CN115378507B - 适用于多特征值非线性频分复用系统的噪声均衡方法及装置 - Google Patents
适用于多特征值非线性频分复用系统的噪声均衡方法及装置 Download PDFInfo
- Publication number
- CN115378507B CN115378507B CN202210999368.8A CN202210999368A CN115378507B CN 115378507 B CN115378507 B CN 115378507B CN 202210999368 A CN202210999368 A CN 202210999368A CN 115378507 B CN115378507 B CN 115378507B
- Authority
- CN
- China
- Prior art keywords
- eigenvalue
- complex
- noise
- disturbance
- representing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000001228 spectrum Methods 0.000 claims abstract description 62
- 238000013528 artificial neural network Methods 0.000 claims abstract description 56
- 238000012545 processing Methods 0.000 claims abstract description 33
- 230000005540 biological transmission Effects 0.000 claims abstract description 29
- 238000013507 mapping Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 239000010410 layer Substances 0.000 claims description 42
- 239000002356 single layer Substances 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000007493 shaping process Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 description 14
- 230000009286 beneficial effect Effects 0.000 description 10
- 239000013307 optical fiber Substances 0.000 description 10
- 239000000835 fiber Substances 0.000 description 6
- 239000006185 dispersion Substances 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 230000008054 signal transmission Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 230000001427 coherent effect Effects 0.000 description 2
- 230000006735 deficit Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000005624 perturbation theories Effects 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 230000009466 transformation 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
- H04B10/2507—Arrangements specific to fibre transmission for the reduction or elimination of distortion or dispersion
- H04B10/25073—Arrangements specific to fibre transmission for the reduction or elimination of distortion or dispersion using spectral equalisation, e.g. spectral filtering
-
- 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
- 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
- H04B10/2507—Arrangements specific to fibre transmission for the reduction or elimination of distortion or dispersion
- H04B10/2543—Arrangements specific to fibre transmission for the reduction or elimination of distortion or dispersion due to fibre non-linearities, e.g. Kerr effect
-
- 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
- H04B10/60—Receivers
- H04B10/61—Coherent receivers
- H04B10/616—Details of the electronic signal processing in coherent optical receivers
- H04B10/6163—Compensation of non-linear effects in the fiber optic link, e.g. self-phase modulation [SPM], cross-phase modulation [XPM], four wave mixing [FWM]
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Nonlinear Science (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)
Abstract
本发明提供了一种适用于多特征值非线性频分复用系统的噪声均衡方法及装置,包括:获取发射端调制信号的映射星座点和接收端NFT后的特征值及对应的受损离散谱信号;计算每一个对应特征值的扰动;对受损离散谱信号和特征值扰动进行预处理,并将其作为复值神经网络的输入特征,同时将映射星座点作为网络的标签;利用每个特征值对应的输入特征和标签分别训练复值神经网络,得到训练的模型,然后加载待均衡数据至对应模型中进行噪声均衡处理,最后将输出的信号经重新维度整形后得到噪声均衡后的总输出信号;对每个传输距离分别进行噪声均衡处理。本发明解决了多特征值NFDM系统中噪声均衡方案性能欠佳和复杂度高的问题。
Description
技术领域
本发明属于光纤通信技术领域,尤其涉及一种适用于多特征值非线性频分复用系统的噪声均衡方法及装置。
背景技术
光纤通信被认为是网络信息传输的基石,承载了超过90%的全球数据通信,对于光纤信道而言,影响系统容量的不利因素既有线性损伤也有非线性损伤。线性损伤主要包括光纤损耗、色散和偏振模色散等,这些损伤可利用掺铒光纤放大器、频域色散补偿、偏振解复用及线性均衡等技术实现较好补偿。在非线性损伤中,克尔非线性是限制光纤通信系统传输容量的重要因素。近年来,为了克服克尔非线性的局限性,提出了基于非线性傅里叶变换(nonlinear fourier transform,NFT)的非线性频分复用(nonlinear frequencydivision multiplexing,NFDM)系统,该系统将光纤的固有非线性作为构造因子来处理,信息被编码在非线性光谱上,而这些非线性光谱通过NFT获得,并在描述光纤链路中光场演化的理想非线性薛定谔方程(nonlinear schrodinger equation,NLSE)下独立传播。非线性谱λ主要由两部分组成:离散谱和连续谱,信息可以在离散谱、连续谱或两者上同时调制。
在不考虑损耗和噪声的理想可积系统时,NFDM方案可用NFT算法进行精确求解,但在实际链路中必然是存在损耗和噪声的,损耗的问题可通过路径平均模型近似解决,但噪声问题愈来愈成为一个不容忽视的问题。虽已有文献利用算子微扰理论进行信道的建模和信道解耦,但噪声具体的分布特性及其对非线性频谱的各种影响,目前的研究仍处于初步探索阶段。有研究表明掺铒光纤放大器中的自发辐射(ASE)噪声使得特征值和其相应的独立调制频谱具有相关性,基于这种相关性,提出了一种自适应线性最小均方误差估计(LMMSE)方法来抑制非线性离散谱上的ASE噪声,但此方案对于多特征值调制性能欠佳。另有研究表明ASE噪声引起的特征值实部和虚部的扰动可表征对非线性离散谱的影响,并基于该原理提出利用实值ANN去抑制4特征值NFDM系统中ASE噪声的影响,但此系统频谱效率较低,用于噪声抑制的NN方案的复杂度较高。为提高离散谱NFDM系统的频谱效率,人们希望调制更多的特征值和更高阶信号来传输信息,但解调精度也会随着特征值个数和调制信号阶数的增加而下降,且对于多特征值NFDM系统的信号解调,噪声的影响也愈发严重,已成为影响传输性能的主要障碍。
发明内容
针对现有技术中的上述不足,本发明提供的一种适用于多特征值非线性频分复用系统的噪声均衡方法及装置,解决了现有噪声均衡方案的均衡性能欠佳,均衡复杂度较高的问题。
为了达到以上目的,本发明采用的技术方案为:
本方案提供一种适用于多特征值非线性频分复用系统的噪声均衡方法,包括以下步骤:
S1、获取不同传输距离下的多特征值非线性频分复用系统发射端高阶调制信号的映射星座点和接收端NFT后的特征值及对应的受损离散谱信号;
S2、计算表征噪声分量的每一个对应特征值的扰动;
S3、对受损离散谱信号和特征值扰动进行预处理,并将经预处理后的受损离散谱信号和特征值扰动作为输入特征,输入至复值神经网络,同时将获取的高阶调制信号的映射星座点作为复值神经网络的标签;
S4、利用每个特征值对应的输入特征和标签分别训练复值神经网络,得到并保存复值神经网络训练后的模型,然后加载待均衡数据至对应模型中进行噪声均衡处理,最后将每个特征值对应模型分别预测输出的信号经重新维度整形后得到噪声均衡后的总输出信号,其中,该待均衡数据包括测试阶段每个特征值对应的预处理后的受损离散谱信号和特征值扰动;
S5、对于每个传输距离,分别重复步骤S1-S4进行噪声均衡处理,得到噪声均衡后的全部输出信号。
本发明的有益效果是:本发明所设计的多特征值和高阶调制信号的系统频谱效率最高为1.85Bit/s/Hz,有效提高了离散谱NFDM系统的频谱效率。所采用的Complex-valuedANN噪声均衡方案均衡后的BER值比未均衡的降低一到两个数量级左右,有效抑制了噪声对系统的不利影响,在保证信号传输质量的前提下大大扩大了信号传输距离,与此同时,较实值ANN在复杂度相当的条件下,可以实现较优性能,在性能相当的情况下,有效降低了用于噪声均衡的网络的复杂度。
再进一步地,所述特征值扰动的表达式如下:
Δλkz=λ′kz-λk
其中,Δλkz表示特征值扰动,λ′kz表示传输距离z后实际接收到的第k个特征值,λk表示理想的第k个特征值。
上述进一步方案的有益效果是:本发明通过上述步骤计算NFT算法实际解出的特征值与理想特征值的差值得到特征值扰动,并利用特征值扰动大小表征受损离散谱信号受损程度大小作为神经网络的输入特征。
再进一步地,所述预处理为:对接收端NFT后每一个特征值对应的受损离散谱信号和特征值扰动分别进行取实部操作和取虚部操作。
上述进一步方案的有益效果是:本发明通过上述步骤中的取实部和虚部操作,将输入特征进行维度的重新排列,以满足复值神经网络结构逻辑的实际运算需要。
再进一步地,所述复值神经网络包括依次连接的输入单元、隐藏单元和输出单元;
所述输入单元,用于接收经预处理后的受损离散谱信号和特征值扰动,并传输至隐藏单元;
所述隐藏单元,用于提取输入单元传输的信息,并完成受损离散谱信号与相应的特征值扰动对应关系的转换与计算过程;
所述输出单元,用于根据隐藏单元的转换和计算结果,输出经过噪声均衡后的离散谱信号。
上述进一步方案的有益效果是:本发明通过上述步骤构建复值神经网络整体结构,完成特征输入、特征提取和输出经过噪声均衡后信号的过程。
再进一步地,所述隐藏单元为依次连接的自定义复值全连接层;其中,所述自定义复值全连接层的输入信号为复数,其包括实部信号和虚部信号。
上述进一步方案的有益效果是:本发明利用自定义复值全连接层的输入和输出信号均为复数的特性,可以先验地知道输入量和目标量的相位和振幅信息,有效减少神经网络自由度的可能不利部分,从而得到更有意义的泛化特征,进一步提高输入特征的学习精度和速度。
再进一步地,所述自定义复值全连接层通过下式定义:
Z=Xw+b=(Ax-By)+j(Ay+Bx)+(m+jn)
X=A+jB
w=x+jy
b=m+jn
其中,Z表示单层复值全连接层的输出,X表示输入特征,w表示单层复值全连接层权重系数,b表示单层复值全连接层偏置系数,Re(Z)和Im(Z)分别表示单层复值全连接层输出信号的实部和虚部运算,A表示复数输入的实部,B表示复数输入的虚部,x表示权重系数的实部,y表示权重系数的虚部,m表示偏置系数的实部,n表示偏置系数的虚部,j表示虚数单位。
上述进一步方案的有益效果是:本发明通过上述步骤解决了Keras神经网络框架自带的全连接层不适合作为复值神经网络的隐藏层的问题,基于上述具体数学框架自定义复值全连接层,构建复数结构逻辑的神经网络。
再进一步地,所述复值神经网络的损失函数的表达式如下:
其中,MSE表示复值神经网络的损失函数,p表示接收符号的总数,i表示接收符号的索引号,yi表示任务标签,y′i表示网络预测输出值。
上述进一步方案的有益效果是:本发明通过将MSE作为神经网络的损失函数,确定网络输出与期望输出的误差大小,误差愈小,说明网络训练的愈好;同时通过比较训练阶段的损失函数曲线和验证阶段的损失函数曲线确定网络的泛化能力,避免过拟合或欠拟合等问题。
本发明还提供了一种适用于多特征值非线性频分复用系统的噪声均衡装置,包括:
第一处理模块,用于获取不同传输距离下的多特征值非线性频分复用系统发射端高阶调制信号的映射星座点和接收端NFT后的特征值及对应的受损离散谱信号;
第二处理模块,用于计算表征噪声分量的每一个对应特征值的扰动;
第三处理模块,用于对受损离散谱信号和特征值扰动进行预处理,并将经预处理后的受损离散谱信号和特征值扰动作为输入特征,输入至复值神经网络,同时将获取的高阶调制信号的映射星座点作为复值神经网络的标签;
第四处理模块,用于利用每个特征值对应的输入特征和标签分别训练复值神经网络,得到并保存复值神经网络训练后的模型,然后加载待均衡数据至对应模型中进行噪声均衡处理,最后将每个特征值对应模型分别预测输出的信号经重新维度整形后得到噪声均衡后的总输出信号,其中,该待均衡数据包括测试阶段每个特征值对应的预处理后的受损离散谱信号和特征值扰动;
第五处理模块,用于对于每个传输距离,分别利用第一处理模块至第四处理模块进行噪声均衡处理,得到噪声均衡后的全部输出信号。
本发明的有益效果:
(1)本发明方法采用Complex-valued ANN对多特征值调制NFDM系统高阶调制信号进行噪声均衡,仿真验证表明均衡后的BER值比未均衡的降低一到两个数量级左右,传输性能均有所改善,同时在保证信号传输质量的前提下也大大扩大了信号传输距离,此时所设计系统的频谱效率最高为1.85Bit/s/Hz,有效提高了离散谱NFDM系统的频谱效率。
(2)基于仿真验证和神经网络复杂度分析,本发明所采用的Complex-valued ANN较实值ANN在复杂度相当的条件下,可以实现较优性能,在性能相当的情况下,有效降低了网络的复杂度。为均衡复杂度和性能,本发明选择的网络层数和节点数均比较小,复杂度较低,在此前提下实现了对多特征值系统中离散谱信号的噪声均衡。
附图说明
图1为本发明中适用多特征值非线性频分复用系统的噪声均衡方法的数字信号处理流程图。
图2为本发明中适用多特征值非线性频分复用系统的噪声均衡方法的流程框图。
图3为本发明的自定义复值全连接层架构示意图。
图4为本发明中64QAM信号的复值神经网络结构框图。
图5为本发明中同等复杂度下4特征值64APSK信号调制的误码率曲线图。
图6为本发明中同等复杂度下4特征值64QAM信号调制的误码率曲线图。
图7为本发明中同等复杂度下7特征值16APSK信号调制的误码率曲线图。
图8为本发明中同等复杂度下7特征值16QAM信号调制的误码率曲线图。
图9为本发明中同等复杂度下7特征值64APSK信号调制的误码率曲线图。
图10为本发明中同等复杂度下7特征值64QAM信号调制的误码率曲线图。
图11为本发明中同等性能下7特征值16APSK信号调制的误码率曲线图。
图12为本发明中同等性能下7特征值64APSK信号调制的误码率曲线图。
图13为本发明的装置结构示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
实施例1
针对非线性频分复用系统中的噪声均衡问题,本发明提出基于Complex-valuedANN的噪声均衡方法,适用于16APSK、16QAM、64APSK、64QAM等多种调制格式,如图1所示,该方法主要是对NFT后的信号进行非线性谱域均衡,核心思想是对于不同传输距离下的每一个特征值所对应的离散谱在接收端通过非线性傅里叶变换(NFT)形成可表征受到系统噪声影响的实际信号,与计算所得的特征值扰动一起送入复值神经网络(Complex-valuedANN)。基于特征值扰动的大小与接收信号受噪声的损伤程度正相关,利用复数更丰富的表征能力可以学习信号受损伤大小,并把实际信号与学习到的损伤相减从而分别训练得到相应模型,然后利用该模型对相应的待均衡离散谱进行均衡以实现整个系统的噪声均衡。如图2所示,本发明提供了一种适用于多特征值非线性频分复用系统的噪声均衡方法,其实现方法如下:
S1、获取不同传输距离下的多特征值非线性频分复用系统发射端高阶调制信号的映射星座点和接收端NFT后的特征值及对应的受损离散谱信号;
本实施例中,本发明所述的高阶调制信号分别为高阶正交振幅调制(quadratureamplitude modulation,QAM)信号和高阶幅度相移键控(amplitude phase shift keying,APSK)信号,其中,对于16QAM/64QAM信号归一化时间窗口设置为[-10,10],对于16APSK/64APSK信号归一化时间窗口设置为[-9.5,9.5],经测试APSK信号环与环之间的不同距离,优化后的16APSK信号选取的环半径为1和2,每一个环的团簇数为8,64APSK信号选取的环半径为0.8、1.2、2和2.8,由内向外每一个环的团簇数为8、12、20和24。
所述多特征值系统具体是4、7特征值系统,虚部差值较大会导致脉宽较大,实部差值较大会导致带宽较大,基于这一原理选择的特征值固定虚部,改变实部差值,分别测试实部差值为0.3、0.35、0.4、0.45、0.5,归一化时间窗口持续时间设置为19、20、21的QAM信号传输不同距离下的误码率(bit error rate,BER),经仿真对比各种情况组合下的传输距离和系统性能,最终选取的4特征值为[0.3j-0.1,0.3j+0.3,0.3j+0.7,0.3j+1.1],7特征值为[0.3j-0.9,0.3j-0.5,0.3j-0.1,0.3j+0.3,0.3j+0.7,0.3j+1.1,0.3j+1.5],j表示虚数单位。
S2、计算表征噪声分量的每一个对应特征值的扰动:
Δλkz=λ′kz-λk
其中,Δλkz表示特征值扰动,λ′kz表示传输距离z后实际接收到的第k个特征值,λk表示理想的第k个特征值,若调制N个特征值,则1≤k≤N,N表示特征值个数。
S3、对受损离散谱信号和特征值扰动进行预处理,并将经预处理后的受损离散谱信号和特征值扰动作为输入特征,输入至复值神经网络,同时将获取的高阶调制信号的映射星座点作为复值神经网络的标签;
本实施例中,信号预处理指的是对NFT后实际接收到的受损离散谱信号Qd(λ′kz,z)和一组特征值扰动Ω={Δλ1z,…,Δλkz,…,ΔλNz}分别进行取实部和取虚部操作,ΔλNz表示传输距离z后第N个特征值扰动。输入特征为[Qd(λ′kz,z),Δλ1z,…,Δλkz,…,ΔλNz],即对于第k个特征值所对应离散谱的均衡,不止考虑当前第k个特征值的扰动,而是考虑所有特征值间的相互影响,即送入一组特征值扰动Ω。
本实施例中,如图4所示,所述复值神经网络包括依次连接的输入单元、隐藏单元和输出单元;
所述输入单元,用于接收经预处理后的受损离散谱信号和特征值扰动,并传输至隐藏单元;
所述隐藏单元,用于提取输入单元传输的信息,并完成受损离散谱信号与相应的特征值扰动对应关系的转换与计算过程;
所述输出单元,用于根据隐藏单元的转换和计算结果,输出经过噪声均衡后的离散谱信号。
所述输入单元的输入为NFT之后的受损离散谱信号和特征值扰动值,所述隐藏单元中的自定义复值全连接层的输入和输出信号为复数,分为实部信号和虚部信号,根据复数结构逻辑编写,而用于性能对比的实值人工神经网络(artificial neural networks,ANN)的隐藏单元包括依次连接的Keras神经网络框架中自带全连接层,输入和输出信号均为实数,其中实值ANN每一层选择已有文献使用的tangent激活函数进行激活,而Complex-valued ANN每一层均选择ReLU激活函数。本发明中两种神经网络的运算复杂度与隐藏层层数和节点数有关,综合考虑基于神经网络噪声均衡方法的复杂度和性能,对于不同调制格式,隐藏单元的隐藏层层数与每一隐藏层节点数不同,对于16APSK和16QAM信号,选择一层隐藏层,实值节点数为32,复值节点数为16。对于64APSK信号,选择一层隐藏层,实值节点数为64,复值节点数为32,对于64QAM信号,选择两层隐藏层,每一层的实值节点数为64,复值节点数为32,经计算此时两种神经网络的复杂度一致。以上设置为本发明中实值ANN和Complex-valued ANN在同等复杂度下进行性能对比的具体的神经网络结构。与此同时,本发明比较了实值ANN和Complex-valued ANN在同等性能下进行对比时的神经网络复杂度,对于16APSK信号,选择一层隐藏层,实值与复值节点数分别为32和8,此时Complex-ANN的复杂度只有实值ANN的50%。对于64APSK信号,实值ANN选择两层隐藏层,每一层实值节点数为64,Complex-ANN选择一层隐藏层,复值节点数为32,Complex-ANN的复杂度仅有实值ANN的22%。无论是实值ANN还是Complex-valued ANN,所述输出单元的输出均为经过噪声均衡后的离散谱信号,且神经网络的任务均为回归任务,衡量网络性能的损失函数为MSE函数,定义为:
其中,MSE表示复值神经网络的损失函数,p表示接收符号的总数,i表示接收符号的索引号,yi表示任务标签,y′i表示网络预测输出值。
本实施例中,复值神经网络中的自定义的复值全连接层如图3所示:对于复值张量,复值全连接层首先重新排列输入信号的实部和虚部,实线表示与输出Z实部相关的运算,虚线表示与输出Z虚部相关的运算,具体的数学模型为:
假定输入特征表示为X=A+jB,全连接层单层权重系数表示为w=x+jy,全连接层单层偏置系数项表示为b=m+jn,单层输出为Z,表示为:
Z=Xw+b=(Ax-By)+j(Ay+Bx)+(m+jn)
即:
其中,Z表示单层复值全连接层的输出,X表示输入特征,w表示单层复值全连接层权重系数,b表示单层复值全连接层偏置系数,Re(Z)和Im(Z)分别表示单层复值全连接层输出信号的实部和虚部运算,A表示复数输入的实部,B表示复数输入的虚部,x表示权重系数的实部,y表示权重系数的虚部,m表示偏置系数的实部,n表示偏置系数的虚部,j表示虚数单位。
S4、利用每个特征值对应的输入特征和标签分别训练复值神经网络,得到并保存复值神经网络训练后的模型,然后加载待均衡数据至对应模型中进行噪声均衡处理,最后将每个特征值对应模型分别预测输出的信号经重新维度整形后得到噪声均衡后的总输出信号,其中,该待均衡数据包括测试阶段每个特征值对应的预处理后的受损离散谱信号和特征值扰动;
S5、对于每个传输距离,分别重复步骤S1-S4进行噪声均衡处理,得到噪声均衡后的全部输出信号。
本实施例中,基于MATLAB和Keras Library机器学习库建立仿真系统,以验证本发明方法进行多特征值非线性频分复用噪声均衡的性能。
仿真方面,搭建了如图1所示的非线性频分复用系统,详细参数如下:发射端产生伪随机二进制序列并映射为多种高阶调制信号,比如对于4特征值系统,发射机发送64APSK/64QAM信号,脉冲速率为1GBaud,采样率64GSa/s,对于7特征值系统发射机发送16APSK/16QAM/64APSK/64QAM信号,脉冲速率为1GBaud,采样率256Gsa/s,将映射后的高阶调制信号送入INFT模块进行处理,处理后的信号变为多孤子时域脉冲,并进行去归一化的信号预处理以满足孤子传输所需的条件,预处理后的信号送入IQ调制器将电信号变为光信号以期在光纤信道中传输。在光纤环路中,采用每跨50km的1550nm非零色散位移光纤,其损耗系数为0.2dB/km,光纤群速度色散系数为-5.75ps2/km,非线性系数为1.3W-1/km,此后,使用一个噪声指数为5dB,环路增益为10dB的掺铒光纤放大器补偿光纤链路的损耗并引入ASE噪声。本发明设定的噪声均衡是每隔100km做一次均衡,即环路设定以步长2递增,当设定噪声指数为5dB时,实际传输距离不同,累积的噪声不同,对性能的影响不同。在光纤环路之后,利用相干接收机采集信号。在相干接收端,信号光和本振光进行90°混频并通过平衡探测,得到两路电信号,经过低通滤波器滤波、模数转换器采样实时获取数据。其后,将获取的数据进行数字信号处理,包括信号归一化、NFT变换,在NFT模块后面进行本发明提出的基于Complex-valued ANN的非线性谱域均衡,均衡过程的所需数据为:每个距离下的每个特征值均采集15000组数据,其中70%用于训练,30%用于验证,再另外采集不参与训练的15000组数据作为送入神经网络的测试数据,故每100km距离下4个特征值共60000组数据用于训练过程,60000组数据用于测试过程,而7个特征值共105000组数据用于训练过程,105000组数据用于测试过程,最终将测试数据进行符号解映射和误码率的计算。在均衡完成后,本发明使用误码率衡量该发明的有效性。图5和图6是针对于4特征值系统的均衡效果图,可以看出未均衡前误码率较高,而考虑所有特征值扰动的Complex-valued ANN均衡后BER均远远低于7%FEC阈值,说明本发明所提方案可大大降低误码率,有效提高系统性能。如图7、8、9、10所示,在7特征值NFDM系统中对于不同调制格式,考虑所有特征值扰动的Complex-valuedANN均衡效果均最优,均衡后的BER值比未均衡的降低一到两个数量级左右,其中对于16APSK/16QAM/64APSK信号,在800km之内BER均在7%前向纠错编码(forward errorcoding,FEC)阈值以下,对于64QAM信号,在600km之内BER在20%FEC阈值以下,该结果首先表明本均衡方法对于不同特征值个数的不同调制格式的NFDM系统均起到了不错的均衡效果,传输性能大大改善,在同等复杂度下性能优于实值ANN方案,其次对图7和图8、图9和图10未进行噪声均衡前的性能进行比较发现,同等频谱效率的情况下,APSK调制格式较QAM更适合在NFDM系统中传输,对噪声的容忍性更强,比如16APSK较16QAM信号有效传输距离可增加180km,64APSK信号满足误码率低于20%FEC阈值线的有效传输距离可达610km,,而64QAM信号传输均高于20%阈值线。而两种神经网络在同等性能下进行对比时,如图11和图12所示,在7特征值NFDM系统中对于16APSK和64APSK信号,分别使用两种网络的噪声均衡方案的性能相当,其中在同时考虑所有特征值扰动时16APSK和64APSK信号均衡后的有效传输距离分别可达920km和810km,但Complex-valued ANN的复杂度仅有实值ANN的50%和22%。
实施例2
如图13所示,本发明提供了一种适用于多特征值非线性频分复用系统的噪声均衡装置,包括:
第一处理模块,用于获取不同传输距离下的多特征值非线性频分复用系统发射端高阶调制信号的映射星座点和接收端NFT后的特征值及对应的受损离散谱信号;
第二处理模块,用于计算表征噪声分量的每一个对应特征值的扰动;
第三处理模块,用于对受损离散谱信号和特征值扰动进行预处理,并将经预处理后的受损离散谱信号和特征值扰动作为输入特征,输入至复值神经网络,同时将获取的高阶调制信号的映射星座点作为复值神经网络的标签;
第四处理模块,用于利用每个特征值对应的输入特征和标签分别训练复值神经网络,得到并保存复值神经网络训练后的模型,然后加载待均衡数据至对应模型中进行噪声均衡处理,最后将每个特征值对应模型分别预测输出的信号经重新维度整形后得到噪声均衡后的总输出信号,其中,该待均衡数据包括测试阶段每个特征值对应的预处理后的受损离散谱信号和特征值扰动;
第五处理模块,用于对于每个传输距离,分别利用第一处理模块至第四处理模块进行噪声均衡处理,得到噪声均衡后的全部输出信号。
如图13所示实施例提供的适用于多特征值非线性频分复用系统的噪声均衡装置可以执行上述方法实施例适用于多特征值非线性频分复用系统的噪声均衡方法所示的技术方案,其实现原理与有益效果类似,此处不再赘述。
本发明实施例中,本申请可以根据适用于多特征值非线性频分复用系统的噪声均衡方法进行功能单元的划分,例如可以将各个功能划分为各个功能单元,也可以将两个或两个以上的功能集成在一个处理单元中。上述集成单元即可以采用硬件的形式来实现,也可以采用软件功能单元的形式来实现。需要说明的是,本发明中对单元的划分是示意性的,仅仅为一种逻辑划分,实际实现时可以有另外的划分方式。
本发明实施例中,适用于多特征值非线性频分复用系统的噪声均衡装置为了实现适用于多特征值非线性频分复用系统的噪声均衡方法的原理与有益效果,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本发明所公开的实施例描述的各示意单元及算法步骤,本发明能够以硬件和/或硬件和计算机软件结合的形式来实现,某个功能以硬件还是计算机软件驱动的方式来执行,取决于技术方案的特定应用和设计约束条件,可以对每个特定的应用来使用不同的方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
Claims (5)
1.一种适用于多特征值非线性频分复用系统的噪声均衡方法,其特征在于,包括以下步骤:
S1、获取不同传输距离下的多特征值非线性频分复用系统发射端高阶调制信号的映射星座点和接收端NFT后的特征值及对应的受损离散谱信号;
S2、计算表征噪声分量的每一个对应特征值的扰动;
S3、对受损离散谱信号和特征值扰动进行预处理,并将经预处理后的受损离散谱信号和特征值扰动作为输入特征,输入至复值神经网络,同时将获取的高阶调制信号的映射星座点作为复值神经网络的标签;
所述复值神经网络包括依次连接的输入单元、隐藏单元和输出单元;
所述输入单元,用于接收经预处理后的受损离散谱信号和特征值扰动,并传输至隐藏单元;
所述隐藏单元,用于提取输入单元传输的信息,并完成受损离散谱信号与相应的特征值扰动对应关系的转换与计算过程;
所述输出单元,用于根据隐藏单元的转换和计算结果,输出经过噪声均衡后的离散谱信号;
所述隐藏单元为自定义复值全连接层;其中,所述自定义复值全连接层的输入信号为复数,其包括实部信号和虚部信号;
所述自定义复值全连接层通过下式定义:
其中,表示单层复值全连接层的输出,/>表示输入特征,/>表示单层复值全连接层权重系数,/>表示单层复值全连接层偏置系数,/>和/>分别表示单层复值全连接层输出信号的实部和虚部运算,/>表示复数输入的实部,/>表示复数输入的虚部,/>表示权重系数的实部,/>表示权重系数的虚部,/>表示偏置系数的实部,/>表示偏置系数的虚部,/>表示虚数单位;
S4、利用每个特征值对应的输入特征和标签分别训练复值神经网络,得到并保存复值神经网络训练后的模型,然后加载待均衡数据至对应模型中进行噪声均衡处理,最后将每个特征值对应模型分别预测输出的信号经重新维度整形后得到噪声均衡后的总输出信号,其中,该待均衡数据包括测试阶段每个特征值对应的预处理后的受损离散谱信号和特征值扰动;
S5、对于每个传输距离,分别重复步骤S1-S4进行噪声均衡处理,得到噪声均衡后的全部输出信号。
2.根据权利要求1所述的适用于多特征值非线性频分复用系统的噪声均衡方法,其特征在于,所述特征值扰动的表达式如下:
其中,表示特征值扰动,/>表示传输距离/>后实际接收到的第/>个特征值,/>表示理想的第/>个特征值。
3.根据权利要求1所述的适用于多特征值非线性频分复用系统的噪声均衡方法,其特征在于,所述预处理为:对接收端NFT后每一个特征值对应的受损离散谱信号和特征值扰动分别进行取实部操作和取虚部操作。
4.根据权利要求1所述的适用于多特征值非线性频分复用系统的噪声均衡方法,其特征在于,所述复值神经网络的损失函数的表达式如下:
其中,表示复值神经网络的损失函数,p表示接收符号的总数,/>表示接收符号的索引号,/>表示任务标签,/>表示网络预测输出值。
5.一种执行权利要求1-4任一所述的适用于多特征值非线性频分复用系统的噪声均衡方法的噪声均衡装置,其特征在于,包括:
第一处理模块,用于获取不同传输距离下的多特征值非线性频分复用系统发射端高阶调制信号的映射星座点和接收端NFT后的特征值及对应的受损离散谱信号;
第二处理模块,用于计算表征噪声分量的每一个对应特征值的扰动;
第三处理模块,用于对受损离散谱信号和特征值扰动进行预处理,并将经预处理后的受损离散谱信号和特征值扰动作为输入特征,输入至复值神经网络,同时将获取的高阶调制信号的映射星座点作为复值神经网络的标签;
第四处理模块,用于利用每个特征值对应的输入特征和标签分别训练复值神经网络,得到并保存复值神经网络训练后的模型,然后加载待均衡数据至对应模型中进行噪声均衡处理,最后将每个特征值对应模型分别预测输出的信号经重新维度整形后得到噪声均衡后的总输出信号,其中,该待均衡数据包括测试阶段每个特征值对应的预处理后的受损离散谱信号和特征值扰动;
第五处理模块,用于对于每个传输距离,分别重复步骤S1-S4进行噪声均衡处理,得到噪声均衡后的全部输出信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210999368.8A CN115378507B (zh) | 2022-08-19 | 2022-08-19 | 适用于多特征值非线性频分复用系统的噪声均衡方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210999368.8A CN115378507B (zh) | 2022-08-19 | 2022-08-19 | 适用于多特征值非线性频分复用系统的噪声均衡方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115378507A CN115378507A (zh) | 2022-11-22 |
CN115378507B true CN115378507B (zh) | 2024-04-26 |
Family
ID=84066693
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210999368.8A Active CN115378507B (zh) | 2022-08-19 | 2022-08-19 | 适用于多特征值非线性频分复用系统的噪声均衡方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115378507B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111385029A (zh) * | 2018-12-28 | 2020-07-07 | 中兴通讯股份有限公司 | 光纤非线性损伤补偿方法及装置 |
CN112511472A (zh) * | 2020-11-10 | 2021-03-16 | 北京大学 | 一种基于神经网络的时频二阶均衡方法及通信系统 |
CN112598106A (zh) * | 2020-12-17 | 2021-04-02 | 苏州大学 | 基于复数值前向神经网络的复信道均衡器设计方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10833770B2 (en) * | 2018-06-22 | 2020-11-10 | Nec Corporation | Optical fiber nonlinearity compensation using neural networks |
-
2022
- 2022-08-19 CN CN202210999368.8A patent/CN115378507B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111385029A (zh) * | 2018-12-28 | 2020-07-07 | 中兴通讯股份有限公司 | 光纤非线性损伤补偿方法及装置 |
CN112511472A (zh) * | 2020-11-10 | 2021-03-16 | 北京大学 | 一种基于神经网络的时频二阶均衡方法及通信系统 |
CN112598106A (zh) * | 2020-12-17 | 2021-04-02 | 苏州大学 | 基于复数值前向神经网络的复信道均衡器设计方法 |
Non-Patent Citations (2)
Title |
---|
Complex-Valued Neural Network Design for Mitigation of Signal Distortions in Optical Links;Pedro J. Freire 等;第1696-1705页;第1696-1705页 * |
Neural Network-Based Noise Suppression Method for NFT-Based Multi-Eigenvalue Transmission;Yingrong Chen 等;《IEEE COMMUNICATIONS LETTERS》;第3027-3030页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115378507A (zh) | 2022-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10833770B2 (en) | Optical fiber nonlinearity compensation using neural networks | |
CN108880692B (zh) | 一种相干光通信系统调制格式识别和光信噪比监控方法 | |
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 | |
CN107395282A (zh) | 一种时域无迹卡尔曼滤波的大线宽co‑ofdm系统相位噪声补偿方法 | |
CN111431565B (zh) | 一种光通信mimo检测方法及系统 | |
CN111541483A (zh) | 基于高阶统计矩的相干光通信系统光信噪比监测方法 | |
CN115174330B (zh) | 一种多载波接入网失真信号的补偿方法及非线性均衡器 | |
CN114844749B (zh) | 基于神经网络的光纤信道估计方法 | |
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 | |
Minelli et al. | A multi-rate approach for nonlinear pre-distortion using end-to-end deep learning in IM-DD systems | |
CN112511472B (zh) | 一种基于神经网络的时频二阶均衡方法及通信系统 | |
CN109587091A (zh) | 基于逻辑回归算法的相干光通信系统调制格式识别方法 | |
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 | |
CN111988249B (zh) | 一种基于自适应神经网络的接收端均衡方法及接收端 | |
CN115378507B (zh) | 适用于多特征值非线性频分复用系统的噪声均衡方法及装置 | |
CN112613538A (zh) | 一种基于加权主成分分析的非线性均衡方法 | |
CN115001912B (zh) | 基于BiLSTM的IFDMA-PON改善方法 | |
CN115882959A (zh) | 一种基于机器学习的非线性补偿方法 | |
Kuschnerov et al. | Advances in deep learning for digital signal processing in coherent optical modems | |
CN108521385A (zh) | 一种使用交叉混合状态的相干光通信均衡方法 | |
CN113612707A (zh) | 基于ann_ls的im/dd-ofdm/oqam-pon系统信道估计方法 | |
CN115276818B (zh) | 一种基于深度学习的光载无线传输链路解调方法 | |
Zhang et al. | Adaptive blind chromatic dispersion estimation and compensation for DSP-based coherent optical systems | |
CN113938198B (zh) | 光纤传输系统、基于lda简化非线性均衡器的方法及模块 | |
Hanoon et al. | Performance Evaluation of SISO-OFDM Channel Equalization Utilizing Deep Learning |
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 |