CN114374438A - 一种人工智能算法赋能的高线性微波光子链路 - Google Patents
一种人工智能算法赋能的高线性微波光子链路 Download PDFInfo
- Publication number
- CN114374438A CN114374438A CN202111457719.4A CN202111457719A CN114374438A CN 114374438 A CN114374438 A CN 114374438A CN 202111457719 A CN202111457719 A CN 202111457719A CN 114374438 A CN114374438 A CN 114374438A
- Authority
- CN
- China
- Prior art keywords
- signal
- microwave
- intermodulation distortion
- modulator
- optical
- 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.)
- Pending
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
- H04B10/50—Transmitters
- H04B10/501—Structural aspects
- H04B10/503—Laser transmitters
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- H04B10/50—Transmitters
- H04B10/516—Details of coding or modulation
- H04B10/5165—Carrier suppressed; Single sideband; Double sideband or vestigial
-
- 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
- H04B10/70—Photonic quantum communication
Abstract
本发明涉及光通信技术领域,具体涉及一种人工智能算法赋能的高线性微波光子链路,包括微波光子链路和数字处理模块,微波光子链路包括激光器、调制器和探测器,激光器、调制器和探测器依次连接,探测器与数字处理模块连接;通过激光器产生光载波信号,并输入到调制器;将射频信号通过调制器加载到光载波信号上,完成电光变换,得到光信号,调制器将光信号输出;光信号进入探测器,完成光电变换,得到微波信号;数字处理模块采集所述微波信号进行信号提取并补偿,消除微波信号中的互调失真分量,解决了现有的数字方法抑制微波光子链路宽频带互调失真分量的普适性较低的问题。
Description
技术领域
本发明涉及光通信技术领域,尤其涉及一种人工智能算法赋能的高线性微波光子链路。
背景技术
微波光子技术是一种将微波与光波相结合,对微波信号进行产生、传输以及处理操作的新兴技术。
目前,微波光子链路是微波光子技术中的一种基本的光电互转换结构,一种简单的外调制直接检测微波光子链路可用来构建实现射频光纤传输、光生微波以及微波光纤延时等功能。虽然在系统应用中,微波光子链路相比传统的微波链路具有高速、大带宽、低损耗的优势,但在电/光互转换过程中,会引入一些非线性失真,如偶次谐波、交调失真以及互调失真等,因此需要通过数字方法抑制宽频带互调失真分量。
但通过数字方法需要对每一种微波光子链路进行对应的数学建模,较为繁琐,不具有普适性。
发明内容
本发明的目的在于提供一种人工智能算法赋能的高线性微波光子链路,旨在解决现有的数字方法抑制微波光子链路宽频带互调失真分量的普适性较低的问题。
为实现上述目的,本发明提供了一种人工智能算法赋能的高线性微波光子链路,包括微波光子链路和数字处理模块,所述微波光子链路包括激光器、调制器和探测器,所述激光器、所述调制器和所述探测器依次连接,所述探测器与所述数字处理模块连接;
所述人工智能算法赋能的高线性微波光子链路的通信方法包括:
通过所述激光器产生光载波信号,并输入到所述调制器;
将射频信号通过所述调制器加载到所述光载波信号上,完成电光变换,得到光信号,所述调制器将所述光信号输出;
所述光信号进入所述探测器,完成光电变换,得到微波信号;
所述数字处理模块采集所述微波信号进行信号提取并补偿,消除微波信号中的互调失真分量。
其中,所述数字处理模块采集所述微波信号进行信号提取并补偿,消除微波信号中的互调失真分量的具体方式为:
计算所述微波光子链路的最小互调失真分量对应的补偿因子;
基于所述补偿因子消除所述微波信号中的互调失真分量。
其中,所述计算所述微波光子链路的最小互调失真分量对应的补偿因子的具体方式为:
将神经网络进行数据组训练;
使用训练后的神经网络预测所述微波光子链路的输出互调失真分量,并将预测的所述输出互调失真分量值作为个体适应度值;
用遗传算法基于所述个体适应度值寻找非线性函数的最小值,经过迭代寻优,求得最小互调失真分量及对应的补偿因子。
其中,所述将神经网络进行数据组训练的具体方式为:
通过所述微波光子链路随机得到非线性函数关系的数据组,将所述数据组中的补偿因子作为输入变量和互调失真分量作为输出变量;
通过神经网络算法从所述数据组中的输入变量和输出变量中按比例抽取所述数据组中的数据训练网络;
通过神经网络算法对剩下所述数据组中的数据测试网络拟合性能。
其中,所述基于所述补偿因子消除所述微波信号中的互调失真分量的具体方式为:
通过所述数字处理模块的数据采集卡对所述微波信号进行采样,得到数字信号;
将所述数字信号分为第一信号和第二信号,将所述第二信号提取出来作为补偿信号;
所述补偿信号通过所述补偿因子进行加权;
加权后的所述补偿信号与所述第一信号进行卷积,消除微波信号中的互调失真分量。
本发明的一种人工智能算法赋能的高线性微波光子链路,通过将所述激光器、所述调制器和所述探测器依次连接,将所述探测器的输出端与所述数字处理模块;通过所述激光器产生光载波信号,并输入到所述调制器输入端;将射频信号通过所述调制器输入端加载到所述光载波信号上,完成电光变换,得到光信号,所述调制器将所述光信号输出;所述光信号进入所述探测器,完成光电变换,得到微波信号;所述数字处理模块采集所述微波信号进行信号提取并补偿,消除微波信号中的互调失真分量,解决了现有的数字方法抑制微波光子链路宽频带互调失真分量的普适性较低的问题。
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,下面将对实施例或现有技术描述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的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的一种人工智能算法赋能的高线性微波光子链路的流程图。
图2是所述数字处理模块采集所述微波信号进行信号提取并补偿,消除微波信号中的互调失真分量的流程图。
图3是计算所述微波光子链路的最小互调失真分量对应的补偿因子的流程图。
图4是将神经网络进行数据组训练的流程图。
图5是基于所述补偿因子消除所述微波信号中的互调失真分量的流程图。
图6是神经网络算法和遗传算法的原理图。
图7是未采用本发明的外调制直接检测微波光子链路的频谱。
图8是本发明的外调制直接检测微波光子链路的频谱。
图9是本发明提供的一种人工智能算法赋能的高线性微波光子链路的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
请参阅图1至图9,本发明提供一种人工智能算法赋能的高线性微波光子链路,包括微波光子链路和数字处理模块,所述微波光子链路包括激光器、调制器和探测器,将所述激光器、所述调制器和所述探测器依次连接,所述探测器与所述数字处理模块连接;
所述激光器、所述调制器和所述探测器依次通过光纤连接,将所述探测器的输出端通过射频线与所述数字处理模块。所述调制器的连接方式可为并联或者串联。
所述人工智能算法赋能的高线性微波光子链路的通信方法包括:
S1、通过所述激光器产生光载波信号,并输入到所述调制器;
所述激光器产生光载波信号,通过光纤输入到所述调制器输入端。
S2、将射频信号通过所述调制器加载到所述光载波信号上,完成电光变换,得到光信号,所述调制器将所述光信号输出;
所述射频信号为宽带多载波射频信号,将互调失真信号通过所述调制器输入端加载到所述光载波信号上,选择频率为75MHz和80MHz的微波业务信号和频率间隔为1.5MHz串扰信号作为互调失真信号,所述调制器将所述光信号输出,通过光纤传输给所述探测器。
S3、所述光信号进入所述探测器,完成光电变换,得到微波信号;
所述探测器将所述微波信号调节出来,通过射频线传输给所述数字处理模块。
S4、所述数字处理模块采集所述微波信号进行信号提取并补偿,消除微波信号中的互调失真分量。
具体方式为:
S41、计算所述微波光子链路的最小互调失真分量对应的补偿因子;
具体方式为:
S411、将神经网络进行数据组训练;
具体方式为:
S4111、通过所述微波光子链路随机得到非线性函数关系的数据组,将所述数据组中的补偿因子作为输入变量和互调失真分量作为输出变量;
其中,所述非线性关系的输入变量是补偿因子,输出变量为互调失真分量,通过所述微波光子链路随机得到非线性函数关系的1000组数据,将1000组数据中的补偿因子作为输入变量和互调失真分量作为输出变量。
S4112、通过神经网络算法从所述数据组中的输入变量和输出变量中按比例抽取所述数据组中的数据训练网络;
通过神经网络算法从1000组数据中的输入变量和输出变量中抽取900组数据训练网络。
S4113、通过神经网络算法对剩下所述数据组中的数据测试网络拟合性能。
通过神经网络算法对剩下100组中的数据测试网络拟合性能,所述数据组的数据越多,拟合效果越好。
神经网络可以根据输入、输出变量对所述微波光子链路的非线性关系进行精准拟合,并结合遗传算法的极值寻优能力,可对微波光子链路进行优化。
S412、使用训练后的神经网络预测所述微波光子链路的输出互调失真分量,并将预测的所述输出互调失真分量值作为个体适应度值;
S413、用遗传算法基于所述个体适应度值寻找非线性函数的最小值,经过迭代寻优,求得最小互调失真分量及对应的补偿因子。
所述遗传算法的迭代次数是50次,种群规模是20,交叉概率为0.4,变异概率为0.2,采用浮点数编码。
S42、基于所述补偿因子消除所述微波信号中的互调失真分量。
具体方式为:
S421、通过所述数字处理模块的数据采集卡对所述微波信号进行采样,得到数字信号;
所述数据采集卡对所述微波信号进行采样时,对所述微波信号进行滤波。
S422、将所述数字信号分为第一信号和第二信号,将所述第二信号提取出来作为补偿信号;
第一信号为S1(t),第二信号为S0(t)。
S(t)=A0+S0+S1An(t)cos(ωnt+φn(t));
A0是与调制器偏置点相关的系数,ωn是宽带射频信号的中心频率,φn是载波相位。
S423、所述补偿信号通过所述补偿因子进行加权;
γ为补偿因子,S1和S0分别为第一信号和第二信号,实际为探测器输出的射频信号中的基频信号和基带信号。Sr(t)是利用补偿因子γ、基带信号S0(即第二信号)和基频信号S1卷积后消除失真分量得到的信号。
S424、加权后的所述补偿信号与所述第一信号进行卷积,消除微波信号中的互调失真分量。
本发明的一种人工智能算法赋能的高线性微波光子链路,通过将所述激光器、所述调制器和所述探测器依次连接,将所述探测器的输出端与所述数字处理模块;通过所述激光器产生光载波信号,并输入到所述调制器输入端;将互调失真信号通过所述调制器输入端加载到所述光载波信号上,完成电光变换,得到光信号,所述调制器将所述光信号输出;所述光信号进入所述探测器,完成光电变换,得到微波信号;所述微波信号进入所述数字处理模块进行信号提取并补偿,消除微波信号中的互调失真分量,当输入所述调制器的互调失真分量为-75dBm时,相对于基频信号的互调失真抑制比为43dB。经过仿真实验,采用本技术方法可将互调失真分量降低到-107.4dBm,相对于基频信号的抑制比为78dB,由此可见,可以有效抑制宽频带互调失真分量,对于不同微波光子链路结构具有广泛的适应性,解决了现有的数字方法抑制微波光子链路宽频带互调失真分量的普适性较低的问题。
以上所揭露的仅为本发明一种人工智能算法赋能的高线性微波光子链路较佳实施例而已,当然不能以此来限定本发明之权利范围,本领域普通技术人员可以理解实现上述实施例的全部或部分流程,并依本发明权利要求所作的等同变化,仍属于发明所涵盖的范围。
Claims (5)
1.一种人工智能算法赋能的高线性微波光子链路,其特征在于,包括微波光子链路和数字处理模块,所述微波光子链路包括激光器、调制器和探测器,所述激光器、所述调制器和所述探测器依次连接,所述探测器与所述数字处理模块连接;
所述人工智能算法赋能的高线性微波光子链路的通信方法包括:
通过所述激光器产生光载波信号,并输入到所述调制器;
将射频信号通过所述调制器加载到所述光载波信号上,完成电光变换,得到光信号,所述调制器将所述光信号输出;
所述光信号进入所述探测器,完成光电变换,得到微波信号;
所述数字处理模块采集所述微波信号进行信号提取并补偿,消除微波信号中的互调失真分量。
2.如权利要求1所述的人工智能算法赋能的高线性微波光子链路,其特征在于,所述数字处理模块采集所述微波信号进行信号提取并补偿,消除微波信号中的互调失真分量的具体方式为:
计算所述微波光子链路的最小互调失真分量对应的补偿因子;
基于所述补偿因子消除所述微波信号中的互调失真分量。
3.如权利要求2所述的人工智能算法赋能的高线性微波光子链路,其特征在于,所述计算所述微波光子链路的最小互调失真分量对应的补偿因子的具体方式为:
将神经网络进行数据组训练;
使用训练后的神经网络预测所述微波光子链路的输出互调失真分量,并将预测的所述输出互调失真分量值作为个体适应度值;
用遗传算法基于所述个体适应度值寻找非线性函数的最小值,经过迭代寻优,求得最小互调失真分量及对应的补偿因子。
4.如权利要求3所述的人工智能算法赋能的高线性微波光子链路,其特征在于,所述将神经网络进行数据组训练的具体方式为:
通过所述微波光子链路随机得到非线性函数关系的数据组,将所述数据组中的补偿因子作为输入变量和互调失真分量作为输出变量;
通过神经网络算法从所述数据组中的输入变量和输出变量中按比例抽取所述数据组中的数据训练网络;
通过神经网络算法对剩下所述数据组中的数据测试网络拟合性能。
5.如权利要求4所述的人工智能算法赋能的高线性微波光子链路,其特征在于,所述基于所述补偿因子消除所述微波信号中的互调失真分量的具体方式为:
通过所述数字处理模块的数据采集卡对所述微波信号进行采样,得到数字信号;
将所述数字信号分为第一信号和第二信号,将所述第二信号提取出来作为补偿信号;
所述补偿信号通过所述补偿因子进行加权;
加权后的所述补偿信号与所述第一信号进行卷积,消除微波信号中的互调失真分量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111457719.4A CN114374438A (zh) | 2021-12-02 | 2021-12-02 | 一种人工智能算法赋能的高线性微波光子链路 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111457719.4A CN114374438A (zh) | 2021-12-02 | 2021-12-02 | 一种人工智能算法赋能的高线性微波光子链路 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114374438A true CN114374438A (zh) | 2022-04-19 |
Family
ID=81139348
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111457719.4A Pending CN114374438A (zh) | 2021-12-02 | 2021-12-02 | 一种人工智能算法赋能的高线性微波光子链路 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114374438A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109379138A (zh) * | 2018-08-24 | 2019-02-22 | 中国电子科技集团公司第二十九研究所 | 基于光子神经网络的高线性微波光子链路实现方法及结构 |
US20190319634A1 (en) * | 2018-04-14 | 2019-10-17 | Shanghai Jiao Tong University | High-speed and high-precision photonic analog-to-digital conversion device and method for realizing intelligent signal processing using the same |
CN112152849A (zh) * | 2020-09-21 | 2020-12-29 | 上海交通大学 | 一种基于智能全光处理的基站及其实施方法 |
US20210116781A1 (en) * | 2018-05-10 | 2021-04-22 | The Board Of Trustees Of The Leland Stanford Junior University | Systems and Methods for Activation Functions for Photonic Neural Networks |
-
2021
- 2021-12-02 CN CN202111457719.4A patent/CN114374438A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190319634A1 (en) * | 2018-04-14 | 2019-10-17 | Shanghai Jiao Tong University | High-speed and high-precision photonic analog-to-digital conversion device and method for realizing intelligent signal processing using the same |
US20210116781A1 (en) * | 2018-05-10 | 2021-04-22 | The Board Of Trustees Of The Leland Stanford Junior University | Systems and Methods for Activation Functions for Photonic Neural Networks |
CN109379138A (zh) * | 2018-08-24 | 2019-02-22 | 中国电子科技集团公司第二十九研究所 | 基于光子神经网络的高线性微波光子链路实现方法及结构 |
CN112152849A (zh) * | 2020-09-21 | 2020-12-29 | 上海交通大学 | 一种基于智能全光处理的基站及其实施方法 |
Non-Patent Citations (2)
Title |
---|
YIHUI YIN: "Artificial Neural Network Assisted Mitigation of Cross-modulation Distortion in Microwave Photonics Link", 《ARTIFICIAL INTELLIGENCE FOR COMMUNICATIONS NETWORK》 * |
刘伟;刘志芳;: "高增益的微波光子变频智能控制方法", 激光杂志 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108375861A (zh) | 可实现智能信号处理的高速高精度光模数转换装置和方法 | |
CN111882052A (zh) | 光子卷积神经网络系统 | |
EP3404829B1 (en) | Reduction of second-order non-linear distortion in a wideband communication system | |
CN111753977A (zh) | 光学神经网络卷积层芯片、卷积计算方法和电子设备 | |
CN210867710U (zh) | 宽带微波信号光谱切片装置与宽带可调谐信道化接收机 | |
Zhang et al. | Eye diagram measurement-based joint modulation format, OSNR, ROF, and skew monitoring of coherent channel using deep learning | |
CN106209222A (zh) | 一种光信噪比监测的方法及装置 | |
CN102664685B (zh) | 高速光纤通信系统中带内白噪声的抑制装置和方法 | |
CN109347776A (zh) | 一种差分相位幅度比的光通信信号调制格式识别方法 | |
CN117544244B (zh) | 基于光子学的跨频段可调谐宽带射频数字接收方法与装置 | |
CN106533566A (zh) | 基于推挽和补偿算法提高直调微波光子链路线性度的方法 | |
CN114374438A (zh) | 一种人工智能算法赋能的高线性微波光子链路 | |
US9768884B2 (en) | Multi-range frequency-domain compensation of chromatic dispersion | |
US11438083B2 (en) | Signal generation device | |
CN108768541B (zh) | 用于通信系统接收端色散和非线性补偿的方法及装置 | |
CN106506088A (zh) | 一种基于单边带调制的载波聚合和解聚合的方法与系统 | |
CN106059670A (zh) | 一种减小光纤非线性效应的光传输系统及方法 | |
Wang et al. | Deep learning enabled simultaneous OSNR and CD monitoring for coherent transmission system | |
CN103746742A (zh) | 光波信号处理方法和处理装置 | |
CN102638312A (zh) | 基于正交参考符号的相干光接收方法和装置 | |
Sorokina | High bandwidth all-optical fiber-based neuromorphic signal processing | |
CN112268685A (zh) | 一种光器件频响测量方法及测量装置 | |
CN114095090B (zh) | 基于正系数实现的矩形响应微波光子滤波器及滤波方法 | |
Jiang et al. | Real-Time Deployment of Simplified Volterra Nonlinear Equalizer in High-Speed PON | |
Zhang et al. | IFFT stage-dependent minimum bit resolution maps for real-time optical OFDM transceivers |
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 |