网络模型中，得到第一发送信号。

一种可能的实现方式，该方法还包括：第一节点获取初始神经网络模型；第一节点根据大量接收到的信号对应的OQAM符号，以及每个接收到的信号对应的第二节点发送的信号训练初始神经网络模型，得到目标神经网络模型。基于上述方法，第一节点可以根据标注好的信号训练初始神经网络模型，得到目标神经网络模型。后续，第一节点可以根据该目标神经网络模型得到发送信号。

一种可能的实现方式，第一节点获取初始神经网络模型，包括：第一节点根据第一接收信号的调制格式，和/或，第一接收信号的传输距离，获取初始神经网络模型。基于上述方法，第一节点可以根据第一接收信号的调制格式和/或第一接收信号的传输距离，确定合适的初始神经网络模型。不同调制格式，或者不同传输距离的第一接收信号对应的初始神经网络模型不同。

一种可能的实现方式，目标神经网络模型包括至少两个目标卷积层、至少一个目标残差网络层，目标flatten层和目标全连接层FCL；至少两个目标卷积层和至少一个目标残差网络层交替串行连接，至少两个目标卷积层中，与目标神经网络模型的输入端最远的目标卷积层与目标flatten层的一端连接，目标flatten层的另一端与目标FCL连接；目标残差网络层用于消减第一节点接收到的信号在高阶调制下受到的干扰。

一种可能的实现方式，至少一个目标残差网络层包括至少一个目标卷积层和加法器，至少一个目标卷积层与加法器连接，加法器用于将目标残差网络层的输入信号与至少一个目标卷积层的输出信号相加。

第二方面，本申请实施例提供一种通信装置，可以实现上述第一方面、或第一方面任一种可能的实现方式中的方法。该装置包括用于执行上述方法的相应的单元或部件。该装置包括的单元可以通过软件和/或硬件方式实现。该装置例如可以为终端、或者为可支持终端实现上述方法的芯片、芯片系统、或处理器等。

第三方面，本申请实施例提供一种通信装置，包括：处理器，所述处理器与存储器耦合，所述存储器用于存储程序或指令，当所述程序或指令被所述处理器执行时，使得该装置实现上述第一方面、或第一方面任一种可能的实现方式中所述的方法。

第四方面，本申请实施例提供一种通信装置，该装置用于实现上述第一方面、或第一方面任一种可能的实现方式中所述的方法。

第五方面，本申请实施例提供一种计算机可读介质，其上存储有计算机程序或指令，所述计算机程序或指令被执行时使得计算机执行上述第一方面、或第一方面任一种可能的实现方式中所述的方法。

第六方面，本申请实施例提供一种计算机程序产品，其包括计算机程序代码，所述计算机程序代码在计算机上运行时，使得计算机执行上述第一方面、或第一方面任一种可能的实现方式中所述的方法。

第七方面，本申请实施例提供一种芯片，包括：处理器，所述处理器与存储器耦合，所述存储器用于存储程序或指令，当所述程序或指令被所述处理器执行时，使得该芯片实现上述第一方面、或第一方面任一种可能的实现方式中所述的方法。

可以理解的，上述提供的任一种通信装置、芯片、计算机可读介质、或计算机程序产品等均用于执行上文所提供的对应的方法，因此，其所能达到的有益效果可参考对应的方法中的有益效果，此处不再赘述。

附图说明

图1A为本申请实施例提供的光网络系统架构示意图；

图1B为本申请实施例提供的基于目标神经网络模型的发送端和接收端的结构示意图；

图2为本申请实施例提供的通信装置的硬件结构示意图；

图3为本申请实施例提供的信道估计与均衡方法的流程示意图一；

图4为本申请实施例提供的目标神经网络模型的示意图一；

图5为本申请实施例提供的目标神经网络模型的示意图二；

图6为本申请实施例提供的基于数字信号处理(digital signal rocessing，DSP)的发送端和接收端的结构示意图；

图7为本申请实施例提供的第一节点接收信号的灵敏度的示意图；

图8为本申请实施例提供的信道估计与均衡方法的流程示意图二；

图9为本申请实施例提供的通信装置的结构示意图；

图10为本申请实施例提供的通信系统的组成示意图。

具体实施方式

下面结合附图对本申请实施例的实施方式进行详细描述。

本申请实施例提供的方法可用于各种需要进行信道估计和均衡的光网络系统中。下面仅以图1A所示光网络系统10为例，对本申请实施例提供的方法进行描述。

如图1A所示，为本申请实施例提供的光网络系统10的架构示意图。图1A中，光网络系统10可以包括光纤路终端(optical line terminal，OLT)101，与OLT 101连接的光分配网络(optical distribution network，ODN)102，以及与ODN 102连接的光网络单元(optical network unit，ONU)103-ONU 105。在图1A所示的光网络系统10中，从OLT 101到ONU 103、ONU 104或ONU 105的方向称为下行方向，而从ONU 103、ONU 104或ONU 105到OLT101的方向称为上行方向。图1A仅为示意图，并不构成对本申请提供的技术方案的适用场景的限定。

其中，OLT 101是光网络系统10的核心部件，相当于传统通信网络中的交换机或路由器。 OLT 101一般放置在局端，提供面向用户的PON的光纤接口。OLT 101一方面能够上联上层网络(例如，局域网)，完成PON网络的上行接入，另一方面能够通过ODN 102下连用户端设备(例如，ONU 103-ONU 105)，以实现对用户端设备的控制、管理和测距等功能。

ODN 102为无源分光器件，一般包括无源光分路器(splitter)、主干光纤和分支光纤等。 ODN 102可以将多个ONU的上行信号汇总传输到OLT 101，还可以将OLT 101的下行信号传输到各个ONU。

ONU 103、ONU 104或ONU 105是光网络系统10中的用户端设备，放置在用户端，与OLT 101配合使用，实现以太网二层、三层功能，为用户提供各种业务，例如，语音、数据或多媒体业务等。ONU 103、ONU 104或ONU 105一方面能够选择接收OLT 101发送的信号，另一方面能够对用户的以太网数据进行缓存，并在OLT 101分配的发送时隙口中向上行方向发送信号。

在一些实施例中，图1A中的ONU能够通过图1B所示的方法向OLT发送上行信号，图1A中的OLT能够通过图1B所示的方法向ONU发送下行信号。

示例性的，以图1B中的发送端为ONU，接收端为OLT(也就是说，ONU向OLT发送上行信号)为例进行说明。ONU获取到要发送给OLT的发送信号后，可以将发送信号经正交幅度调制(quadrature amplitude modulation，QAM)、交错正交幅度调制(offset quadratureamplitude modulation，OQAM)、快速傅里叶逆变换(inverse fast fourier transform，IFFT)、滤波器组1、并串转换、上变频和马赫-曾德尔调制器(Mach-Zehnder modulator，MZM)得到光信号。后续，该光信号经过衰减器和光电转换器得到电信号，该电信号会发送给OLT。OLT 接收到该电信号后，会将该电信号经下变频、串并转换、滤波器组2、快速傅里叶变换(fast fourier transform，FFT)和OQAM解调得到OQAM符号，再将OQAM符号输入到目标神经网络模型，得到发送信号。如此，OLT即可获得ONU要发送给OLT的信号。可用理解的，发送端为OLT，接收端为ONU(也就是说，OLT向ONU发送下行信号)的情况下，信号发送与接收的过程与上述发送端为ONU，接收端为OLT的情况类似，因此可以参考上述发送端为ONU，接收端为OLT的情况下，信号发送与接收的过程，不予赘述。

其中，QAM、OQAM、IFFT、滤波器组、并串转换、上变频、MZM、衰减器、光电转换器、下变频、串并转换、滤波器组2、FFT和OQAM解调的具体介绍可以参考常规技术中的解释说明，不予赘述。

目标神经网络模型可以用于根据OLT接收到的信号对应的OQAM符号，得到OLT接收到的信号对应的ONU发送的信号。目标神经网络模型可以是OLT中的硬件设备(例如，芯片等)上运行的软件功能模块，也可以是OLT中的元件。

可以理解的，在图1A所示的光网络系统10中，目标神经网络模型可以部署在OLT上，也可以部署在ONU上。目标神经网络模型还可以独立部署，换句话说，目标神经网络模型既不部署在OLT上，也不部署在ONU上，而是独立部署在光网络系统10中。例如，光网络系统10还包括神经网络模块(图1A中未示出)，该神经网络模块与OLT 101和/或ONU(例如，ONU103-ONU 105中的至少一个)连接，该神经网络模块包括上述目标神经网络模型。

在这种情况下，若ONU向OLT发送上行信号，OLT接收到该上行信号对应的电信号后，会将该电信号经下变频、串并转换、滤波器组2、FFT和OQAM解调得到OQAM符号。后续，OLT可以向神经网络模块发送OQAM符号，神经网络模块接收到OQAM符号后，会将 OQAM符号输入到目标神经网络模型，得到上述上行信号，并将上行信号发送给OLT。

类似的，若OLT向ONU发送下行信号，ONU接收到该下行信号对应的电信号后，会将该电信号经下变频、串并转换、滤波器组2、FFT和OQAM解调得到OQAM符号。后续， ONU可以向神经网络模块发送OQAM符号，神经网络模块接收到OQAM符号后，会将OQAM 符号输入到目标神经网络模型，得到上述下行信号，并将下行信号发送给ONU。

图1A所示的光网络系统10仅用于举例，并非用于限制本申请的技术方案。本领域的技术人员应当明白，在具体实现过程中，光网络系统10还可以包括其他设备，同时也可根据具体需要来确定OLT、ODN、ONU或神经网络模块的数量，不予限制。

可选的，本申请实施例图1A中的各设备，例如OLT 101、ONU 103、ONU 104、ONU 105或神经网络模块，可以是一个装置内的一个功能模块。可以理解的是，该功能模块既可以是硬件设备中的元件，例如，OLT或ONU中的芯片或部件，也可以是在硬件上运行的软件功能模块，或者是平台(例如，云平台)上实例化的虚拟化功能。

例如，图1A中的各设备均可以通过图2中的通信装置200来实现。图2所示为可适用于本申请实施例的通信装置的硬件结构示意图。该通信装置200包括至少一个处理器201，通信线路202，存储器203以及至少一个通信接口204。

处理器201可以是一个通用中央处理器(central processing unit，CPU)，微处理器，特定应用集成电路(application-specific integrated circuit，ASIC)，或一个或多个用于控制本申请方案程序执行的集成电路。

通信线路202可包括一通路，在上述组件之间传送信息，例如总线。

通信接口204，使用任何收发器一类的装置，用于与其他设备或通信网络通信，如以太网接口，无线接入网接口(radio access network，RAN)，无线局域网接口(wirelesslocal area networks，WLAN)等。

存储器203可以是只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electricallyerasable programmable read-only memory，EEPROM)、只读光盘(compact disc read-only memory，CD- ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以是独立存在，通过通信线路202与处理器相连接。存储器也可以和处理器集成在一起。本申请实施例提供的存储器通常可以具有非易失性。其中，存储器203用于存储执行本申请方案所涉及的计算机执行指令，并由处理器201来控制执行。处理器201用于执行存储器203中存储的计算机执行指令，从而实现本申请实施例提供的方法。

可选的，本申请实施例中的计算机执行指令也可以称之为应用程序代码，本申请实施例对此不作具体限定。

在具体实现中，作为一种实施例，处理器201可以包括一个或多个CPU，例如图2中的 CPU0和CPU1。

在具体实现中，作为一种实施例，通信装置200可以包括多个处理器，例如图2中的处理器201和处理器207。这些处理器中的每一个可以是一个单核(single-CPU)处理器，也可以是一个多核(multi-CPU)处理器。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。

在具体实现中，作为一种实施例，通信装置200还可以包括输出设备205和输入设备206。输出设备205和处理器201通信，可以以多种方式来显示信息。例如，输出设备205可以是液晶显示器(liquid crystal display，LCD)，发光二极管(light emitting diode，LED)显示设备，阴极射线管(cathode ray tube，CRT)显示设备，或投影仪(projector)等。输入设备206和处理器201通信，可以以多种方式接收用户的输入。例如，输入设备206可以是鼠标、键盘、触摸屏设备或传感设备等。

上述的通信装置200可以是一个通用设备或者是一个专用设备。在具体实现中，通信装置200可以是OLT、ONU或有图2中类似结构的设备。本申请实施例不限定通信装置200的类型。

下面结合图1A、图1B和图2，以目标神经网络模型部署在第一节点为例，对本申请实施例提供的信道估计与均衡方法进行具体阐述。

需要说明的是，在本申请实施例中，“/”可以表示前后关联的对象是一种“或”的关系，例如，A/B可以表示A或B；“和/或”可以用于描述关联对象存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况，其中A，B可以是单数或者复数。

为了便于描述本申请实施例的技术方案，在本申请实施例中，可以采用“第一”、“第二”等字样对功能相同或相似的技术特征进行区分。该“第一”、“第二”等字样并不对数量和执行次序进行限定，并且“第一”、“第二”等字样也并不限定一定不同。在本申请实施例中，“示例性的”或者“例如”等词用于表示例子、例证或说明，被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念，便于理解。

需要说明的是，在本申请实施例中，对于一种技术特征，通过“第一”、“第二”、“第三”、“A”、“B”、“C”和“D”等区分该种技术特征中的技术特征，该“第一”、“第二”、“第三”、“A”、“B”、“C”和“D”描述的技术特征间无先后顺序或者大小顺序。

可以理解的，本申请实施例中同一个步骤或者具有相同功能的步骤或者技术特征在不同实施例之间可以互相参考借鉴。

可以理解的，本申请实施例中，第一节点或第二节点可以执行本申请实施例中的部分或全部步骤，这些步骤仅是示例，本申请实施例还可以执行其它步骤或者各种步骤的变形。此外，各个步骤可以按照本申请实施例呈现的不同的顺序来执行，并且有可能并非要执行本申请实施例中的全部步骤。

在本申请实施例中，信道估计与均衡方法的执行主体的具体结构，本申请实施例并未特别限定，只要能够执行本申请实施例的方法即可。例如，本申请实施例提供的信道估计与均衡方法的执行主体可以是第一节点，或者为应用于第一节点中的部件，例如，芯片，本申请对此不进行限定。或者，本申请实施例提供的信道估计与均衡方法的执行主体可以是第二节点，或者为应用于第二节点中的部件，例如，芯片，本申请对此不进行限定。下述实施例以信道估计与均衡方法的执行主体分别为第一节点、第二节点为例进行描述。

如图3所示，为本申请实施例提供的一种信道估计与均衡方法，该信道估计与均衡方法包括步骤301-步骤302。

步骤301：第一节点接收第一接收信号。

其中，第一节点可以为图1A中的任一ONU，例如，第一节点可以为ONU 103、ONU 104或ONU 105；或者，第一节点可以为图1A中的OLT 101。

一种可能的实现方式，步骤301之前，第二节点发送第一发送信号。

其中，第一发送信号为第二节点要发送给第一节点的信号。第一发送信号可以是第二节点的高层生成的，也可以是第二节点从其他设备接收到的。

其中，若第一节点为图1A中的任一ONU，则第二节点可以为图1A中的OLT 101。若第一节点为图1A中的OLT 101，则第二节点可以为图1A中的任一ONU。例如，第二节点可以为ONU 103、ONU 104或ONU 105。

一种可能的实现方式，第二节点获取第一发送信号，将第一发送信号经QAM、OQAM、IFFT、滤波器组1、并串转换、上变频和MZM得到第一光信号。后续，第一光信号经过衰减器和光电转换器发送给第一节点。具体的，可以参考图1B对应的描述。

可以理解的，第二节点发送信号，到第一节点接收到信号的过程中存在各种干扰或信号损耗，例如，信道干扰、光色散引起的损耗或光学器件的非线性影响等，所以第一节点接收到的信号与第二节点发送的信号是不同的。也就是说，第一发送信号经QAM、OQAM、IFFT、滤波器组1、并串转换、上变频、MZM、衰减器和光电转换器，到达第一节点时，是与第一发送信号不同的信号。本申请实施例把第一发送信号经多次处理，例如，经QAM、OQAM、IFFT、滤波器组1、并串转换、上变频、MZM、衰减器和光电转换器处理，到达第一节点的信号称为第一接收信号。

可以理解的，第一发送信号除了是第二节点要发送给第一节点的信号，第一发送信号也可以为第二节点要发送给第一节点和其他节点的信号。以第二节点为图1A中的OLT101，第一节点为图1A中的ONU 105为例，第一发送信号可以为OLT 101要发送给ONU 104和ONU 105的信号；或者，第一发送信号可以为OLT 101要发送给ONU 103、ONU 104和ONU 105的信号；或者，第一发送信号可以为OLT 101要发送给ONU 103和ONU 105的信号。本申请实施例是以第一发送信号为第二节点要发送给第一节点的信号为例进行介绍的，第一发送信号为第二节点要发送给第一节点和其他节点的信号的情况，可以参考本申请实施例对第一发送信号为第二节点要发送给第一节点的信号的描述，不予赘述。

步骤302：第一节点根据第一接收信号和目标神经网络模型，得到第一发送信号。

其中，目标神经网络模型可以用于根据第一节点接收到的信号对应的OQAM符号，得到第一节点接收到的信号对应的第二节点发送的信号。其中，第一节点接收到的信号对应的 OQAM符号为第一节点接收到的信号经多次处理，例如，经下变频、串并转换、滤波器组2、 FFT和OQAM解调后得到的符号。

例如，目标神经网络模型可以用于根据第一接收信号对应的第一OQAM符号，得到第一发送信号。其中，第一OQAM符号为第一接收信号经多次处理，例如，经下变频、串并转换、滤波器组2、FFT和OQAM解调后得到的符号。具体的，可以参考图1B对应的描述。

进一步的，第一OQAM符号包括M个子载波，每个子载波为一个复数，即每个子载波包括实部和虚部。M为第一接收信号占用的子载波的数量。

一种可能的实现方式，第一节点根据第一接收信号和目标神经网络模型，得到第一发送信号，包括：第一节点根据第一接收信号，获取第一OQAM符号；第一节点将第一OQAM符号输入到目标神经网络模型，得到第一发送信号。

示例性的，第一节点接收到第一接收信号后，将第一接收信号经过多次处理得到第一 OQAM符号。第一节点将第一OQAM符号输入到目标神经网络模型，得到第一发送信号。如此，第一节点即可获得第二节点要发送给第一节点的信号，进而可以对第一发送信号进行处理，或者根据第一发送信号处理业务。

可以理解的，第一节点将第一OQAM符号输入到目标神经网络模型之前，可以将第一 OQAM符号变换为第一向量，将第一向量输入到目标神经网络模型。其中，第一向量的维度为M*2。第一向量中的元素a_i,1为第一OQAM符号包括的M个子载波中第i个子载波的实部，a_i,2为第一OQAM符号包括的M个子载波中第i个子载波的虚部；或者，a_i,1为第一OQAM 符号包括的M个子载波中第i个子载波的虚部，a_i,2为第一OQAM符号包括的M个子载波中第i个子载波的实部。i为大于0小于M的整数。

可以理解的，第一节点将第一OQAM符号输入到目标神经网络模型，得到第二向量；第一节点根据第二向量得到第一发送信号。其中，第二向量的维度为2*M。第二向量中的元素 b_1,j为第一发送信号占用的M个子载波中第j个子载波的实部，b_2,j为第一发送信号占用的M 个子载波中第j个子载波的虚部；或者，b_1,j为第一发送信号占用的M个子载波中第j个子载波的虚部，b_2,j为第一发送信号占用的M个子载波中第j个子载波的实部。j为大于0小于M 的整数。

一种可能的实现方式，目标神经网络模型包括至少两个目标卷积层、至少一个目标残差网络层，目标flatten层和目标全连接层(fully connected layer，FCL)。进一步的，至少两个目标卷积层和至少一个目标残差网络层交替串行连接。至少两个目标卷积层中，与目标神经网络模型的输入端最远的目标卷积层与目标flatten层的一端连接，目标flatten层的另一端与目标FCL连接。

可以理解的，目标卷积层与目标残差网络层之间的信号，目标卷积层与目标flatten层之间的信号可以通过第一激活函数和第一归一化操作处理。也就是说，对于目标卷积层、目标残差网络层和目标flatten层中，串行连接的两个层，一个层的输出信号可以通过第一激活函数和第一归一化操作处理后，输入到另一个层。以目标卷积层和目标残差网络层串行连接为例，目标卷积层的输出信号通过第一激活函数和第一归一化操作处理后，输入到目标残差网络层。每两个层之间的第一激活函数可以相同也可以不同。每两个层之间的第一归一化操作可以相同也可以不同。

可以理解的，目标FCL的输出信号可以通过第二激活函数处理后输出目标神经网络模型。第二激活函数和第一激活函数不同。

其中，至少两个目标卷积层、目标flatten层和目标FCL的介绍可以参考常规技术中对卷积层、flatten层和FCL的解释说明，不予赘述。

目标残差网络层用于消减第一节点接收到的信号在高阶调制下受到的干扰。例如，目标残差网络层用于消减第一节点接收到的信号在高阶调制下，由于光色散引起的损耗或光学器件的非线性影响。

一种可能的实现方式，至少一个目标残差网络层包括至少一个目标卷积层和加法器。其中，至少一个目标卷积层与加法器连接。加法器用于将目标残差网络层的输入信号与至少一个目标卷积层的输出信号相加。可以理解的，若至少一个目标卷积层包括两个或两个以上的卷积层，则至少一个目标卷积层中的卷积层串行连接。

可以理解的，每个目标残差网络层中，目标卷积层和目标卷积层之间的信号，目标卷积层和加法器之间的信号可以通过第三激活函数和第二归一化操作处理。以目标卷积层和加法器串行连接为例，目标卷积层的输出信号通过第三激活函数和第二归一化操作处理后，输入到加法器中。至少一个目标残差网络层中的第三激活函数可以相同也可以不同，至少一个目标残差网络层中的第二归一化操作可以相同也可以不同。例如，目标卷积层和目标卷积层之间的第三激活函数，与目标卷积层和加法器之间的第三激活函数可以相同也可以不同，目标卷积层和目标卷积层之间的第二归一化操作，与目标卷积层和加法器之间的第二归一化操作可以相同也可以不同。应理解，第三激活函数和第一激活函数可以相同也可以不同，第三激活函数和第二激活函数不同，第二归一化操作和第一归一化操作可以相同也可以不同。本申请中，激活函数(例如，第一激活函数、第二激活函数或第三激活函数)可以使得目标神经网络模型具有较好的非线性表达能力。

示例性的，以目标神经网络模型包括两个目标卷积层、一个目标残差网络层、目标flatten 层和FCL，目标残差网络层包括一个目标卷积层和加法器为例，目标神经网络模型可以如图 4所示。图4中，目标神经网络模型包括目标卷积层1、目标残差网络层、目标卷积层2、目标flatten层和FCL。其中，目标残差网络层包括目标卷积层3和加法器。第一向量输入到图 4所示的目标神经网络模型后，经过目标卷积层1后，会通过第一激活函数(例如Leaky Relu) 和第一归一化操作(例如Batch Normalization)处理，得到第三向量。第三向量经过目标卷积层3后，会通过第三激活函数(例如Leaky Relu)和第二归一化操作(例如Batch Normalization) 处理，得到第四向量。第三向量和第四向量的和经过目标卷积层2后，会通过第一激活函数和第一归一化操作处理，处理后的向量会经过目标flatten层，得到一个一维向量。该一维向量经过目标FCL后，会通过第二激活函数(例如sigmoid)得到第一发送信号。

其中，图4中的目标卷积层可以采用一维卷积，该卷积层的卷积核的维度可以根据需要进行设置，例如，该卷积核的维度可以为2、3或4等。目标卷积层1输出的比特数与第一接收数据的比特数N相同。图4中的其他目标卷积层输出的比特数可以等于N也可以大于N。例如，目标卷积层3和目标卷积层2输出的比特数为2N。

示例性的，以目标神经网络模型包括三个目标卷积层、两个目标残差网络层、目标flatten 层和FCL，每个目标残差网络层包括两个目标卷积层和加法器(应理解，每个目标残差网络层包括的目标卷积层的个数可以不同)为例，目标神经网络模型可以如图5所示。图5中，目标神经网络模型包括目标卷积层1、目标残差网络层1、目标卷积层2、目标残差网络层2、目标卷积层3、目标flatten层和FCL。其中，目标残差网络层1包括目标卷积层4、目标卷积层5和加法器1。目标残差网络层2包括目标卷积层6、目标卷积层7和加法器2。第一向量输入到图5所示的目标神经网络模型后，经过目标卷积层1后，会通过第一激活函数(例如Leaky Relu)和第一归一化操作(例如Batch Normalization)处理，得到第三向量。第三向量经过目标卷积层4后，会通过第三激活函数(例如Leaky Relu)和第二归一化操作(例如Batch Normalization)处理，处理后的向量经过目标卷积层5后，会通过第三激活函数和第二归一化操作处理，得到第四向量。第三向量和第四向量的和经过目标卷积层2后，会通过第一激活函数和第一归一化操作处理，得到第五向量。第五向量经过目标卷积层6后，会通过第三激活函数和第二归一化操作处理，处理后的向量经过目标卷积层7后，会通过第三激活函数和第二归一化操作处理，得到第六向量。第五向量和第六向量的和经过目标卷积层3后，会通过第一激活函数和第一归一化操作处理，处理后的向量会经过目标flatten层，得到一个一维向量。该一维向量经过目标FCL后，会通过第二激活函数(例如sigmoid)得到第一发送信号。

其中，图5中的目标卷积层可以采用一维卷积，该卷积层的卷积核的维度可以根据需要进行设置，例如，该卷积核的维度可以为2、3或4等。目标卷积层1输出的比特数与第一接收数据的比特数N相同。图5中的其他目标卷积层输出的比特数可以等于N也可以大于N。例如，目标卷积层5和目标卷积层2输出的比特数为2N。

需要说明的是，目标神经网络模型包括的目标卷积层的个数，目标残差网络层的个数，以及目标残差网络层包括的目标卷积层的个数可以根据需要进行设置。通常目标神经网络模型包括的目标卷积层的个数，目标残差网络层的个数，以及目标残差网络层包括的目标卷积层的个数越多，目标神经网络模型的精度越高。但是，若设置目标神经网络模型包括的目标卷积层的个数，目标残差网络层的个数，以及目标残差网络层包括的目标卷积层的个数超过阈值时，可能会出现过拟合的情况，在这种情况下目标神经网络模型的精度会下降。

需要说明的是，目标神经网络模型不包括池化层。池化层是利用下采样降低目标神经网络中网格的大小，以简化运算复杂度。因此，若目标神经网络模型包括池化层，会对目标神经网络模型的精度有较大影响，导致目标神经网络模型得到的第一发送信号不准确。

另外，对于未采用目标神经网络模型进行信道估计与均衡的情况，第二节点在发送第一发送信号的过程中，还需要插入DMRS。

示例性的，以第一节点和第二节点采用DSP进行信道估计与均衡为例。如图6所示，第二节点获取到要发送给第一节点的发送信号后，可以将发送信号经QAM和OQAM后，插入DMRS，再将插入DMRS后的信号经IFFT、滤波器组1、并串转换、上变频和MZM得到光信号。后续，该光信号经过衰减器和光电转换器得到电信号，该电信号会发送给第一节点。第一节点接收到该电信号后，会将该电信号经下变频、串并转换、滤波器组2和FFT得到的信号，以及第一节点根据DMRS进行信道估计后得到的信号进行均衡。后续，第一节点会将均衡后的信号经OQAM解调和OAM解调，得到发送信号。

图6所示的采用DSP进行信道估计与均衡的情况下，DMRS会占用一定的频域资源。因此，本申请实施例提供的信道估计与均衡方法相比于采用DSP进行信道估计与均衡的方法，具有更高的频谱效率。

请参考图7，图7示出了不同传输距离下采用DSP进行信道估计与均衡，以及采用图5 所示的目标神经网络模型进行信道估计与均衡的情况下，第一节点接收信号的灵敏度。图7 中，横坐标表示接收光功率(received optical rower)，纵坐标表示误比特率(biterror rate，BER) 的负对数(-Log(BER))。图7中的BER为10^-3。

图7中的(a)示出了调制格式为4QAM时，采用DSP进行信道估计与均衡，以及采用图5所示的目标神经网络模型进行信道估计与均衡的情况下，第一节点接收信号的灵敏度。图7中的(a)中，曲线1用于指示背靠背(back to back，B2B)通信时采用图5所示的目标神经网络模型进行信道估计与均衡的情况下，第一节点接收信号的灵敏度。曲线2用于指示传输距离为20km，采用图5所示的目标神经网络模型进行信道估计与均衡的情况下，第一节点接收信号的灵敏度。曲线3用于指示传输距离为50km，采用图5所示的目标神经网络模型进行信道估计与均衡的情况下，第一节点接收信号的灵敏度。曲线4用于指示传输距离为20km，采用DSP进行信道估计与均衡的情况下，第一节点接收信号的灵敏度。曲线5用于指示B2B 通信时采用DSP进行信道估计与均衡的情况下，第一节点接收信号的灵敏度。曲线6用于指示传输距离为80km，采用图5所示的目标神经网络模型进行信道估计与均衡的情况下，第一节点接收信号的灵敏度。曲线7用于指示传输距离为50km，采用DSP进行信道估计与均衡的情况下，第一节点接收信号的灵敏度。曲线8用于指示传输距离为80km，采用DSP进行信道估计与均衡的情况下，第一节点接收信号的灵敏度。

对于B2B通信，曲线1的数值高于曲线5的数值。在B2B通信时，信号传输时依然会受到器件和噪声的影响，而采用图5所示的目标神经网络模型进行信道估计与均衡可以带来比特映射增益。在传输距离为20km的情况下，曲线2的数值高于曲线4的数值。在传输距离为50km的情况下，曲线3的数值高于曲线7的数值。在传输距离为80km的情况下，曲线6 的数值高于曲线8的数值。由以上可以看出，调制格式为4QAM时，在相同的条件下，采用图5所示的目标神经网络模型进行信道估计与均衡时，第一节点接收信号的灵敏度，大于采用DSP进行信道估计与均衡时，第一节点接收信号的灵敏度。而且传输距离越大，采用图5 所示的目标神经网络模型进行信道估计与均衡的优势越明显。

图7中的(b)示出了调制格式为16QAM时，采用DSP进行信道估计与均衡，以及采用图5所示的目标神经网络模型进行信道估计与均衡的情况下，第一节点接收信号的灵敏度。图7中的(b)中，曲线1用于指示B2B通信时采用图5所示的目标神经网络模型进行信道估计与均衡的情况下，第一节点接收信号的灵敏度。曲线2用于指示传输距离为20km，采用图5所示的目标神经网络模型进行信道估计与均衡的情况下，第一节点接收信号的灵敏度。曲线3用于指示传输距离为50km，采用图5所示的目标神经网络模型进行信道估计与均衡的情况下，第一节点接收信号的灵敏度。曲线4用于指示B2B通信时采用DSP进行信道估计与均衡的情况下，第一节点接收信号的灵敏度。曲线5用于指示传输距离为20km，采用DSP 进行信道估计与均衡的情况下，第一节点接收信号的灵敏度。曲线6用于指示传输距离为80km，采用图5所示的目标神经网络模型进行信道估计与均衡的情况下，第一节点接收信号的灵敏度。曲线7用于指示传输距离为50km，采用DSP进行信道估计与均衡的情况下，第一节点接收信号的灵敏度。曲线8用于指示传输距离为80km，采用DSP进行信道估计与均衡的情况下，第一节点接收信号的灵敏度。

对于B2B通信，曲线1的数值高于曲线4的数值。在B2B通信时，信号传输时依然会受到器件和噪声的影响，而采用图5所示的目标神经网络模型进行信道估计与均衡可以带来比特映射增益。在传输距离为20km的情况下，曲线2的数值高于曲线5的数值。在传输距离为50km的情况下，曲线3的数值高于曲线7的数值。在传输距离为80km的情况下，曲线6 的数值高于曲线8的数值。由以上可以看出，调制格式为16QAM时，在相同的条件下，采用图5所示的目标神经网络模型进行信道估计与均衡时，第一节点接收信号的灵敏度，大于采用DSP进行信道估计与均衡时，第一节点接收信号的灵敏度。而且传输距离越大，采用图 5所示的目标神经网络模型进行信道估计与均衡的优势越明显。

可以理解的，信号的传输距离越长，信号的功率衰减越严重。通常信号在80km光纤上传输时，信号的功率衰减已经较为严重。若采用DSP进行信道估计与均衡，可能无法实现无误码传输。在这种情况下，就需要通过掺铒光纤放大器(erbium doped optical fiberamplifier，EDFA)对光信号进行放大。图7中的(c)示出了传输距离为80km，采用DSP进行信道估计与均衡，并将EDFA的参数中的增益设置为13dB，噪声指数(noise figure，NF)设置为5.0dB的情况下，第一节点接收信号的灵敏度。图7中的(c)还示出了传输距离为80km，采用图5所示的目标神经网络模型进行信道估计与均衡的情况下，第一节点接收信号的灵敏度。

图7中的(c)中，曲线1用于指示传输距离为80km，采用图5所示的目标神经网络模型进行信道估计与均衡的情况下，第一节点接收信号的灵敏度。曲线2用于指示传输距离为80km，采用DSP进行信道估计与均衡，并将EDFA的参数中的增益设置为13dB，NF设置为5.0dB的情况下，第一节点接收信号的灵敏度。明显的，曲线1的数值大于曲线2的数值。也就是说，在传输距离为80km的情况下，采用DSP进行信道估计与均衡时，即使对信号进行一定程度的放大，第一节点接收信号的灵敏度，也小于采用图5所示的目标神经网络模型进行信道估计与均衡的情况下，第一节点接收信号的灵敏度。

基于图3所示的方法，第一节点接收到第一接收信号后，可以根据第一接收信号和目标神经网络模型，得到第一发送信号。如此，第一节点即可获得第二节点要发送给第一节点的信号。一方面，在图3所示的方法中，不需要插入DMRS，提高了频谱效率。另一方面，第一节点在得到第一发送信号的过程中，不需根据DMRS进行信道估计与均衡，而是采用目标神经网络模型进行信道估计与均衡。目标神经网络模型是根据标注的信号训练得来的，可以消除FBMC-PON的虚部干扰的问题，提高信道估计的精度。

进一步可选的，如图8所示，在图3所示方法的一种可能的实现方式中，图3所示的方法还包括步骤801和步骤802。

步骤801：第一节点获取初始神经网络模型。

一种可能的实现方式，初始神经网络模型包括至少两个初始卷积层、至少一个初始残差网络层，初始flatten层和初始FCL。进一步的，至少两个初始卷积层和至少一个初始残差网络层交替串行连接。至少两个初始卷积层中，与初始神经网络模型的输入端最远的初始卷积层与初始flatten层的一端连接，初始flatten层的另一端与初始FCL连接。

可以理解的，初始卷积层与初始残差网络层之间的信号，初始卷积层与初始flatten层之间的信号可以通过第一激活函数和第一归一化操作处理。也就是说，对于初始卷积层、初始残差网络层和初始flatten层中，串行连接的两个层，一个层的输出信号可以通过第一激活函数和第一归一化操作处理后，输入到另一个层。

可以理解的，初始FCL的输出信号可以通过第二激活函数处理后输出初始神经网络模型。

一种可能的实现方式，至少一个初始残差网络层包括至少一个初始卷积层和加法器。其中，至少一个初始卷积层与加法器连接。加法器用于将初始残差网络层的输入信号与至少一个初始卷积层的输出信号相加。可以理解的，若至少一个初始卷积层包括两个或两个以上的卷积层，则至少一个初始卷积层中的卷积层串行连接。

可以理解的，每个初始残差网络层中，初始卷积层和初始卷积层之间的信号，初始卷积层和加法器之间的信号可以通过第三激活函数和第二归一化操作处理。

一种可能的实现方式，第一节点获取初始神经网络模型，包括：第一节点根据第一接收信号的调制格式，和/或，第一接收信号的传输距离，获取初始神经网络模型。也就是说，第一节点可以根据第一接收信号的调制格式，和/或，第一接收信号的传输距离，确定初始神经网络模型中的初始卷积层的数量，初始残差网络层的数量以及初始残差网络层中初始卷积层的数量。

可以理解的，第一接收信号的调制格式的调制阶数越高，初始神经网络模型中的初始卷积层的数量，初始残差网络层的数量，或初始残差网络层中初始卷积层的数量越多。第一接收信号的调制格式的调制阶数越低，初始神经网络模型中的初始卷积层的数量，初始残差网络层的数量，或初始残差网络层中初始卷积层的数量越少。第一接收信号的传输距离越长，初始神经网络模型中的初始卷积层的数量，初始残差网络层的数量，或初始残差网络层中初始卷积层的数量越多。第一接收信号的传输距离越短，初始神经网络模型中的初始卷积层的数量，初始残差网络层的数量，或初始残差网络层中初始卷积层的数量越少。

示例性的，调制格式为4QAM时，初始神经网络模型可以包括两个初始卷积层、一个初始残差网络层，初始flatten层和初始FCL。其中，初始残差网络层可以包括两个初始卷积层和一个加法器。

示例性的，调制格式为16QAM时，初始神经网络模型可以包括三个初始卷积层、两个初始残差网络层，初始flatten层和初始FCL。其中，每个初始残差网络层可以包括一个初始卷积层和一个加法器。

需要说明的是，在确定初始神经网络模型中的初始卷积层的数量，初始残差网络层的数量和初始残差网络层中初始卷积层的数量时，要避免目标神经网络模型出现过拟合的情况。

可以理解的，不同的调制格式和/或不同的传输距离对应的初始神经网络模型可能不同。

步骤802：第一节点根据大量接收到的信号对应的OQAM符号，以及每个接收到的信号对应的第二节点发送的信号训练初始神经网络模型，得到目标神经网络模型。

一种可能的实现方式，第一节点根据大量接收到的信号对应的OQAM符号，以及每个接收到的信号对应的第二节点发送的信号，采用反向传播的方法，更新初始神经网络模型，得到目标神经网络模型。

示例性的，第一节点根据大量接收到的信号对应的OQAM符号，以及每个接收到的信号对应的第二节点发送的信号，采用反向传播的方法，确定梯度向量，通过梯度向量调节初始神经网络模型的权值，若调节后的初始神经网络模型收敛，则将调节后的初始神经网络模型确定为目标神经网络模型。若调节后的初始神经网络模型不收敛，继续采用反向传播的方法，确定梯度向量，通过梯度向量调节最新获得的神经网络模型的权值，直至调节后的神经网络模型收敛。

可以理解的，不同的调制格式和/或不同的传输距离对应的接收信号是不同的，因此，不同的调制格式和/或不同的传输距离对应目标神经网络模型不同。

可以理解的，步骤801和步骤802也可以作为一个单独的实施例实施。

基于图8所示方法，第一节点可以获取初始神经网络模型，并根据大量接收到的信号对应的OQAM符号，以及每个接收到的信号对应的第二节点发送的信号训练初始神经网络模型，得到目标神经网络模型。如此，第一节点可以根据第一节点接收到的信号和目标神经网络模型，得到第一节点接收到的信号对应的第二节点发送的信号。

上述主要从各个网元之间交互的角度对本申请实施例提供的方案进行了介绍。可以理解的是，上述第一节点等为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所公开的实施例描述的各示例的单元及算法操作，本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

本申请实施例可以根据上述方法示例对第一节点进行功能模块的划分，例如，可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。需要说明的是，本申请实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

比如，以采用集成的方式划分各个功能模块的情况下，图9示出了一种通信装置90的结构示意图。示例性地，通信装置90用于实现第一节点的功能。通信装置90例如为图3所示的实施例，或图8所示的实施例所述的第一节点。

通信装置90包括收发模块901和处理模块902。示例性地，通信装置90可以是第一节点，也可以是应用于第一节点中的芯片或者其他具有上述第一节点功能的组合器件、或部件等。当通信装置90是第一节点时，收发模块901可以是收发器，收发器可以包括天线和射频电路等，处理模块902可以是处理器(或者，处理电路)，例如基带处理器，基带处理器中可以包括一个或多个CPU。当通信装置90是具有上述第一节点功能的部件时，收发模块901可以是射频单元，处理模块902可以是处理器(或者，处理电路)，例如基带处理器。当通信装置90是芯片系统时，收发模块901可以是芯片(例如基带芯片)的输入输出接口，处理模块902可以是芯片系统的处理器(或者，处理电路)，可以包括一个或多个中央处理单元。应理解，本申请实施例中的收发模块901可以由收发器或收发器相关电路组件实现，处理模块902 可以由处理器或处理器相关电路组件(或者，称为处理电路)实现。

例如，收发模块901可以用于执行图3所示的实施例中由第一节点所执行的全部收发操作，例如步骤301，和/或用于支持本文所描述的技术的其它过程。处理模块902可以用于执行图3所示的实施例中由第一节点所执行的除了收发操作之外的全部操作，例如步骤302，和/或用于支持本文所描述的技术的其它过程。

其中，收发模块901，用于接收第一接收信号。

处理模块902，用于根据第一接收信号和目标神经网络模型，得到第一发送信号；其中，第一发送信号为第二节点要发送给通信装置90的信号，目标神经网络模型用于根据通信装置 90接收到的信号对应的OQAM符号，得到通信装置接收到的信号对应的第二节点发送的信号。

一种可能的实现方式，第一节点根据第一接收信号和目标神经网络模型，得到第一发送信号，包括：第一节点根据第一接收信号，获取第一接收信号对应的第一OQAM符号；第一节点将第一OQAM符号输入到目标神经网络模型，得到第一发送信号。

一种可能的实现方式，该方法还包括：第一节点获取初始神经网络模型；第一节点根据大量接收到的信号对应的OQAM符号，以及每个接收到的信号对应的第二节点发送的信号训练初始神经网络模型，得到目标神经网络模型。

一种可能的实现方式，第一节点获取初始神经网络模型，包括：第一节点根据第一接收信号的调制格式，和/或，第一接收信号的传输距离，获取初始神经网络模型。

一种可能的实现方式，目标神经网络模型包括至少两个目标卷积层、至少一个目标残差网络层，目标flatten层和目标全连接层FCL；至少两个目标卷积层和至少一个目标残差网络层交替串行连接，至少两个目标卷积层中，与目标神经网络模型的输入端最远的目标卷积层与目标flatten层的一端连接，目标flatten层的另一端与目标FCL连接；目标残差网络层用于消减第一节点接收到的信号在高阶调制下受到的干扰。

一种可能的实现方式，至少一个目标残差网络层包括至少一个目标卷积层和加法器，至少一个目标卷积层与加法器连接，加法器用于将目标残差网络层的输入信号与至少一个目标卷积层的输出信号相加。

当用于实现第一节点的功能时，关于通信装置90所能实现的其他功能，可参考图3所示的实施例，或图8所示的实施例的相关介绍，不多赘述。

图10示出了的一种通信系统的组成示意图，如图10所示，该通信系统100中可以包括：节点1001和节点1002。需要说明的是，图10仅为示例性附图，本申请实施例不限定图10所示通信系统100包括的网元以及网元的个数。

其中，节点1001具有上述图9所示通信装置90的功能，可以用于接收第一接收信号，根据第一接收信号和目标神经网络模型，得到第一发送信号。

节点1002可以用于发送第一发送信号。

需要说明的是，上述方法实施例涉及的各步骤的所有相关内容均可以援引到该通信系统 100对应网元的功能描述，在此不再赘述。

通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，具体应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是一个物理单元或多个物理单元，即可以位于一个地方，或者也可以分布到多个不同地方。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等) 或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何在本申请揭露的技术范围内的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (15)

1.一种信道估计与均衡方法，其特征在于，所述方法包括：

第一节点接收第一接收信号；

所述第一节点根据所述第一接收信号和目标神经网络模型，得到第一发送信号；

其中，所述第一发送信号为第二节点要发送给所述第一节点的信号，所述目标神经网络模型用于根据所述第一节点接收到的信号对应的交错正交幅度调制OQAM符号，得到所述第一节点接收到的信号对应的所述第二节点发送的信号。

2.根据权利要求1所述的方法，其特征在于，所述第一节点根据所述第一接收信号和目标神经网络模型，得到第一发送信号，包括：

所述第一节点根据所述第一接收信号，获取所述第一接收信号对应的第一OQAM符号；

所述第一节点将所述第一OQAM符号输入到所述目标神经网络模型，得到所述第一发送信号。

3.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：

所述第一节点获取初始神经网络模型；

所述第一节点根据大量接收到的信号对应的OQAM符号，以及每个所述接收到的信号对应的所述第二节点发送的信号训练所述初始神经网络模型，得到所述目标神经网络模型。

4.根据权利要求3所述的方法，其特征在于，所述第一节点获取初始神经网络模型，包括：

所述第一节点根据所述第一接收信号的调制格式，和/或，所述第一接收信号的传输距离，获取所述初始神经网络模型。

5.根据权利要求1-4中任一项所述的方法，其特征在于，所述目标神经网络模型包括至少两个目标卷积层、至少一个目标残差网络层，目标flatten层和目标全连接层FCL；所述至少两个目标卷积层和所述至少一个目标残差网络层交替串行连接，所述至少两个目标卷积层中，与所述目标神经网络模型的输入端最远的目标卷积层与所述目标flatten层的一端连接，所述目标flatten层的另一端与所述目标FCL连接；所述目标残差网络层用于消减所述第一节点接收到的信号在高阶调制下受到的干扰。

6.根据权利要求5所述的方法，其特征在于，所述至少一个目标残差网络层包括至少一个目标卷积层和加法器，所述至少一个目标卷积层与所述加法器连接，所述加法器用于将所述目标残差网络层的输入信号与所述至少一个目标卷积层的输出信号相加。

7.一种通信装置，其特征在于，所述通信装置包括：收发模块和处理模块；

所述收发模块，用于接收第一接收信号；

所述处理模块，用于根据所述第一接收信号和目标神经网络模型，得到第一发送信号；

其中，所述第一发送信号为第二节点要发送给所述通信装置的信号，所述目标神经网络模型用于根据所述通信装置接收到的信号对应的交错正交幅度调制OQAM符号，得到所述通信装置接收到的信号对应的所述第二节点发送的信号。

8.根据权利要求7所述的通信装置，其特征在于，

所述处理模块，具体用于根据所述第一接收信号，获取所述第一接收信号对应的第一OQAM符号；

所述处理模块，还具体用于将所述第一OQAM符号输入到所述目标神经网络模型，得到所述第一发送信号。

9.根据权利要求7或8所述的通信装置，其特征在于，

所述处理模块，还用于获取初始神经网络模型；

所述处理模块，还用于根据大量接收到的信号对应的OQAM符号，以及每个所述接收到的信号对应的所述第二节点发送的信号训练所述初始神经网络模型，得到所述目标神经网络模型。

10.根据权利要求9所述的通信装置，其特征在于，

所述处理模块，具体用于根据所述第一接收信号的调制格式，和/或，所述第一接收信号的传输距离，获取所述初始神经网络模型。

11.根据权利要求7-10中任一项所述的通信装置，其特征在于，所述目标神经网络模型包括至少两个目标卷积层、至少一个目标残差网络层，目标flatten层和目标全连接层FCL；所述至少两个目标卷积层和所述至少一个目标残差网络层交替串行连接，所述至少两个目标卷积层中，与所述目标神经网络模型的输入端最远的目标卷积层与所述目标flatten层的一端连接，所述目标flatten层的另一端与所述目标FCL连接；所述目标残差网络层用于消减所述通信装置接收到的信号在高阶调制下受到的干扰。

12.根据权利要求11所述的通信装置，其特征在于，所述至少一个目标残差网络层包括至少一个目标卷积层和加法器，所述至少一个目标卷积层与所述加法器连接，所述加法器用于将所述目标残差网络层的输入信号与所述至少一个目标卷积层的输出信号相加。

13.一种通信装置，其特征在于，包括：处理器，所述处理器与存储器耦合，所述存储器用于存储程序或指令，当所述程序或指令被所述处理器执行时，使得所述装置执行如权利要求1至6中任一项所述的方法。

14.一种芯片，其特征在于，包括：处理器，所述处理器与存储器耦合，所述存储器用于存储程序或指令，当所述程序或指令被所述处理器执行时，使得所述芯片执行如权利要求1至6中任一项所述的方法。

15.一种计算机可读介质，其上存储有计算机程序或指令，其特征在于，所述计算机程序或指令被执行时使得计算机执行如权利要求1至6中任一项所述的方法。

Images