CN114679232B - 一种基于数据驱动的光载无线传输链路建模方法 - Google Patents
一种基于数据驱动的光载无线传输链路建模方法 Download PDFInfo
- Publication number
- CN114679232B CN114679232B CN202210355760.9A CN202210355760A CN114679232B CN 114679232 B CN114679232 B CN 114679232B CN 202210355760 A CN202210355760 A CN 202210355760A CN 114679232 B CN114679232 B CN 114679232B
- Authority
- CN
- China
- Prior art keywords
- model
- data
- signal
- link system
- input
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
- H04B17/3912—Simulation models, e.g. distribution of spectral power density or received signal strength indicator [RSSI] for a given geographic region
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
-
- 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
- H04B10/2575—Radio-over-fibre, e.g. radio frequency signal modulated onto an optical carrier
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Optical Communication System (AREA)
- Filters That Use Time-Delay Elements (AREA)
Abstract
本发明公开了一种基于数据驱动的光载无线传输链路建模方法,具体为:搭建需要建模的微波光子链路系统,采集所需建模两端的数据,构成微波光子链路系统信号数据集;对Transformer深度学习模型进行改进而构建成改进Transformer模型,并对改进Transformer模型的超参数进行调整;将微波光子链路系统信号数据集进行预处理输入到改进Transformer模型中进行训练;最终使改进Transformer模型能准确的拟合真实数据,得到的权值模型,即为微波光子链路系统的建模模型。本发明在保证链路系统模型准确性的前提下,增强了建模的真实性,以及模型运算的快速性。
Description
技术领域
本发明属于深度学习回归拟合领域,尤其涉及一种基于数据驱动的光载无线传输链路建模方法。
背景技术
微波光子链路的建模对系统设计和仿真具有重要意义。传统的链路系统建模采用分离的方法,由一系列单模型组成,包括激光器、调制器、光纤、光电探测器等。这些模块的模型都是基于严格的数值模型,需要明确数学理论以及可处理场景才有效,对于那些有解析解的复杂场景不在有效。构造全面、完整的微波光子仿真系统是一项复杂、系统的任务,需要具备丰富的专家知识。在进行系统建模的时,有些模型由于嵌套函数结构和重复的迭代操作使得模型计算时间较长,比如光纤信道的建模,传统的方法是基于分步傅里叶(SSFM)近似求解非线性薛定谔方程实现信道建模,但是SSFM方法随着光纤信号长度的增加,迭代次数也随之增加,从而导致了较高的计算复杂度。
近年来,深度学习在计算机视觉与自然语言处理领域取得了巨大的成功,研究人员也将深度学习逐渐应用到通信领域中。将深度学习作为一种数据驱动的信道建模方法,通过学习输入输出数据特征,拟合信号的传输函数,从而达到信道建模的目的。这与传统的模型建模方法相比,基于深度学习的数据驱动方法能够避免复杂的数学理论和专业知识。并且该方法所建模型主要由乘法和加法组成,并且能够进行并行计算,实现模型快速计算。
然而目前基于深度学习的建模技术也只是针对单模块的建模,比如光纤信道建模。
发明内容
针对以上不足,为了在保证链路系统模型准确性的前提下,增强建模的真实性,以及模型运算的快速性。本发明提供一种基于数据驱动的光载无线传输链路建模方法。
本发明的一种基于数据驱动的光载无线传输链路建模方法,包括以下步骤:
步骤1:搭建需要建模的微波光子链路系统,采集所需建模两端的数据,构成微波光子链路系统信号数据集。
步骤2:对Transformer深度学习模型进行改进而构建成改进Transformer模型,并对改进Transformer模型的超参数进行调整。
步骤3:将步骤1获得的微波光子链路系统信号数据集进行预处理输入到步骤2获得的改进Transformer模型中,进行训练;最终使改进Transformer模型能准确的拟合真实数据,得到的权值模型,即为微波光子链路系统的建模模型。
步骤1中的微波光子链路系统采用马赫-曾德尔调制器对激光器发射出的连续光信号进行调制,调制器由正交调幅射频信号A驱动;然后,产生的光调制信号通过光纤传输并由光电探测器接收;接收到的射频信号B与射频信号A作为深度学习模型的训练数据。
上述射频信号A利用AWG生成正交幅度调制形成;对步骤1中采集的信号数据进行分组,以每个波形的采样点数进行分组。
步骤2中对Transformer深度学习模型进行改进具体为:
1)对Transformer模型中涉及到的数据格式进行改变,由于Transformer原本是应用于自然语言处理领域中,对应的是句子序列和词向量,而这里的改进Transformer模型将其改为符号序列与单个符号的采样点。
2)对Transformer模型的输入数据和输出数据的方式进行了改进,Transformer模型的编码器的输入为当前时刻链路系统输入数据为信号
x t 的条件向量,包括信号
x t 和前后时刻的样本;解码器的输入数据为当前时刻链路系统输入端信号;而解码器的输出数据为生成的当前时刻链路系统输出信号的拟合值
y t 。
3)将Transformer模型中的dropout层去掉,将最后模型输出端的激活函数改为Tanh。
4)将Transformer模型的损失函数改为均方误差损失函数,即:
式中,
x i 表示链路输入端第
i个输入样本,表示Transformer模型生成的链路输出端第
i个输出样本;
y i 为链路输出端第
i个输出的真实样本,
n为输入样本的总数量。
完成对Transformer模型的改进和构建之后,对该模型的超参数进行调整,超参数设置如下:在改进Transformer模型中的编码器包括有8个编码块,解码器包括8个解码块;批处理数量为1000;输入条件向量包含的周围样本数为n=10;模型使用Adam;学习率为0.0005;迭代次数为1500。
步骤3中在训练之间首先需要对数据进行预处理,包括对数据进行归一化以及数据维度的改变,在本发明中输入端的数据维度为[1000,11,10]和[1000,1,10];训练完成的模型的权值即为光载无线链路系统建模的模型。
本发明的有益技术效果。
本发明提供的基于Transformer的RoF链路系统数据驱动建模方法,能够对链路中的输入端和输出端直接进行建模,不需要复杂的数学理论和专业知识,并且消除了重复迭代运算加快了模型的运行速度。
附图说明
图1为本发明基于数据驱动的光载无线传输链路建模方法实现流程图。
图2为改进Transformer模型框图。
图3为RoF下行链路系统框图。
图4为RoF下行链路系统建模模型示意图。
图5为改进Transformer模型生成的拟合波形示意图。
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。
本发明的一种基于数据驱动的光载无线传输链路建模方法如图1所示,具体为:
1、搭建RoF下行链路系统,该系统的结构示意图如图3所示,它包括马赫-曾德尔调制器3,激光器1,任意信号发生器,偏振控制器2,光纤4,光电探测器5等。激光器1发射连续光信号经过偏振控制器2注入到马赫-曾德尔调制器3中。任意信号发生器生成正交调幅射频信号A8驱动马赫-曾德尔调制器3。然后调制的光信号通过光纤4进行传输并由光电探测器5接收。最后经过滤波器6输出射频信号B7。
采集射频信号A8和射频信号B7作为Transformer模型的输入数据和输出数据。采集不同情况下的链路系统数据,包括背靠背系统,25公里单模光纤长度和不同调制格式射频信号数据,构成RoF链路系统数据集。在数据集中,以每个符号的采样点数目为一组,划分数据。链路系统种,射频信号载波频率为10GHz,符号传输速率为4GBaud,采样频率40GHz,因此每个符号的采样点为10,数据每10个点为一组。数据集划分好训练数据集和测试集,其中训练数据集和测试集都是两段不同的伪随机码产生的波形。
2、构造改进Transformer模型,如图2所示。在本发明中重点改变了模型的数据输入方式,在模型编码器的输入处100输入的是当前时刻的条件向量,即
x t 周围时刻的波形采样点。另外在解码器的输入处为链路系统输入的当前时刻的波形采样点数据。解码器的输出则为链路系统输出当前时刻的波形。解码器中的自注意力机制510去除了原版的掩码结构。再最后一层的激活函数也从softmax换成更适合拟合生成波形的激活函数Tanh。最后是去除了整个模型中的dropout层。
Transformer模型抛弃了传统的卷积神经网络和循环神经网络,整个网络结构完全是由自注意力和前向传播神经网络组成。Transformer是一个序列到序列模型,由编码器300和解码器500构成,编码器由8个编码块堆叠而成,每个编码块中包括多头注意力机制310,和前向传播网络330组成,并且使用残差连接结构和归一化层。输入信号100首先需要归一化操作,使得数据都在0到1之间,这样有助于Transformer模型收敛。经过位置编码200后进入编码块中的多头注意力机制中,计算注意力得分,然后经过残差连接和正则化后320进入前馈神经网络330中,然后再进入残差连接和归一化后340输出到下一个编码块,最终输出到解码器中。
解码器也是由8个相同的解码块堆叠而成,其中包含两个多头注意力机制和前向传播神经网络,包含残差连接结构和归一化层。不同的是原版的Transformer模型中多头注意力机制510处包含掩码结构,但在本发明中,由于解码器输入400是已知信息,因此没有必要在此处加入掩码结构。解码器的输入端400是链路系统建模的输入端t时刻波形的采样数据,经过多头注意力机制510计算注意力得分,进入残差结构和归一化层520,然后再进入多头注意力机制530中,并且编码器300输出的张量信息也进入多头注意力机制中530。计算得到注意力得分进入残差结构和归一化层540,再注入到前向传播网络550,再经过残差结构和归一化层560后,进入下一个解码器块。经过8个相同的解码器块后进入全连接神经网络层600中得到链路系统输出端t时刻的拟合波形。
再完成构建改进Transformer模型后,接下是模型的训练过程。如图1所示,首先要对该模型的超参数进行调整,使改进Transformer在RoF链路传输系统数据集中学习效果最佳。在本发明中Transformer模型中的编码器包括有8个编码块,解码器包括8个解码块;批处理数量为1000;输入条件向量包含的周围样本数为n=10;学习率为0.0005;迭代次数为1500。
接下来是改进Transformer模型的训练过程:
(1)将训练数据集330进行数据预处理。首先是将数据进行归一化,采用的算法为最大最小归一化方法。
其中,
x是原始数据,
x min为原始数据中最小值,
x max为原始数据的最大值。数据经过归一化后还需要根据模型改变数据的维度,将编码器的输入数据的维度广播为[1000,11,10],解码器的输入数据维度广播为[1000,1,10]。
(2)初始化权值,改进Transformer模型中的初始权值,服从正太分布N(0,1)。
(3)预处理后的训练数据集导入改进Transformer模型中,生成链路系统输出端的拟合值。然后与真实值
y t 进行对比,选用均方误差为损失函数,测量二者之间的差异。表达式如下式所示:
式中,
x i 表示链路输入端第
i个输入样本,表示Transformer模型生成的链路输出端第
i个输出样本;
y i 为链路输出端第
i个输出的真实样本,
n为输入样本的总数量
通过反向传播算法更新模型网络的权值使得拟合值不断的近似真实值
y t 。
(4)训练好的Transformer模型,得到的权值模型350。
3、将得到的Transformer的权值模型封装为链路系统的建模模型,如图4所示。
本发明中的改进Transformer模型训练是在Ubuntu20.04系统中进行,编程语言为Python3.6,深度学习框架为Pytorch1.10。算法在GPU上运行,显卡型号为NVIDIA3090。如图5所示,图中虚线部分是调制格式为QAM8,光纤长度为25公里的光载无线链路系统的输出波形图,实线为基于训练完成的Transformer模型生成的拟合波形,从图中可以看出该模型较为准确的对链路进行建模。通过归一化均方误差来定量的对模型的建模准确度进行评价,表达式为:
其中m为信号采样点的数量,为拟合生成的信号幅值,y为真实信号幅值。图5中测量得到的归一化均方误差为0.0048。
综上所述,本发明提出的改进Transformer模型能够较为准确的对光载无线链路系统进行建模,本发明中采集的数据都是真实的实验数据,所建链路系统模型更加具有真实性,并且建模模型为权值模型,只包括加法和乘法操作,不包含重复的迭代操作,因此模型的运行时间较快。
Claims (4)
1.一种基于数据驱动的光载无线传输链路建模方法,其特征在于,包括以下步骤:
步骤1:搭建需要建模的微波光子链路系统,采集所需建模两端的数据,构成微波光子链路系统信号数据集;
步骤2:对Transformer深度学习模型进行改进而构建成改进Transformer模型,并对改进Transformer模型的超参数进行调整,具体为:
1)对Transformer模型中涉及到的数据格式进行改变,由于Transformer原本是应用于自然语言处理领域中,对应的是句子序列和词向量,而这里的改进Transformer模型将其改为符号序列与单个符号的采样点;
2)对Transformer模型的输入数据和输出数据的方式进行了改进,Transformer模型的编码器的输入为当前时刻链路系统输入数据为信号xt的条件向量,包括信号xt和前后时刻的样本;解码器的输入数据为当前时刻链路系统输入端信号;而解码器的输出数据为生成的当前时刻链路系统输出信号的拟合值yt;
3)将Transformer模型中的dropout层去掉,将最后模型输出端的激活函数改为Tanh;
4)将Transformer模型的损失函数改为均方误差损失函数,即:
式中,xi表示链路输入端第i个输入样本,f(xi)表示Transformer模型生成的链路输出端第i个输出样本;yi为链路输出端第i个输出的真实样本,n为输入样本的总数量;
完成对Transformer模型的改进和构建之后,对该模型的超参数进行调整,超参数设置如下:在改进Transformer模型中的编码器包括有8个编码块,解码器包括8个解码块;批处理数量为1000;输入信号包含的周围样本数为n=10;模型使用Adam;学习率为0.0005;迭代次数为1500;
步骤3:将步骤1获得的微波光子链路系统信号数据集进行预处理输入到步骤2获得的改进Transformer模型中,进行训练;最终使改进Transformer模型能准确的拟合真实数据,得到的权值模型,即为微波光子链路系统的建模模型。
2.根据权利要求1所述的一种基于数据驱动的光载无线传输链路建模方法,其特征在于,所述微波光子链路系统采用马赫-曾德尔调制器(3)对激光器(1)发射出的连续光信号进行调制,调制器由射频信号A(8)驱动;然后,产生的光调制信号通过光纤(4)传输并由光电探测器(5)接收;接收到的射频信号B(7)与射频信号A(8)作为深度学习模型的训练数据。
3.根据权利要求2所述的一种基于数据驱动的光载无线传输链路建模方法,其特征在于,所述射频信号A(8)利用AWG生成正交幅度调制形成;对步骤1中采集的信号数据进行分组,以每个波形的采样点数进行分组。
4.根据权利要求1所述的一种基于数据驱动的光载无线传输链路建模方法,其特征在于,所述步骤3中在训练之前 首先需要对数据进行预处理,包括对数据进行归一化以及数据维度的改变,在输入端的数据维度为[1000,11,10]和[1000,1,10];训练完成的模型的权值即为光载无线链路系统建模的模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210355760.9A CN114679232B (zh) | 2022-04-06 | 2022-04-06 | 一种基于数据驱动的光载无线传输链路建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210355760.9A CN114679232B (zh) | 2022-04-06 | 2022-04-06 | 一种基于数据驱动的光载无线传输链路建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114679232A CN114679232A (zh) | 2022-06-28 |
CN114679232B true CN114679232B (zh) | 2023-04-07 |
Family
ID=82077562
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210355760.9A Active CN114679232B (zh) | 2022-04-06 | 2022-04-06 | 一种基于数据驱动的光载无线传输链路建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114679232B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115276818B (zh) * | 2022-08-04 | 2023-09-29 | 西南交通大学 | 一种基于深度学习的光载无线传输链路解调方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110533606A (zh) * | 2019-07-30 | 2019-12-03 | 中国民航大学 | 基于生成式对抗网络的安检x光违禁品图像数据增强方法 |
WO2021118867A1 (en) * | 2019-12-10 | 2021-06-17 | Google Llc | Denoising qubit calibration data with deep learning |
CN113537177A (zh) * | 2021-09-16 | 2021-10-22 | 南京信息工程大学 | 一种基于视觉Transformer的洪涝灾害监测与灾情分析方法 |
CN114139324A (zh) * | 2021-12-06 | 2022-03-04 | 上海交通大学 | 基于特征解耦的分布式光纤信道快速精确建模方法和系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104749798B (zh) * | 2015-02-12 | 2018-06-19 | 西南交通大学 | 高速可调谐微波光子滤波器 |
CN109379138B (zh) * | 2018-08-24 | 2021-07-13 | 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 |
CN109543824B (zh) * | 2018-11-30 | 2023-05-23 | 腾讯科技(深圳)有限公司 | 一种序列模型的处理方法和装置 |
US11300515B2 (en) * | 2019-07-30 | 2022-04-12 | Washington University | Methods for quantifying and enhancing accuracy in microscopy using measures of localization confidence |
CN110601764A (zh) * | 2019-09-16 | 2019-12-20 | 西南交通大学 | 一种基于光学辅助的射频调制格式识别方法 |
CN111582020B (zh) * | 2020-03-25 | 2024-06-18 | 平安科技(深圳)有限公司 | 信号处理方法、装置、计算机设备及存储介质 |
US20210342730A1 (en) * | 2020-05-01 | 2021-11-04 | equal1.labs Inc. | System and method of quantum enhanced accelerated neural network training |
-
2022
- 2022-04-06 CN CN202210355760.9A patent/CN114679232B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110533606A (zh) * | 2019-07-30 | 2019-12-03 | 中国民航大学 | 基于生成式对抗网络的安检x光违禁品图像数据增强方法 |
WO2021118867A1 (en) * | 2019-12-10 | 2021-06-17 | Google Llc | Denoising qubit calibration data with deep learning |
CN113537177A (zh) * | 2021-09-16 | 2021-10-22 | 南京信息工程大学 | 一种基于视觉Transformer的洪涝灾害监测与灾情分析方法 |
CN114139324A (zh) * | 2021-12-06 | 2022-03-04 | 上海交通大学 | 基于特征解耦的分布式光纤信道快速精确建模方法和系统 |
Non-Patent Citations (2)
Title |
---|
基于深度卷积神经网络的γ光子图像分类识别研究;吴蓉等;《机械制造与自动化》(第05期);全文 * |
符合FT3帧格式的电子式互感器的仿真研究;于飞等;《系统仿真学报》(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114679232A (zh) | 2022-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110932809B (zh) | 光纤信道模型模拟方法、装置、电子设备和存储介质 | |
CN110929869B (zh) | 序列数据处理方法、装置、设备及存储介质 | |
CN104331635B (zh) | 电力光纤通信光功率预测的方法 | |
Amirabadi et al. | Novel suboptimal approaches for hyperparameter tuning of deep neural network [under the shelf of optical communication] | |
CN109784486A (zh) | 一种光学神经网络处理器及其训练方法 | |
CN114679232B (zh) | 一种基于数据驱动的光载无线传输链路建模方法 | |
CN110378205A (zh) | 一种基于改进型cnn网络的复杂雷达辐射源识别算法 | |
CN109784485A (zh) | 一种光学神经网络处理器及其计算方法 | |
CN112819037B (zh) | 基于交叉注意力和自注意力的分类参数分布的故障诊断方法 | |
CN113779873A (zh) | 一种tdecq测量模型的构建方法及应用 | |
JP7381814B2 (ja) | マルチタスク向けの予めトレーニング言語モデルの自動圧縮方法及びプラットフォーム | |
CN115545173A (zh) | 用于信号处理的光调制神经元及全光衍射神经网络方法 | |
CN110309916A (zh) | 多级空频域调制非线性全光学深度学习系统及方法 | |
CN114519403B (zh) | 基于片上衍射神经网络的光学图神经分类网络、方法 | |
CN111582468B (zh) | 光电混合智能数据生成计算系统及方法 | |
CN116992779A (zh) | 基于数字孪生模型的光伏储能系统仿真方法及系统 | |
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 | |
Kirtas et al. | Learning photonic neural network initialization for noise-aware end-to-end fiber transmission | |
Jiang et al. | Data-driven method for nonlinear optical fiber channel modeling based on deep neural network | |
CN117291256A (zh) | 一种光衍射神经网络装置的快速高性能在线训练方法 | |
CN117539977A (zh) | 一种语言模型的训练方法及装置 | |
Yu et al. | Transfer learning approach for classification of orbital angular momentum modes | |
Cem et al. | Data-efficient modeling of optical matrix multipliers using transfer learning | |
US20210397900A1 (en) | Post-processing output data of a classifier | |
CN114647977A (zh) | 一种光纤传输信号预测模型的训练方法及装置 |
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 |