CN114866145B - 用于光通信的方法、设备、装置和计算机可读介质 - Google Patents
用于光通信的方法、设备、装置和计算机可读介质 Download PDFInfo
- Publication number
- CN114866145B CN114866145B CN202110078720.XA CN202110078720A CN114866145B CN 114866145 B CN114866145 B CN 114866145B CN 202110078720 A CN202110078720 A CN 202110078720A CN 114866145 B CN114866145 B CN 114866145B
- Authority
- CN
- China
- Prior art keywords
- training
- neural network
- optical
- signal sequence
- line terminal
- 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
- 230000003287 optical effect Effects 0.000 title claims abstract description 121
- 238000000034 method Methods 0.000 title claims abstract description 98
- 238000004891 communication Methods 0.000 title claims abstract description 44
- 238000013528 artificial neural network Methods 0.000 claims abstract description 194
- 238000012549 training Methods 0.000 claims abstract description 148
- 108010076504 Protein Sorting Signals Proteins 0.000 claims abstract description 81
- 230000005540 biological transmission Effects 0.000 claims abstract description 16
- 230000015654 memory Effects 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 21
- 230000035945 sensitivity Effects 0.000 abstract description 5
- 230000002708 enhancing effect Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 29
- 238000010586 diagram Methods 0.000 description 18
- 210000002569 neuron Anatomy 0.000 description 16
- 230000006870 function Effects 0.000 description 14
- 238000004088 simulation Methods 0.000 description 9
- 230000011664 signaling Effects 0.000 description 8
- 239000013307 optical fiber Substances 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 4
- 239000000835 fiber Substances 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003252 repetitive effect Effects 0.000 description 3
- 101150071746 Pbsn gene Proteins 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011423 initialization method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 229940046166 oligodeoxynucleotide Drugs 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 108091081062 Repeated sequence (DNA) Proteins 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
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
- H04B10/25—Arrangements specific to fibre transmission
-
- 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)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Optical Communication System (AREA)
Abstract
本公开的实施例涉及用于光通信的方法、设备、装置和计算机可读介质。该方法包括在光线路终端处，从光网络单元接收用于训练的畸变重复信号序列，用于训练的畸变重复信号序列是光网络单元发送的用于训练的原始重复信号序列在传输中发生畸变而引起的。然后，光线路终端基于畸变重复信号序列和用于训练的参考原始信号序列，通过训练光线路终端中的神经网络，确定用于配置神经网络的参数集合，以及向光网络单元发送初始化完成消息，消息指示对神经网络的初始化已完成。以此方式，能够显著提升光线路终端中的神经网络的训练能力，从而增强无源光网络中接收机的接收灵敏度。
Description
技术领域
本公开的实施例涉及光通信领域，更具体地涉及在用于光通信的方法、设备、装置和计算机可读介质。
背景技术
最近，具有自适应性和灵活性的信号均衡已成为高速无源光网络(high-speedPON)核心技术之一。对于超高速信号的均衡的重要性在于，其有助于将低成本的硬件设备(例如20GHz光器件)用于高速率信号传输。
此外，近年来在光通信和无线通信中，基于神经网络(NN)的信号处理逐渐被认为是一种有前景的信号处理方法，与诸如基于线性最小均方的传统信号处理方法相比具有一些显著的性能优势。基于NN的机器学习能够有效提取和学习传输信道中的特征并且以监督训练的方式对其进行补偿。前向反馈神经网络(FF-NN)、循环神经网络(RNN)以及卷积神经网络(CNN)是其中几种较为著名的神经网络类型。
发明内容
总体上，本公开的实施例涉及一种用于光通信的方法、设备、装置和计算机可读介质。
在本公开的第一方面，提供了一种用于光通信的方法，在光线路终端处，从光网络单元接收用于训练的畸变重复信号序列，用于训练的畸变重复信号序列是光网络单元发送的用于训练的原始重复信号序列在传输中发生畸变而引起的；基于畸变重复信号序列和用于训练的参考原始信号序列，通过训练光线路终端中的神经网络，确定用于配置神经网络的参数集合；以及向光网络单元发送初始化完成消息，消息指示对神经网络的初始化已完成。
在本公开的第二方面，提供了一种用于光通信的方法，在光网络单元处，向光线路终端发送用于训练的原始重复信号序列；以及从光线路终端接收初始化完成消息，初始化完成消息指示对神经网络的初始化已完成。
在本公开的第三方面，提供了一种用于光通信的方法，在光线路终端处，基于从光网络单元接收的测距信号，确定光线路终端与光网路单元之间的第一距离；基于第一距离，确定用于配置光线路终端中的神经网络的目标参数集合；以及向光网络单元发送初始化完成消息，初始化完成消息指示对神经网络的初始化已完成。
在本公开的第四方面，提供了一种用于光通信的方法，在光网络单元处，从光线路终端接收初始化完成消息，初始化完成消息指示对神经网络的初始化已完成。
在本公开的第五方面，提供了一种用于在光通信的设备。该设备包括至少一个处理器；以及与至少一个处理器耦合的存储器，存储器包含有存储于其中的指令，指令在被至少一个处理单元执行时，使得该设备执行第一方面和第三方面的方法。
在本公开的第六方面，提供了一种用于在光通信的设备。该设备包括至少一个处理器；以及与至少一个处理器耦合的存储器，存储器包含有存储于其中的指令，指令在被至少一个处理单元执行时，使得该设备执行第二方面和第四方面的方法。
在本公开的第七方面，一种用于光通信的装置。包括：用于从光网络单元接收用于训练的畸变重复信号序列的部件，用于训练的畸变重复信号序列是光网络单元发送的用于训练的原始重复信号序列在传输中发生畸变而引起的；用于基于畸变重复信号序列和用于训练的参考原始信号序列，通过训练光线路终端中的神经网络，确定用于配置神经网络的参数集合的部件；以及用于向光网络单元发送初始化完成消息的部件，消息指示对神经网络的初始化已完成。
在本公开的第八方面，提供一种用于在光通信的装置。装置包括用于向光线路终端发送用于训练的原始重复信号序列的部件；以及用于从光线路终端接收初始化完成消息的部件，初始化完成消息指示对神经网络的初始化已完成。
在本公开的第九方面，提供一种用于在光通信的装置。装置包括用于基于从光网络单元接收的测距信号，确定光线路终端与光网路单元之间的第一距离的部件；用于基于第一距离，确定用于配置光线路终端中的神经网络的目标参数集合的部件；以及用于向光网络单元发送初始化完成消息的部件，初始化完成消息指示对神经网络的初始化已完成。
在本公开的第十方面，提供一种用于在光通信的装置。装置包括用于从光线路终端接收初始化完成消息的部件，初始化完成消息指示对神经网络的初始化已完成。
在本公开的第十一方面，提供一种计算机可读介质。该计算机可读介质上存储有指令，当指令在被至少一个处理单元执行时，使得至少一个处理单元被配置为执行第一方面到第四方面的方法。
应当理解，发明内容部分中所描述的内容并非旨在限定本公开实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
附图说明
图1示出了本公开描述的实施例能够在其中被实现的通信系统100的示意图；
图2示出了根据本公开的某些实施例的用于OLT中的神经网络的初始化过程的信令图；
图3示出了根据本公开的某些实施例的用于OLT中的神经网络的初始化过程的信令图；
图4示出了根据本公开的某些实施例的用于OLT中的神经网络的示意图；
图5示出了根据本公开的某些实施例的用于OLT中的神经网络初始化过程的信令图；
图6示出了根据本公开的某些实施例的用于OLT中的神经网络初始化过程的信令图；
图7A和7B示出了使用根据本公开的实施例所得到的示例性的实验结果的示意图；
图8示出了根据本公开的某些实施例的用于光通信的方法的流程图；
图9示出了根据本公开的某些实施例的用于光通信的方法的流程图；
图10示出了根据本公开的某些实施例的用于光通信的方法的流程图；
图11示出了根据本公开的某些实施例的用于光通信的方法的流程图；
图12示出了适合实现本公开实施例的电子设备的简化方框图；以及
图13示出了适合实现本公开的实施例的计算机可读介质的示意图。
具体实施方式
下面将参考附图中所示出的若干示例性实施例来描述本公开的原理和精神。应当理解，描述这些具体的实施例仅是为了使本领域的技术人员能够更好地理解并实现本公开，而并非以任何方式限制本公开的范围。
如本文所使用的，术语“包括”及其类似用语应当理解为开放性包含，即“包括但不限于”。术语“基于”应当理解为“至少部分地基于”。术语“一个实施例”或“该实施例”应当理解为“至少一个实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
如本文所使用的，术语“确定”涵盖各种各样的动作。例如，“确定”可以包括运算、计算、处理、导出、调查、查找(例如，在表格、数据库或另一数据结构中查找)、查明等。此外，“确定”可以包括接收(例如，接收信息)、访问(例如，访问存储器中的数据)等。此外，“确定”可以包括解析、选择、选取、建立等。
本文使用的术语“电路”是指以下的一项或多项：(a)仅硬件电路实现方式(诸如仅模拟和/或数字电路的实现方式)；以及(b)硬件电路和软件的组合，诸如(如果适用)：(i)模拟和/或数字硬件电路与软件/固件的组合，以及(ii)硬件处理器的任意部分与软件(包括一起工作以使得诸如OLT或其他计算设备等装置执行各种功能的数字信号处理器、软件和存储器)；以及(c)硬件电路和/或处理器，诸如微处理器或者微处理器的一部分，其要求软件(例如固件)用于操作，但是在不需要软件用于操作时可以没有软件。
电路的定义适用于此术语在本申请中(包括任意权利要求中)的所有使用场景。作为另一示例，在此使用的术语“电路”也覆盖仅硬件电路或处理器(或多个处理器)、或者硬件电路或处理器的一部分、或者其随附软件或固件的实现方式。例如，如果适用于特定权利要求符号，术语“电路”还覆盖基带集成电路或处理器集成电路或者OLT或其他计算设备中的类似的集成电路。
在此使用的术语“神经网络(NN)”例如可以被理解为机器学习模型，该模型能够从训练数据中学习到相应的输入与输出之间的关联，从而在训练完成后基于训练得到的参数集对给定的输入进行处理以生成对应的输出。“神经网络”有时也可以被称为“学习网络”、“学习模型”、“网络”或“模型”。这些术语在本文中可互换地使用。
图1是本公开描述的实施例可以在其中被实现的通信系统100的示意图。如图1所示，该通信系统100包括光线路终端(OLT)110和光网络单元(ONU)120-1和120-2(在下文中可以统称为ONU 120)。如图所示，在OLT 110和ONU 120之间能够进行通信。例如，在OLT 110和ONU 120之间，能够通过从ONU 120至OLT 110的上行链路的进行数据传输，也能够进行从OLT 110至ONU 120之间的下行链路进行数据传输。应理解，尽管在图1中示出了两个ONU120，在通信系统100中，也可以包括任意数目个ONU 120。
从图1中可以看出，OLT 110包括信号处理设备112，该信号处理设备例如是基于神经网络的信号处理装置。在这里描述的通信系统100中，对于多个ONU 120的情况而言，所有的ONU 120都可以共享OLT 110处的信号处理装置。
如上，具有自适应性和灵活性的信号均衡已成为高速无源光网络(PON)核心技术之一。因此，在下一代PON网络中将使用数字信号处理(DSP)的信号均衡，而其主要针对每波长25/50Gbps、甚至更高的速率(例如，100Gbps及以上)，旨在按波长提供强度调制/直接检测(IM/DD)的服务。与传统的10G级XGPON相比，这是一个全新的功能块。
另外，基于神经网络(NN)的信号处理逐渐被认为是一种有前景的信号处理方法。神经网络(NN)具有比传统前馈均衡器(FFE)和Volterra算法更强的线性和非线性信号失真处理能力，已被认为是在高速50G/100G/超越PON中实现信号均衡的有希望的候选者。许多努力致力于选择合适的NN类型(例如，CNN，DNN或者RNN等)，研究减少NN复杂度以及现场可编程逻辑门(FPGA)实现和通用性问题。因此，神经网络在下一代光接入网络中被广泛研究及使用。
据此，针对PON网络，在使用神经网络对数据进行均衡时，通常将神经网络部署在接收端。在对神经网络进行训练的过程中，发射端将经过光纤信道将数据传输到接收端，由此将产生色散以及调制器的线性和非线性的损伤。
在现有PON网络的信号处理中，当从PON的ONU 120向OLT 110进行传输时，信号将经过光分布网络(ODN)，而经过ODN的传输通常会有一段距离的光纤，并且该段光纤的长度是需要根据用户距离OLT 110、机房的距离决定的，光纤长度越长路径损耗将越大。
在一些示例中，例如当经过ODN网络中的光纤长度较短(即例如OLT与ONU之间的距离较近)的情况下，ODN损伤(ODN loss)可能较小，例如仅为10dB。在这种情况下，在OLT 110处接收的信号将具有较好的信噪比。也就是说，OLT 110将接收到比较清晰的信号。由此，在OLT 110可以使用所接收到的比较清晰的用于训练的信号对神经网络进行训练时，将使得对NN网络的训练变得较为容易和准确。这是因为OLT 110所接收到的信号可以很好的表现出ODN中的光纤信道的特征。
然而，在一些其他情况下，用于传输的ODN中的光纤的距离也可能比较长，从而导致较大的路径损耗。此外，在PON部署中，一个OLT 110通常可以多个ONU 120(例如，32个、64个甚至更多数目的ONU 120)，而并非仅与一个ONU 120进行通信。这将可能导致较高的分光比，从而带来较高的分光损耗。因此，在链路预算方面，针对OLT与ONU之间通过ODN进行通信的场景，通常需要例如29dB甚至更大的功率预算来作为基准。
然而，在路径损耗较大的情况下(例如，29dB的路径损耗的情况)，将使得在OLT110侧所接收的信号质量变差，接收的信号与噪声混合在一起。由此，当使用这样的接收信号来对神经网络进行训练时，将很难通过训练得到较为准确的信道响应，从而不利于神经网络的训练质量并且降低神经网络的收敛速度。
在一个示例中，针对神经网络的收敛过程，可以判断收敛(例如，确定神经网络的MSE(或其他性能指标)是否小于某个阈值，例如10-3或者10-6)，从而判断神经网络被训练好了。在网络被训练好以后，就可以传输有效负载，并使用训练好的网络进行均衡处理，从而恢复出所需的数据。
另外，在光纤接入网络中，ODN的路径损耗通常可达29dB甚至更高。这样，能够接收到用于训练的信号的质量会较差，从而导致在OLT 110处所接收的信号无法被用于神经网络的训练，以得到理想的训练效果。因此，需要提高PON中的用于训练的数据的质量，以使得OLT 110处所使用的用于训练的数据的质量能够满足对神经网络进行训练的目的。
鉴于此，本公开的实施例提供一种用于OLT中的神经网络的初始化的方法。在该方法中，在OLT 110处，从ONU 120接收用于训练的畸变重复信号序列，其中用于训练的畸变重复信号序列是ONU 120发送的用于训练的原始重复信号序列在传输中发生畸变而引起的。然后，OLT 110基于畸变重复信号序列和用于训练的参考原始信号序列，通过训练OLT 110中的神经网络，确定用于配置神经网络的参数集合。最后，OLT 110向ONU 120发送初始化完成消息，该消息指示对神经网络的初始化已完成。以此方式，提供了一种为网络中的网元(例如，OLT)中的神经网络进行初始化的方法，使得可以在初始化过程中为OLT 110中的神经网络提供较好质量的用于配置神经网络的参数，从而提高了神经网络的训练质量以及收敛速度，由此通过显著提升OLT中的神经网络的训练能力，从而增强PON中接收机的接收灵敏度。
以下将参考图2-13详细描述本公开的原理和实施方式。图2示出了根据本公开的某些实施例的用于OLT 110中的神经网络的初始化过程200的信令图。为了便于讨论，将结合图1来讨论过程200。该过程200可以涉及图1中示出的OLT 110和ONU 120。
如图2所示，ONU 120向OLT 110发送210用于训练的原始重复信号序列。从而，将在OLT 110从ONU 120接收220到用于训练的畸变重复信号序列，该用于训练的畸变重复信号序列是ONU 120发送的用于训练的原始重复信号序列在传输中发生畸变而引起的。
在OLT 110从ONU 120接收到用于训练的畸变重复信号序列后，OLT 110将基于畸变重复信号序列和用于训练的参考原始信号序列，通过训练OLT 110中的神经网络，确定230用于配置神经网络的参数集合。
然后，OLT 110将向ONU 120发送240初始化完成消息。该初始化完成消息指示对神经网络的初始化已完成。ONU 120在接收250到该初始化完成消息后，将能够开始向OLT 110发送260后续的训练数据和/或有效负载数据，以进行ONU 120向OLT 110的传输。
图3示出了根据本公开的某些实施例的用于OLT 110中的神经网络的初始化过程300的信令图。为了便于讨论，将结合图1来讨论过程300。该过程300可以涉及图1中示出的OLT 110和ONU 120。
在一些示例实施例中，如图3所示，ONU 120可以在上电开机301后向OLT 110发起接入过程302。在该接入过程完成后，OLT 110可以向ONU 120发送310训练数据请求。在一个实例中，该训练数据请求可以包括关于被发送的信号序列被重复的次数的信息。
在一些实施例中，在接收320到训练数据请求后，ONU 120可以根据该请求中所包括的关于被发送的信号序列被重复的次数的信息，向OLT 110发送330用于训练的原始重复信号序列。在一个示例中，被重复的次数可以为100次、1000次等。由此，OLT 110将根据该信息向OLT 110重复发送100次或者1000次相同的信号序列。在其他一些实施例中，OLT 110可以在其向ONU 120发送的其他消息中携带该训练数据请求。备选地，还可以通过其他网络节点向ONU 120发送训练数据请求，以使得ONU 120向OLT 110发送用于训练的原始重复信号序列。本公开的保护范围在此方面不受限制。
在一些实施例中，ONU 120向OLT 110所发送的用于训练的原始重复信号序列可以为任何形式的序列。在一些实施例中，OLT 110发送的原始重复信号序列的阶数可以跟其将要在后续传输的有效负载的阶数保持一致。例如，将在有效负载中传输的数据为4阶的脉冲幅度调制(PAM4)信号，则用于训练的原始重复信号序列可以为4阶的信号。可以理解，该4阶的信号即为所传输的信号可以是0、1、2、3中四个中的任何一个。类似地，可以理解，ONU 120还也可以向发送OLT 110发送2阶的信号(例如，0101形式的信号)。本公开的保护范围在此方面不受限制。
在一个示例中，ONU 120向OLT 110发送的用于训练的原始重复信号序列可以为伪随机码(PRBS)信号。在这样的示例中，OLT 110还将获知ONU 120发送的随机码的阶数(例如，阶数可以为11、15或者20)和起始值。由此，OLT 110就能够知道ONU 120所发送的用于训练的原始重复信号序列(即为OLT 110侧的、用于训练的参考原始信号序列的重复序列)。
在一些实施例中，在接收340到用于训练的畸变重复信号序列后，如上文中提到的，OLT 110将基于畸变重复信号序列和用于训练的参考原始信号序列，通过训练OLT中的神经网络，确定350用于配置神经网络的参数集合。
在这样的实施例中，OLT 110例如可以确定畸变重复信号序列中的多个重复的信号序列的平均值。然后，OLT 110就可以基于该平均值以及参考原始信号序列，通过训练神经网络，确定参数集合，以用于配置OLT 110中的神经网络。以此方式对神经网络进行初始化训练，可以使神经网络得到一组较高质量的参数集合。由此，在将这样的参数集合作为初始化的参数配置给神经网络后，就能够使得神经网络在使用后续的训练数据进行训练的过程中实现更好的训练效果。
在一些实施例中，可以在ONU 120第一次连接到OLT110或者ONU 120的比特误码率(BER)下降并且变得不可接受时，才执行上述结合图2所示的上述流程。另外，可以在ONU120非第一次连接到OLT 110或者ONU 120的比特误码率(BER)未下降或可接受时，使用OLT110存储的参数集合直接用于配置OLT 110中的神经网络。这样，可以仅在需要的时候执行如上所述的过程300，从而在提高OLT中神经网络的训练能力的同时，还节省了系统资源。
例如，OLT 110可以判断ONU 120是否第一次连接到OLT110，以确定是否向ONU发送训练数据请求。在另一示例中，OLT 110可以首先判断比特误码率(BER)是否低于某个预先设定的阈值，以确定是否执行上述流程中的步骤310和/或350等。
在一些实施例中，参数集合可以包括一组权重和一组偏移量，以用于配置神经网络。一组权重中的权重的数目以及一组偏移量中的偏移量的数目与神经网络的结构有关。
下面将结合图4说明OLT 110中的神经网络所使用的参数集合中所包括的权重和偏移量。图4示出了根据本公开的某些实施例的用于OLT中的神经网络400的示意图。该神经网络是全连接网络，如图4所示，神经网络可以包括输入层410、第一隐藏层420、第二隐藏层430和输出层440。可以理解，用于OLT 110均衡器的神经网络也可以包括其他数目的隐藏层数以及相应的神经元的数目。本公开的保护范围在此方面也不受限制。
在如图4所示的实施例中，神经网络中的第一隐藏层420、第二隐藏层430分别包括多个神经元。如图4所示，第一隐藏层420包括40个神经元，而第二层可以包括20个神经元。这些神经元中的每个神经元都可以具有一个激活函数，该激活函数例如可以是非线性或者线性的函数。该函数例如可以为sigmoid函数，也可以为其他函数，例如relu,tanh函数等。此外，可以为每个神经元规定相同的激活函数或者不同的激活函数。本公开的保护范围在此方面不受限制。
在如图4所示的神经网络中，D表示延时，例如40个输入数据分别被以一定延时地输入到输入层410，然后被输入到第一隐藏层420。之后再进行相应的计算后，其计算结果被输入到第二隐藏层430。由此，如图4所示，输入层中的每个输入与第一隐藏层中的每个神经元之间为全连接。由此，针对第一隐藏层中的权重的数目如公式(1)所示：
第一隐藏层中的权重的数目＝输入的数目*该隐藏层中的神经元的数目 (1)
例如，当输入到第一隐藏层420中的输入的数目为40，而第一隐藏层420中神经元的数目为40时，则第一隐藏层420中的权重的数目为40*40＝1600个。
另外，每个隐藏层中的神经元还将具有相应的偏移量。由此，如图4所示的神经网络的第一隐藏层420将具有40个偏移量。因而，第一隐藏层420中的每个神经元所进行的运算是输入层中的每个输入(例如，包括40个输入)各自乘以40个权重，然后再加上相应的偏移量(即，输入1*权重1+输入2*权重2+输入3*权重3……输入40*权重40+偏移量(bias))，然后通过每个神经元的非线性激活函数可以输出一个值。由此，40个神经元各自得到一个输出，而每个输出又会被输入到第二隐藏层430(例如，具有20个神经元的第二隐藏层)，然后进行与在第一隐藏层420中所进行的类似的运算，从而得到相应的输出。在一些示例中，在如图4所示的神经网络中将具有40+20＝60个偏移量。也就是说，偏移量的数目为跟隐藏层中的神经元的总数目是一样的。可以理解，以上全连接的神经网络仅作为示例示出，而神经网络中的各个层中的神经元之间也可以采用非全连接的方式。本公开的保护范围在此方面不受限制。
在确定用于配置神经网路的参数集合后，OLT 110将向ONU 120发送360指示初始化已完成的初始化完成消息。由此，ONU 120在接收370到该初始化完成消息后，将可以向OLT 110发送380用于训练的较短的训练数据(而并非像初始化阶段时所发送的重复信号序列)以及/或者有效负载。
在一些实施例中，可以以较长的周期(例如，一天或者一周)对OLT 110中的神经网络进行上述初始化过程。可以例如以一天或者一周为周期地由OLT向ONU发送训练数据请求以及/或者由ONU 120向OLT 110发送用于训练的原始重复信号训练。然而，在完成这样的对神经网络的初始化过程后，可以将所确定的用于配置神经网络的参数集合存储到OLT 110中的例如寄存器中，以备OLT 110中的神经网络的后续使用。
另外，考虑到在OLT 110中的神经网络的初始化过程完成后，由于OLT 110系统在运行过程中可能会存在微小的变化(例如，光纤系统可能由于受温度或者光纤扰动的影响而产生微小的变化)，因此还需要对OLT中的神经网络进行精细训练，以对该系统再进行微调。
在一些实施例中，可以由ONU 120以较小的周期(例如，小于一天的周期，例如每小时、或者由某事件等方式触发)来向OLT 110发送用于对神经网络进行训练的较短的训练数据，以对OLT 110中的神经网络进行更加精细的训练。在该实施例中，可以通过使用先前在例如寄存器中所存储的用于配置神经网络的参数集合作为用于神经网络的初始化的参数来对神经网络进行进一步的精细训练。这样，由于用于精细训练的训练数据仅需要发送一次(即，不需要重复地发送)，因此所发送的总数据量明显降低，从而节省了带宽资源。
另外，如上所述，在路径损耗较大的情况下(例如，29dB的路径损耗的情况)，使得在OLT 110侧对所接收的信号比较模糊，从而导致接收的信号被与噪声混合在一起。由此，当使用这样的接收信号来对神经网络进行训练时，将很难通过训练得到较为准确的信道的响应，从而不利于神经网络的训练质量并且降低神经网络的收敛速度。
另外，在光纤接入网络中，ODN的路径损耗通常可达29dB甚至更高。这样，能够接收到用于训练的信号的质量会较差，从而导致在OLT 110处所接收的信号无法被用于神经网络的训练，以得到理想的训练效果。因此，需要提高PON中的用于训练的数据的质量，以使得OLT 110处所使用的用于训练的数据的质量能够满足对神经网络进行训练的目的。
鉴于此，本公开的实施例还提供另一种用于OLT中的神经网络的初始化的方法。在该方法中，在OLT 110处，基于从ONU 120接收的测距信号，确定OLT 110与ONU 120之间的第一距离。然后，OLT 110将基于第一距离，确定用于配置OLT 110中的神经网络的目标参数集合。之后，OLT 110将向ONU 120发送初始化完成消息，该初始化完成消息指示对神经网络的初始化已完成。以此方式，提供了一种为网络中的网元(例如，OLT 110)中的神经网络进行初始化的方法，使得可以在初始化过程中为OLT 110中的神经网络提供用于配置神经网络的较好质量的参数，从而提高了神经网络的训练质量以及收敛速度，由此通过显著提升OLT110中的神经网络的训练能力，从而增强PON中接收机的接收灵敏度。
下面将参考图5和图6描述上文中所述的这种用于OLT中的神经网络的初始化的方法。图5示出了根据本公开的某些实施例的用于OLT中的神经网络初始化过程500的信令图。为了便于讨论，将结合图1来讨论过程200。该过程500可以涉及图1中示出的OLT 110和ONU120。
如图5所示，OLT 110基于从ONU 120接收的测距信号，确定510OLT 110与ONU 120之间的距离。然后，OLT 110将基于该距离，确定520用于配置OLT 110中的神经网络的目标参数集合。另外，OLT 110将向ONU 120发送530初始化完成消息，该初始化完成消息指示对神经网络的初始化已完成。由此，ONU 120在接收540到该初始化完成消息后，将能够通过向OLT 110发送550训练数据和/或有效负载数据，以进行ONU 120向OLT 110的后续传输。
图6示出了根据本公开的某些实施例的用于OLT中的神经网络初始化过程600的信令图。为了便于讨论，将结合图1来讨论过程600。该过程600可以涉及图1中示出的OLT 110和ONU 120。
在一些示例实施例中，如图6所示，ONU 120可以在上电开机601后向OLT 110发起接入过程602。在该接入过程完成后，OLT 110可以向ONU 120发送610测距请求。
作为反馈，ONU 120在接收620到测距请求后，ONU 120可以向OLT 110发送630测距信号。由此，OLT 110可以接收640该测距信号，并且基于该测距信号进行测距操作，从而确定650OLT 110与ONU 120之间的距离。
在OLT 110通过上述测距过程确定其与ONU 120之间的距离后，OLT 110基于该距离确定660用于配置OLT 110中的神经网路的目标参数集合。在一些实施中，该目标参数集合可以包括用于配置神经网络的权重集合和偏移量集合。
在一些实施例中，OLT 110可以基于所确定的OLT 110与ONU 120之间的距离，从一个距离信息集合中选择与所确定的OLT 110与ONU 120之间的距离对应的距离信息。表1示出了用于神经网络的参数配置的参数集合表的一个示例。在该示例中，例如通过测距过程确定出OLT 110与ONU 120之间的距离为5公里。由此，可以从距离信息集合(即表1中的距离列)中选择与5公里的距离对应的距离信息。例如，5公里可以被对应到2.5～7.5公里的距离范围内。由此，OLT 110可以从如表1所示的该神经网络的参数集合表中选择与2.5～7.5公里的距离范围对应的参数集合。
参数集合，以作为对神经网络进行配置的目标参数集合,参数集合表包括多个条目，多个条目中的每个条目包括第二距离信息集合中的第二距离信息和对应的参数集合{ωa1,ωa2,…,ωam；ba1,ba2,…,ban}，以作为用于神经网络的目标参数集合，其中ω为用于神经网络的配置的权重，ωa1,ωa2,…,ωam为用于神经网络的配置的权重集合，b为用于神经网络的配置的偏移量，ba1,ba2,…,ban为用于神经网络的配置的偏移量集合。
如表1所示的参数集合表中可以包括多个条目，其中每个条目可以包括第二距离信息集合(即，第二距离信息集合可以包括2.5公里～7.5公里、7.5公里～12.5公里、12.5公里～17.5公里以及17.5公里～22.5公里等)中的一个第二距离信息。由此，可以将通过测距过程测量出的ONU 120与OLT 110之间的距离对应到这样的第二距离信息集合中的一个第二距离信息，由此通过查表(例如，表1)以获得第二距离信息的相应的参数集合，以作为目标参数集合。
表1神经网络参数集合
| 类别 | 距离(公里) | 神经网络参数集合 |
| A | 2.5～7.5 | {ωa1,ωa2,…,ωam；ba1,ba2,…,ban} |
| B | 7.5～12.5 | {ωb1,ωb2,…,ωbm；bb1,bb2,…,bbn} |
| C | 12.5～17.5 | {ωc1,ωc2,…,ωcm；bc1,bc2,…,bcn} |
| D | 17.5～22.5 | {ωd1,ωd2,…,ωdm；bd1,bd2,…,bdn} |
在一些其他实施例中，参数集合表也可以为其他形式，本公开的保护范围在此方面不受限制。
在一些实施例中，可以在实验室或仿真中进行对神经网络进行初始训练，其中使用OLT 110和ONU 120收集高质量/高SNR的训练数据，例如可以仿真中不使用ODN，直接背对背(b-t-b)传输信号，从而生成一个类似表1的查找表。由此，通过对该表格进行查表来获得合适的神经网络参数集合，从而提升OLT 110中的神经网络的训练能力，增强PON接收机的接收灵敏度。
在一些实施例中，在确定目标参数集合后，OLT 110中的神经网络可以使用该目标参数集合为神经网络进行初始化，从而使得为神经网络提供较好质量的参数集合(例如，权重集合以及偏移量集合)。神经网络通过该使用这样的高质量的参数对从ONU 120接收到的信号进行训练，从而提升OLT 110中的神经网络的训练能力，增强PON中接收机的接收灵敏度。
在一些实施例中，在对神经网络的初始化过程完成后，OLT 110可以向ONU 120发送670初始化完成消息，以指示OLT 110对神经网络的初始化已完成。而ONU 120在接收680到该初始化完成消息后，将开始向OLT 110发送690训练数据和/或有效负载数据，以进行ONU 120向OLT 110的传输。
根据本公开的一些实施例可以在具有开关键控(OOK)调制的50Gps的PON系统中实现。下文中的表2示出了系统模型和用于神经网络训练的仿真参数。仿真模型可以在VPI软件和Matlab软件中进行。在一些实例中，VPI软件可以执行系统仿真，包括电气和光学部分；而Matlab可以执行数字信号处理(DSP)部分，包括神经网络初始化、训练和均衡等。如表2所示，系统模型的设备带宽、PD类型和调制类型可以分别为20GHz、APD和电吸收调制器(EML)。
表2
另外，如表2所示，针对神经网络均衡，接收的总数据的数目、训练的数目和迭代的数目分别为218、1*105和1*104。迭代的数目(或称为迭代的次数)可体现神经网络的收敛速度。
例如，当将10万个训练数据输入到神经网络中时，将进行一次迭代，其通过计算参考畸变信号序列以及神经网络的算出来的值的均方根误差(MSE)，然后进行反向误差传递，以更新权重和偏移量，而这样的迭代将进行1万次。损失函数为MSE。
在仿真中，发射器中所发送的原始数据可以由Matlab函数“randi”生成，而非PRBS数据。仿真中使用的神经网络由一个输入层、两个隐藏层和一个输出层组成，如上文中的图4所示。
图7A和7B示出了使用根据本公开的实施例所得到的示例性的实验结果的示意图。ROP表示接收到的信号光功率，BER表示比特误码率。图7A中的700A示出了在使用和不使用根据本公开的实施例的如参考图2和图3所示的神经网络初始化方法的情况下仿真结果。图7B中的700B示出了在使用和不使用根据本公开的实施例的如结合图5和图6所示的神经网络初始化方法的情况下仿真结果。如图7A和7B所示，在使用了根据本申请的实施例的对神经网络的初始化的方法后，前向纠错编码(FEC)阈值为1*10-2的情况下，本公开的实施例的方案可以提供一定的性能优势，大约在0.6～0.7dB左右。
图8示出了根据本公开的某些实施例的用于光通信的方法800的流程图。如图8所示，方法800可以在OLT 110处实现。为了讨论的目的，将参照图1描述方法800。
如图8所示，在框810，OLT 110从ONU 120接收用于训练的畸变重复信号序列，用于训练的畸变重复信号序列是ONU 120发送的用于训练的原始重复信号序列在传输中发生畸变而引起的。
在框820，OLT 110基于畸变重复信号序列和用于训练的参考原始信号序列，通过训练OLT 110中的神经网络，确定用于配置神经网络的参数集合。
在框830，OLT 110向ONU 120发送初始化完成消息，消息指示对神经网络的初始化已完成。
在一些实施例中，确定用于对神经网络进行配置的参数集合包括：确定畸变重复信号序列中的多个重复的信号序列的平均值；以及基于平均值以及参考原始信号序列，通过训练神经网络，确定参数集合。
在一些实施例中，参数集合至少包括一组权重和一组偏移量，以用于配置神经网络。
在一些实施例中，方法800还包括向ONU 120发送训练数据请求，训练数据请求包括关于被发送的信号序列被重复的次数的信息。
图9示出了根据本公开的一些示例实施例的用于光通信的方法的900的流程图。如图9所示，方法900可以在ONU 120处实现。为了讨论的目的，将参照图1描述方法900。
如图9所示，在框910，ONU 120向OLT 110发送用于训练的原始重复信号序列。
在框920，ONU 120从OLT 110接收初始化完成消息，初始化完成消息指示对神经网络的初始化已完成。
在一些实施例中，方法900还包括从OLT 110接收训练数据请求，训练数据请求包括关于被发送的信号序列被重复的次数的信息；以及基于信息，向OLT 110发送用于训练的原始重复信号序列。
图10示出了根据本公开的一些示例实施例的用于光通信的方法的1000的流程图。如图10所示，方法1000可以在OLT 110处实现。为了讨论的目的，将参照图1描述方法1000。
如图10所示，在框1010，OLT 110基于从ONU 120接收的测距信号，确定OLT 110与光网路单元之间的第一距离。
在框1020，OLT 110基于第一距离，确定用于配置OLT 110中的神经网络的目标参数集合。
在框1030，OLT 110向ONU 120发送初始化完成消息，初始化完成消息指示对神经网络的初始化已完成。
在一些实施例中，确定用于配置OLT 110中的神经网络的目标参数集合包括：基于第一距离，从第二距离信息集合中选择与第一距离对应的第二距离信息；以及从神经网络的参数集合表，选择与所选择的第二距离信息对应的参数集合，以作为对神经网络进行配置的目标参数集合,参数集合表包括多个条目，多个条目中的每个条目包括第二距离信息集合中的第二距离信息和对应的参数集合。
在一些实施例中，目标参数集合至少包括权重集合和偏移量集合，以用于配置神经网络。
图11示出了根据本公开的一些示例实施例的用于光通信的方法的1100的流程图。如图11所示，方法1100可以在ONU 120处实现。为了讨论的目的，将参照图1描述方法1100。
如图11所示，在框1110，ONU 120从OLT 110接收初始化完成消息，初始化完成消息指示对神经网络的初始化已完成。
在一些实施例中，在框1120，ONU 120向OLT 110发送训练数据或有效载荷。
在一些示例实施例中，能够执行方法800的设备(例如，在OLT 110处实现)可以包括用于执行方法800的各个步骤的装置。该装置可以以任何合适的形式来实现。例如，该装置可以在电路或软件模块中实现。
在一些示例实施例中，该装置可以包括用于从ONU 120接收用于训练的畸变重复信号序列的部件，用于训练的畸变重复信号序列是ONU 120发送的用于训练的原始重复信号序列在传输中发生畸变而引起的；用于基于畸变重复信号序列和用于训练的参考原始信号序列，通过训练OLT 110中的神经网络，确定用于配置神经网络的参数集合的部件；以及用于向ONU 120发送初始化完成消息的部件，消息指示对神经网络的初始化已完成。
在一些示例实施例中，能够执行方法900的设备(例如，在ONU 120处实现)可以包括用于执行方法900的各个步骤的装置。该装置可以以任何合适的形式来实现。例如，该装置可以在电路或软件模块中实现。
在一些示例实施例中，该装置可以包括用于向OLT 110发送用于训练的原始重复信号序列的部件；以及用于从OLT 110接收初始化完成消息的部件，初始化完成消息指示对神经网络的初始化已完成。
在一些示例实施例中，能够执行方法1000的设备(例如，在OLT 110处实现)可以包括用于执行方法1000的各个步骤的装置。该装置可以以任何合适的形式来实现。例如，该装置可以在电路或软件模块中实现。
在一些示例实施例中，该装置可以包括用于基于从ONU 120接收的测距信号，确定OLT 110与光网路单元之间的第一距离的部件；用于基于第一距离，确定用于配置OLT 110中的神经网络的目标参数集合的部件；以及用于向ONU 120发送初始化完成消息的部件，初始化完成消息指示对神经网络的初始化已完成。
在一些示例实施例中，能够执行方法1100的设备(例如，在ONU 120处实现)可以包括用于执行方法1100的各个步骤的装置。该装置可以以任何合适的形式来实现。例如，该装置可以在电路或软件模块中实现。
在一些示例实施例中，该装置可以包括用于从OLT 110接收初始化完成消息的部件，初始化完成消息指示对神经网络的初始化已完成。
图12是适合于实现本公开的实施例的电子设备1200的简化框图。可以提供设备1200以实现通信设备，例如如图1所示OLT 110，ONU 120-1以及ONU 120-2。如图所示，设备1200包括一个或多个处理器1210，一个或多个存储器1240被耦合到处理器1210，并且一个或多个发射器和/或接收器(TX/RX)1240被耦合到处理器1210。
TX/RX 1240用于双向通信。TX/RX 1240具有至少一个天线以便于通信。通信接口可以表示与其他网络元件通信所必需的任何接口。
处理器1210可以是适合于本地技术网络的任何类型，并且可以包括但不限于通用计算机、专用计算机、微控制器、数字信号控制器(DSP)、以及基于控制器的多核控制器架构中的一个或多个。设备1200可以具有多个处理器，例如专用集成电路芯片，其在时间上从属于与主处理器同步的时钟。
存储器1220可以包括一个或多个非易失性存储器和一个或多个易失性存储器。非易失性存储器的示例包括但不限于只读存储器(ROM)1224，可擦除可编程只读存储器(EPROM)，闪存，硬盘，光盘(CD)，数字视频盘(DVD)和其他磁存储和/或光存储。易失性存储器的示例包括但不限于随机存取存储器(RAM)1222和不会在断电持续时间中持续的其他易失性存储器。
计算机程序1230包括由关联处理器1210执行的计算机可执行指令。程序1230可以存储在ROM 1220中。处理器1210可以通过将程序1230加载到RAM 1220中来执行任何合适的动作和处理。
可以借助于程序1230来实现本公开的实施例，使得设备1200可以执行如参考图2至5所讨论的本公开的任何过程。本公开的实施例还可以通过硬件或通过软件和硬件的组合来实现。
在一些实施例中，程序1230可以有形地包含在计算机可读介质中，该计算机可读介质可以包括在设备1200中(诸如在存储器1220中)或者可以由设备1200访问的其他存储设备。可以将程序1230从计算机可读介质加载到RAM 1222以供执行。计算机可读介质可以包括任何类型的有形非易失性存储器，例如ROM，EPROM，闪存，硬盘，CD，DVD等。图13示出了CD或DVD形式的计算机可读介质1300的示例。计算机可读介质上存储有程序1330。
通常，本公开的各种实施例可以以硬件或专用电路，软件，逻辑或其任何组合来实现。一些方面可以用硬件实现，而其他方面可以用固件或软件实现，其可以由控制器，微处理器或其他计算设备执行。虽然本公开的实施例的各个方面被示出并描述为框图，流程图或使用一些其他图示表示，但是应当理解，本文描述的框，装置，系统，技术或方法可以实现为，如非限制性示例，硬件，软件，固件，专用电路或逻辑，通用硬件或控制器或其他计算设备，或其某种组合。
本公开还提供有形地存储在非暂时性计算机可读存储介质上的至少一个计算机程序产品。该计算机程序产品包括计算机可执行指令，例如包括在程序模块中的指令，其在目标的真实或虚拟处理器上的设备中执行，以执行如上参考图8-11所述的方法800-1100。通常，程序模块包括执行特定任务或实现特定抽象数据类型的例程，程序，库，对象，类，组件，数据结构等。在各种实施例中，可以根据需要在程序模块之间组合或分割程序模块的功能。用于程序模块的机器可执行指令可以在本地或分布式设备内执行。在分布式设备中，程序模块可以位于本地和远程存储介质中。
用于实现本公开的方法的计算机程序代码可以用一种或多种编程语言编写。这些计算机程序代码可以提供给通用计算机、专用计算机或其他可编程的数据处理装置的处理器，使得程序代码在被计算机或其他可编程的数据处理装置执行的时候，引起在流程图和/或框图中规定的功能/操作被实施。程序代码可以完全在计算机上、部分在计算机上、作为独立的软件包、部分在计算机上且部分在远程计算机上或完全在远程计算机或服务器上执行。
在本公开的上下文中，计算机程序代码或者相关数据可以由任意适当载体承载，以使得设备、装置或者处理器能够执行上文描述的各种处理和操作。载体的示例包括信号、计算机可读介质、等等。信号的示例可以包括电、光、无线电、声音或其它形式的传播信号，诸如载波、红外信号等。
计算机可读介质可以是包含或存储用于或有关于指令执行系统、装置或设备的程序的任何有形介质。计算机可读介质可以是计算机可读信号介质或计算机可读存储介质。计算机可读介质可以包括但不限于电子的、磁的、光学的、电磁的、红外的或半导体系统、装置或设备，或其任意合适的组合。计算机可读存储介质的更详细示例包括带有一根或多根导线的电气连接、便携式计算机磁盘、硬盘、随机存储存取器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪存)、光存储设备、磁存储设备，或其任意合适的组合。
此外，尽管在附图中以特定顺序描述了本公开的方法的操作，但是这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，流程图中描绘的步骤可以改变执行顺序。附加地或备选地，可以省略某些步骤，将多个步骤组合为一个步骤执行，和/或将一个步骤分解为多个步骤执行。还应当注意，根据本公开的两个或更多装置的特征和功能可以在一个装置中具体化。反之，上文描述的一个装置的特征和功能可以进一步划分为由多个装置来具体化。
虽然已经参考若干具体实施例描述了本公开，但是应当理解，本公开不限于所公开的具体实施例。本公开旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等效布置。
Claims (15)
1.一种用于光通信的方法，包括：
在光线路终端处，向光网络单元发送训练数据请求；
从所述光网络单元接收用于训练的畸变重复信号序列，所述用于训练的畸变重复信号序列是所述光网络单元发送的用于训练的原始重复信号序列在传输中发生畸变而引起的；
基于所述畸变重复信号序列和用于训练的参考原始信号序列，通过训练所述光线路终端中的神经网络，确定用于配置所述神经网络的参数集合；
向所述光网络单元发送初始化完成消息，所述消息指示对所述神经网络的初始化已完成；以及
接收由所述光网络单元向所述光线路终端发送的用于训练的较短的训练数据，以对所述神经网络进行更加精细的训练。
2.根据权利要求1所述的方法，其中确定用于对所述神经网络进行配置的所述参数集合包括：
确定所述畸变重复信号序列中的多个重复的信号序列的平均值；以及
基于所述平均值以及所述参考原始信号序列，通过训练所述神经网络，确定所述参数集合。
3.根据权利要求2所述的方法，其中所述参数集合至少包括一组权重和一组偏移量，以用于配置所述神经网络。
4.根据权利要求1所述的方法，其中所述训练数据请求包括关于被发送的信号序列被重复的次数的信息。
5.一种用于光通信的方法，包括：
在光网络单元处，从光线路终端接收训练数据请求；
向所述光线路终端发送用于训练的原始重复信号序列；
从所述光线路终端接收初始化完成消息，所述初始化完成消息指示对所述光线路终端中的神经网络的初始化已完成；以及
向所述光线路终端发送用于训练的较短的训练数据，以对所述神经网络进行更加精细的训练。
6.根据权利要求5所述的方法，其中所述训练数据请求包括关于被发送的信号序列被重复的次数的信息；以及
基于所述信息，向所述光线路终端发送所述用于训练的原始重复信号序列。
7.一种用于光通信的方法，包括：
在光线路终端处，基于从光网络单元接收的测距信号，确定所述光线路终端与所述光网路单元之间的第一距离；
基于所述第一距离，从第二距离信息集合中选择与所述第一距离对应的第二距离信息；
从所述光线路终端中的神经网络的参数集合表，选择与所选择的第二距离信息对应的参数集合，以作为对所述神经网络进行配置的目标参数集合，所述参数集合表包括多个条目，所述多个条目中的每个条目包括所述第二距离信息集合中的第二距离信息和对应的参数集合；以及
向所述光网络单元发送初始化完成消息，所述初始化完成消息指示对所述神经网络的初始化已完成。
8.根据权利要求7所述的方法，其中所述目标参数集合至少包括权重集合和偏移量集合，以用于配置所述神经网络。
9.一种用于光通信的设备，包括：
至少一个处理器；以及
与所述至少一个处理器耦合的至少一个存储器，所述至少一个存储器包含有存储于其中的指令；
所述至少一个存储器和所述指令进一步被配置为，与所述至少一个处理器一起，使得所述设备执行根据权利要求1-4和7-8中任一项所述的方法。
10.一种用于光通信的设备，包括：
至少一个处理器；以及
与所述至少一个处理器耦合的至少一个存储器，所述至少一个存储器包含有存储于其中的指令；
所述至少一个存储器和所述指令进一步被配置为，与所述至少一个处理器一起，使得所述设备执行根据权利要求5-6中任一项所述的方法。
11.一种用于光通信的装置，包括：
用于向光网络单元发送训练数据请求的部件；
用于从所述光网络单元接收用于训练的畸变重复信号序列的部件，所述用于训练的畸变重复信号序列是所述光网络单元发送的用于训练的原始重复信号序列在传输中发生畸变而引起的；
用于基于所述畸变重复信号序列和用于训练的参考原始信号序列，通过训练光线路终端中的神经网络，确定用于配置所述神经网络的参数集合的部件；
用于向所述光网络单元发送初始化完成消息的部件，所述消息指示对所述神经网络的初始化已完成；以及
用于接收由所述光网络单元向所述光线路终端发送的用于训练的较短的训练数据，以对所述神经网络进行更加精细的训练的部件。
12.一种用于光通信的装置，包括：
用于从光线路终端接收训练数据请求的部件；
用于向所述光线路终端发送用于训练的原始重复信号序列的部件；
用于从所述光线路终端接收初始化完成消息的部件，所述初始化完成消息指示对所述光线路终端中的神经网络的初始化已完成；以及
用于向所述光线路终端发送用于训练的较短的训练数据，以对所述神经网络进行更加精细的训练的部件。
13.一种用于光通信的装置，包括：
用于基于从光网络单元接收的测距信号，确定光线路终端与所述光网路单元之间的第一距离的部件；
用于基于所述第一距离，从第二距离信息集合中选择与所述第一距离对应的第二距离信息的部件；
用于从所述光线路终端中的神经网络的参数集合表，选择与所选择的第二距离信息对应的参数集合，以作为对所述神经网络进行配置的目标参数集合的部件，所述参数集合表包括多个条目，所述多个条目中的每个条目包括所述第二距离信息集合中的第二距离信息和对应的参数集合；以及
用于向所述光网络单元发送初始化完成消息的部件，所述初始化完成消息指示对所述神经网络的初始化已完成。
14.一种计算机可读介质，所述计算机可读介质上存储有指令，当所述指令在被至少一个处理单元执行时，使得至少一个处理单元被配置为执行根据权利要求1-4和7-8中任一项所述的方法。
15.一种计算机可读介质，所述计算机可读介质上存储有指令，当所述指令在被至少一个处理单元执行时，使得至少一个处理单元被配置为执行根据权利要求5-6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110078720.XA CN114866145B (zh) | 2021-01-20 | 2021-01-20 | 用于光通信的方法、设备、装置和计算机可读介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110078720.XA CN114866145B (zh) | 2021-01-20 | 2021-01-20 | 用于光通信的方法、设备、装置和计算机可读介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114866145A CN114866145A (zh) | 2022-08-05 |
| CN114866145B true CN114866145B (zh) | 2024-02-09 |
Family
ID=82623008
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110078720.XA Active CN114866145B (zh) | 2021-01-20 | 2021-01-20 | 用于光通信的方法、设备、装置和计算机可读介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114866145B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09160895A (ja) * | 1995-12-04 | 1997-06-20 | Nippon Telegr & Teleph Corp <Ntt> | 波長多重光受信器 |
| WO2004006137A1 (en) * | 2002-07-02 | 2004-01-15 | British Telecommunications Public Limited Company | Optimisation method and apparatus |
| CN106209687A (zh) * | 2016-07-12 | 2016-12-07 | 重庆邮电大学 | 一种混合复用pon全局资源高效分配方法 |
| CN107248965A (zh) * | 2017-05-26 | 2017-10-13 | 华中科技大学 | 一种数据处理方法及通信设备 |
| CN108449286A (zh) * | 2018-03-01 | 2018-08-24 | 北京邮电大学 | 网络带宽资源分配方法及装置 |
| CN109075861A (zh) * | 2016-06-14 | 2018-12-21 | 华为技术有限公司 | 上行数据均衡方法、装置和系统 |
| CN109246048A (zh) * | 2018-10-30 | 2019-01-18 | 广州海格通信集团股份有限公司 | 一种基于深度学习的物理层安全通信方法和系统 |
| CN109740690A (zh) * | 2019-01-10 | 2019-05-10 | 杭州电子科技大学 | 用于短距离光通信的基于特征工程的knn均衡算法 |
| CN110267127A (zh) * | 2018-03-12 | 2019-09-20 | 上海诺基亚贝尔股份有限公司 | 用于低成本无源光网络的方法、装置和计算机可读介质 |
| CN111901047A (zh) * | 2020-06-19 | 2020-11-06 | 烽火通信科技股份有限公司 | 一种高速突发信号的快速均衡方法与装置 |
| CN111971909A (zh) * | 2018-03-08 | 2020-11-20 | 米兰综合工科大学 | 用于监测光通信系统的方法 |
| CN112243166A (zh) * | 2019-07-19 | 2021-01-19 | 上海诺基亚贝尔股份有限公司 | 用于光通信的方法、设备、装置和计算机可读介质 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8068731B2 (en) * | 2009-04-07 | 2011-11-29 | Chunghwa Telecom Co., Ltd. | Dynamic bandwidth allocation method of Ethernet passive optical network |
| US20170033983A1 (en) * | 2015-07-31 | 2017-02-02 | At&T Intellectual Property I, L.P. | Wireless terminal, configurable network device and method for use therewith |
| US10708094B2 (en) * | 2017-10-09 | 2020-07-07 | Nec Corporation | Transmission filtering using machine learning |
| US11316600B2 (en) * | 2019-01-23 | 2022-04-26 | Cable Television Laboratories, Inc. | Identifying and classifying disruptions at terminal devices in data transfer networks |
-
2021
- 2021-01-20 CN CN202110078720.XA patent/CN114866145B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09160895A (ja) * | 1995-12-04 | 1997-06-20 | Nippon Telegr & Teleph Corp <Ntt> | 波長多重光受信器 |
| WO2004006137A1 (en) * | 2002-07-02 | 2004-01-15 | British Telecommunications Public Limited Company | Optimisation method and apparatus |
| CN109075861A (zh) * | 2016-06-14 | 2018-12-21 | 华为技术有限公司 | 上行数据均衡方法、装置和系统 |
| CN106209687A (zh) * | 2016-07-12 | 2016-12-07 | 重庆邮电大学 | 一种混合复用pon全局资源高效分配方法 |
| CN107248965A (zh) * | 2017-05-26 | 2017-10-13 | 华中科技大学 | 一种数据处理方法及通信设备 |
| CN108449286A (zh) * | 2018-03-01 | 2018-08-24 | 北京邮电大学 | 网络带宽资源分配方法及装置 |
| CN111971909A (zh) * | 2018-03-08 | 2020-11-20 | 米兰综合工科大学 | 用于监测光通信系统的方法 |
| CN110267127A (zh) * | 2018-03-12 | 2019-09-20 | 上海诺基亚贝尔股份有限公司 | 用于低成本无源光网络的方法、装置和计算机可读介质 |
| CN109246048A (zh) * | 2018-10-30 | 2019-01-18 | 广州海格通信集团股份有限公司 | 一种基于深度学习的物理层安全通信方法和系统 |
| CN109740690A (zh) * | 2019-01-10 | 2019-05-10 | 杭州电子科技大学 | 用于短距离光通信的基于特征工程的knn均衡算法 |
| CN112243166A (zh) * | 2019-07-19 | 2021-01-19 | 上海诺基亚贝尔股份有限公司 | 用于光通信的方法、设备、装置和计算机可读介质 |
| CN111901047A (zh) * | 2020-06-19 | 2020-11-06 | 烽火通信科技股份有限公司 | 一种高速突发信号的快速均衡方法与装置 |
Non-Patent Citations (3)
| Title |
|---|
| Global load-balancing ONU assignment for a software-defined reconfigurable PON;Chunxi Zhang等;《 Journal of Optical Communications and Networking》;全文 * |
| GPON系统测距技术的研究;金钟;孟利民;;杭州电子科技大学学报(第05期);全文 * |
| 非线性信道判决反馈快速收敛神经网络均衡器;何培宇，王永德;四川大学学报(自然科学版)(第04期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114866145A (zh) | 2022-08-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220239371A1 (en) | Methods, devices, apparatuses, and medium for optical communication | |
| CN108123908B (zh) | 一种用于ng-pon的改进svm均衡方法及系统 | |
| Bajaj et al. | Deep neural network-based digital pre-distortion for high baudrate optical coherent transmission | |
| US11516053B2 (en) | Method and device for channel equalization, and computer-readable medium | |
| Zhou et al. | AdaNN: Adaptive neural network-based equalizer via online semi-supervised learning | |
| CN110267127A (zh) | 用于低成本无源光网络的方法、装置和计算机可读介质 | |
| CN105610517A (zh) | 相干光接收机的迭代后均衡 | |
| CN112243166A (zh) | 用于光通信的方法、设备、装置和计算机可读介质 | |
| CN114866145B (zh) | 用于光通信的方法、设备、装置和计算机可读介质 | |
| CN112714084B (zh) | 用于光通信的设备、方法和计算机可读存储介质 | |
| CN114124223B (zh) | 一种卷积神经网络光纤均衡器生成方法及系统 | |
| Shahkarami et al. | Efficient deep learning of nonlinear fiber-optic communications using a convolutional recurrent neural network | |
| Li et al. | End-to-end learning for chromatic dispersion compensation in optical fiber communication | |
| CN112543070B (zh) | 信道特性的在线提取 | |
| CN112769497B (zh) | 对大容量高阶qam相干光进行非线性补偿的方法 | |
| CN112242871B (zh) | 用于光通信的方法、设备和计算机可读存储介质 | |
| Fehenberger et al. | Digital back-propagation of a superchannel: Achievable rates and adaption of the GN model | |
| CN113630667B (zh) | 用于光通信的方法、设备、装置和计算机可读介质 | |
| CN115347955B (zh) | 用于信道均衡的方法、设备、装置和介质 | |
| CN113141216B (zh) | 信号处理方法、设备、装置和计算机可读存储介质 | |
| Jiang et al. | Real-Time Deployment of Simplified Volterra Nonlinear Equalizer in High-Speed PON | |
| Yu et al. | Nonlinear Equalization by SVM Classification Enabled 50-Gb/s PAM-4 Transmission in NG-EPON with 10-G Class Optics | |
| CN108737297A (zh) | 用于估计接收信号序列的方法和装置 | |
| CN109889276A (zh) | 光网络设备、光网络设备处实施的方法和计算机可读介质 | |
| US20240031026A1 (en) | Method of equalizing waveform distortion, terminal device, and optical communication system |
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 |