CN115276818B - 一种基于深度学习的光载无线传输链路解调方法 - Google Patents

Abstract

本发明公开了一种基于深度学习的光载无线传输链路解调方法，具体为：构建用于RoF传输链路解调的FTnet模型，该模型是以Transformer模型中的sub‑encoder为基础结构，将结构中的自注意力机制替换为傅里叶层，并将这些sub‑encoder结构串联起来构成FTnet模型；构建训练所用的数据集，用于训练构建的FTnet模型；使用滑动序列的方式从接收信号中选取与训练格式相同的采样点，输入到训练好的FTnet模型，得到解调后的比特信息。本发明能够对受损的接收信号进行解调，避免了需要复杂的数学理论和专业知识，并且能够提高RoF传输链路的误比特率性能。

Description

一种基于深度学习的光载无线传输链路解调方法

技术领域

本发明属于通信技术领域，尤其涉及一种基于深度学习的光载无线传输链路解调方法。

背景技术

基于强度调制直接检测(IM/DD)的光载无线(RoF)传输由于具有成本低、系统结构简单、带宽大、传输损耗低、功耗低和抗电磁干扰等优点，在第五代移动通信(5G)无线通信中得到了广泛的研究和应用。虽然RoF技术有很多优点，但它也受到光纤色散、非线性损伤和相位噪声等影响，导致RoF接收灵敏度较低。为了缓解这些问题，人们引入了各种有效的技术包括色散补偿光纤、单边带或残留边带调制等，但这些技术都会增加系统的复杂性或成本，并且偏置精确度要求低。由于灵活性，数字信号处理(DSP)算法可能是更好的替代方案。已有的RoF传输链路中用于缓解色散效应的各种DSP算法有最小均方差(LMS)、恒模算法(CMA)和深度学习(DL)。由于RoF传输中通常存在不止一种类型的损伤，并且这些损伤不单独影响传输信号，因此对信号产生的组合影响更加复杂。在这些算法中，DL算法能够逼近任意非线性函数，被认为在联合抑制RoF传输链路中的色散效应和非线性损伤方面具有很大的应用前景，这也是深度学习在通信领域的一个主要的应用方向。当然，深度学习也不是只能当作均衡器，也可以将深度学习网络作为一个通信系统的接收器用于受损信号的解调。

传统的RoF解调过程包括有频偏补偿，下变频，下采样，匹配滤波，相偏补偿，均衡，和解码等过程来尽可能准确地从接收的失真信号中恢复信息。但传统的解调过程存在一些不足，首先是循序渐进的串行处理不会优化整体的解调性能。上述介绍频偏补偿，下变频和下变频等过程都是有优化特定任务的性能。但是每个模块的最佳不一定保证最佳的全局性能。前一个模块的误差可能会影响后续处理模块的优化，造成误差的累积效应。然后，每个处理过程通常是基于理论假设的，该处理过程是在假设条件下的最佳性能，而不一定是现实环境下的最佳性能。最后是传统的接收算法通常需要知道发射的调制信息，比如中心频率，匹配滤波的系数等，才能够实现信息的恢复。这增加了发射机和接收机之间的信令交互的复杂性。然而目前并没有针对RoF的联合均衡和解码的解调技术。

发明内容

针对这些不足，本发明提供一种基于深度学习的光载无线传输链路解调方法。

本发明的一种基于深度学习的光载无线(RoF)传输链路解调方法，包括以下步骤：

步骤1：构建用于RoF传输链路解调的FTnet模型。

RoF传输链路采用强度调制器对激光器发射出的连续光信号进行调制，调制器由正交调幅QAM射频信号驱动；然后，产生的光调制信号通过光纤传输并由光电探测器接收；接收到的射频信号直接被深度学习网络解调为相应的比特信息。

步骤2：构建训练所用的数据集，用于训练步骤1构建的FTnet模型。

步骤3：利用步骤2训练好的FTnet模型解调RoF传输链路的接收信号。

上述FTnet模型具体为：

1)模型的输入尺寸为(seq_len,sym_num)，其中seq_len为输入数据中包含的符号个数，sym_num为每个符号的采样点数。由于链路中存在色散影响，导致周围时刻的符号会影响当前时刻的符号，因此在确定当前时刻符号的比特信息时，需要周围时刻的符号信息存在，seq_len通常设为7。

2)FTnet模型以Transformer模型的sub-encoder结构为基础，将其中的自注意力机制替换为傅里叶层；其结构包括有批量归一化操作，Dropout和前向传播网络；为了增强特征的流通性，还加入了残差连接；特征尺寸在该结构中保持不变仍是(seq_len,sym_num)。

3)模型中的傅里叶层的表达式为：

p＝f^-1(R·f(z))+conv(z)

其中，输入特征为z，输出特征为p；f代表快速傅里叶变换，f^-1代表快速傅里叶逆变换；conv表示卷积层计算；R为可学习的复数权重，用于学习频域内的特征。

4)FTnet的输出层是特征到比特信息的映射层，用一层全连接网络来实现；其输入的神经元个数为seq_len*sym_num，而输出的神经元个数则和调制格式有关，如果调制格式为16QAM则输出神经元的个数为4，如果调制格式为64QAM则输出的神经元的个数为6；并且输出层的激活函数为sigmoid。

5)FTnet模型采用Adam作为模型优化器，损失函数为均方误差损失函数。

进一步的，步骤2具体为：

首先构建训练数据集则是采集RoF传输链路中导频信号，即已知比特信息的接收信号，其中已知比特信息为标签，接收信号为FTnet模型的输入信号；然后是训练FTnet模型，RoF接收信号进行归一化操作，接着接收信号按照(seq_len,sym_num)格式进行分组，然后每组信号输入到FTnet模型中，模型生成相应的拟合比特信息；优化器Adam利用拟合比特信息与标签信息之间的均方差值指导FTnet模型的权重进行调整，直到该模型收敛。

进一步的，步骤3具体为：

使用滑动序列的方式从接收信号中选取序列进入FTnet模型，模型生成当前时刻的比特信息，然后与真实的比特信息相比计算模型的误比特率。

本发明的有益技术效果为：

本发明能够对接收信号进行解调，不需要像传统解调方法中必须包含频偏补偿，下变频，下采样，匹配滤波，相偏补偿，均衡，和解码等操作，避免了需要复杂的数学理论和专业知识，并且能够提高RoF传输链路的误比特率性能。

附图说明

图1为本发明基于FTnet模型的RoF解调网络结构框图。

图2为本发明基于深度学习的RoF传输链路解调方法实现流程图。

图3为传统没有均衡算法的解调方法流程图。

图4为传统具备最小均方误差均衡算法(LMS)的解调方法流程图。

图5为在16QAM的25公里单模光纤传输链路上不同光电探测器接收功率的误比特率性能。

图6为在64QAM的25公里单模光纤传输链路上不同光电探测器接收功率的误比特率性能。

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。

本发明的一种基于深度学习的光载无线传输链路解调方法具体为：

1、首先构建基于FTnet的RoF传输链路解调网络。

FTnet模型结构如图1所示。模型具体每一层结构如下所示：

第一层为输入层100，模型每次输入seq_len*sym_num个采样信号，在本发明中seq_len取值为7，每个符号的采样点为20，批归一化个数为50，因此该模型的输入尺寸为(50，7，20)。

第二层为特征提取层200，这一层是由多个类似Transformer的sub-encoder结构块串联而成，在本发明中有4个结构块构成。在每一个结构块中，数据首先进行批量归一化210然后进入傅里叶层220，接着进入概率0.2的dropout操作230，再进行批量归一化240，然后再进入前向传播网络250，接着再进入概率0.2的dropout操作260，最后进入批量归一化270。为了增强特征的流通性，还在特征传播过程中加入了残差结构，分别加在批量归一化210之前和dropout&相加230之中，以及批量归一化240之前与dropout&相加260之中。在结构块中数据特征尺寸保持不变为(50，7，20)。

在傅里叶层中，特征被分为两路，一路进入卷积层224进行时域部分的特征提取，另一路首先进行傅里叶变换将特征变换为频域然后将其与可学习权重R(222)进行复数相乘，在频域内进行特征提取，最后进行逆傅里叶变换将其再变换为时域，然后再将两路特征相加。

第三层为输出层300，是由一层全连接网络和sigmoid激活函数构成，在输出层之前需要对数据进行展开操作，即数据尺寸变为(50，140)。然后根据调制格式选择输出神经元个数。如果调制格式为16QAM则输出4个值，如果调制格式为64QAM则输出6个值。

网络的损失函数为均方误差函数，优化器为Adam，学习率为0.0002。

具体的网络结构中设计到的前向传播，激活函数，损失函数，和傅里叶层的运算如下所示：

在数据输入网络之前需要对采样信号进行归一化

其中，x是原始数据，x_min为采样信号中最小值，x_max为采样信号的最大值。

在前向传播250中，是由两层全连接网络构成，其中输入层有20个神经元，隐藏层有36个神经元，输出层有20个神经元，他们之间的激活函数为ReLu。其表达式为：

ReLu(x)＝max(0,x)

其中x为输入特征。

在傅里叶层中，输入的特征用z来表示。离散傅里叶变换和离散傅里叶逆变换是通过快速傅里叶变换和快速傅里叶逆变换算法实现的，分别表示为f和f^-1。R为可学习的复数权重，用于特征在频域内的学习。卷积层计算用conv表示。傅里叶层的输出p可以表示为

p＝f^-1(R·f(z))+conv(z)

最后输出层的激活函数sigmoid为

其中x为输入特征。

模型的均方差损失函数为：

其中x_i表示链路接收端第i个接收信号，f(x_i)表示经过FTnet模型解调得到的第i个比特信息，y_i为链路输出端第i个真实的比特信息，n为输入样本的总数量。

2、构建训练所用的数据集，训练网络。

为了构建数据集，本发明搭建了一个RoF传输链路实验系统，如图2所示。激光源产生1550.12nm波长，光功率为12dBm的连续激光通过偏振控制器发送到40Gbps的强度调制器中。然后由任意波形发生器以32GSA/s的采样率产生的16QAM微波矢量信号被送入到强度调制器中。其中微波信号的中心频率为10GHz，波特率为2Gsym/s。强度调制器生成的调制光信号通过25公里的单模光纤传输。接下来，接收到的光信号由40GHz光纤探测器转换为电信号。然后射频信号由实时示波器以40GSA/s的采样率进行数字化。其中导频信号用来作为训练集，其余的接收信号用于测试集。在采集信号的过程中，为了测试FTnet模型的接收灵敏度，我们在光电探测器之前加入可调光衰减器，通过调节光衰减器得到不同光功率下的接收信号。

用接收信号及其对应的比特信息标签构建成的数据集训练FTnet模型。模型训练过程具体如下：

步骤1：输入接收信号序列，通过FTnet模型对比特信息进行拟合生成；

步骤2：通过损失函数计算模型生成的拟合比特信息与标签比特信息的损失值，然后利用Adam优化器根据损失值调整模型的权重。

步骤3：使用另外一组未被学习的接收信号作为验证集，对比验证结果的误比特率是否达到预期的误比特率。

步骤4：如果模型生成的拟合比特信息的误比特率达到预期，则记录模型的权重值，训练过程结束；若模型的误比特率未达到预期，则重复步骤1-3，达到预期误码率。

3、利用第2步中训练好的FTnet模型对RoF链路的接收信号进行解调。

接收信号通过FTnet模型拟合生成相应的比特信息，拟合的比特信息与标签比特信息相比从而得到测试信号的误比特率。为了比较FTnet模型对于RoF传输链路解调性能的优越性，本发明将该模型与其他的解调方法进行对比。其中包括传统没有均衡算法的解调方法如图3，传统具备最小均方误差均衡算法(LMS)的解调方法如图4，基于深度神经网络(DNN)的解调方法，和基于Transformer的解调方法。

如图5所示，为不同接收光功率下的误比特率性能。通过本发明与传统没有均衡的解调方法，可以发现FTnet解调模型具有均衡的作用。当本发明与传统具备LMS均衡的解调方法相比可以发现FTnet解调模型的均衡效果要比传统的均衡效果要强。当本发明与Transformer相比，可以发现通过将自注意力机制替换为傅里叶层，可以大幅提高RoF传输链路的解调性能。当本发明与DNN解调模型相比，也体现出FTnet模型相比于普通的深度学习模型具有更好的均衡与解码性能。从图5中还可以发现，FTnet解调模型，传统带有LMS均衡的解调方法，和DNN解调模型在7％前向纠错(FEC)阈值(误比特率＝3.8×10^-3)情况下，接收灵敏度分别为-12.1dBm和-11.1dBm，-11.1dBm。为了进一步验证FTnet模型在更高阶的调制格式情况下的性能，本发明将上述实验中的调制格式改为64QAM然后进行实验，得到的不同接收光功率下的误比特率的性能如图6所示。传统的带有LMS均衡的解调方法和传统不带有均衡的解调方法在最大接收光功率情况下也没有达到7％FEC限制，而FTnet解调模型在7％FEC限制下的灵敏度约为-6dBm。

综上所述，本发明提出的FTnet模型能够较为准确的对RoF链路系统进行解调，在16QAM和64QAM的RoF传输链路中能够得到不错的误比特率性能。

Claims (3)

1.一种基于深度学习的光载无线传输链路解调方法，其特征在于，包括以下步骤：

步骤1：构建用于RoF传输链路解调的FTnet模型；

RoF传输链路采用强度调制器(3)对激光器(10)发射出的连续光信号进行调制，调制器由正交调幅QAM射频信号驱动；然后，产生的光调制信号通过光纤(4)传输并由光电探测器(6)接收；接收到的射频信号直接被深度学习网络(8)解调为相应的比特信息；

所述FTnet模型具体为：

1)模型的输入尺寸为(seq_len,sym_num)，其中seq_len为输入数据中包含的符号个数，sym_num为每个符号的采样点数；

2)FTnet模型以Transformer模型的sub-encoder结构为基础，将其中的自注意力机制替换为傅里叶层；其结构包括有批量归一化操作，Dropout和前向传播网络；为了增强特征的流通性，还加入了残差连接；特征尺寸在该结构中保持不变仍是(seq_len,sym_num)；

3)模型中的傅里叶层的表达式为：

p＝f^-1(R·f(z))+conv(z)

其中，输入特征为z，输出特征为p；f代表快速傅里叶变换，f^-1代表快速傅里叶逆变换；conv表示卷积层计算；R为可学习的复数权重，用于学习频域内的特征；

4)FTnet的输出层是特征到比特信息的映射层，用一层全连接网络来实现；其输入的神经元个数为seq_len*sym_num，而输出的神经元个数则和调制格式有关，如果调制格式为16QAM则输出神经元的个数为4，如果调制格式为64QAM则输出的神经元的个数为6；并且输出层的激活函数为sigmoid；

5)FTnet模型采用Adam作为模型优化器，损失函数为均方误差损失函数；

步骤2：构建训练所用的数据集，用于训练步骤1构建的FTnet模型；

步骤3：利用步骤2训练好的FTnet模型解调RoF传输链路的接收信号。

2.根据权利要求1所述的一种基于深度学习的光载无线传输链路解调方法，其特征在于，所述步骤2具体为：

首先构建训练数据集则是采集RoF传输链路中导频信号，即已知比特信息的接收信号，其中已知比特信息为标签，接收信号为FTnet模型的输入信号；然后是训练FTnet模型，RoF接收信号进行归一化操作，接着接收信号按照(seq_len,sym_num)格式进行分组，然后每组信号输入到FTnet模型中，模型生成相应的拟合比特信息；优化器Adam利用拟合比特信息与标签信息之间的均方差值指导FTnet模型的权重进行调整，直到该模型收敛。

3.根据权利要求2所述的一种基于深度学习的光载无线传输链路解调方法，其特征在于，所述步骤3具体为：

使用滑动序列的方式从接收信号中选取序列进入FTnet模型，模型生成当前时刻的比特信息，然后与真实的比特信息相比计算模型的误比特率。