CN114676637A - 一种基于条件生成对抗网络的光纤信道建模方法及系统 - Google Patents

一种基于条件生成对抗网络的光纤信道建模方法及系统 Download PDF

Info

Publication number
CN114676637A
CN114676637A CN202210340538.1A CN202210340538A CN114676637A CN 114676637 A CN114676637 A CN 114676637A CN 202210340538 A CN202210340538 A CN 202210340538A CN 114676637 A CN114676637 A CN 114676637A
Authority
CN
China
Prior art keywords
training
network model
condition
layer
discriminator
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
Application number
CN202210340538.1A
Other languages
English (en)
Inventor
冯刚
王拥军
李超
张琦
杨雷静
高然
田清华
田凤
忻向军
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 CN202210340538.1A priority Critical patent/CN114676637A/zh
Publication of CN114676637A publication Critical patent/CN114676637A/zh
Pending legal-status Critical Current

Links

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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Geometry (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种基于条件生成对抗网络的光纤信道建模方法及系统。该方法包括：采集光纤通信系统的收发数据；所述收发数据包括发射端码元序列和接收端码元序列；对所述收发数据进行预处理，并划分为训练集和测试集；构建条件生成对抗网络模型；所述条件生成对抗网络模型包括生成器和判别器；通过所述训练集和所述测试集对所述条件生成对抗网络模型进行训练和测试；通过测试好的条件生成对抗网络模型对光纤信道进行建模。本发明不但具有较高的光纤信道建模精度，可以正确反应信号在光纤中传输时所受到的噪声、非线性效应、散射和损耗等的影响，同时，由于没有采用分步傅里叶方法中类似的迭代计算，因此计算复杂度也较低。

Description

一种基于条件生成对抗网络的光纤信道建模方法及系统
技术领域
本发明涉及光纤通信技术领域，特别是涉及一种基于条件生成对抗网络的光纤信道建模方法及系统。
背景技术
在信息技术与互联网高速发展的时代，各种数据型应用层出不穷，人们的生活也因为这些应用的出现变得越来越便捷。为了提高信息的传输速度与容量，光纤通信被广泛地应用于信息化的发展。随着大数据、云计算的发展，具有大信息容量、高传输速率的光纤通信成为了通信技术的基石，同时成为了电信网的主要传输手段。与此同时，人们对现代光纤通信的传输容量与传输质量也提出了更高的要求，许多科研工作者开始加入到光纤通信的研究中。光纤中存在的各种如色散、损耗、非线性效应等因素会对光纤通信接收端的信号脉冲产生各种各样不同的影响。因此，为了更好得研究光纤通信从而提高光纤通信的传输容量与传输质量，一个能对信号在光纤中传输时的变化进行精确建模且计算较简单的仿真系统对光纤通信系统研究起到非常关键的作用。
随着光通信系统研究的不断发展，光纤通信的仿真建模技术也有多年的研究基础，光传输系统建模是在数字空间对完整的光传输过程进行模拟和分析，对于仿真验证、过程预演、辅助优化等具有重要意义。现阶段的仿真系统都是使用分步傅里叶方法对光纤信道进行建模，虽然这种方法确实可以对光纤信道进行精确建模，但是由于这种方法是一种迭代型的计算方法，因此其计算复杂度较高、花费时间较长的缺点也十分明显。同时也有人提出了如高斯噪声模型等的其他建模算法，虽然计算复杂度较低，但是这些建模方法几乎都无法精确反应出信号在光纤信道中传输时所受到的噪声、非线性、散射和损耗等的影响。
发明内容
本发明的目的是提供一种基于条件生成对抗网络的光纤信道建模方法及系统，用以实现对光纤信道进行较高精度建模的同时，降低计算复杂度。
为实现上述目的，本发明提供了如下方案：
一种基于条件生成对抗网络的光纤信道建模方法，包括：
采集光纤通信系统的收发数据；所述收发数据包括发射端码元序列和接收端码元序列；
对所述收发数据进行预处理，并划分为训练集和测试集；
构建条件生成对抗网络模型；所述条件生成对抗网络模型包括生成器和判别器；
通过所述训练集和所述测试集对所述条件生成对抗网络模型进行训练和测试；
通过测试好的条件生成对抗网络模型对光纤信道进行建模。
可选地，对所述收发数据进行预处理，并划分为训练集和测试集，具体包括：
将所述发射端码元序列的首尾各补上k个0，并将每个码元ri与码元ri前后的k个码元进行组合，得到条件向量；
将所述条件向量与生成的随机向量进行拼接，得到特征向量；
将所述特征向量划分为训练集和测试集。
可选地，所述生成器包括输入层、线性层和输出层；所述线性层的激活函数为LeakyReLU函数。
可选地，所述判别器包括输入层、双向门控循环单元、展平层、线性层和输出层；所述线性层的激活函数为Sigmoid函数。
可选地，通过所述训练集和所述测试集对所述条件生成对抗网络模型进行训练和测试，具体包括：
将所述训练集输入至所述生成器，得到所述生成器的输出矩阵；
将所述条件向量进行变形，得到条件矩阵；
分别对所述接收端码元序列和所述输出矩阵进行变换；
分别将变换后的接收端码元序列及变换后的输出矩阵与所述条件矩阵进行拼接，得到两个输入矩阵；
将两个输入矩阵输入至所述判别器，得到所述判别器的输出；
基于所述判别器的输出，采用反向传播法优化所述判别器的参数和所述生成器的参数，完成对所述条件生成对抗网络模型的训练；
通过所述测试集对训练好的条件生成对抗网络模型进行测试。
本发明还提供了一种基于条件生成对抗网络的光纤信道建模系统，包括：
采集模块，用于采集光纤通信系统的收发数据；所述收发数据包括发射端码元序列和接收端码元序列；
预处理模块，用于对所述收发数据进行预处理，并划分为训练集和测试集；
模型构建模块，用于构建条件生成对抗网络模型；所述条件生成对抗网络模型包括生成器和判别器；
训练和测试模块，用于通过所述训练集和所述测试集对所述条件生成对抗网络模型进行训练和测试；
光纤信道建模模块，用于通过测试好的条件生成对抗网络模型对光纤信道进行建模。
可选地，所述预处理模块具体包括：
条件向量生成单元，用于将所述发射端码元序列的首尾各补上k个0，并将每个码元ri与码元ri前后的k个码元进行组合，得到条件向量；
第一拼接单元，用于将所述条件向量与生成的随机向量进行拼接，得到特征向量；
划分单元，用于将所述特征向量划分为训练集和测试集。
可选地，所述生成器包括输入层、线性层和输出层；所述线性层的激活函数为LeakyReLU函数。
可选地，所述判别器包括输入层、双向门控循环单元、展平层、线性层和输出层；所述线性层的激活函数为Sigmoid函数。
可选地，所述训练和测试模块，具体包括：
第一输入单元，用于将所述训练集输入至所述生成器，得到所述生成器的输出矩阵；
变形单元，用于将所述条件向量进行变形，得到条件矩阵；
变换单元，用于分别对所述接收端码元序列和所述输出矩阵进行变换；
第二拼接单元，用于分别将变换后的接收端码元序列及变换后的输出矩阵与所述条件矩阵进行拼接，得到两个输入矩阵；
第二输入单元，用于将两个输入矩阵输入至所述判别器，得到所述判别器的输出；
优化单元，用于基于所述判别器的输出，采用反向传播法优化所述判别器的参数和所述生成器的参数，完成对所述条件生成对抗网络模型的训练；
测试单元，用于通过所述测试集对训练好的条件生成对抗网络模型进行测试。
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：
本发明提供了一种基于条件生成对抗网络的光纤信道建模方法，包括：采集光纤通信系统的收发数据；所述收发数据包括发射端码元序列和接收端码元序列；对所述收发数据进行预处理，并划分为训练集和测试集；构建条件生成对抗网络模型；所述条件生成对抗网络模型包括生成器和判别器；通过所述训练集和所述测试集对所述条件生成对抗网络模型进行训练和测试；通过测试好的条件生成对抗网络模型对光纤信道进行建模。本发明不但具有较高的光纤信道建模精度，可以正确反应信号在光纤中传输时所受到的噪声、非线性效应、散射和损耗等的影响，同时，由于没有采用分步傅里叶方法中类似的迭代计算，因此计算复杂度也较低。
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为本发明实施例提供的基于条件生成对抗网络的光纤信道建模方法的流程图；
图2为本发明实施例提供的收发数据预处理的流程图；
图3为本发明实施例提供的生成器的结构示意图；
图4为本发明实施例提供的判别器的结构示意图；
图5为本发明实施例提供的条件生成对抗网络模型的训练示意图。
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。
本发明的目的是提供一种基于条件生成对抗网络的光纤信道建模方法及系统，用以实现对光纤信道进行较高精度建模的同时，降低计算复杂度。
条件生成对抗网络(CGAN)是生成对抗网络(GAN)的一种。它是一种生成式的深度学习模型，具有强大的数据生成能力，可以生成接近某个目标数据分布的数据，被广泛应用于图像生成、数据增强等领域。CGAN主要由生成器与判别器这两部分神经网络所组成，训练CGAN的过程也是生成器与判别器相互博弈的过程，判别器学会区别生成器产生的数据和真实的数据，而生成器学会生成数据来欺骗判别器出错。
门控循环单元(GRU)是循环神经网络(RNN)的一种，这种神经网络擅长处理时间序列，因此主要应用于处理自然语言。双向门控循环单元(BiGRU)则是在一层GRU的基础上，增加了一层反向传播的GRU，这样BiGRU在处理时间序列时技能拥有前向信息又能拥有后向信息，从而相较于GRU能够有更好的效果。
本发明利用CGAN生成数据的优势和BiGRU处理时间序列的优势，实现对光纤信道高精确度和低复杂度建模。
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。
如图1所示，本发明提供的一种基于条件生成对抗网络的光纤信道建模方法，包括以下步骤：
步骤101：采集光纤通信系统的收发数据；所述收发数据包括发射端码元序列和接收端码元序列。
步骤102：对所述收发数据进行预处理，并划分为训练集和测试集。具体流程如图2所示：
将所述发射端码元序列的首尾各补上k个0，并将每个码元ri与码元ri前后的k个码元进行组合，得到条件向量；
将所述条件向量与生成的随机向量进行拼接，得到特征向量；
将所述特征向量划分为训练集和测试集。
步骤103：构建条件生成对抗网络模型；所述条件生成对抗网络模型包括生成器和判别器。如图3所示，所述生成器包括输入层、线性层和输出层；线性层的激活函数为LeakyReLU函数。如图4所示，所述判别器包括输入层、双向门控循环单元、展平层、线性层和输出层；线性层的激活函数为Sigmoid函数。
步骤104：通过所述训练集和所述测试集对所述条件生成对抗网络模型进行训练和测试。具体包括：
将所述训练集输入至所述生成器，得到所述生成器的输出矩阵；
将所述条件向量进行变形，得到条件矩阵；
分别对所述接收端码元序列和所述输出矩阵进行变换；
分别将变换后的接收端码元序列及变换后的输出矩阵与所述条件矩阵进行拼接，得到两个输入矩阵；
将两个输入矩阵输入至所述判别器，得到所述判别器的输出；
基于所述判别器的输出，采用反向传播法优化所述判别器的参数和所述生成器的参数，完成对所述条件生成对抗网络模型的训练；
通过所述测试集对训练好的条件生成对抗网络模型进行测试。
步骤105：通过测试好的条件生成对抗网络模型对光纤信道进行建模。
具体实施例如下：
本实例主要展示在DP-64QAM相干光通信系统中，对64QAM信号进行数据采集、预处理以及搭建仿真模型和训练模型的过程，以此验证本发明公开的方法可以正确反应信号在光纤传输中受到的色散、衰减和非线性效应的影响，从而实现对光纤通信系统的快速精确仿真。
使用MATLAB和波形发生器、相干接收器、实时示波器等仪器来完成64QAM序列的收发，从而进行数据的采集。在搭建完CGAN后，将采集到的数据输入到CGAN中对其进行训练，在训练完成后，CGAN达到纳什均衡点，此时CGAN中的生成器便可以对光纤信道进行快速精确仿真。
具体过程如下：
1、数据集采集与预处理。首先采集光纤通信系统发射端将要发送的64QAM信号的码元序列，假设发送65536个码元，然后将发射端信号输入到标准单模光纤中。在经过一定距离的标准单模光纤的传输后，信号到达接收端，对接收端接收到的信号进行采集得到接收端码元序列，同样会是65536个码元。采集到的发射端与接收端的码元序列就是需要用到的全部数据，这里已经完成了数据集的采集。数据集的预处理过程如图2所示，首先将60％的采集到的收发端数据即39321对收发端码元作为训练数据，40％的收发端数据即26215对收发端码元作为测试数据。接着将采集到的训练数据和测试数据中的发送端码元序列首尾各补上k个0，并将每个码元ri与该码元前后的各k个码元组合作为CGAN的一个条件向量，那么条件向量可以表示为：
x(i)＝[ri-k,…,ri,…,ri+k]
假设k为5，则条件向量x(i)由11个码元共同组成。对于64QAM信号来说，每个码元由同相(I)和正交(Q)分量两路数据构成，因此x(i)的形状为(1，22)。另外生成一个形状为(1,15)的随机向量，该向量的每一位都满足标准正态分布，将随机向量与条件向量进行拼接得到形状为(1,37)的特征向量，这个形状为(1,37)的特征向量会作为生成器的一个输入数据，这里就已经完成了数据集的预处理。
2、在预处理完数据之后，开始搭建CGAN模型。CGAN主要包括生成器和判别器两个神经网络，生成器的结构如图3所示，它是一层输入层，三层线性层和一层输出层的全连接神经网络，其中每层的激活函数都是斜率为0.1的LeakyReLU函数，该函数可表示为：
Figure BDA0003575149410000081
判别器的结构如图4所示，它是由一个时间步数为11的BiGRU、展平层和一个线性层所构成，并用Sigmoid函数作为线性层的激活函数。
搭建完CGAN模型后，开始训练模型，其训练过程如图5所示。设batch_size为128，即每次同时输入128个预处理得到的形状为(1，37)的特征向量，因此生成器的输入是形状为(128,37)的特征矩阵。在经过生成器的第一层线性层及其激活函数变为(128,72)的矩阵，同理，经过第二层线性层与激活函数函数时其形状变为(128,64)，经过第三层线性层与激活函数函数后其形状变为(128,16),经过最后一层与其激活函数后变为(128,2)的矩阵，设这个矩阵为Gx，Gx表示生成器生成了128个接收端码元。对于判别器，它有两类输入，一类输入会包含生成器的输出Gx的信息，一类输入会包含采集到的接收端码元信息，记这两类输入经过判别器会得到的输出分别为Dgx和Dx。对于判别器，首先将条件向量的形状(128，22)变为(128,11,2)，变形后的向量作为判别器的条件向量(即条件矩阵)。并将采集到的未处理的接收端码元序列和Gx分别进行变换处理，即进行步骤1中描述的首尾补0以及将当前的码元和该码元前后各5个码元组合的操作，则采集到的接收端码元序列和Gx形状变为(128,11,2)，如图5中所示。接着将处理后的这两个(128，11，2)的多维矩阵分别与判别器的(128,11,2的)条件矩阵拼接，得到两个(128,11,4)的判别器输入矩阵。其中128是之前设定的batch_size，11是前后各取5个码元得到的，而4则是输入码元与条件向量拼接得到的。形状为(128,11,4)的多维矩阵经过判别器的BiGRU层时，设定BiGRU层的隐藏层大小为8，故BiGRU层输出形状为(128,11,16)的多维矩阵，其中16是因为使用的是BiGRU，具有前向与后向两个过程，因此隐藏层的大小会翻倍,即由原来的8变为16。经过展平层后，原来(128,11,16)的矩阵的形状会变为(128,11×16)即(128,176)，之后经过线性层会变成(128,1)的向量。为了将该向量映射到0-1之间，在判别器的最后一层设置了一个Sigmoid层，该层的计算公式可表示为：
Figure BDA0003575149410000082
经过该层就会使向量中的128个值映射到0-1之间，即判别器的输出Dgx和Dx的形状仍为(128，1)，这表示判别器对输入的128个码元分别给出128个0-1之间的分数。在每轮训练中，首先训练判别器，利用反向传播法，来优化判别器中的参数达到降低判别器的损失函数Dloss的目的，其中Dloss的表达式为：
Figure BDA0003575149410000091
其中Dgxi、Dxi分别为判别器输出向量Dgx、Dx的第i个元素，训练判别器会使得判别器更能区分出仿真得到的码元和采集到的码元之间的不同。接着开始训练生成器，利用反向传播，来优化生成器的参数达到降低生成器的损失函数Gloss的目的，其中Gloss的表达式为：
Figure BDA0003575149410000092
训练生成器会使得生成器仿真出的码元和采集到的码元之间更加相似来达到让判别器区分不出的目的。因此训练的过程也是生成器与判别器相互博弈的过程，就这样在每一轮的训练中，先训练判别器，然后再训练生成器。经过300轮这样的训练，完成模型训练。
4、训练完成后，对仿真系统进行验证。首先将测试集中的预处理后的发送端码元序列作为生成器的输入，得到生成器的输出，该输出就是对光纤信道仿真建模得到的接收端码元序列。为了衡量该仿真得到的接收端码元序列与采集到的接收端码元序列之前的差距，需要计算仿真得到的接受端码元序列与测试集中的接收端码元序列的归一化均方误差(NMSE)。经计算，归一化均方误差为0.005左右，远小于仿真标准0.02，表明该本发明提供的方法可以完成精确仿真建模。
本发明还提供了一种基于条件生成对抗网络的光纤信道建模系统，包括：
采集模块，用于采集光纤通信系统的收发数据；所述收发数据包括发射端码元序列和接收端码元序列；
预处理模块，用于对所述收发数据进行预处理，并划分为训练集和测试集；
模型构建模块，用于构建条件生成对抗网络模型；所述条件生成对抗网络模型包括生成器和判别器；
训练和测试模块，用于通过所述训练集和所述测试集对所述条件生成对抗网络模型进行训练和测试；
光纤信道建模模块，用于通过测试好的条件生成对抗网络模型对光纤信道进行建模。
其中，所述预处理模块具体包括：
条件向量生成单元，用于将所述发射端码元序列的首尾各补上k个0，并将每个码元ri与码元ri前后的k个码元进行组合，得到条件向量；
第一拼接单元，用于将所述条件向量与生成的随机向量进行拼接，得到特征向量；
划分单元，用于将所述特征向量划分为训练集和测试集。
其中，所述生成器包括输入层、线性层和输出层；所述线性层的激活函数为LeakyReLU函数。
其中，所述判别器包括输入层、双向门控循环单元、展平层、线性层和输出层；所述线性层的激活函数为Sigmoid函数。
其中，所述训练和测试模块，具体包括：
第一输入单元，用于将所述训练集输入至所述生成器，得到所述生成器的输出矩阵；
变形单元，用于将所述条件向量进行变形，得到条件矩阵；
变换单元，用于分别对所述接收端码元序列和所述输出矩阵进行变换；
第二拼接单元，用于分别将变换后的接收端码元序列及变换后的输出矩阵与所述条件矩阵进行拼接，得到两个输入矩阵；
第二输入单元，用于将两个输入矩阵输入至所述判别器，得到所述判别器的输出；
优化单元，用于基于所述判别器的输出，采用反向传播法优化所述判别器的参数和所述生成器的参数，完成对所述条件生成对抗网络模型的训练；
测试单元，用于通过所述测试集对训练好的条件生成对抗网络模型进行测试。
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)

1.一种基于条件生成对抗网络的光纤信道建模方法，其特征在于，包括：
采集光纤通信系统的收发数据；所述收发数据包括发射端码元序列和接收端码元序列；
对所述收发数据进行预处理，并划分为训练集和测试集；
构建条件生成对抗网络模型；所述条件生成对抗网络模型包括生成器和判别器；
通过所述训练集和所述测试集对所述条件生成对抗网络模型进行训练和测试；
通过测试好的条件生成对抗网络模型对光纤信道进行建模。
2.根据权利要求1所述的基于条件生成对抗网络的光纤信道建模方法，其特征在于，对所述收发数据进行预处理，并划分为训练集和测试集，具体包括：
将所述发射端码元序列的首尾各补上k个0，并将每个码元ri与码元ri前后的k个码元进行组合，得到条件向量；
将所述条件向量与生成的随机向量进行拼接，得到特征向量；
将所述特征向量划分为训练集和测试集。
3.根据权利要求1所述的基于条件生成对抗网络的光纤信道建模方法，其特征在于，所述生成器包括输入层、线性层和输出层；所述线性层的激活函数为LeakyReLU函数。
4.根据权利要求1所述的基于条件生成对抗网络的光纤信道建模方法，其特征在于，所述判别器包括输入层、双向门控循环单元、展平层、线性层和输出层；所述线性层的激活函数为Sigmoid函数。
5.根据权利要求2所述的基于条件生成对抗网络的光纤信道建模方法，其特征在于，通过所述训练集和所述测试集对所述条件生成对抗网络模型进行训练和测试，具体包括：
将所述训练集输入至所述生成器，得到所述生成器的输出矩阵；
将所述条件向量进行变形，得到条件矩阵；
分别对所述接收端码元序列和所述输出矩阵进行变换；
分别将变换后的接收端码元序列及变换后的输出矩阵与所述条件矩阵进行拼接，得到两个输入矩阵；
将两个输入矩阵输入至所述判别器，得到所述判别器的输出；
基于所述判别器的输出，采用反向传播法优化所述判别器的参数和所述生成器的参数，完成对所述条件生成对抗网络模型的训练；
通过所述测试集对训练好的条件生成对抗网络模型进行测试。
6.一种基于条件生成对抗网络的光纤信道建模系统，其特征在于，包括：
采集模块，用于采集光纤通信系统的收发数据；所述收发数据包括发射端码元序列和接收端码元序列；
预处理模块，用于对所述收发数据进行预处理，并划分为训练集和测试集；
模型构建模块，用于构建条件生成对抗网络模型；所述条件生成对抗网络模型包括生成器和判别器；
训练和测试模块，用于通过所述训练集和所述测试集对所述条件生成对抗网络模型进行训练和测试；
光纤信道建模模块，用于通过测试好的条件生成对抗网络模型对光纤信道进行建模。
7.根据权利要求6所述的基于条件生成对抗网络的光纤信道建模系统，其特征在于，所述预处理模块具体包括：
条件向量生成单元，用于将所述发射端码元序列的首尾各补上k个0，并将每个码元ri与码元ri前后的k个码元进行组合，得到条件向量；
第一拼接单元，用于将所述条件向量与生成的随机向量进行拼接，得到特征向量；
划分单元，用于将所述特征向量划分为训练集和测试集。
8.根据权利要求6所述的基于条件生成对抗网络的光纤信道建模系统，其特征在于，所述生成器包括输入层、线性层和输出层；所述线性层的激活函数为LeakyReLU函数。
9.根据权利要求6所述的基于条件生成对抗网络的光纤信道建模系统，其特征在于，所述判别器包括输入层、双向门控循环单元、展平层、线性层和输出层；所述线性层的激活函数为Sigmoid函数。
10.根据权利要求7所述的基于条件生成对抗网络的光纤信道建模系统，其特征在于，所述训练和测试模块，具体包括：
第一输入单元，用于将所述训练集输入至所述生成器，得到所述生成器的输出矩阵；
变形单元，用于将所述条件向量进行变形，得到条件矩阵；
变换单元，用于分别对所述接收端码元序列和所述输出矩阵进行变换；
第二拼接单元，用于分别将变换后的接收端码元序列及变换后的输出矩阵与所述条件矩阵进行拼接，得到两个输入矩阵；
第二输入单元，用于将两个输入矩阵输入至所述判别器，得到所述判别器的输出；
优化单元，用于基于所述判别器的输出，采用反向传播法优化所述判别器的参数和所述生成器的参数，完成对所述条件生成对抗网络模型的训练；
测试单元，用于通过所述测试集对训练好的条件生成对抗网络模型进行测试。
CN202210340538.1A 2022-03-31 2022-03-31 一种基于条件生成对抗网络的光纤信道建模方法及系统 Pending CN114676637A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210340538.1A CN114676637A (zh) 2022-03-31 2022-03-31 一种基于条件生成对抗网络的光纤信道建模方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210340538.1A CN114676637A (zh) 2022-03-31 2022-03-31 一种基于条件生成对抗网络的光纤信道建模方法及系统

Publications (1)

Publication Number Publication Date
CN114676637A true CN114676637A (zh) 2022-06-28

Family

ID=82076385

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210340538.1A Pending CN114676637A (zh) 2022-03-31 2022-03-31 一种基于条件生成对抗网络的光纤信道建模方法及系统

Country Status (1)

Country Link
CN (1) CN114676637A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114866158A (zh) * 2022-07-07 2022-08-05 中国海洋大学三亚海洋研究院 一种水下激光数字通信系统信道建模和模拟方法
CN116346217A (zh) * 2023-05-25 2023-06-27 北京理工大学 一种基于深度学习的光通信系统信道构建方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114866158A (zh) * 2022-07-07 2022-08-05 中国海洋大学三亚海洋研究院 一种水下激光数字通信系统信道建模和模拟方法
CN116346217A (zh) * 2023-05-25 2023-06-27 北京理工大学 一种基于深度学习的光通信系统信道构建方法
CN116346217B (zh) * 2023-05-25 2023-08-08 北京理工大学 一种基于深度学习的光通信系统信道构建方法

Similar Documents

Publication Publication Date Title
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
CN107132516B (zh) 一种基于深度置信网络的雷达一维距离像目标识别方法
CN108696331B (zh) 一种基于生成对抗网络的信号重构方法
CN110932809B (zh) 光纤信道模型模拟方法、装置、电子设备和存储介质
CN109166144A (zh) 一种基于生成对抗网络的图像深度估计方法
Wei et al. PRI modulation recognition based on squeeze-and-excitation networks
CN113779873A (zh) 一种tdecq测量模型的构建方法及应用
CN117351542A (zh) 一种面部表情识别方法及系统
CN115795011A (zh) 一种基于改进生成对抗网络的情感对话生成方法
CN114201987A (zh) 一种基于自适应识别网络的有源干扰识别方法
CN115860113A (zh) 一种自对抗神经网络模型的训练方法及相关装置
CN114070415A (zh) 一种光纤非线性均衡方法及系统
CN115525743A (zh) 基于自学习白化网络的人机交互方法及电子设备
CN112381056A (zh) 一种融合多个源域的跨域行人重识别方法及系统
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
Ma et al. Modeling of Multi-Core Fiber Channel Based on M-CGAN for High Capacity Fiber Optical Communication
CN113254597B (zh) 模型训练方法、查询处理方法及相关设备
CN115085805B (zh) 一种基于对抗蒸馏模型的光纤光性能监测方法及系统
CN117577117B (zh) 正交化低秩适应矩阵的语音检测模型的训练方法及装置
CN113706647B (zh) 一种图像上色方法及相关装置
CN113112015B (zh) 模型训练方法、装置、电子设备及计算机可读存储介质
Liu et al. Channel Modeling and Generation: Train Generative Networks and Generate 6G Channel Data
Wang et al. Simulation of Sound Signal Analysis Model in Complex Environments Based on Deep Learning Algorithms
CN113886992A (zh) 一种基于多保真度数据的数字孪生建模方法
CN117220807A (zh) 一种基于深度学习的多维复用光通信系统信道构建方法

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