CN114978306A - 基于深度学习的光纤通信传输系统互信息量计算方法及系统 - Google Patents
基于深度学习的光纤通信传输系统互信息量计算方法及系统 Download PDFInfo
- Publication number
- CN114978306A CN114978306A CN202210540923.0A CN202210540923A CN114978306A CN 114978306 A CN114978306 A CN 114978306A CN 202210540923 A CN202210540923 A CN 202210540923A CN 114978306 A CN114978306 A CN 114978306A
- Authority
- CN
- China
- Prior art keywords
- mutual information
- information quantity
- optical fiber
- estimator
- transmission system
- 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
Links
Images
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
- H04B10/07—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems
- H04B10/075—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal
- H04B10/079—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal using measurements of the data signal
- H04B10/0795—Performance monitoring; Measurement of transmission parameters
-
- 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
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Optical Communication System (AREA)
Abstract
本发明提供了一种基于深度学习的光纤通信传输系统互信息量计算方法及系统,包括:步骤S1:基于光纤通信传输系统进行数据传输,并获取原始数据集;步骤S2:基于深度学习神经网络对互信息量估计器进行训练,得到训练后的互信息量估计器;步骤S3:利用训练后的互信息量估计器对光纤通信传输系统互信息量进行计算。本发明引入深度学习神经网络的方法,通过对互信息量估计器的训练实现对光纤通信传输系统中的互信息量计算,方案具有可靠性,适用于光纤通信传输系统。
Description
技术领域
本发明涉及光纤通信传输系统的技术领域,具体地,涉及基于深度学习的光纤通信传输系统互信息量计算方法及系统。
背景技术
在光纤通信传输系统领域,互信息量计算对系统评价、设计和调优有重要意义。传统的互信息量计算方法有蒙特-卡洛近似法、高斯-埃尔米特近似法等,这些传统计算方法均认定光纤信道近似为高斯噪声模型,通过高斯分布的数学解析式对互信息进行计算。但是在真实光纤通信传输系统中,由于光纤非线性效应的影响,导致光纤信道与高斯噪声模型信道存在差异,且光纤信道无法直接写出数学解析式,所以在利用传统计算方法对光纤通信传输系统收发端互信息量进行计算时,只能完成对互信息量近似计算,计算结果与真实互信息量存在误差。
专利文献CN114337849A(申请号:202111574717.3)公开了一种基于互信息量估计神经网络的物理层保密方法及系统,包括:步骤S1:基于互信息量估计和端到端的深度学习对编码器和解码器分别进行训练,得到训练后的编码器和训练后的解码器;步骤S2:利用训练后的编码器和训练后的解码器进行物理层保密传输。
针对上述缺陷,本发明提出了一种基于深度学习的光纤通信传输系统互信息量计算方法,使用基于真实光纤通信传输系统获取的训练数据集,通过深度学习神经网络对互信息量估计器进行训练,并使用互信息量估计器对光纤通信传输系统的互信息量进行计算。本发明通过机器学习的算法实现了光纤通信传输系统互信息量的计算,结构简单实用;本发明可以证明实现了比传统计算方法更准确的计算结果,从而证明了本方法的计算性能;本系统可以应用于任意的信道,具有更广的适用性。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种基于深度学习的光纤通信传输系统互信息量计算方法及系统。
根据本发明提供的一种基于深度学习的光纤通信传输系统互信息量计算方法,包括:
步骤S1:基于光纤通信传输系统进行数据传输,并获取原始数据集;
步骤S2:基于深度学习神经网络对互信息量估计器进行训练,得到训练后的互信息量估计器;
步骤S3:利用训练后的互信息量估计器对光纤通信传输系统互信息量进行计算。
优选地,所述步骤S1采用:
步骤S1.1:将发射端信号输入到光纤信道得到接收端信号;
步骤S1.2:采集发射端信号和对应的接收端信号,作为互信息量估计器的原始数据来源。
优选地,所述步骤S2采用:
步骤S2.1:构建互信息量估计器的神经网络;
步骤S2.2:对获取的原始数据集进行预处理,构建符合采样数据对的采样矩阵;
步骤S2.3:利用符合采样数据对的采样矩阵,基于深度学习的方式训练互信息量估计器,获取训练后的互信息量估计器。
优选地,所述采样矩阵采用:
其中,xi表示发射端的信号;yi表示接收端的信号;下标i代表第i时刻采集的信号;N是每一轮次训练过程中的批数据大小。
优选地,所述步骤S2.3采用:利用琴生-香农散度的计算公式作为损失函数计算损失值,利用梯度反向传播和梯度上升对互信息量估计器进行训练,当训练次数达到预设次时,则训练结束;
所述琴生-香农散度的计算公式作为损失函数采用:
其中,sp(x)=log(1+ex);Tθ表示互信息量估计器的神经网络函数;x表示发端符号的向量;y表示收端符号的向量;(xi,yi)从采样矩阵对角线元素得到,表示当x和y联合分布情况下的采样数据对,从采样矩阵非对角线元素得到,表示当x和y边缘分布情况下的采样数据对;N表示每一轮次训练过程中的批数据大小。
优选地,所述步骤S3采用:
步骤S3.1:重新采集光纤信道的发端信号与收端信号,并构建互信息量估计器的输入数据集,作为互信息量估计器的测试数据;
步骤S3.2:将测试数据输入训练后的互信息量估计器,计算光纤通信传输系统的互信息量。
优选地,所述步骤S3.2采用:在互信息量计算过程中使用Donsker-Varadhan表达式作为互信息量计算公式,具体公式如下:
其中,Tθ表示互信息量估计器的神经网络函数;x表示发端符号的向量;y表示收端符号的向量;(xi,yi)从采样矩阵对角线元素得到,表示当x和y联合分布情况下的采样数据对,从采样矩阵非对角线元素得到,表示当x和y边缘分布情况下的采样数据对;M表示测试输入数据的大小;除以log2表示统一单位至比特单位下的计算。
根据本发明提供的一种基于深度学习的光纤通信传输系统互信息量计算系统,包括:
模块M1:基于光纤通信传输系统进行数据传输,并获取原始数据集;
模块M2:基于深度学习神经网络对互信息量估计器进行训练,得到训练后的互信息量估计器;
模块M3:利用训练后的互信息量估计器对光纤通信传输系统互信息量进行计算。
优选地,所述模块M2采用:
模块M2.1:构建互信息量估计器的神经网络;
模块M2.2:对获取的原始数据集进行预处理,构建符合采样数据对的采样矩阵;
模块M2.3:利用符合采样数据对的采样矩阵,基于深度学习的方式训练互信息量估计器,获取训练后的互信息量估计器;
所述采样矩阵采用:
其中,xi表示发射端的信号;yi表示接收端的信号;下标i代表第i时刻采集的信号;N是每一轮次训练过程中的批数据大小;
所述模块M2.3采用:利用琴生-香农散度的计算公式作为损失函数计算损失值,利用梯度反向传播和梯度上升对互信息量估计器进行训练,当训练次数达到预设次时,则训练结束;
所述琴生-香农散度的计算公式作为损失函数采用:
其中,sp(x)=log(1+ex);Tθ表示互信息量估计器的神经网络函数;x表示发端符号的向量;y表示收端符号的向量;(xi,yi)从采样矩阵对角线元素得到,表示当x和y联合分布情况下的采样数据对,从采样矩阵非对角线元素得到,表示当x和y边缘分布情况下的采样数据对;N表示每一轮次训练过程中的批数据大小。
优选地,所述模块M3采用:
模块M3.1:重新采集光纤信道的发端信号与收端信号,并构建互信息量估计器的输入数据集,作为互信息量估计器的测试数据;
模块M3.2:将测试数据输入训练后的互信息量估计器,计算光纤通信传输系统的互信息量;
所述模块M3.2采用:在互信息量计算过程中使用Donsker-Varadhan表达式作为互信息量计算公式,具体公式如下:
其中,Tθ表示互信息量估计器的神经网络函数;x表示发端符号的向量;y表示收端符号的向量;(xi,yi)从采样矩阵对角线元素得到,表示当x和y联合分布情况下的采样数据对,从采样矩阵非对角线元素得到,表示当x和y边缘分布情况下的采样数据对;M表示测试输入数据的大小;除以log2表示统一单位至比特单位下的计算。
与现有技术相比,本发明具有如下的有益效果:
1、采样矩阵构建实现了对数据的联合分布和边缘分布的所有可能组合,使得互信息量估计器输出更为稳定、精准;
2、训练过程采用琴生-香农公式作为损失函数,使得训练更为稳定,在训练后能够估计信道的概率密度函数比值,使用训练好的概率密度值输入Donsker-Varadhan表达式中能够估计出互信息量的数值,避免直接使用Donsker-Varadhan训练的不稳定问题;
3、本发明通过深度学习的算法实现了光纤通信传输系统互信息量的计算,结构简单实用,可以直接计算非线性存在下的互信息量,无需信道模型,具有更广的适用性;
4、本发明方法通过深度学习神经网络训练互信息量估计器,是一种可微函数,有助于通信优化算法的实现。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明基于深度学习的光纤通信传输系统互信息量计算方法的流程图。
图2为本发明基于深度学习的光纤通信传输系统互信息量计算方法中互信息量估计器的训练流程图。
图3为本发明基于深度学习的光纤通信传输系统互信息量计算方法中互信息量计算的流程图。
图4为本发明一个实施例的一种互信息量计算系统在光纤信道的不同入纤功率下的互信息量计算结果展示以及与传统计算方法的性能比较。
图5为本发明一个实施例的一种互信息量计算系统的计算结果与传统计算方法的比较图展示;具体地,图中展示了在光纤通信传输系统中,本发明计算结果与传统计算方法的差值最大值。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
实施例1
根据本发明提供的一种基于深度学习的光纤通信传输系统互信息量计算方法,包括:
步骤S1:基于光纤通信传输系统进行数据传输,并获取原始数据集;
具体地,所述步骤S1采用:
步骤S1.1:将发射端信号输入到光纤信道得到接收端信号;
步骤S1.2:采集发射端信号和对应的接收端信号,并一一对应,作为互信息量估计器的原始数据来源。
步骤S2:基于深度学习神经网络对互信息量估计器进行训练,得到训练后的互信息量估计器;
具体地,所述步骤S2采用:
步骤S2.1:构建互信息量估计器的神经网络;
步骤S2.2:对获取的原始数据集进行预处理,构建符合采样数据对的采样矩阵,即互信息量估计器的输入;
步骤S2.3:利用符合采样数据对的采样矩阵,基于深度学习的方式训练互信息量估计器,获取训练后的互信息量估计器。
具体地,所述采样矩阵采用:
其中对角线元素表示联合分布采样对,其余元素表示边缘分布采样对;x表示发端符号的向量;y表示收端符号的向量;N是每一轮次训练过程中的批数据大小。互信息量估计器的输入数据为发端符号和收端符号构建的采样矩阵,输出数据为用于计算互信息量的矩阵,其中,发端符号和收端符号二者维度一致;对于波分复用系统二维符号,采样矩阵S的维度为N×N×4。
具体地,所述步骤S2.3采用:利用琴生-香农散度的计算公式作为损失函数计算损失值,利用梯度反向传播和梯度上升对互信息量估计器进行训练,当训练次数达到预设次时,则训练结束;
所述琴生-香农散度的计算公式作为损失函数采用:
其中,sp(x)=log(1+ex);Tθ表示互信息量估计器的神经网络函数;x表示发端符号的向量;y表示收端符号的向量;(xi,yi)从采样矩阵对角线元素得到,表示当x和y联合分布情况下的采样数据对,从采样矩阵非对角线元素得到,表示当x和y边缘分布情况下的采样数据对;N表示每一轮次训练过程中的批数据大小,通常要大于1000。利用反向传播算法和梯度上升训练互信息量估计器;每个互信息量估计器训练步骤中重复训练互信息量估计器30次以上。
步骤S3:利用训练后的互信息量估计器对光纤通信传输系统互信息量进行计算。
具体地,所述步骤S3采用:
步骤S3.1:重新采集光纤信道的发端信号与收端信号,并构建互信息量估计器的输入数据集,作为互信息量估计器的测试数据;
步骤S3.2:将测试数据输入训练后的互信息量估计器,计算光纤通信传输系统的互信息量。
具体地,所述步骤S3.2采用:在互信息量计算过程中使用Donsker-Varadhan表达式作为互信息量计算公式,具体公式如下:
其中,Tθ表示互信息量估计器的神经网络函数;x表示发端符号的向量;y表示收端符号的向量;(xi,yi)从采样矩阵对角线元素得到,表示当x和y联合分布情况下的采样数据对,从采样矩阵非对角线元素得到,表示当x和y边缘分布情况下的采样数据对;M表示测试输入数据的大小;除以log2表示统一单位至比特单位下的计算。
实施例2
实施例2是实施例1的优选例
本发明提供了一种基于深度学习的光纤通信传输系统互信息量计算方法,如图1所示,包括以下步骤:步骤S1:基于光纤通信传输系统仿真平台进行数据传输,构建训练数据集。步骤S1包括以下步骤:
发端处理步骤:将原始比特输入发送机,获得调制后的符号,即发端符号。
信道处理步骤:对发端符号进行发端的数字信号处理,获得准备输入至信道的信号;经由光纤信道传输后,得到信道输出信号;对信道输出信号进行收端数字信号处理,获得收端符号。
收端处理步骤:对收端符号进行解调制处理,获得收端比特序列。
训练数据集构建步骤:合并发端符号和收端符号,获得训练数据集。
其中发端符号和收端符号二者维度一致。
步骤S2:基于深度学习神经网络对互信息量估计器进行训练,得到训练后的互信息量估计器。步骤S2包括以下步骤:
神经网络构建步骤:构建互信息量估计器。构建互信息量估计器神经网络。
训练数据集处理步骤:对训练集数据进行数据处理,构建符号采样数据对的采样矩阵,作为互信息量估计器的输入。采样矩阵的构建方式如下:
其中对角线元素表示联合分布采样数据对,表示为(xi,yi),非对角元素表示边缘分布采样数据对,表示为xi表示发射端的信号,yi表示接收端的信号,下标i代表第i时刻采集的信号;N是每一轮次训练过程中的批数据大小。
神经网络为全连接的神经网络,包括输入层,隐藏层和输出层。互信息量估计器的输入数据为发端符号和收端符号构建的采样矩阵,输出数据为用于计算互信息量的矩阵。对于波分复用系统二维符号,互信息量估计器输入数据的维度为N×N×4,互信息量估计器输出数据的维度为N×N。其中,每一轮次训练的批数据大小的选择会对训练结果产生影响:通过理论证明,互信息量估计器对互信息量的估计结果不能超过O(logN),其中N即为批数据大小,所以增大N可以增加互信息量计算的精度;但是更大的N也会提升计算复杂度。一般通信系统的真实互信息在10比特/符号以下,即对应着1024QAM的调整格式,因此,考虑到二者的均衡,批数据大小应该选择一个折中的值,如N=1000。
互信息量估计器训练步骤:输入处理后得到的采样矩阵,通过深度学习的方式训练互信息量估计器。互信息量估计器的训练流程如图2所示,将包括发端符号和收端符号的训练数据集进行数据处理后得到数据对采样矩阵,互信息量估计器输入数据对采样矩阵,输出用于计算互信息量的矩阵。通过估计互信息量的Donsker-Varadhan表达式,可以通过此矩阵计算得到发端符号和收端符号之间的互信息量,公式如下:
I(X;Y)≥IM=supT∈F EP(x,y)[T(x,y)]-log(EP(x)P(y)[eT(x,y)])
其中,X表示发端符号,Y表示收端符号,I(X;Y)表示发端符号和收端符号之间的互信息量,IM表示经过估计互信息量公式计算出来的互信息量估计值,T表示互信息量估计器的神经网络函数,F表示所有凸函数的集合,x表示发端符号的向量,y表示收端符号的向量,EP(x,y)[T(x,y)]表示当x和y取联合分布的情况下T(x,y)的期望值,EP(x)P(y)[eT(x,y)]表示当x和y取边缘分布的情况下eT(x,y)的期望值。当T取得使得IM最大的神经网络的函数的时候,IM等于互信息量的下界。
训练互信息量估计器的目的,是寻找到使得IM最大的神经网络,从而得到一个最接近互信息量的估计值,即互信息量的下界。因此,本发明中训练互信息量估计器的损失函数使用琴生-香农散度的计算公式,即:
通过理论推导,当琴生-香农散度达到最小值时,最优函数此时Donsker-Varadhan表达式正好达到真实互信息量的下界,因此使用琴生-香农散度计算公式能够作为互信息量估计器训练的损失函数。根据损失函数通过梯度反向传播和梯度下降对互信息量估计器进行训练,训练的目的是让互信息量估计器对于两种不同的变量分布,互信息量估计值尽可能精确,因此需要不断训练神经网络以找到最大值,这个最大值代表着两种不同的变量分布互信息量的下界。互信息量估计器训练步骤每一批次重复训练互信息量估计器30次以上。
如图1所示,本发明的训练流程分为多个轮回反复训练,每个轮回中对互信息量估计器进行训练,其中互信息量估计器至少训练30次。共训练K个轮回后结束训练。
步骤S3:根据训练后的互信息量估计器对光纤通信传输系统互信息量进行计算。步骤S3包括以下步骤:
数据处理步骤:对光纤通信传输系统发端符号和收端符号进行处理,得到互信息量估计器的输入数据。
互信息量计算步骤:将互信息量估计器输入数据输入训练后的互信息量估计器,计算光纤通信传输系统发端符号和收端符号之间的互信息量。互信息量的训练流程如图3所示,将光纤通信传输系统的发端符号和收端符号进行数据处理后得到数据对采样矩阵,训练后的互信息量估计器输入数据对采样矩阵,输出用于计算互信息量的矩阵。通过计算互信息量的Donsker-Varadhan表达式,可以根据此矩阵计算得到光纤通信传输系统发端符号和收端符号之间的互信息量,Donsker-Varadhan表达式的公式如下:
其中,Tθ表示互信息量估计器的神经网络函数;x表示发端符号的向量;y表示收端符号的向量;(xi,yi)从采样矩阵对角线元素得到,表示当x和y联合分布情况下的采样数据对,从采样矩阵非对角线元素得到,表示当x和y边缘分布情况下的采样数据对;M表示测试输入数据的大小;除以log2表示统一单位至比特单位下的计算。
本发明能够在不同条件的信道下实现对通信传输系统的互信息量进行计算。深度学习应用于互信息量估计器的训练,通过深度学习神经网络训练提升互信息量估计器的计算精度。
本发明实施例还公开了一种基于深度学习的光纤通信传输系统互信息量计算系统,包括如下模块:模块M1:基于光纤通信传输系统仿真平台进行数据传输,构建训练数据集。模块M1包括如下模块:发射机模块:光纤通信传输系统发端数据处理。信道模块:光纤通信传输系统信道传输。接收机模块:光纤通信传输系统收端数据处理。
模块M2:基于深度学习神经网络对互信息量估计器进行训练,得到训练后的互信息量估计器。模块M2包括如下模块:神经网络构建模块:构建互信息量估计器。训练数据集处理模块:对训练集数据进行数据处理,构建符号采样数据对的采样矩阵。互信息量估计器训练模块:输入采样矩阵通过深度学习的方式训练互信息量估计器。
模块M3:利用训练后的互信息量估计器对光纤通信传输系统互信息量进行计算。
本发明实施例还给出了基于深度学习的光纤通信传输系统互信息量计算方法应用于光纤传输仿真系统的结果示意图。传输系统的光纤长度为80-1200公里,双偏振,通道数为1、8、16、32、40,4bits/symbol调制,传输速率为50GBaud,使用相干调制和解调;图4展示了当传输距离为1200km、通道数为40时,在不同的入纤功率下互信息量的计算结果,以及本发明和传统计算方法的结果对比,其中实线:本发明计算结果;虚线:传统计算方法计算结果;柱状图:本发明计算结果与传统计算方法的差值,具体地,图中展示数值为本发明计算结果减去传统计算方法计算结果得到的数值。图5展示了在不同的传输场景下本发明计算结果与传统计算方法的差值最大值变化图,具体地,图中展示的差值为本发明计算结果减去传统计算方法计算结果得到的数值。
在上述情景中,互信息量计算系统在相同数据下得到了更佳的互信息量计算结果。特别地,在光纤非线性影响大的场景下,本发明中的互信息量计算方法明显优于传统计算方法。
本发明所要解决的技术问题在于实现光纤通信传输系统互信息量计算,本发明基于深度学习实现了光纤通信传输系统互信息量的计算,结构简单实用;本发明使用基于数据驱动的方式实现对互信息量估计器的训练,因此本发明的互信息量计算方法能够应用于任意的信道,能够在所有的信道中实现对互信息量下界的更优计算,具有广泛的适用性。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以,本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件,而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构;也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种基于深度学习的光纤通信传输系统互信息量计算方法,其特征在于,包括:
步骤S1:基于光纤通信传输系统进行数据传输,并获取原始数据集;
步骤S2:基于深度学习神经网络对互信息量估计器进行训练,得到训练后的互信息量估计器;
步骤S3:利用训练后的互信息量估计器对光纤通信传输系统互信息量进行计算。
2.根据权利要求1所述的基于深度学习的光纤通信传输系统互信息量计算方法,其特征在于,所述步骤S1采用:
步骤S1.1:将发射端信号输入到光纤信道得到接收端信号;
步骤S1.2:采集发射端信号和对应的接收端信号,作为互信息量估计器的原始数据来源。
3.根据权利要求1所述的基于深度学习的光纤通信传输系统互信息量计算方法,其特征在于,所述步骤S2采用:
步骤S2.1:构建互信息量估计器的神经网络;
步骤S2.2:对获取的原始数据集进行预处理,构建符合采样数据对的采样矩阵;
步骤S2.3:利用符合采样数据对的采样矩阵,基于深度学习的方式训练互信息量估计器,获取训练后的互信息量估计器。
5.根据权利要求3所述的基于深度学习的光纤通信传输系统互信息量计算方法,其特征在于,所述步骤S2.3采用:利用琴生-香农散度的计算公式作为损失函数计算损失值,利用梯度反向传播和梯度上升对互信息量估计器进行训练,当训练次数达到预设次时,则训练结束;
所述琴生-香农散度的计算公式作为损失函数采用:
6.根据权利要求1所述的基于深度学习的光纤通信传输系统互信息量计算方法,其特征在于,所述步骤S3采用:
步骤S3.1:重新采集光纤信道的发端信号与收端信号,并构建互信息量估计器的输入数据集,作为互信息量估计器的测试数据;
步骤S3.2:将测试数据输入训练后的互信息量估计器,计算光纤通信传输系统的互信息量。
8.一种基于深度学习的光纤通信传输系统互信息量计算系统,其特征在于,包括:
模块M1:基于光纤通信传输系统进行数据传输,并获取原始数据集;
模块M2:基于深度学习神经网络对互信息量估计器进行训练,得到训练后的互信息量估计器;
模块M3:利用训练后的互信息量估计器对光纤通信传输系统互信息量进行计算。
9.根据权利要求1所述的基于深度学习的光纤通信传输系统互信息量计算方法,其特征在于,所述模块M2采用:
模块M2.1:构建互信息量估计器的神经网络;
模块M2.2:对获取的原始数据集进行预处理,构建符合采样数据对的采样矩阵;
模块M2.3:利用符合采样数据对的采样矩阵,基于深度学习的方式训练互信息量估计器,获取训练后的互信息量估计器;
所述采样矩阵采用:
其中,xi表示发射端的信号;yi表示接收端的信号;下标i代表第i时刻采集的信号;N是每一轮次训练过程中的批数据大小;
所述模块M2.3采用:利用琴生-香农散度的计算公式作为损失函数计算损失值,利用梯度反向传播和梯度上升对互信息量估计器进行训练,当训练次数达到预设次时,则训练结束;
所述琴生-香农散度的计算公式作为损失函数采用:
10.根据权利要求8所述的基于深度学习的光纤通信传输系统互信息量计算系统,其特征在于,所述模块M3采用:
模块M3.1:重新采集光纤信道的发端信号与收端信号,并构建互信息量估计器的输入数据集,作为互信息量估计器的测试数据;
模块M3.2:将测试数据输入训练后的互信息量估计器,计算光纤通信传输系统的互信息量;
所述模块M3.2采用:在互信息量计算过程中使用Donsker-Varadhan表达式作为互信息量计算公式,具体公式如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210540923.0A CN114978306A (zh) | 2022-05-17 | 2022-05-17 | 基于深度学习的光纤通信传输系统互信息量计算方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210540923.0A CN114978306A (zh) | 2022-05-17 | 2022-05-17 | 基于深度学习的光纤通信传输系统互信息量计算方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114978306A true CN114978306A (zh) | 2022-08-30 |
Family
ID=82983205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210540923.0A Pending CN114978306A (zh) | 2022-05-17 | 2022-05-17 | 基于深度学习的光纤通信传输系统互信息量计算方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114978306A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112863521A (zh) * | 2020-12-24 | 2021-05-28 | 哈尔滨理工大学 | 一种基于互信息估计的说话人识别方法 |
CN113034414A (zh) * | 2021-03-22 | 2021-06-25 | 上海交通大学 | 一种图像重构方法、系统、装置及存储介质 |
CN113435201A (zh) * | 2021-06-24 | 2021-09-24 | 杭州电子科技大学 | 一种Span标注框架下的实体抽取采样方法 |
US20220014398A1 (en) * | 2018-10-29 | 2022-01-13 | Board Of Regents, The University Of Texas System | Low resolution ofdm receivers via deep learning |
CN114219066A (zh) * | 2021-10-29 | 2022-03-22 | 清华大学 | 基于瓦瑟斯坦距离的无监督强化学习方法及装置 |
CN114337849A (zh) * | 2021-12-21 | 2022-04-12 | 上海交通大学 | 基于互信息量估计神经网络的物理层保密方法及系统 |
-
2022
- 2022-05-17 CN CN202210540923.0A patent/CN114978306A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220014398A1 (en) * | 2018-10-29 | 2022-01-13 | Board Of Regents, The University Of Texas System | Low resolution ofdm receivers via deep learning |
CN112863521A (zh) * | 2020-12-24 | 2021-05-28 | 哈尔滨理工大学 | 一种基于互信息估计的说话人识别方法 |
CN113034414A (zh) * | 2021-03-22 | 2021-06-25 | 上海交通大学 | 一种图像重构方法、系统、装置及存储介质 |
CN113435201A (zh) * | 2021-06-24 | 2021-09-24 | 杭州电子科技大学 | 一种Span标注框架下的实体抽取采样方法 |
CN114219066A (zh) * | 2021-10-29 | 2022-03-22 | 清华大学 | 基于瓦瑟斯坦距离的无监督强化学习方法及装置 |
CN114337849A (zh) * | 2021-12-21 | 2022-04-12 | 上海交通大学 | 基于互信息量估计神经网络的物理层保密方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Soltani et al. | Deep learning-based channel estimation | |
Bai et al. | Deep learning-based channel estimation algorithm over time selective fading channels | |
CN113139662A (zh) | 联邦学习的全局及局部梯度处理方法、装置、设备和介质 | |
CN111712835A (zh) | 数据传输系统中的信道建模 | |
CN113381828B (zh) | 基于条件生成对抗网络的稀疏码多址接入随机信道建模方法 | |
CN113708855B (zh) | 基于深度学习的otfs数据驱动接收方法、系统及介质 | |
CN110932809A (zh) | 光纤信道模型模拟方法及装置 | |
CN112968853A (zh) | 一种mmtc系统多用户接入检测和信道估计的方法 | |
CN102160336B (zh) | 仿真装置和仿真方法 | |
CN114553315A (zh) | 基于CNN-biRNN的光纤非线性均衡方法及系统 | |
Baptista | Chaos for communication | |
CN110278570B (zh) | 一种基于人工智能的无线通信系统 | |
CN114362851A (zh) | 一种基于机器学习的无线信道数据去噪方法 | |
CN114978306A (zh) | 基于深度学习的光纤通信传输系统互信息量计算方法及系统 | |
CN110784760B (zh) | 一种视频播放方法、视频播放器及计算机存储介质 | |
Jiang et al. | End-to-end learning of communication system without known channel | |
Kalade et al. | Using sequence to sequence learning for digital bpsk and qpsk demodulation | |
Amirabadi | A deep learning based solution for imperfect CSI problem in correlated FSO communication channel | |
CN111865849B (zh) | 一种信号调制的方法、装置和服务器 | |
CN115037340A (zh) | 信号检测方法、装置、电子设备及存储介质 | |
CN110830409B (zh) | 外源辐射雷达参考信道估计和信道估计模型训练方法 | |
CN114980086A (zh) | 模型训练、密钥生成方法、训练设备、通信方及系统 | |
US11507803B2 (en) | System for generating synthetic digital data for data multiplication | |
CN114337745A (zh) | 一种模型驱动深度学习的大规模mimo信号检测方法 | |
CN105812038A (zh) | 多波束移动卫星通信系统多用户下行联合预编码方法 |
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 |