CN115001912B - 基于BiLSTM的IFDMA-PON改善方法 - Google Patents
基于BiLSTM的IFDMA-PON改善方法 Download PDFInfo
- Publication number
- CN115001912B CN115001912B CN202210614916.0A CN202210614916A CN115001912B CN 115001912 B CN115001912 B CN 115001912B CN 202210614916 A CN202210614916 A CN 202210614916A CN 115001912 B CN115001912 B CN 115001912B
- Authority
- CN
- China
- Prior art keywords
- signal
- ifdm
- model
- bilstm
- data
- 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
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
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03006—Arrangements for removing intersymbol interference
- H04L25/03165—Arrangements for removing intersymbol interference using neural 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
- 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
- H04Q—SELECTING
- H04Q11/00—Selecting arrangements for multiplex systems
- H04Q11/0001—Selecting arrangements for multiplex systems using optical switching
- H04Q11/0062—Network aspects
- H04Q11/0067—Provisions for optical access or distribution networks, e.g. Gigabit Ethernet Passive Optical Network (GE-PON), ATM-based Passive Optical Network (A-PON), PON-Ring
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q11/00—Selecting arrangements for multiplex systems
- H04Q11/0001—Selecting arrangements for multiplex systems using optical switching
- H04Q11/0062—Network aspects
- H04Q2011/0079—Operation or maintenance aspects
- H04Q2011/0081—Fault tolerance; Redundancy; Recovery; Reconfigurability
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Power Engineering (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Optical Communication System (AREA)
Abstract
本发明公开了一种基于双向长短期记忆网络的交织频分多址无源光网络非线性损伤改善方法,具体为:采集数据处理后获得BiLSTM网络模型训练所需的训练和测试样本以及对应的标签,在数据发送端,改变传输链路的条件,即激光器线宽和调制器偏置点;在数据接收端,采用基于BiLSTM网络模型的接收机,进行信道估计和信号检测,恢复得到原始数据信号。本发明对激光器线宽变化和调制器偏置点漂移具有更大的容忍度,可实现更好的信号恢复,这使其成为下一代经济高效的大容量光接入网络的一个有前景的工具。
Description
技术领域
本发明属于光通信领域,尤其涉及一种基于双向长短期记忆网络(BidirectionalLong Short-Term Memory,BiLSTM)的交织频分多址无源光网络(Interleaved FrequencyDivision Multiple Access,IFDMA)IFDMA-PON非线性损伤改善方法。
背景技术
无源光网络(Passive Optical Network,PON)最早在1987被英国电信公司提出的,由于其低成本、大带宽和抗干扰性强被业内广泛认可。是“最后一公里”入网用户缺少带宽的解决方案,在接入领域获得了广泛的研究和应用。如图1所示,一个典型的PON系统包括光线路终端(Optical Line Terminal,OLT)、光分配网络(Optical DistributionNetwork,ODN)和用户端的光网络单元(Optical Network Unit,ONU)。
随着以太网的高速发展,产业界陆续提出了Ethernet PON(EPON)和Gigabit PON(GPON)来满足低部署成本和高速率的需求。然而随着网络带宽需求的高速增长,目前商用化较为成熟的基于OOK调制的TDM-PON在支持更大容量传输方面的瓶颈越发的明显。首先,OOK调制频谱利用率低,其次,在高速传输时由于光纤色散效应会带来严重的传输损伤,极大地限制了直接检测系统的传输距离,最后,高速的突发模式的收发机从成本和技术上来说都面临巨大的挑战。为了满足下一代PON的诉求,许多新型的PON技术方案被陆续地提出以解决当前的接入瓶颈,比如波分复用无源光网络(WDM-PON)、正交频分复用无源光网络(OFDM-PON)、光码分复用无源光网络(OCDM-PON)等。IFDMA由于其峰均比低、发射机复杂度低、对多径引起的失真具有高耐受性和低功耗等优势,因此IFDMA方案可以作为无源光网络中一种有前景的多址接入方案。但是在提出的IFDMA-PON系统中也存在着问题,由于每个用户的子载波彼此等距离地交织,因此使得多用户分离对系统损伤非常敏感,例如色散(CD)、光纤的非线性、发射机和接收机的非线性等等。传统的损伤补偿需要准确的信道状态信息(CSI)以及额外的训练序列的开销,这无疑会降低系统的传输容量和性能。此外,传统的损伤补偿方法很难对复杂的非线性损伤信号进行恢复,因此IFDMA-PON系统急切的需要一种更加有效的损伤补偿算法方法。
近年来,深度学习在计算机视觉、自然语言处理和语音识别等领域取得了巨大成功。凭借其强大的学习能力,光通信领域也提出了各种深度学习方法来处理各种复杂的任务,包括资源分配、网络性能监测和信号检测。在众多的神经网络模型中,循环神经网络(Recurrent Neural Networks,RNN)考虑了数据之间的关联性,网络的输出不仅仅取决于当前时刻的输入,还和前后时刻的输入有关。凭借着这样的优势,循环神经网络能能够处理序列问题,在自然语言处理、语音识别和机器翻译等等领域的应用取得了显著的效果。然而,在深度学习领域中(尤其是RNN),“长期依赖”问题是普遍存在的。长期依赖产生的原因是当神经网络的节点经过许多阶段的计算后,之前比较长的时间片的特征已经被覆盖。因此,随着数据时间片的增加,RNN容易遇到梯度爆炸或者梯度消失的问题。LSTM作为RNN的一种特殊类型,它增加了一种携带信息跨越多个时间步的方法,能够很好的解决上面我们提到的长期依赖问题。LSTM网络使用存储单元存储随时间变化的信息,并通过非线性门结构(包括遗忘门ft、输入门it和输出门ot)决定遗忘或存储下一时间步的信息,如图2所示。具体LSTM每个“门”的公式定义如下:
gt=tanh(wg·[ht-1,xt]+bg)
it=σ(wi·[ht-1,xt]+bi)
ft=σ(wf·[ht-1,xt]+bf)
ct=ft*ct-1+it*gt
ot=σ(wo·[ht-1,xt]+bo)
ht=ot*tanh(ct)
其中,gt,ht-1分别代表了临时细胞状态和前一刻的隐层状态,w*,b*,(*=g,i,f,o)分别为临时细胞状态、输入门、遗忘门和输出门的权重和偏置。
对于LSTM模型,信息只向前传播,这导致当前状态只依赖于过去的状态。然而,在有些问题中,当前时刻的输出不仅和之前的状态有关,也和之后的状态相关。这是就需要使用双向循环神经网络(bidirectional RNN)来解决这类问题。BiLSTM结构结合了前向LSTM和后向LSTM来捕获过去的可见信息和未来的隐藏信息,通过BiLSTM可以更好的捕捉双向的数据依赖关系,BiLSTM的基本结构如图3所示。
BiLSTM与信道均衡和解调也有着密切的结合点,譬如在一个IFDM符号中,信号除了收到信道的影响,还受到了符号之间的干扰,因而一个IFDM符号上的子载波信号是存在关联性的,而BiLSTM可以有效地处理光信道均衡中前后符号之间的符号间干扰问题。
发明内容
为解决上述问题,本发明提供一种基于双向长短期记忆网络(BidirectionalLong Short-Term Memory,BiLSTM)的交织频分多址无源光网络(Interleaved FrequencyDivision Multiple Access,IFDMA)IFDMA-PON非线性损伤改善方法。
本发明的一种基于双向长短期记忆网络的交织频分多址无源光网络非线性损伤改善方法,具体为:
系统初始阶段:
1)发射端利用随机比特流产生IFDM信号,经过传输链路,在接收端接收到该信号,并转换到频域。
2)改变传输链路的条件,包括两个条件:激光器线宽和调制器偏置点。
3)搭建深度神经网络模型,将接收到的信号作为模型的输入端,通过模型的处理,得到输出信号;将输出信号和已知的输入比特流进行对比,利用最小化损失函数对模型的参数(w,b)进行不断迭代和优化。
4)根据调制格式、传输距离、激光器线宽和调制器偏置点,确定优化后的模型参数。
数据采集:
(1)MATLAB根据当前时间为随机种子产生Log(M)*64*N的伪随机比特序列,存储为深度学习模型的标签序列;生成的随机序列经过M-QAM调制映射到64*N的星座向量中,其中N表示符号数,M代表调制阶数,64为FFT点数。
(2)将64*N的QAM符号经过重复、乘以相位旋转因子处理为IFDM信号,并添加前后缀。
(3)将MATLAB生成的IFDM信号发送到IFDMA-PON仿真模型中进行处理。
(4)将产生的IFDM信号经过串并转换,滤波器,傅里叶变换和IFDM信号解调处理后的QAM符号转换为64*N的复数矢量;取信号的实部和虚部,交织组成2*64*N的频域实值向量中,并将它存储为BiLSTM模型的训练数据。
(5)重复步骤(1)-(4),获得BiLSTM网络模型训练所需的训练和测试样本以及对应的标签。
数据发送:
1)发射单元将输入信息进行高阶符号映射和成块操作,得到调制信息序列。
2)将时域信号重复两次,并将重复后的信号乘以相位旋转因子。
3)然后将相乘后的数据添加循环前缀和后缀。
4)将IFDM基带信号上变频。
5)数模转换。
6)将模拟信号调制到光上。
7)改变传输链路的条件,即激光器线宽和调制器偏置点。
数据接收:
1)通过光电转换得到模拟电信号。
2)模数转换。
3)通过下变频得到IFDM基带信号。
4)将时域信号进行快速傅里叶变换,得到频域信号。
5)将频域信号送入到基于深度学习的接收机模块中,得到原始数据信号。
本发明的有益技术效果为:
本发明可以估计CSI,并恢复传输的符号。同时BiLSTM可以有效地揭示传输过程中的信号损伤,从而实现更好的信号恢复。此外,基于BiLSTM的方法对激光器线宽变化和调制器偏置点漂移具有更大的容忍度,这使其成为下一代经济高效的大容量光接入网络的一个有前景的工具。
附图说明
图1为PON网络体系结构。
图2为LSTM单元结构。
图3为BiLSTM单元结构。
图4为本发明基于BiLSTM的IFDMA-PON的非线性损伤改善方法原理图。
图5为实施例LSTM网络结构。
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。
本发明的一种基于双向长短期记忆网络的交织频分多址无源光网络非线性损伤改善方法原理如图1所示,具体为:
系统初始阶段:
1)发射端利用随机比特流产生IFDM信号,经过传输链路,在接收端接收到该信号,并转换到频域。
2)改变传输链路的条件,包括两个条件:激光器线宽和调制器偏置点。
3)搭建深度神经网络模型,将接收到的信号作为模型的输入端,通过模型的处理,得到输出信号;将输出信号和已知的输入比特流进行对比,利用最小化损失函数对模型的参数(w,b)进行不断迭代和优化。
4)根据调制格式、传输距离、激光器线宽和调制器偏置点,确定优化后的模型参数。
数据采集:
(1)MATLAB根据当前时间为随机种子产生Log(M)*64*N的伪随机比特序列,存储为深度学习模型的标签序列;生成的随机序列经过M-QAM调制映射到64*N的星座向量中,其中N表示符号数,M代表调制阶数,64为FFT点数。
(2)将64*N的QAM符号经过重复、乘以相位旋转因子处理为IFDM信号,并添加前后缀。
(3)将MATLAB生成的IFDM信号发送到IFDMA-PON仿真模型中进行处理。
(4)将产生的IFDM信号经过串并转换,滤波器,傅里叶变换和IFDM信号解调处理后的QAM符号转换为64*N的复数矢量;取信号的实部和虚部,交织组成2*64*N的频域实值向量中,并将它存储为BiLSTM模型的训练数据。
(5)重复步骤(1)-(4),获得BiLSTM网络模型训练所需的训练和测试样本以及对应的标签。
数据发送:
1)发射单元将输入信息进行高阶符号映射和成块操作,得到调制信息序列。
2)将时域信号重复两次,并将重复后的信号乘以相位旋转因子。
3)然后将相乘后的数据添加循环前缀和后缀。
4)将IFDM基带信号上变频。
5)数模转换。
6)将模拟信号调制到光上。
7)改变传输链路的条件,即激光器线宽和调制器偏置点。
数据接收:
1)通过光电转换得到模拟电信号。
2)模数转换。
3)通过下变频得到IFDM基带信号。
4)将时域信号进行快速傅里叶变换,得到频域信号。
5)将频域信号送入到基于深度学习的接收机模块中,得到原始数据信号。
实验仿真:
仿真实践中,为了同时考虑到通信系统中对性能和复杂度的要求,我们仅仅使用了含有2层BiLSTM结构的网络架构。图5是本实验采用的网络架构和具体细节参数,网络模型由2个BiLSTM层、一个铺平层和一个全连接输出层组成,接受输入数据的维度为64*2,分别对应64个子载波信号的实部和虚部,第一个BiLSTM层LSTM单元的个数为16,第二个BiLSTM层LSTM单元的个数为32。每一个BiLSTM层都使用Leaky Relu作为激活函数,并且在每个BiLSTM层后跟一个归一化层,以防止模型过拟合,接着将最后一个BiLSTM层后的归一化层的输出平铺为一维向量后输入全连接层,输出256维的向量(使用的是16QAM调制方式),最后使用sigmoid激活函数将全连接层输出值映射到0到1区间的值,取定阈值为0.5,大于0.5的输出则被预测为“1”比特,小于0.5的输出被预测为“0”比特。使用Adam优化器对最小均方误差损失函数进行优化。
Claims (1)
1.一种基于双向长短期记忆网络的交织频分多址无源光网络非线性损伤改善方法,其特征在于,具体为:
系统初始阶段:
1)发射端利用随机比特流产生IFDM信号,经过传输链路,在接收端接收到该信号,并转换到频域;
2)改变传输链路的条件,包括两个条件:激光器线宽和调制器偏置点;
3)搭建深度神经网络模型,将接收到的信号作为模型的输入端,通过模型的处理,得到输出信号;将输出信号和已知的输入比特流进行对比,利用最小化损失函数对模型的参数(w,b)进行不断迭代和优化;
4)根据调制格式、传输距离、激光器线宽和调制器偏置点,确定优化后的模型参数;
数据采集:
(1)MATLAB根据当前时间为随机种子产生Log(M)*64*N的伪随机比特序列,存储为深度学习模型的标签序列;生成的随机序列经过M-QAM调制映射到64*N的星座向量中,其中N表示符号数,M代表调制阶数,64为FFT点数;
(2)将64*N的QAM符号经过重复、乘以相位旋转因子处理为IFDM信号,并添加前后缀;
(3)将MATLAB生成的IFDM信号发送到IFDMA-PON仿真模型中进行处理;
(4)将产生的IFDM信号经过串并转换,滤波器,傅里叶变换和IFDM信号解调处理后的QAM符号转换为64*N的复数矢量;取信号的实部和虚部,交织组成2*64*N的频域实值向量中,并将它存储为BiLSTM模型的训练数据;
(5)重复步骤(1)-(4),获得BiLSTM网络模型训练所需的训练和测试样本以及对应的标签;
数据发送:
1)发射单元将输入信息进行高阶符号映射和成块操作,得到调制信息序列;
2)将时域信号重复两次,并将重复后的信号乘以相位旋转因子;
3)然后将相乘后的数据添加循环前缀和后缀;
4)将IFDM基带信号上变频;
5)数模转换;
6)将模拟信号调制到光上;
7)改变传输链路的条件,即激光器线宽和调制器偏置点;
数据接收:
1)通过光电转换得到模拟电信号;
2)模数转换;
3)通过下变频得到IFDM基带信号;
4)将时域信号进行快速傅里叶变换,得到频域信号;
5)将频域信号送入到基于深度学习的接收机模块中,得到原始数据信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210614916.0A CN115001912B (zh) | 2022-06-01 | 2022-06-01 | 基于BiLSTM的IFDMA-PON改善方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210614916.0A CN115001912B (zh) | 2022-06-01 | 2022-06-01 | 基于BiLSTM的IFDMA-PON改善方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115001912A CN115001912A (zh) | 2022-09-02 |
CN115001912B true CN115001912B (zh) | 2023-07-18 |
Family
ID=83031771
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210614916.0A Active CN115001912B (zh) | 2022-06-01 | 2022-06-01 | 基于BiLSTM的IFDMA-PON改善方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115001912B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101895463A (zh) * | 2010-04-20 | 2010-11-24 | 上海大学 | 混合波分复用/时分复用无源光网络实现网络可重构性的系统和方法 |
CN102291633A (zh) * | 2011-09-01 | 2011-12-21 | 北京大学 | 一种基于交织频分多址的无源光网络上行传输系统 |
CN104158787A (zh) * | 2014-04-14 | 2014-11-19 | 上海大学 | Ofdm-pon系统中基于volterra模型的非线性损伤补偿方法 |
WO2016147049A1 (en) * | 2015-03-13 | 2016-09-22 | Alcatel Lucent | Method and apparatus for hybrid multiplexing / de-multiplexing in passive optical network |
CN106549715A (zh) * | 2016-09-20 | 2017-03-29 | 西南交通大学 | 一种基于块交织频分多址的无源光网络传输方法 |
CN110535803A (zh) * | 2019-09-03 | 2019-12-03 | 西南交通大学 | 一种无源光网络上行传输接收端解调方法 |
CN112118066A (zh) * | 2020-11-23 | 2020-12-22 | 西南交通大学 | 一种基于改进卷积神经网络的fbmc-pon解调方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020196491A1 (en) * | 2001-06-25 | 2002-12-26 | Deng Kung Li | Passive optical network employing coarse wavelength division multiplexing and related methods |
KR102106323B1 (ko) * | 2014-09-24 | 2020-05-04 | 한국전자통신연구원 | 광가입자망에서의 직교 주파수 분할 다중 신호 전송방법 및 그 장치 |
-
2022
- 2022-06-01 CN CN202210614916.0A patent/CN115001912B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101895463A (zh) * | 2010-04-20 | 2010-11-24 | 上海大学 | 混合波分复用/时分复用无源光网络实现网络可重构性的系统和方法 |
CN102291633A (zh) * | 2011-09-01 | 2011-12-21 | 北京大学 | 一种基于交织频分多址的无源光网络上行传输系统 |
CN104158787A (zh) * | 2014-04-14 | 2014-11-19 | 上海大学 | Ofdm-pon系统中基于volterra模型的非线性损伤补偿方法 |
WO2016147049A1 (en) * | 2015-03-13 | 2016-09-22 | Alcatel Lucent | Method and apparatus for hybrid multiplexing / de-multiplexing in passive optical network |
CN106549715A (zh) * | 2016-09-20 | 2017-03-29 | 西南交通大学 | 一种基于块交织频分多址的无源光网络传输方法 |
CN110535803A (zh) * | 2019-09-03 | 2019-12-03 | 西南交通大学 | 一种无源光网络上行传输接收端解调方法 |
CN112118066A (zh) * | 2020-11-23 | 2020-12-22 | 西南交通大学 | 一种基于改进卷积神经网络的fbmc-pon解调方法 |
Non-Patent Citations (2)
Title |
---|
OFDM-PON系统的非线性损伤补偿方法;孙彦赞;路振龙;方勇;王军华;;半导体光电(01);全文 * |
Prototype of Uplink Transceiver for IFDMA-PON System by FPGA Emulation;Kiyoshi Onohara;IEEE Photonics Technology Letters;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115001912A (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110535803B (zh) | 一种无源光网络上行传输接收端解调方法 | |
CN111010239B (zh) | 一种相干光纤通信系统中非线性相位噪声补偿方法及系统 | |
CN107171735B (zh) | 一种时频域卡尔曼滤波大线宽co-ofdm相位噪声补偿方法 | |
WO2019191099A1 (en) | Non-linear adaptive neural network equalizer in optical communication | |
CN113472443B (zh) | 一种针对强度调制直接检测系统的发射端迭代色散补偿方法 | |
Zhao et al. | A modulation format identification method based on information entropy analysis of received optical communication signal | |
CN113364527B (zh) | 一种适用于高速相干偏振复用系统的非线性损伤补偿方法 | |
CN114513394A (zh) | 一种基于注意力机制图神经网络的信号调制格式识别方法、系统、装置及存储介质 | |
CN115001912B (zh) | 基于BiLSTM的IFDMA-PON改善方法 | |
CN101741804A (zh) | 光ofdm系统中基于训练序列和循环前缀(cp)的自适应信道估计方法 | |
CN114006794B (zh) | 基于复数值神经网络的信道估计方法及系统 | |
Yang et al. | Next-generation passive optical network based on sparse code multiple access and graph neural networks | |
CN113612707B (zh) | 基于ann_ls的im/dd-ofdm/oqam-pon系统信道估计方法 | |
Yang et al. | A modified convolutional neural network-based signal demodulation method for direct detection OFDM/OQAM-PON | |
Zhang et al. | An improved end-to-end optical transmission system based on deep learning | |
CN110048983B (zh) | 一种im/dd-ofdm无源光网络接收机的同步方法 | |
CN114124223A (zh) | 一种卷积神经网络光纤均衡器生成方法及系统 | |
CN110213188B (zh) | 基于循环位移选择性映射的峰均功率比抑制方法 | |
Lan et al. | A LMMSE channel estimator for coherent optical OFDM system | |
Aupetit-Berthelemot et al. | An IFFT/FFT size efficient improved ACO-OFDM scheme for next-generation passive optical network | |
Xia et al. | Deep Learning Based Signal Detection for Hybrid Modulated Faster-than-Nyquist Optical Wireless Communications | |
CN115276818B (zh) | 一种基于深度学习的光载无线传输链路解调方法 | |
CN113890622B (zh) | 一种基于图神经网络的长距离无源光网络解调方法 | |
CN113452439B (zh) | 一种弹性光网络中的关键参数联合监测方法 | |
Wang et al. | An Upstream Scheme with Deep Learning-assisted Receiver for DSP-based TDM-PON |
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 |