CN115882959A - 一种基于机器学习的非线性补偿方法 - Google Patents
一种基于机器学习的非线性补偿方法 Download PDFInfo
- Publication number
- CN115882959A CN115882959A CN202211508039.5A CN202211508039A CN115882959A CN 115882959 A CN115882959 A CN 115882959A CN 202211508039 A CN202211508039 A CN 202211508039A CN 115882959 A CN115882959 A CN 115882959A
- Authority
- CN
- China
- Prior art keywords
- neural network
- symbol
- compensation
- nonlinear
- signal
- 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
Landscapes
- Optical Communication System (AREA)
Abstract
本发明涉及一种基于机器学习的非线性补偿方法,包括以下步骤:对接收端获取信号进行线性均衡、根据线性均衡后信号计算三维体、构建神经网络数据集、训练神经网络模型、将发射端信号输入神经网络模型、得到补偿后信号;本发明基于神经网络实现光通信系统中传输非线性及器件非线性补偿,通过传输信号得到包含有信道非线性信息的三维体数据,以三维体为神经网络输入数据,通过神经网络模型回归任务的高度拟合性训练神经网络,建立标准符号Y=损伤符号X*非线性变换W的回归关系,将训练输出结果与发射机符号相减得到非线性干扰项。本发明在低DSP复杂度的前提下,完成了光通信系统中的非线性补偿,使得系统的误码率会明显降低,系统性能得到明显提升。
Description
技术领域
本发明涉及光通信系统非线性补偿方法,特别是涉及一种基于机器学习的光通信非线性预补偿方法。
背景技术
光通信系统作为支撑全球数据通信的基础设施,承载着超过95%的数据流量,光学非线性效应是限制下一代高速光通信系统频谱效率和信息容量的最重要因素之一。即使在小型的集成光通信系统中,器件严重的非线性效应也会导致光信号传输时发生严重的失真,是限制信号质量与光功率提高的主要因素。
在高速光通信系统中,传统的非线性补偿方法采用数字反向传播算法,采用分步傅里叶方法反向求解非线性薛定谔方程来达到对光信号补偿的效果。
数字反向传播算法涉及到多次时域与频域之间的傅里叶变换,并且数字反向传播算法的反向拟合精度受拟合步长大幅影响,步长越小,拟合越精确,但计算次数也成倍增加,带来DSP的复杂度也成倍增加。因此,在保证补偿性能的同时降低非线性补偿的DSP复杂度是目前光通信系统非线性补偿方法发展的重要方向之一。
发明内容
本发明目的在于提供一种复杂度低、补偿性能显著、不需要链路全部信息的基于机器学习的非线性补偿方法,该非线性补偿方法可保证补偿效果有明显提升的同时实现低复杂度,可有效缓解高速光通信的非线性损伤,提高系统传输误码率。
为解决上述技术问题,本发明采用如下技术方案:
步骤3、搭建神经网络模型,构建数据集;
步骤4、训练神经网络模型,选用线性均衡后的接收端三维体作为神经网络输入,将每个三维体拆分为实部数据与虚部数据,三维体符号索引对应的标准发射机符号作为训练标签,发射机符号与经过神经网络后的接收符号之间的均方根误差作为损失函数,以最小化损失函数的方向进行迭代训练;
步骤5、将发射端信号三维体输入训练好的神经网络模型,根据回归关系,神经网络输出该符号对应的非线性补偿量;
步骤6、采用预补偿的方式,发射机的符号在进入信道前提前减去非线性补偿量乘以峰值功率系数,得到非线性预补偿后的符号。
本发明中,利用权重分布公式与阈值减低神经网络输入数据量,利用神经网络的回归能力计算针对单个符号三维体的计算系数,整体算法复杂度不受传输距离影响,在保证非线性补偿性能的同时实现了低复杂度、需要信息量低的特点;
本发明中,采用了机器学习的方法计算非线性三维体最佳权重系数,利用机器学习强大的性能,弥补了公式计算时带来的人为误差,提高了算法的计算效率与补偿性能。
附图说明
图1为本发明中传输系统及非线性补偿算法流程示意图;
图2为神经网络训练过程;
图3为神经网络测试过程,也为非线性补偿过程;
图4为神经网络架构示意图;
具体实施方式
本发明所提出的基于机器学习的非线性补偿方法,充分利用了机器学习技术,实现了一种低复杂度、高性能、不依赖链路信息的高速光通信系统非线性补偿方法。
下面结合附图对本发明作进一步的说明。
结合图1,本发明的实现包括以下7个步骤:
步骤1、建立非线性光通信系统,准备长度为2^23的比特序列,经过数字信号处理完成调制信号映射,在第一次传输中,直接将映射后的调制信号进行整形并进行50%的预色散补偿,之后输入信道进行信号传输;
步骤2、在第一次传输中,对接收端信号采用数字信号处理技术进行线性均衡,采用色散补偿、自适应均衡、频偏与相位恢复的过程完成对传输信道线性均衡过程;
步骤3、根据线性均衡之后的符号计算接收端的非线性三维体,因为仅进行了线性均衡的原因,信道的非线性损伤特征仍存在于符号信息中,将三维体存储于固定位置以便筛选及查表使用;
步骤4、根据权重系数分布公式计算某一符号的非线性影响分布,m、n分别指目标符号同向偏振信道及异向偏振信道上的周边符号索引,其中γ指光纤的非线性常数,β2指光纤的传播常数,τ指脉冲宽度,T指符号速率的倒数,L指传输距离,j为虚数符号;
步骤5、将权重系数分布矩阵中的元素幅值与m=0、n=0处的元素幅值做相对运算,得到权重系数分布的相对值矩阵,设置阈值对m、n进行筛选,只考虑对目标符号非线性贡献较大的邻近符号;
步骤6、搭建全连接神经网络模型,输入层神经元节点数量等于筛选后三维体数量的两倍,分别对应三维体数据的实部与虚部,构建数据集,包括训练集和验证集,以发射机符号与经过神经网络后的接收符号之间均方根误差作为损伤函数,以最小化损伤函数的方向进行迭代训练;
步骤7、完成神经网络训练后,在发射机部分,根据符号映射后信号序列计算发射端三维体,之后将发射端三维体同样以相同的阈值进行筛选,输入训练好的神经网络模型,神经网络模型输出非线性预补偿量,发射机符号减去非线性预补偿量后进行符号整形和预色散补偿操作,之后进行第二次传输,第二次传输符号为非线性预补偿后数据。
结合图2,本发明中神经网络训练流程及原理:
步骤2-1:接收端采用光电探测器探测传输光信号,并转成电信号进行AD采用转换;
步骤2-2:对接收信号与发射端信号进行时钟同步,之后将下采样至符号波特率的两倍;
步骤2-3:对下采样后信号进行线性均衡过程:分为色散补偿、偏振解复用、自适应均衡及载波相位恢复三步,分别完成对色度色散、码间干扰、频率偏移和相位噪声等线性损伤完成补偿均衡;
可选的,所述色散补偿的色散补偿系数计算公式为:
其中,D表示色散补偿系数,Ax,y表示偏振复用系统接收端信号,α表示信道的光功率衰减常数,β2表示信道传播常数。
步骤3-1:根据线性均衡后的数据计算接收端三维体,做为神经网络训练的输入;
三维体的计算公式为:
其中Hi为X偏振信道的信号,Vi为Y偏振信道的信号,m为针对某一符号X偏振信道考虑符号索引,n为针对某一符号Y偏振信道考虑符号索引,k代表目标补偿符号索引;
结合图3,神经网络训练时的具体设置为:
步骤6-1:神经网络层数设置为3层全连接层,其中输入层神经元数目为筛选后三维体长度的两倍,目的在于对应三维体数据的实部与虚部;
步骤6-2:第一层隐藏层神经元节点数设置为4,第二层神经元节点数设置为10,输出层神经元节点数设置为2;
步骤6-3:构建数据集,神经网络输入数据为各符号对应三维体,输入数据格式为多个向量组成的向量矩阵,训练标签为每个三维体对应的标准符号;
步骤6-4:损伤函数选择发射机符号与经过神经网络后的接受符号之间的均方根误差,损伤函数的公式为:
结合图4,非线性补偿时的具体步骤为:
步骤7-1:在发射端完成二进制序列到符号映射后,根据发射端标准符号计算发射端三维体;
步骤7-2:将发射端三维体数据输入训练完毕的神经网络中,根据训练结果,神经网络输出每个符号的非线性补偿量;
步骤7-3:考虑到实际信道传输与光功率影响,将非线性补偿量乘以信道系数得到预补偿量;
步骤7-4:发射端符号减去非线性预补偿量后进行符号整形、预色散补偿操作进入信道,完成非线性补偿;
综上所述,本发明通过使用机器学习的回归方法提取传输信道的非线性特征,以权重分布系数减轻了神经网络的输入数据量,实现了低复杂度、高性能、不依赖全部链路信息的非线性补偿方法,成功对高速光通信系统的非线性损伤进行了有效均衡,提高了系统传输性能,降低误码率。
Claims (6)
1.一种基于机器学习的非线性补偿方法,其特征在于包括以下步骤:
(1)根据分别计算接收端信号线性均衡后的非线性三维体及发射端信号的非线性三维体,存储于固定位置便于查表调用;
(3)搭建全连接人工神经网络模型,构建神经网络数据集,输入层神经元数目等于输入三维体数目的两倍;
(4)选用线性均衡后的接收端三维体作为神经网络输入,对应的标准符号作为训练标签,发射机符号与经过神经网络后的接收符号之间的均方根误差作为损失函数,以最小化损失函数的目标进行迭代训练;
(5)将发射端信号三维体输入训练好的神经网络模型,神经网络输出计算的非线性补偿量;
(6)采用预补偿的方式,发射机符号减去非线性补偿量乘以峰值功率系数后进入信道,完成非线性预补偿。
2.根据权利要求1所述的基于机器学习的非线性补偿方法,其特征在于:线性均衡,采用色散补偿、自适应均衡、频偏与相位恢复的过程完成对传输信道线性均衡过程。
5.根据权利要求1或4所述的基于机器学习的非线性补偿方法,其特征在于:神经网络训练时的具体设置为:
神经网络层数设置为3层全连接层,其中输入层神经元数目为筛选后三维体长度的两倍,目的在于对应三维体数据的实部与虚部;
第一层隐藏层神经元节点数设置为4,第二层神经元节点数设置为10,输出层神经元节点数设置为2;
构建数据集,神经网络输入数据为各符号对应三维体,输入数据格式为多个向量组成的向量矩阵,训练标签为每个三维体对应的标准符号;
损伤函数选择发射机符号与经过神经网络后的接受符号之间的均方根误差,损伤函数的公式为:
6.根据权利要求1所述的基于机器学习的非线性补偿方法,其特征在于:步骤(5)中非线性补偿包括以下步骤:
在发射端完成二进制序列到符号映射后,根据发射端标准符号计算发射端三维体;
将发射端三维体数据输入训练完毕的神经网络中,根据训练结果,神经网络输出每个符号的非线性补偿量;
考虑到实际信道传输与光功率影响,将非线性补偿量乘以信道系数得到预补偿量;
发射端符号减去非线性预补偿量后进行符号整形、预色散补偿操作进入信道,完成非线性补偿。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211508039.5A CN115882959A (zh) | 2022-11-29 | 2022-11-29 | 一种基于机器学习的非线性补偿方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211508039.5A CN115882959A (zh) | 2022-11-29 | 2022-11-29 | 一种基于机器学习的非线性补偿方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115882959A true CN115882959A (zh) | 2023-03-31 |
Family
ID=85764489
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211508039.5A Pending CN115882959A (zh) | 2022-11-29 | 2022-11-29 | 一种基于机器学习的非线性补偿方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115882959A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117057407A (zh) * | 2023-08-21 | 2023-11-14 | 浙江大学 | 一种面向有串扰的波分复用光学神经网络的训练方法 |
-
2022
- 2022-11-29 CN CN202211508039.5A patent/CN115882959A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117057407A (zh) * | 2023-08-21 | 2023-11-14 | 浙江大学 | 一种面向有串扰的波分复用光学神经网络的训练方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN111064514B (zh) | 一种基于少模多芯光纤的光子概率成型信号传输方法 | |
CN112036543B (zh) | 神经网络均衡与线性均衡相结合的时域均衡器及均衡方法 | |
CN114039670B (zh) | 一种模分复用通信系统非线性损伤补偿方法 | |
CN102088319B (zh) | 一种信号损伤补偿方法、装置和光接收机 | |
CN109246039A (zh) | 一种基于双向时域均衡的软信息迭代接收方法 | |
CN109039472A (zh) | 一种基于深度学习的数据中心光通信色散估计与管理方法 | |
CN112598072B (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 | |
CN108123908A (zh) | 一种用于ng-pon的改进svm均衡方法及系统 | |
CN109740690A (zh) | 用于短距离光通信的基于特征工程的knn均衡算法 | |
CN113452638B (zh) | 一种正交啁啾复用光传输方法和系统 | |
CN111181655A (zh) | 一种基于bp算法和非线性dfe算法的光接收机 | |
CN114553315B (zh) | 基于CNN-biRNN的光纤非线性均衡方法及系统 | |
CN114285715B (zh) | 基于双向gru-条件随机场的非线性均衡方法 | |
KR102241380B1 (ko) | 광 통신 방법 및 장치 | |
CN112511472B (zh) | 一种基于神经网络的时频二阶均衡方法及通信系统 | |
CN104410593B (zh) | 基于判决反馈模型的数字符号非线性误差修正均衡方法 | |
CN107105354B (zh) | 一种无源光网络设备以及用于无源光网络设备的方法 | |
CN112887237B (zh) | 光纤通信系统的复信道均衡器设计方法 | |
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 | |
CN114124223B (zh) | 一种卷积神经网络光纤均衡器生成方法及系统 | |
CN115882959A (zh) | 一种基于机器学习的非线性补偿方法 | |
CN113904732B (zh) | 一种光互连信号损伤抑制方法、接收装置及光互连系统 | |
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 | |
CN118337293A (zh) | 一种带宽限制下的pam4均衡传输系统及方法 |
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 |