CN114844749B - 基于神经网络的光纤信道估计方法 - Google Patents

基于神经网络的光纤信道估计方法 Download PDF

Info

Publication number
CN114844749B
CN114844749B CN202210446536.0A CN202210446536A CN114844749B CN 114844749 B CN114844749 B CN 114844749B CN 202210446536 A CN202210446536 A CN 202210446536A CN 114844749 B CN114844749 B CN 114844749B
Authority
CN
China
Prior art keywords
neural network
channel estimation
channel
pilot
subcarriers
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
Application number
CN202210446536.0A
Other languages
English (en)
Other versions
CN114844749A (zh
Inventor
赵雪
张静
周家豪
徐滔
许渤
邱昆
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202210446536.0A priority Critical patent/CN114844749B/zh
Publication of CN114844749A publication Critical patent/CN114844749A/zh
Application granted granted Critical
Publication of CN114844749B publication Critical patent/CN114844749B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/024—Channel estimation channel estimation algorithms
    • H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms
    • 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
    • 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
    • H04B10/5161—Combination of different modulation schemes
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/0202—Channel estimation
    • H04L25/0224—Channel estimation using sounding signals
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
    • H04L25/03006—Arrangements for removing intersymbol interference

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Optical Communication System (AREA)

Abstract

本发明提供一种基于神经网络的光纤信道估计方法，包括：训练步骤：通过传输导频符号所生成导频子载波的信道响应与数据子载波的信道响应的训练序列对使得神经网络收敛从而拟合权重矩阵完成用于信道估计的神经网络的训练；信道估计步骤：对当前从光纤信道中接收到的经过均衡处理后的已调符号采用最小二乘估计法得到导频子载波的信道响应；将导频子载波的信道响应输入用于信道估计的神经网络完成光纤信道估计。本发明采用机器学习来代替传统求解权重矩阵的复杂过程，得到一种实时性好、精度高、复杂度低的光纤通信信道估计方法。均衡处理时使神经网络来完成码间串扰与非线性消除处理，更精确地实现基于神经网络的信道估计。

Description

基于神经网络的光纤信道估计方法
技术领域
本发明涉及光纤通信技术，尤其涉及智能化接收以及信道估计与跟踪技术。
背景技术
近年来，随着云计算、云存储、物联网、超高清视频以及移动数据通信等新兴技术的快速发展，全球网络数据流量呈爆炸性增长，促使光纤通信系统向大容量、高速率方向不断前进。流量的增速主要在于数据中心光互连、宽带光纤接入这些短距离应用场景下的业务量增加。短距离光纤通信系统中，通常对系统结构、成本有较严格的限制，因此，低成本的强度调制直接探测技术受到青睐。然而，由于低成本光电器件的应用，存在严重的光电器件带宽限制、光纤色散、平方律探测以及系统非线性失真等信道损伤，系统的误码性能将受到严重的影响，这将极大地限制系统的传输容量和传输距离。因此，如何进一步实现光纤通信系统传输的可靠性和有效性具有重要的研究意义。
在光纤通信系统中，为了在接收端准确地恢复出发送端发送的信息，通常借助于信道估计技术这一关键技术。目前信道估计算法大致分为三种：基于导频辅助的非盲信道估计、盲信道估计和基于隐含导频的半盲信道估计。传统的信道估计方法需要估计量的精确表达式，其计算过程非常复杂。在直接检测光纤通信系统中，由于激光器频率啁啾、光纤色散、平方律探测等效应的相互作用，信道表现出频率选择性衰落，这也对系统的信道估计带来挑战。为了满足频谱利用率的要求，导频子载波长度有限，所以很难准确估计出准确信道状态信息，从而为后续信号解调带来挑战。
在光传输系统中基于导频辅助信道估计方法由于最小二乘(LS)算法受到噪声和残余失真的影响，存在估计不准确问题。
发明内容
本发明所要解决的技术问题是，提供一种用于在光纤传输系统接收端处提高信道估计精度从而实现智能化接收的方法。
本发明为解决上述技术问题所采用的技术方案是，基于神经网络的光纤信道估计方法，包括：
训练步骤：通过传输Np块导频符号所生成Np(L-(M-1)D+1)组训练序列对
Figure GDA0004180123030000021
使得神经网络收敛从而拟合权重矩阵Wd完成用于信道估计的神经网络的训练；其中，/>
Figure GDA0004180123030000022
为导频子载波的信道响应，/>
Figure GDA0004180123030000023
为数据子载波的信道响应，M为一对训练序列中导频子载波数，D为导频子载波间隔，L为从光纤信道中接收到一个已调符号的可用子载波数，可用子载波包括导频子载波和数据子载波；当一个DMT符号中所有的子载波都作为导频子载波时，称为导频符号，导频符号用于为神经网络提供训练序列；
信道估计步骤：对当前从光纤信道中接收到的经过均衡处理后的已调符号采用最小二乘(LS)估计法得到导频子载波的信道响应
Figure GDA0004180123030000024
将导频子载波的信道响应/>
Figure GDA0004180123030000025
输入用于信道估计的神经网络，用于信道估计的神经网络输出数据子载波的信道响应/>
Figure GDA0004180123030000026
完成光纤信道估计。
采用LS估计导频子载波
Figure GDA0004180123030000027
接收端导频子载波的频域表示为Yp，发送端导频子载波的频域表示为Xp。根据LS的估计值/>
Figure GDA0004180123030000028
进行插值估计/>
Figure GDA0004180123030000029
两者间的关系可以表示为
Figure GDA00041801230300000210
其中Wd为一个N×M的权重矩阵。本发明采用机器学习来代替传统用最小均方误差MMSE等算法求解权重矩阵Wd的复杂过程，得到一种实时性好、精度高、复杂度低的光纤通信信道估计方法。基于神经网络的信道估计通过大量数据学习信道的特性后实现信号的恢复，联合信道均衡、信道估计和信号检测实现最优性能的智能化接收。即使在复杂的信道模型下，基于神经网络的信道估计也可以通过训练直接优化估计量，与传统的计算估计量的精确表达式相比，降低了系统的计算复杂度。在利用机器学习方式进行信道估计中，通过输入多组的训练序列，就可以训练得到权重矩阵，这个过程不需要关于信道和信道估计器的任何推导信息，通过在训练过程中利用信道状态信息的底层结构来解决实际的缺陷。
在直接探测系统中，由于光纤色散、激光器频率啁啾以及带限效应的存在，接收到的信号表现出频率选择性衰落，这可能导致不同分组对应的权重矩阵不一致。因此，当存在信号与信号的拍频串扰，可能导致直接采用上述线性网络得到的信道估计结果无法精确拟合实际信道响应。为了能够在非线性拍频串扰下实现信道估计，可以将用于信道估计的神经网络的结构采用深度神经网络形式，此时，需要增加训练符号的长度，分别对不同分组下的权重矩阵进行估计，从而精确的拟合当前信道响应。
进一步的，为了更好地跟踪信道，在每完成n个已调符号的信道估计后进入权重矩阵Wd更新步骤完成一次权重矩阵Wd更新：
先对从光纤信道中接收到已调符号采用最小二乘(LS)估计法得到导频子载波的信道响应
Figure GDA0004180123030000031
再利用线性插值方法计算出数据子载波的信道响应/>
Figure GDA0004180123030000032
使用数据子载波的信道响应/>
Figure GDA0004180123030000033
恢复出发送数据，将恢复出的发送数据作为导频符号重新生成训练序列对
Figure GDA0004180123030000034
输入至用于信道估计的神经网络中更新神经网络参数从而完成一次权重矩阵Wd更新；
权重矩阵Wd更新步骤完成后进入信道估计步骤使用更新后的用于信道估计的神经网络完成信道估计。
具体的，均衡处理为：对接收到光纤信号进行码间串扰与非线性消除得到经过均衡后的已调符号。
其中，均衡步骤中的码间串扰与非线性消除处理使用用于非线性均衡的神经网络来实现，借助于神经网络补偿信号间拍频串扰的影响，进而为更精确地实现基于神经网络的信道估计提供基础。
类似地，为了实现在直接探测光纤传输系统下全神经网络的信号接收，用于非线性均衡的神经网络的结构也可以采用深度神经网络。
加入用于非线性均衡的神经网络用于补偿由于激光器频率啁啾、光纤色散与平方律探测以及光电器件带限等多种效应带来的码间串扰ISI与非线性损伤。经过非线性均衡的神经网络后的信号再输入至用于信道估计的神经网络估计出数据子载波处的信道响应，最终实现数据子载波的均衡与数据恢复。
与传统信道估计方法相比，基于神经网络的信道估计方法利用其自身结构与梯度下降算法，可以以简单的网络结构实现对信道的准确估计，提高对噪声的容忍性。此外，使用机器学习可以实现对信号拍频串扰的补偿，级联基于机器学习的信道估计，从而对整个接收机实现智能化接收，提高传输系统的性能。
本发明有益效果为：免去传统的基于MMSE、LMMSE等算法求解权重矩阵从而估计数据子载波信道响应的复杂计算过程，能够更好地适应实际系统的缺陷，并且有利于实时对信道条件进行优化，以此适应信道的变化。相比传统的信道估计中，在求解数据子载波的信道响应时采用线性插值或者抛物线插值等方法，其拟合精度较差，采用线性神经网络的方法，拟合精度较高，实现简单、收敛速度快等，本发明提出的方法可以进一步改善数据子载波信道估计的问题，获得更好的系统性能。在此基础上，用于非线性均衡的神经网络用于补偿ISI与非线性损伤，用于消除非线性等带来的信道估计失效或者精度下降等问题，实现基于神经网络的全智能接收。
附图说明
图1为基于神经网络的信道估计图；
图2为基于神经网络的智能化接收机结构图；
图3为基于神经网络的信道估计的直接检测光传输系统。
具体实施方式
在接收端数字信号处理具体过程可以分为如下几个步骤：
1.光电二极管PD接收到的信号经过高速模数转换器ADC采样后，输入到均衡器中进行均衡处理，消除信号之间拍频干扰，减少码间串扰的影响，补偿信道产生的畸变。
2.将经过信道均衡后的已调符号输入基于神经网络的信道估计模块。
基于神经网络的信道估计分为三个步骤：
第一步，采用LS算法估计导频子载波的信道响应
Figure GDA0004180123030000041
其表达式为/>
Figure GDA0004180123030000042
第二步，首先，采用神经网络利用导频辅助方式生成训练序列，插入Np段导频符号，通过输入多组的训练序列对
Figure GDA0004180123030000043
来使得网络收敛，获得权重矩阵Wd，其具体过程如图1所示，图中以Np取1为例。然后，利用训练序列训练得到的权重矩阵Wd来获得数据子载波处的信道响应/>
Figure GDA0004180123030000044
第三步，为了更好地跟踪信道，本发明中，每经过n个已调符号后对Wd更新一次，如图1所示。此时不需要额外的导频符号，根据接收到的信号和插入的导频子载波可以计算出
Figure GDA0004180123030000051
再利用传统的线性插值方法计算出/>
Figure GDA0004180123030000052
使用均衡算法与判决后进行数据恢复，将恢复出来的数据作为导频符号，重复第二步骤来获得更新后的权重矩阵Wd。如果信道相对稳定，则不需要此步骤进行反复更新。
基于神经网络的智能化接收机通过以下步骤实现。
均衡步骤：对接收到光纤信号进行非线性消除得到经过均衡后的已调符号；
上述基于神经网络的信道估计步骤实现数据子载波的信道响应。
信号恢复步骤：使用数据子载波的信道响应恢复出发送数据。
如图2所示，实现均衡步骤、基于神经网络的光纤信道估计步骤和信号恢复步骤的接收机中使用到了2个神经网络，在接收信号之后进行LS估计之前通过设置用于非线性均衡的神经网络来进行非线性消除处理，在LS估计之后信号恢复之前设置用于信道估计的神经网络估计得到数据子载波的信道响应。
实施例以离散多音频DMT信号的强度调制直接探测光纤通信系统为例，DMT系统包括串/并转换、调制、快速傅里叶逆变换IFFT、插入保护间隔、并/串转换、去除保护间隔和快速傅里叶变换FFT模块组成，其典型结构如图3所示。在发送端，串行的二进制数据流进行串/并转换后，经过多电平正交调幅MQAM、多相相移键控MPSK等方式进行映射，再送入IFFT模块实现基带调制，然后添加保护间隔以避免符号间串扰，最后再转换成串行的DMT信号，DMT信号经过马赫增德尔调制器MZM调制到由激光器产生的光载波上后进行传输。
在DMT信号经过一定距离的传输过后，用光电二极管进行接收并由高速模数转换器对其进行采样及后续的数字信号处理，该过程主要包括基于神经网络的均衡模块、基于神经网络的信道估计与信号恢复三个部分。光纤系统的接收端，在色散及平方律作用下，由于相位信息的丢失，无法恢复光场。并且，接收到的信号表现出频率选择性衰落，导致无法正常的恢复信号。传统的线性均衡算法，只能消除码间串扰带来的影响，无法消除这类信号的非线性损伤。采用非线性均衡算法，如Volterra均衡器，判决反馈均衡DFE等可以部分消除信号间拍频串扰的影响，然而，其均衡能力与复杂度都限制了相应的性能。采用神经网络的方法进行拍频串扰的消除，恢复出的光场信号，再通过串/并转换、去除保护间隔、快速傅里叶变换FFT得到经过均衡后的频域信号。将频域信号输入基于神经网络的信道估计算法可以更加准确地估计出信道响应，从而实现对发送端发送信号的恢复。
假设经过均衡后的导频子载波在频域上表示为Yp，发送端导频子载波的频域表示为Xp，首先采用最小二乘(LS)算法估计出导频子载波的信道响应
Figure GDA0004180123030000061
Figure GDA0004180123030000062
然后根据LS的估计值进行插值估计数据的/>
Figure GDA0004180123030000063
两者间的关系可以表示为/>
Figure GDA0004180123030000064
其中Wd为一个N×M的权重矩阵。在基于神经网络的信道估计中，可以通过训练来得到Wd，并且在面对快速变化的信道条件下，可以在不需要额外的导频符号的情况下，采用传统的LS算法和线性插值方法结合均衡算法与判决后进行数据恢复，实现对Wd的更新。最后根据信道估计的结果进行数据恢复。
如图1右图所示，为了训练，一些DMT符号所有子载波都作为导频子载波，记为导频符号，导频符号为神经网络提供训练序列对；后面的DMT符号中选出部分子载波作为导频子载波，采用收敛的神经网络用于非导频子载波的信道估计。
其中，神经网络结合了导频辅助训练序列生成的方案和直接判决训练序列生成的方案。导频辅助训练序列生成的方案中，训练序列是基于导频子载波的LS估计结果生成的，连续的(M-1)DLS估计形成一组，其中D为导频子载波间隔，M项作为导频子载波
Figure GDA0004180123030000065
的值，N项作为数据子载波/>
Figure GDA0004180123030000066
的值，这样一组可以提供一对训练序列。M是指一对训练序列中导频子载波个数，其中一个导频子载波会对应一个/>
Figure GDA0004180123030000067
值，M项导频子载波就有M项/>
Figure GDA0004180123030000068
的值。
为了减小标签中估计误差造成的性能损失，采用滑窗的方式来获得较多的训练序列对，其详细过程如图1所示，由图可知最多可以得到L-(M-1)D+1组训练序列对，其中L为每个DMT符号的可用子载波数。如果在训练阶段传输Np块导频符号，则可以生成Np(L-(M-1)D+1)组训练序列对。通过输入多组的训练序列对
Figure GDA0004180123030000071
来使得网络收敛，获得权重矩阵Wd，从而获得数据子载波/>
Figure GDA0004180123030000072
由于信道可能是变化的，为了实现对信道的跟踪，避免当前估计的权重矩阵无法准确恢复出下一时刻传输的数据，因此需要间隔一段时间后对Wd进行更新。
可选的，间隔一段传输数据后会需要重新传输一段导频符号来重新训练神经网络。
优选的方案是将前一段的数据恢复出来直接作为下一段的导频符号，从而实现对Wd的更新。每经过n个DMT符号后运行一次直接判决训练序列生成的方案，直接生成导频符号的方案对Wd进行更新。该方案不需要额外的导频符号，首先，根据接收到的信号和插入的导频子载波可以计算出
Figure GDA0004180123030000073
然后，利用传统的线性插值方法计算出/>
Figure GDA0004180123030000074
此时的信道估计结果受噪声影响存在一定的偏差，使用均衡算法后进行数据恢复，将恢复出来的数据经判决后作为导频符号，最后，再采用导频辅助训练序列生成的方案可获得更新后的权重矩阵Wd，从而进一步提高信道估计的精度。
由于光纤色散、激光器频率啁啾以及带限效应等存在，信道出现频率选择性衰落，使得每个分组的Wd不再一致，因此，需要加大训练的长度，并采用深度神经网络实现对数据子载波的信道估计,实现对具有频率选择性衰落信道的估计。类似地，也可以采用深度神经网络对信号进行非线性均衡，进一步地，采用线性神经网络实现信道估计。

Claims (6)

1.基于神经网络的光纤信道估计方法，其特征在于，包括以下步骤：
训练步骤：通过传输Np块导频符号所生成Np(L-(M-1)D+1)组训练序列对
Figure FDA0004180123020000011
使得神经网络收敛从而拟合权重矩阵Wd完成用于信道估计的神经网络的训练；其中，/>
Figure FDA0004180123020000012
为导频子载波的信道响应，/>
Figure FDA0004180123020000013
为数据子载波的信道响应，M为一对训练序列中导频子载波数，D为导频子载波间隔，L为从光纤信道中接收到一个已调符号的可用子载波数，可用子载波包括导频子载波和数据子载波；
信道估计步骤：对当前从光纤信道中接收到的经过均衡处理后的已调符号采用最小二乘估计法得到导频子载波的信道响应
Figure FDA0004180123020000014
将导频子载波的信道响应/>
Figure FDA0004180123020000015
输入用于信道估计的神经网络，用于信道估计的神经网络输出数据子载波的信道响应/>
Figure FDA0004180123020000016
完成光纤信道估计。
2.如权利要求1所述方法，其特征在于，在每完成n个已调符号的信道估计后进入权重矩阵Wd更新步骤完成一次权重矩阵Wd更新：
先对从光纤信道中接收到已调符号采用最小二乘估计法得到导频子载波的信道响应
Figure FDA0004180123020000017
再利用线性插值方法计算出数据子载波的信道响应/>
Figure FDA0004180123020000018
使用数据子载波的信道响应/>
Figure FDA0004180123020000019
恢复出发送数据，将恢复出的发送数据作为导频符号重新生成训练序列对/>
Figure FDA00041801230200000110
输入至用于信道估计的神经网络中更新神经网络参数从而完成一次权重矩阵Wd更新；
权重矩阵Wd更新步骤完成后进入信道估计步骤使用更新后的用于信道估计的神经网络完成信道估计。
3.如权利要求1或2所述方法，其特征在于，均衡处理为：对接收到光纤信号进行码间串扰与非线性消除得到经过均衡后的已调符号。
4.如权利要求3所述方法，其特征在于，均衡处理中的码间串扰与非线性消除处理使用用于非线性均衡的神经网络来实现。
5.如权利要求2所述方法，其特征在于，使用均衡算法与判决后，恢复出发送数据。
6.如权利要求1所述方法，其特征在于，已调符号为离散多音频DMT信号。
CN202210446536.0A 2022-04-26 2022-04-26 基于神经网络的光纤信道估计方法 Active CN114844749B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210446536.0A CN114844749B (zh) 2022-04-26 2022-04-26 基于神经网络的光纤信道估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210446536.0A CN114844749B (zh) 2022-04-26 2022-04-26 基于神经网络的光纤信道估计方法

Publications (2)

Publication Number Publication Date
CN114844749A CN114844749A (zh) 2022-08-02
CN114844749B true CN114844749B (zh) 2023-06-09

Family

ID=82566302

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210446536.0A Active CN114844749B (zh) 2022-04-26 2022-04-26 基于神经网络的光纤信道估计方法

Country Status (1)

Country Link
CN (1) CN114844749B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115589264B (zh) * 2022-08-29 2024-03-22 电子科技大学 一种全神经网络的全数字相干接收系统
CN116016065B (zh) * 2023-03-24 2023-08-04 南京大学 基于神经网络的抗串扰高速互联信号接收方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110751073A (zh) * 2019-10-12 2020-02-04 武汉理工大学 基于分布式光纤传感和深度学习的管道早期损伤模式识别方法
CN111404849A (zh) * 2020-03-20 2020-07-10 北京航空航天大学 一种基于深度学习的ofdm信道估计与信号检测方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020092391A1 (en) * 2018-10-29 2020-05-07 Board Of Regents, The University Of Texas System Low resolution ofdm receivers via deep learning
CN113748614B (zh) * 2019-04-30 2023-06-20 华为技术有限公司 一种信道估计模型训练方法及设备
CN113472706B (zh) * 2021-07-12 2023-04-07 南京大学 一种基于深度神经网络的mimo-ofdm系统信道估计方法
AU2021107497A4 (en) * 2021-08-25 2021-12-23 K. Rajesh Babu An ofdm channel estimation and signal detection method based on deep learning
CN114006794B (zh) * 2021-10-09 2022-11-25 苏州大学 基于复数值神经网络的信道估计方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110751073A (zh) * 2019-10-12 2020-02-04 武汉理工大学 基于分布式光纤传感和深度学习的管道早期损伤模式识别方法
CN111404849A (zh) * 2020-03-20 2020-07-10 北京航空航天大学 一种基于深度学习的ofdm信道估计与信号检测方法

Also Published As

Publication number Publication date
CN114844749A (zh) 2022-08-02

Similar Documents

Publication Publication Date Title
CN109617847B (zh) 一种基于模型驱动深度学习的无循环前缀ofdm接收方法
CN114844749B (zh) 基于神经网络的光纤信道估计方法
CN109347562B (zh) 一种co-ofdm系统相位噪声优化补偿方法
CN113452638B (zh) 一种正交啁啾复用光传输方法和系统
US9225429B2 (en) Recovering data from quadrature phase shift keying modulated optical signals
CN113300779B (zh) 一种导频辅助的co-fbmc/oqam系统相位噪声补偿方法
CN110011734B (zh) 基于导频和二维投影直方图的co-ofdm系统中的cpe补偿方法
WO2023245828A1 (zh) 一种多载波接入网失真信号的补偿方法及非线性均衡器
CN111865432B (zh) 一种co-fbmc/oqam系统中的盲相位噪声补偿方法
CN112350965B (zh) 无线光通信系统中自适应最小二乘信道估计方法及接收机
CN113852575A (zh) 一种基于时域信道均衡辅助的迭代otfs符号检测方法
NZ198717A (en) Decoding multilevel data signals
Liang et al. Experimental study of support vector machine based nonlinear equalizer for VCSEL based optical interconnect
EP4205036A1 (en) Radio receiver, transmitter and system for pilotless-ofdm communications
CN112511472B (zh) 一种基于神经网络的时频二阶均衡方法及通信系统
CN117040976B (zh) 非合作通信条件下的双模式联合盲均衡方法及盲均衡器
CN110830398B (zh) 应用于光纤dmt系统中的符号内频域平均信道估计方法
CN114006794B (zh) 基于复数值神经网络的信道估计方法及系统
CN109962872A (zh) Dft-s ofdm系统中基于迭代算法的相位噪声抑制方法
CN105429922B (zh) 用于ddo-ofdm系统的基于梳状导频的信道估计法
CN113556305A (zh) 适用于高频率选择性衰落的fbmc迭代信道均衡方法及系统
CN106302279A (zh) 基于干扰方差统计的fbmc系统均衡方法
CN113612707A (zh) 基于ann_ls的im/dd-ofdm/oqam-pon系统信道估计方法
Pérez et al. Training approaches in supervised learning for ICI mitigation in gridless Nyquist-WDM
Hanoon et al. Performance Evaluation of SISO-OFDM Channel Equalization Utilizing Deep Learning

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