CN115589264A - 一种全神经网络的全数字相干接收系统 - Google Patents
一种全神经网络的全数字相干接收系统 Download PDFInfo
- Publication number
- CN115589264A CN115589264A CN202211039888.0A CN202211039888A CN115589264A CN 115589264 A CN115589264 A CN 115589264A CN 202211039888 A CN202211039888 A CN 202211039888A CN 115589264 A CN115589264 A CN 115589264A
- Authority
- CN
- China
- Prior art keywords
- layer
- neural network
- compensation
- serial
- parallel
- 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.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 77
- 230000001427 coherent effect Effects 0.000 title claims abstract description 48
- 239000010410 layer Substances 0.000 claims abstract description 164
- 238000006243 chemical reaction Methods 0.000 claims abstract description 40
- 238000011084 recovery Methods 0.000 claims abstract description 35
- 230000010287 polarization Effects 0.000 claims abstract description 31
- 239000006185 dispersion Substances 0.000 claims abstract description 30
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 27
- 239000002356 single layer Substances 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 4
- 238000010845 search algorithm Methods 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 description 18
- 230000003287 optical effect Effects 0.000 description 18
- 238000004891 communication Methods 0.000 description 14
- 238000013135 deep learning Methods 0.000 description 11
- 210000002569 neuron Anatomy 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 10
- 239000013307 optical fiber Substances 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000000835 fiber Substances 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- H04B10/60—Receivers
- H04B10/61—Coherent receivers
- H04B10/616—Details of the electronic signal processing in coherent optical receivers
- H04B10/6161—Compensation of chromatic dispersion
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Electromagnetism (AREA)
- Optical Communication System (AREA)
Abstract
本发明提供一种全神经网络的全数字相干接收系统，采用全神经网络结构，包括IQ不平衡与正交化层、色散补偿层、非线性补偿层、时钟恢复层、偏振解复用层、频偏估计补偿层和载波相位恢复层；IQ不平衡与正交化层为单层神经网络；色散补偿层由串并转换模块、卷积神经网络、并串转换模块构成；非线性补偿层由串并转换模块、卷积层、全连接层和并串转换模块构成；时钟恢复层为单层神经网络；偏振解复用层由串并转换模块、卷积神经网络和并串转换模块构成；频偏估计层、载波相位补偿层为单层神经网络。本发明将基于全神经网络的相干接收算法替代传统的相干接收机算法，在网络训练过程中自适应调节算法参数，提升算法补偿系统损伤的有效性。
Description
技术领域
本发明涉及数字光信号处理技术，特别涉及相干光通信技术。
背景技术
在过去的二十年里，光纤通信系统的传输容量已经历了三个数量级的巨大增长。在长距离骨干网传输方面，相干光接收技术已经实现了大规模商用，其单通道的传输速率达到了100Gb/s以上，传输距离超过2000公里。单通道1Tbit/s甚至超1Tbit/s的相关技术正在研发过程中，单光纤总容量向100Tb/s发展以满足数据流量急剧增长的需求。
相干光通信系统在接收端使用相干检测技术。相干检测技术可以实现多种调制方式信号，可以通过提升本振光的功率来改善接收机的接收灵敏度，提升系统传输性能；在相干光通信系统中，既可以在发射端处使用预均衡数字信号处理技术预补偿信号在传输链路中受到的损伤，也可以在接收端处，利用数字信号处理技术实现信号的损伤补偿，以改善接收信号的质量，提高传输系统性能；相干接收机可以使频分复用系统的频率间隔缩小，取代传统光复用技术的大频率间隔，具有以频分复用实现更高传输速率的潜在优势；相干光通信系统还能够使用多种调制格式，使得光纤通信的维度得到了拓展，实现传输系统频谱效率的提升。同时，偏振解复用相干光通信系统，实现系统容量和传输速率的翻倍。
近年来，随着深度学习的快速发展，神经网络通过从大规模数据中使用多层次的非线性信息处理和抽象，用于特征学习、表示、分类、回归和模式识别等并将结果泛化至未知数据中，在搜索技术，数据挖掘，机器学习，机器翻译，自然语言处理，多媒体学习，语音，推荐和个性化技术，以及其他相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动，解决了很多复杂的模式识别难题。
发明内容
本发明所要解决的技术问题是，提供一种对常用的光收发机的硬件结构不做改变，在数字信号处理过程中使用可解释的将全神经网络替代传统的相干接收解调机制的数字相干接收系统。
本发明为解决上述问题所采用的技术方案是，一种全神经网络的全数字相干接收系统，包括IQ不平衡与正交化层、色散补偿层、非线性补偿层、时钟恢复层、偏振解复用层、偏振估计补偿层和载波相位恢复层；
IQ不平衡与正交化层为单层神经网络，用于实现IQ不平衡补偿，其中包括相位与幅度不平衡补偿，另外还根据信道响应的特征选择开关色散补偿支路与非线性补偿支路；
色散补偿层由串并转换模块、卷积神经网络、并串转换模块构成；IQ不平衡与正交化层的输出从色散补偿支路经串并转换后输入至色散补偿层的卷积神经网络，该卷积神经网络用于实现时域色散补偿，色散补偿层的卷积神经网络的输出通过并串转换输出至时钟恢复层；
非线性补偿层由串并转换模块、卷积层、全连接层和并串转换模块构成；IQ不平衡与正交化层的输出从非线性补偿支路经串并转换后输入至卷积层和全连接层，卷积层和全连接层用于实现非线性补偿，全连接层的输出通过并串转换输出至时钟恢复层；
时钟恢复层为单层神经网络，用于实现时钟恢复后输出至偏振解复用层；
偏振解复用层由串并转换模块、卷积神经网络和并串转换模块构成；时钟恢复层的输出经串并转换后输入至偏振解复用层的卷积神经网络，该卷积神经网络用于实现偏振解复用，偏振解复用层的卷积神经网络的输出再通过并串转换输出至频偏估计层；
频偏估计层为单层神经网络，用于实现频偏估计后输出至载波相位补偿层；
载波相位补偿层为单层神经网络，用于实现相位噪声补偿后输出载波的相干解调结果，最终完成接收序列的恢复。
具体而言，本发明将基于全神经网络的相干接收算法替代传统的相干接收机算法，在网络训练过程中自适应调节算法参数，提升算法补偿系统损伤的有效性。而且本发明可以在系统参数部分未知甚至全部未知的情况下补偿系统损伤，有效的提升接收机算法的实用性。
本发明的有益效果是，可以完全保留现有系统的硬件架构，不必做任何改动，在此基础上只需要对接收机的数字信号处理过程进行修改和补充，从而提高现有的补偿算法对系统的容忍性。构造深度学习神经网络简单易行，结构清晰，处理算法在软件上实现，同时赋予神经网络明确的物理含义，也可以利用迁移学习加快训练过程。此外，本发明对传输系统透明，适用于所有调制格式映射的信号，又具有良好的扩展性，可以用于单载波或者多载波系统，灵活性高。
附图说明
图1传统数字相干光接收机算法流程图；
图2本发明的可解释全神经网络数字相干接收实现框图；
图3基于本发明的相干通信系统框图。
具体实施方式
为了实现基于全神经网络的相干光通信接收机算法，实施例按传统相干光接收机步骤搭建对应的深度学习神经网络结构。传统相干光接收机步骤包括：IQ不平衡与正交化步骤、色散/非线性补偿步骤、时钟恢复步骤、偏振解复用步骤、偏振估计补偿步骤和载波相位恢复步骤。本实施例的深度学习神经网络与传统数字相干光接收机算法结构非常类似，因此按照图1的流程搭建对应的多层深度学习神经网络，多层深度学习神经网络包括IQ不平衡与正交化层、色散补偿层、非线性补偿层、时钟恢复层、偏振解复用层、偏振估计补偿层和载波相位恢复层。
先搭建的基于可解释全神经网络的数字相干接收系统的具体结构，再用神经网络监督学习的训练能力获取接收系统的传输特性。在进行训练时，现有神经网络的优化算法以及误差更新迭代方法均可使用。相比于目前大多数神经网络结构无法给出明确的物理解释，也无法定量分析网络深度以及神经元数目的影响而采用黑盒模型，实施例将全神经网络中每一层网络结构、每一层神经元数量及其权重都赋予其明确的物理含义，大大提升了网络的可解释性。
具体实现步骤如下：
1.依据传统数字相干光接收机算法流程设置，确定深度学习神经网络总的网络层数，以及每一层的网络结构。
2.依据传输系统的参数，确定每一层网络的神经元数量。
3.全神经网络的输入是预处理的接收序列数据，输出是期望恢复的发送序列数据。各层神经元初始值可以随机分配也可以利用传统数字相干光接收机算法得到的参数赋值，以加快训练速度。
4.通过全神经网络的正向传播获得预测输出以及预测值和期望值的误差逐层反向传播迭代更新神经元，直至达到设定终止条件完成训练。
如图2所示，如图2所示为搭建的基于可解释全神经网络的数字相干接收系统的具体结构，
接收到的电信号首先通过IQ不平衡与正交化层。IQ不平衡与正交化层为单层神经网络，用于实现IQ不平衡补偿，其中包括相位与幅度不平衡补偿，另外还根据信道响应的特征选择开关上下支路。
当接收信号经过的信道入纤功率较低，属于白高斯噪声(AWGN)主导，则开关选择上支路，输入至色散补偿层。色散补偿层由串并转换模块、卷积神经网络、并串转换模块构成。IQ不平衡与正交化层的输出经串并转换后输入至色散补偿层的卷积神经网络，该卷积神经网络用于实现时域色散补偿，色散补偿层的卷积神经网络的输出通过并串转换输出至时钟恢复层。
当接收信号经过的信道受光纤非线性影响时，则开关选择下支路，输入至非线性补偿层。非线性补偿层由串并转换模块、卷积层、全连接层和并串转换模块构成。IQ不平衡与正交化层的输出经串并转换后输入至卷积层和全连接层，卷积层和全连接层用于实现非线性补偿，全连接层的输出通过并串转换输出至时钟恢复层。
时钟恢复层为单层神经网络，用于实现时钟恢复后输出至偏振解复用层。
偏振解复用层由串并转换模块、卷积神经网络和并串转换模块构成，用于实现偏振解复用。时钟恢复层的输出经串并转换后输入至偏振解复用层的卷积神经网络，该卷积神经网络用于实现偏振解复用，偏振解复用层的卷积神经网络的输出再通过并串转换输出至频偏估计层。
频偏估计层为单层神经网络，用于实现频偏估计后输出至载波相位补偿层。
载波相位补偿层为单层神经网络，用于实现相位噪声补偿后输出载波恢复的结果，最终完成接收序列的恢复。
为了对整个相干解调过程进行优化，每一层网络结构在训练过程中，通过最小均方误差的损失函数，进行约束：
其中，x表示接收到的信号，
表示恢复的信号，通过梯度下降法对整个接收的神经网络各神经元参数进行优化。由于，神经网络各个模块的实现是与传输的相干解调模块对应的，因此，各功能模块的子神经网络可以通过已有理论模型进行配置，达到可解释的效果。同时，借助神经网络强大的映射能力，对各个神经网络的神经网络超参数，即权重与偏置取值进行优化，实现对整个神经网络解调算法的性能优化。
图3所示为应用实施例所提出的可解释全神经网络的数字相干通信系统。发射端与传统的数字相干光通信系统一致，接收机采用本发明提出的基于全神经网络的相干光通信接收结构设置在双偏振相干接收机之后，在双偏振相干接收机利用本振光对输入信号进行相干接收后输出的接收信号将作为全神经网络相干接收的输入。
现有接收流程，将每一步的接收机算法都建立相对应的一层网络。
传统Q两路的不平衡与正交化步骤在实现时由于器件的制作工艺导致响应不一致，常用格拉姆－施密特正交归一化方法。实施例的IQ不平衡与正交化层的单层神经网络采用无参数优化，求均值和相关系数的自定义层。
色散/非线性补偿是补偿光纤的传输损伤。色散是因为光脉冲的不同频率成分在光纤中传输速度有轻微的差别，导致符号间的干扰，实施例实现时域色散补偿对应的是卷积神经网络中的若干抽头数的卷积层。
非线性补偿是因为光纤的折射率会随着光纤中信号光强而变化，常规做法常用数字后向传播算法补偿。实施例采用若干抽头数的卷积层和全连接层结构，全连接层采用单抽头的实现快速傅里叶变换和反变换的自定义函数层。
时钟恢复是为实现本地的采样时钟与发射机信号时钟异步，常用Gardner算法的全数字时钟恢复方案。实施例时钟恢复层的单层神经网络采用求相关系数并做插值处理的自定义层。
偏振解复用是为解决因偏振态的随机性而出现偏振旋转，常用恒模算法。实施例偏振解复用层的卷积神经网络采用若干抽头数的2×2蝶形卷积层。
频偏是信号光与本振光之间产生频率差，频偏估计补偿常用基于快速傅里叶变换的频偏估计算法。实施例偏振估计补偿层的单层神经网络采用无参数优化，实现基于4次方频偏估计的自定义函数层。
相位噪声是因激光器线宽影响而造成的。载波相位恢复层的单层神经网络采用无参数优化，实现盲相位搜索算法的自定义函数层。
本发明可以在不改变现有硬件系统的情况下，通过训练神经网络误差后向传递更新神经元，自适应调节接收机算法所有参数以恢复信号，提升系统性能。现以上述所涉及的算法为例做详细说明，如图1与2所示。为避免傅里叶变换和傅里叶反变换操作，简化深度学习网络结构，实施例通过时域卷积操作补偿色散。传统接收机算法不考虑补偿非线性共需6步，实施例接收系统对应的深度学习神经网络一共有6层；如果考虑使用数字后向传输算法补偿非线性，需要将色散补偿部分分成若干个子模块，每个模块都对应一层色散卷积层以及一层非线性自定义层，深度学习神经网络结构也会变复杂。神经网络的输入是接收序列数据，输出是期望恢复的发送序列数据。每一次训练神经网络逐层正向传播获得预测输出，预测值和期望值的误差逐层反向传播更新神经元，多次训练以后误差减小，完成网络各卷积层神经元系数以及自定义层的神经元系数的优化。
本发明提出基于全神经网络的相干光通信接收机算法可以在不改变现有硬件系统的情况下，通过神经网络训练，误差后向传递更新神经元，自适应调节接收机算法参数以抑制系统损伤，提升系统性能。本发明主要利用全神经网络代替传统的相干接收机算法，能够自适应调节系统参数，而且可以抑制系统其他的线性和非线性损伤。同时，由于神经网络基于传统的相干接收机算法流程而搭建，对各类调制映射格式都适用，并且构建的网络是有明确的物理含义的可解释模型。此外，本发明不必对现有的硬件架构做改动而只需修改接收机数字信号处理过程，可迁移性强。
本发明保护范围不仅限于神经网络的全数字相干接收及算法实现，采用自编码器还可以替换掉发射端的调制映射过程，以及接收端的解调与解映射过程，使得整个收发端都采用全神经网络实现，从而实现一套全新全神经网络的数字相干通信系统。
Claims (3)
1.一种全神经网络的全数字相干接收系统，其特征在于，采用全神经网络结构，包括IQ不平衡与正交化层、色散补偿层、非线性补偿层、时钟恢复层、偏振解复用层、偏振估计补偿层和载波相位恢复层；
IQ不平衡与正交化层为单层神经网络，用于实现IQ不平衡补偿，其中包括相位与幅度不平衡补偿，另外还根据信道响应的特征选择开关色散补偿支路与非线性补偿支路；
色散补偿层由串并转换模块、卷积神经网络、并串转换模块构成；IQ不平衡与正交化层的输出从色散补偿支路经串并转换后输入至色散补偿层的卷积神经网络，该卷积神经网络用于实现时域色散补偿，色散补偿层的卷积神经网络的输出通过并串转换输出至时钟恢复层；
非线性补偿层由串并转换模块、卷积层、全连接层和并串转换模块构成；IQ不平衡与正交化层的输出从非线性补偿支路经串并转换后输入至卷积层和全连接层，卷积层和全连接层用于实现非线性补偿，全连接层的输出通过并串转换输出至时钟恢复层；
时钟恢复层为单层神经网络，用于实现时钟恢复后输出至偏振解复用层；
偏振解复用层由串并转换模块、卷积神经网络和并串转换模块构成；时钟恢复层的输出经串并转换后输入至偏振解复用层的卷积神经网络，该卷积神经网络用于实现偏振解复用，偏振解复用层的卷积神经网络的输出再通过并串转换输出至频偏估计层；
频偏估计层为单层神经网络，用于实现频偏估计后输出至载波相位补偿层；
载波相位补偿层为单层神经网络，用于实现相位噪声补偿后输出载波的相干解调结果，最终完成接收序列的恢复。为了对整个相干解调过程进行优化，每一层网络结构在训练过程中，通过最小均方误差的损失函数，进行约束。
2.如权利要求1所述系统，其特征在于，全神经网络在训练时通过最小均方误差的损失函数进行约束。
3.如权利要求1所述系统，其特征在于，IQ不平衡与正交化层的单层神经网络采用无参数优化，求均值和相关系数的自定义层；
色散补偿层采用包含若干抽头数的卷积层的卷积神经网络；
非线性补偿采用若干抽头数的卷积层和全连接层结构，全连接层采用单抽头的实现快速傅里叶变换和反变换的自定义函数层；
时钟恢复层的单层神经网络采用求相关系数并做插值处理的自定义层；
偏振解复用层的卷积神经网络采用若干抽头数的2×2蝶形卷积层；
频偏估计补偿层的单层神经网络采用无参数优化，实现基于4次方频偏估计的自定义函数层；
载波相位恢复层的单层神经网络采用无参数优化，实现盲相位搜索算法的自定义函数层。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211039888.0A CN115589264B (zh) | 2022-08-29 | 2022-08-29 | 一种全神经网络的全数字相干接收系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211039888.0A CN115589264B (zh) | 2022-08-29 | 2022-08-29 | 一种全神经网络的全数字相干接收系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115589264A true CN115589264A (zh) | 2023-01-10 |
| CN115589264B CN115589264B (zh) | 2024-03-22 |
Family
ID=84772252
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211039888.0A Active CN115589264B (zh) | 2022-08-29 | 2022-08-29 | 一种全神经网络的全数字相干接收系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115589264B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108880692A (zh) * | 2018-06-05 | 2018-11-23 | 西南交通大学 | 一种相干光通信系统调制格式识别和光信噪比监控方法 |
| CN110505020A (zh) * | 2019-07-15 | 2019-11-26 | 电子科技大学 | 基于迁移学习的光非线性均衡方法 |
| CN111541483A (zh) * | 2020-04-20 | 2020-08-14 | 苏州大学 | 基于高阶统计矩的相干光通信系统光信噪比监测方法 |
| CN114070407A (zh) * | 2021-11-15 | 2022-02-18 | 北京科技大学 | 一种可同时实现光纤链路损伤补偿与异常损耗监测的方法 |
| CN114418070A (zh) * | 2022-01-21 | 2022-04-29 | 清华大学 | 卷积处理方法及装置 |
| CN114844749A (zh) * | 2022-04-26 | 2022-08-02 | 电子科技大学 | 基于神经网络的光纤信道估计方法 |
-
2022
- 2022-08-29 CN CN202211039888.0A patent/CN115589264B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108880692A (zh) * | 2018-06-05 | 2018-11-23 | 西南交通大学 | 一种相干光通信系统调制格式识别和光信噪比监控方法 |
| CN110505020A (zh) * | 2019-07-15 | 2019-11-26 | 电子科技大学 | 基于迁移学习的光非线性均衡方法 |
| CN111541483A (zh) * | 2020-04-20 | 2020-08-14 | 苏州大学 | 基于高阶统计矩的相干光通信系统光信噪比监测方法 |
| CN114070407A (zh) * | 2021-11-15 | 2022-02-18 | 北京科技大学 | 一种可同时实现光纤链路损伤补偿与异常损耗监测的方法 |
| CN114418070A (zh) * | 2022-01-21 | 2022-04-29 | 清华大学 | 卷积处理方法及装置 |
| CN114844749A (zh) * | 2022-04-26 | 2022-08-02 | 电子科技大学 | 基于神经网络的光纤信道估计方法 |
Non-Patent Citations (2)
| Title |
|---|
| CHO HYUNG JOON: "Optical performance monitoring using digital coherent receivers and convolutional neural networks", 《OPTICS EXPRESS》, 12 October 2020 (2020-10-12) * |
| 吴金达;卢瑾;任宏亮;覃亚丽;郭淑琴;胡卫生;: "基于广义回归神经网络的CO-OFDM系统非线性均衡", 光学学报, no. 09, 11 April 2018 (2018-04-11) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115589264B (zh) | 2024-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112600772B (zh) | 一种基于数据驱动神经网络的ofdm信道估计与信号检测方法 | |
| 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 | |
| CN114039670B (zh) | 一种模分复用通信系统非线性损伤补偿方法 | |
| Chi et al. | Challenges and prospects of machine learning in visible light communication | |
| CN112598072A (zh) | 基于SVM训练的权重系数迁移的改进Volterra滤波器的均衡方法 | |
| CN114285715B (zh) | 基于双向gru-条件随机场的非线性均衡方法 | |
| CN112242969A (zh) | 一种基于模型驱动的深度学习的新型单比特ofdm接收机 | |
| CN114553315B (zh) | 基于CNN-biRNN的光纤非线性均衡方法及系统 | |
| 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 | |
| Li et al. | IQ symbols processing schemes with LSTMs in OFDM system | |
| CN112887237B (zh) | 光纤通信系统的复信道均衡器设计方法 | |
| Diedolo et al. | Nonlinear equalization for optical communications based on entropy-regularized mean square error | |
| 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 | |
| CN115589264B (zh) | 一种全神经网络的全数字相干接收系统 | |
| CN115001912B (zh) | 基于BiLSTM的IFDMA-PON改善方法 | |
| CN114124223B (zh) | 一种卷积神经网络光纤均衡器生成方法及系统 | |
| CN115765876A (zh) | 一种基于改进lstm非线性均衡器的概率整形信号均衡方法 | |
| Zhang et al. | An improved end-to-end optical transmission system based on deep learning | |
| Chen et al. | Machine learning of SVM classification utilizing complete binary tree structure for PAM-4/8 optical interconnection | |
| Jovanovic et al. | End-to-end learning for fiber-optic communication systems | |
| Zhang et al. | Machine learning for long-haul optical systems | |
| CN115276818B (zh) | 一种基于深度学习的光载无线传输链路解调方法 | |
| Cui et al. | Optical Fiber Channel Modeling Method Using Multi-BiLSTM for PM-QPSK Systems | |
| 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 | |
| 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 |
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 |