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N
p块导频符号所生成N
p(L-(M-1)D+1)组训练序列对
使得神经网络收敛从而拟合权重矩阵W
d完成用于信道估计的神经网络的训练;其中,/>
为导频子载波的信道响应,/>
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
将导频子载波的信道响应/>
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/>
完成光纤信道估计。
采用LS估计导频子载波
接收端导频子载波的频域表示为Y
p,发送端导频子载波的频域表示为X
p。根据LS的估计值/>
进行插值估计/>
两者间的关系可以表示为
其中W
d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W
d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
再利用线性插值方法计算出数据子载波的信道响应/>
使用数据子载波的信道响应/>
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
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W
d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。
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
其表达式为/>
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N
p段导频符号,通过输入多组的训练序列对
来使得网络收敛,获得权重矩阵W
d,其具体过程如图1所示,图中以N
p取1为例。然后,利用训练序列训练得到的权重矩阵W
d来获得数据子载波处的信道响应/>
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W
d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
再利用传统的线性插值方法计算出/>
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W
d。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Y
p,发送端导频子载波的频域表示为X
p,首先采用最小二乘(LS)算法估计出导频子载波的信道响应
然后根据LS的估计值进行插值估计数据的/>
两者间的关系可以表示为/>
其中W
d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W
d,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W
d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
的值,N项作为数据子载波/>
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/>
值,M项导频子载波就有M项/>
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N
p块导频符号,则可以生成N
p(L-(M-1)D+1)组训练序列对。通过输入多组的训练序列对
来使得网络收敛,获得权重矩阵W
d,从而获得数据子载波/>
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W
d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W
d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
然后,利用传统的线性插值方法计算出/>
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W
d,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。