CN116346217B - 一种基于深度学习的光通信系统信道构建方法 - Google Patents
一种基于深度学习的光通信系统信道构建方法 Download PDFInfo
- Publication number
- CN116346217B CN116346217B CN202310595113.XA CN202310595113A CN116346217B CN 116346217 B CN116346217 B CN 116346217B CN 202310595113 A CN202310595113 A CN 202310595113A CN 116346217 B CN116346217 B CN 116346217B
- Authority
- CN
- China
- Prior art keywords
- optical communication
- communication system
- generator
- discriminator
- signal sequence
- 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
- 230000003287 optical effect Effects 0.000 title claims abstract description 90
- 230000006854 communication Effects 0.000 title claims abstract description 78
- 238000004891 communication Methods 0.000 title claims abstract description 77
- 238000010276 construction Methods 0.000 title claims abstract description 17
- 238000013135 deep learning Methods 0.000 title claims abstract description 16
- 230000006870 function Effects 0.000 claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 17
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 63
- 238000012549 training Methods 0.000 claims description 48
- 239000013598 vector Substances 0.000 claims description 45
- 239000013307 optical fiber Substances 0.000 claims description 22
- 230000005540 biological transmission Effects 0.000 claims description 21
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000008054 signal transmission Effects 0.000 claims description 3
- 235000019800 disodium phosphate Nutrition 0.000 claims 1
- 230000001902 propagating effect Effects 0.000 claims 1
- 238000005457 optimization Methods 0.000 abstract description 5
- 239000004973 liquid crystal related substance Substances 0.000 description 28
- 238000010586 diagram Methods 0.000 description 14
- 239000000835 fiber Substances 0.000 description 14
- 238000010606 normalization Methods 0.000 description 12
- 230000004913 activation Effects 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008485 antagonism Effects 0.000 description 2
- 239000000969 carrier Substances 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- -1 besides attenuation Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
- 150000003722 vitamin derivatives Chemical class 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
- H04B10/07—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
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
本发明公开的一种基于深度学习的光通信系统信道构建方法,属于光通信领域。本发明实现方法为:采用条件生成对抗网络构建光通信系统信道,构建包含多组损失函数优化的联合损失函数,多组损失函数包括均方误差损失、对抗损失、平均绝对误差损失。条件生成对抗网络包括生成器和判别器,通过生成器捕获光通信系统收发两端数据分布,并生成具有相同分布的接收端新数据用于混淆判别器;判别器对生成的假数据和真实收端数据鉴别,当判别器达到纳什平衡无法确定其输入来自生成器还是真实数据时,此时条件生成对抗网络中的生成器便能够对光通信系统信道快速准确建模,输出经过复杂损耗的光通信系统接收端数据,提升光通信系统的可靠性和鲁棒性。
Description
技术领域
本发明属于光通信领域,涉及一种基于深度学习的光通信系统信道构建方法。
背景技术
随着物联网、大数据等信息技术的高速发展,通信技术得到了不断的发展与革新,光纤通信技术因为传输容量大、损耗低、抗电磁干扰能力强等优点成为通信的必要选择。目前由于传统单模光纤的非线性效应,其容量趋近“香农极限”。立足于大容量、低损耗等需求,少模光纤、多芯光纤和空芯光纤等新型传媒介质实现了光纤传输容量的成倍增加,成为大容量光纤传输的关键技术。但相比于单模光纤,新型光纤的链路损伤更为复杂,除了衰减、色散、非线性外,还有模式耦合、模式群时延、芯间串扰等。为了研究各种光纤在通信过程中对信号的损伤机理,一个能准确建模并快速计算的光纤信道仿真模型具有重要应用价值。
为了提高建模速度和精度,对于单模光纤,研究人员提出了基于深度学习的信道构建方法,采用双向长短记忆网络(BiLSTM)、全连接神经网络(FCNN)、Transformer等神经网络模型对信道进行拟合,取得了较好的拟合效果。少模、多芯光纤信道建模广泛采用矩阵传输模型结合分步傅里叶算法(SSFM)进行数学建模,可以较为准确的表征信号在传输过程中受到的线性和非线性损伤。然而SSFM过多的迭代步骤导致建模计算的复杂度较高。多项研究表明深度学习算法可以更好的捕获复杂信道的非线性和动态特征,因此亟需一个基于深度学习的光通信系统信道构建方法。
发明内容
传统的基于数学分析的光通信系统信道构建方法依赖于专家经验,且仅对参数完备的理想信道有效,无法正确反映时变动态的实际光传输过程,存在计算复杂度高、泛化能力差等局限性。针对上述技术问题,本发明的主要目的在于提供一种基于深度学习的光通信系统信道构建方法,利用条件生成对抗网络学习光通信系统的信道损伤,基于数据驱动方法拟合传输函数,在保证光通信系统信道构建精度的基础上降低计算复杂度,且能够提高光通信系统的可靠性和鲁棒性。
本发明的目的是通过以下技术方案实现的:
本发明公开的一种基于深度学习的光通信系统信道构建方法,采用条件生成对抗网络(CGAN)构建光通信系统信道,构建包含多组损失函数(均方误差损失、对抗损失、平均绝对误差损失)优化的联合损失函数。条件生成对抗网络包括生成器和判别器,通过生成器捕获光通信系统收发两端数据分布,并生成具有相同分布的接收端新数据用于混淆判别器;判别器则对生成的假数据和真实收端数据进行鉴别,当判别器达到纳什平衡无法确定其输入来自生成器还是真实数据时,此时条件生成对抗网络中的生成器便能够快速准确的对光通信系统信道进行建模,输出经过复杂损耗的光通信系统接收端数据,提升光通信系统的可靠性和鲁棒性。
本发明公开的一种基于深度学习的光通信系统信道构建方法,包括以下步骤:
步骤一:搭建光通信系统,采集收发两端数据。光通信系统主要由信号发射模块、信号传输模块和信号接收模块组成,收发数据包括发端信号序列和收端信号序列。信号发射模块中,路二进制比特信息经由调制器转变为电信号,并通过MZM电光调制器将电信号加载到激光器产生的光载波上。信号传输模块中,若/>>1,则需要通过复用器将/>路光信号合成为一束,送入光通信系统中进行传输,传输后经过解复用器将/>路光信号分离。在信号接收模块,将经过传输后的/>路信号经过光电二极管转变为电信号,电信号经过DSP处理补偿链路损伤。
步骤二:将步骤一采集的光通信系统中的收发信号数据进行预处理与排布,整理得到适用于条件生成对抗网络输入的数据集,并将数据集划分为训练集和测试集,便于后续步骤四、步骤五进行神经网络的训练和测试。
所述预处理模块包括条件向量模块、随机向量模块和真实数据模块与归一化模块。对于条件向量模块,条件向量定义了生成数据的特征,/>将/>路发端信号序列进行组合,/>为光通信系统中信道内传播的光路个数,便于神经网络学习到信号间的耦合、交叉相位调制、芯间串扰等链路损伤;此外,每路信号序列/>在前后各取/>个信号数据得到/>,使得条件生成对抗网络学习到序列间的相关性,充分考虑到色散引起的码间串扰;条件向量/>末端拼接上/>维信道参数发射功率/>和传播距离/>,单位分别为dBm和km,/>为随机向量的维度,提高条件生成对抗网络模型的鲁棒性和泛化能力,即条件向量/>表示为:
(1)
对于随机向量模块,随机向量为一组服从正态分布的/>维向量,不同的随机向量能够映射到不同的生成数据。/>保证生成器生成结果的多样性,避免条件生成对抗网络模式崩溃从而输出单一模式数据,即随机向量/>表示为:
(2)
对于真实数据模块,真实收端信号序列包括条件向量/>中/>路信号对应的收端信号序列/>,即真实收端信号序列/>表示为:
(3)
对于归一化模块,光通信系统中的收发数据较小,不利于条件生成对抗网络训练,在输入生成器和判别器前需要进行归一化处理,归一化公式为:
(4)
其中,为归一化的数据,/>为未归一化的数据,/>为样本数量。
步骤三:构建用于建立光通信系统信道的条件生成对抗网络。条件生成对抗网络结构包括生成器和判别器,网络层包括全连接层、批量归一化层BN、整流线性单元ReLU非线性激活层和Sigmoid非线性激活层。在生成器中,基于全连接神经网络FCNN对不同序列进行特征提取,构建基于对抗损失和均方误差损失的联合损失函数,不断训练用于生成经过光通信系统链路损伤的收端信号序列;在判别器中,对生成器生成的收端信号序列和真实收端信号序列进行鉴别,构建基于对抗损失和平均绝对误差损失的联合损失函数。通过不断迭代训练优化生成器和判别器,生成器和判别器彼此对抗训练,使得生成器生成的收端信号序列和真实收端信号序列的差异越来越小,直至生成器和判别器收敛到稳定最小状态取得最佳网络模型,生成满足精度需求的收端信号序列。
所述条件生成对抗网络的损失函数包括生成器损失/>和判别器损失,表示为:
(5)
步骤3.1:构建生成器。生成器采用全连接网络层,生成器层与层之间均采用Linear连接,并采用Leaky ReLU作为激活函数,缓解网络中梯度消失的问题,除最后一层外的节点均利用BatchNorm1d进行输入归一化,加快生成器的训练速度,进而提高生成器的泛化能力。
对于生成器,其优化目标联合损失函数由对抗损失/>和均方误差损失组成。
对抗损失即利用训练好的判别器的输出辅助训练生成器,对抗损失/>表示为:
(6)
其中,为样本数量,/>表示生成器G在输入条件向量/>及噪声向量/>后的输出,/>表示判别器D在条件向量/>下对生成器输出/>的输出。
均方误差损失函数是直接将生成器生成的收端信号序列与真实收端信号序列做比较,/>计算公式为:
(7)
其中,表示真实收端信号序列。
综上,生成器的损失函数为:
(8)
其中,、/>表示损失函数对应的权重系数,通过权重的选择使生成器均衡收敛速度和收敛精度,从而提高训练效率。/>的本质是希望生成的收端信号序列和真实收端信号序列之间的差距越来越小,降低批量训练的偏差,实现生成器的快速收敛。
步骤3.2:构建判别器。判别器的层与层之间均采用Linear连接便于进行特征提取,除最后一层外均采用Leaky ReLU作为激活函数,节点利用BatchNorm1d进行批标准化,输出层使用Sigmoid作为激活函数,将输出压缩到0~1的范围。
对于判别器,其联合损失函数由对抗损失函数/>和平均绝对误差损失函数/>组成。
对抗损失函数计算公式为:
(9)
平均绝对误差损失函数计算公式为:
(10)
其中,表示判别器D在条件向量/>下对真实收端信号序列的输出。判别器的输出得分/>、/>表示其输入是真实收端信号序列的概率,如果等于1,则确定输入为真实收端信号序列;相反,如果等于0,则输入被确定为生成器生成的收端信号序列。通过引入平均绝对误差损失/>,使得判别器网络对异常值具有更好的鲁棒性,加快判别器的收敛速度。
综上,判别器的损失函数可表示为:
(11)
步骤四:配置神经网络训练所需参数,训练用于构建光通信系统信道的条件生成对抗网络。选择合适的学习率(、/>)、批处理大小(batch size)、权重系数(/>、/>)、优化方法与迭代次数(epoch)。将步骤二中经过预处理的训练集中的条件向量/>与随机向量/>进行拼接,作为步骤三中条件生成对抗网络的生成器G 的输入向量,得到输出/>;将步骤二中得到的训练集的真实收端信号序列/>或者生成器输出/>与条件向量/>进行拼接,作为步骤三中条件生成对抗网络的判别器D 的输入向量,得到输出/>或。
条件生成对抗网络的目标函数为:
(12)
其中,、/>分别表示真实收端信号序列和随机向量的分布。随机初始化并交替训练生成器G和判别器D,在不断迭代训练的过程中,生成器的损失/>和判别器的损失/>逐渐收敛,条件生成对抗网络训练完成。
步骤五:利用训练好的条件生成对抗网络模型对光纤信道进行建模,得到经过光纤链路损伤的收端信号序列。
将步骤二中测试集的条件向量和随机向量/>进行拼接,输入到步骤四中训练好的生成器模型,输出即为经过光通信系统链路损伤的收端信号序列。为了定量地描述基于条件生成对抗网络模型构建光通信系统信道的精度,使用归一化均方误差/>作为评价指标,/>可接受的最大误差为0.02:
(13)
其中,为测试集的样本数量。
步骤六:当判别器达到纳什平衡无法确定其输入来自生成器还是真实数据时,此时条件生成对抗网络中的生成器便能够快速准确的对光通信系统信道进行建模,根据步骤五输出的经过光纤链路损伤的收端信号序列,提升光通信系统的可靠性和鲁棒性。
有益效果
本发明的一种基于深度学习的光通信系统信道建模方法,使用基于数据驱动的神经网络代替SSFM进行信道建模,相比基于数理分析的光通信系统建模,不需要大量的近似步骤和迭代求解,能够降低建模复杂度。
传统的条件生成对抗网络模型训练不稳定,难以收敛,并且容易模式崩溃,造成生成样本的多样性锐减、建模精度下降。为了解决上述问题,本发明的一种基于深度学习的光通信系统信道建模方法,通过修改条件生成对抗网络损失函数,构建包含多组损失函数(均方误差损失、平均绝对误差损失、对抗损失)的联合损失函数,设计条件向量拼接格式,增加训练样本,提升光通信系统信道建模的收敛效果,提高光通信系统信道构建的准确性。
本发明的一种基于深度学习的光通信系统信道建模方法,在条件生成对抗网络的条件向量中增加传输距离和发射功率限制因素,考虑到单模光纤、少模/多芯光纤等多种信道环境,使得神经网络模型能够应用于多种调制格式、传输距离、发射功率下的信道构建,提高光通信系统信道模型的鲁棒性和泛化能力。
附图说明
图1为本发明的一种基于深度学习的光通信系统信道构建方法的流程图。
图2为基于16QAM调制格式的2x2模分复用仿真系统示意图。
图3为条件生成对抗网络中条件向量的结构。
图4中的(a)为条件生成对抗网络中生成器的网络架构示意图,图4中的(b)为条件生成对抗网络中判别器的网络架构示意图。
图5为条件生成对抗网络训练1500次的迭代损失、/>及归一化均方误差曲线图。
图6中的 (a)、图6中的(b)分别为基于OPTISYSTEM和条件生成对抗网络的LP01模式星座图,图6中的(c)、图6中的(d)分别为经过DSP后的基于OPTISYSTEM和条件生成对抗网络的LP01模式星座图。
图7 中的(a)、图7中的(b)分别为基于OPTISYSTEM和条件生成对抗网络的LP11模式星座图,图7中的(c)、图7中的(d)分别为经过DSP后的基于OPTISYSTEM和条件生成对抗网络的LP11模式星座图。
图8中的 (a)为基于OPTISYSTEM和CGAN的LP01模式波形图,图8中的(b)、图8中的(c)为基于OPTISYSTEM和CGAN的LP01模式频谱图。
图9中的 (a)为基于OPTISYSTEM和CGAN的LP11模式波形图,图9中的(b)、图9中的(c)为基于OPTISYSTEM和CGAN的LP11模式频谱图。
具体实施方式
为了更好的说明本发明的目的和优点,下面结合附图和实例对发明内容做进一步说明。
实施例
本发明的实施流程如图1所示。本实施例是传输距离为50km的基于条件生成对抗网络的光通信系统信道构建,传输链路采用少模光纤,发射光信号选16QAM,发射功率为10dBm,应用本实施例得到经过少模光纤传输后的光通信系统收端信号数据,如图2所示,本实施例公开的一种基于深度学习的光通信系统信道构建方法,包括以下步骤:
步骤一:搭建光通信系统,采集收发两端数据。光通信系统主要由信号发射模块、信号传输模块和信号接收模块组成。收发数据包括发端信号序列和收端信号序列。
基于OPTISYSTEM仿真平台搭建2x2的少模光纤通信系统。信号发射模块中,每路信号产生262144个码元,2路码元信息经由16-QAM调制器转变为电信号。空间激光器产生两路线偏振模式光载波LP01和LP11,通过MZM电光调制器将2路电信号分别加载到相应的光载波上。信号传输模块中,将2路光信号通过模式复用器合成为一束,送入少模光纤中进行50km的链路传输,传输速率为40Gb/s,传输后经过模式解复用器将2路光信号分离。在信号接收模块,将经过传输后的2路信号经过相干接收机转变为电信号,电信号经过DSP处理补偿链路损伤。采集送入少模光纤传输前后的2路信号的262144个码元序列的、/>数据分别作为发端信号序列和收端信号序列。
步骤二:将步骤一采集的光通信系统中的收发信号数据进行预处理与排布,整理得到适用于条件生成对抗网络输入的数据集,并将数据集划分为训练集和测试集,便于后续步骤四、步骤五进行神经网络的训练和测试。
数据预处理模块主要包括:条件向量模块、随机向量模块、真实数据模块与归一化模块。对于条件向量模块,条件向量的结构如图3所示。条件向量/>将2个模式信号发端信号序列/>、/>进行组合,便于神经网络学习到2路模式信号间的耦合链路损伤;综合考虑神经网络训练速度和精度,对于每路信号将4个码元信号的/>、/>数据组合为一个信号序列:
(1)
此外,每路信号序列在前后各取2个信号序列得到/>,使得条件生成对抗网络学习到序列间的相关性,充分考虑到色散引起的码间串扰;条件向量/>末端拼接上20维的信道参数发射功率/>和传播距离,提高条件生成对抗网络模型的鲁棒性和泛化能力,即条件向量的形状为(1,120),表示为:
(2)
对于随机向量模块,随机向量为一组服从标准正态分布的20维向量,不同的随机向量能够映射到不同的生成数据。随机向量/>的维度必须大于真实收端信号序列/>的维度,保证生成器生成结果的多样性,避免条件生成对抗网络模式崩溃从而输出单一模式数据,即随机向量/>的形状为(1,20),表示为:
(3)
对于真实数据模块,真实收端信号序列包括条件向量/>中2路信号序列/>、/>分别对应的由4个码元信号的/>、/>数据构成的收端序列/>、/>,即真实收端信号序列/>的形状为(1,16),表示为:
(4)
对于归一化模块,光通信系统中的收发数据较小,不利于条件生成对抗网络模型训练,在输入生成器和判别器前需要进行归一化处理,归一化公式为:
(5)
其中,为归一化的数据,/>为未归一化的数据,/>为样本数量。整理后将数据集划分为训练集和测试集,训练集为54000个序列数据,测试集为10000个序列数据。
步骤三:构建用于建立光通信系统信道的条件生成对抗网络。条件生成对抗网络结构包括生成器和判别器,网络层包括全连接层、批量归一化层BN、整流线性单元ReLU非线性激活层和Sigmoid非线性激活层。在生成器中,基于全连接神经网络FCNN对不同序列进行特征提取,构建基于对抗损失和均方误差损失的联合损失函数,不断训练用于生成经过光通信系统链路损伤的收端信号序列;在判别器中,对生成器生成的收端信号序列和真实收端信号序列进行鉴别,构建基于对抗损失和平均绝对误差损失的联合损失函数。通过不断迭代训练优化生成器和判别器,生成器和判别器彼此对抗训练,使得生成器生成的收端信号序列和真实收端信号序列的差异越来越小,直至生成器和判别器收敛到稳定最小状态取得最佳网络模型,生成满足精度需求的收端信号序列。
所述条件生成对抗网络的损失函数包括生成器损失/>和判别器损失表示为:
(6)
步骤3.1:构建生成器。生成器的结构设置如图4中的(a)所示,生成器为一个四层神经网络,第一层输为512节点的输入层,第二层、第三层分别为288节点、128节点的隐藏层,第四层为16节点的输出层,其中前8个节点对应LP01模式光信号收端的、/>坐标,后8个节点LP11模式光信号收端的/>、/>坐标。
生成器层与层之间均采用Linear连接,并采用Leaky ReLU作为激活函数,缓解网络中梯度消失的问题,除最后一层外的节点均利用BatchNorm1d进行输入归一化,加快生成器的训练速度,提高生成器的泛化能力。
对于生成器,其优化目标联合损失函数由对抗损失/>和均方误差损失组成。
对抗损失即利用训练好的判别器的输出辅助训练生成器,对抗损失/>表示为:
(7)
其中,为样本数量,/>表示生成器G在输入条件向量/>及噪声向量/>后的输出,/>表示判别器D在条件向量/>下对生成器输出/>的输出。
均方误差损失函数是直接将生成器生成的收端信号序列与真实收端信号序列做比较,/>计算公式为:
(8)
其中,表示真实收端信号序列。
综上,生成器的损失函数为:
(9)
其中,、/>示损失函数对应的权重系数,通过权重的选择使条件对抗生成器网络模型均衡收敛速度和收敛精度,从而提高训练效率。/>的本质是希望生成的收端信号序列和真实收端信号序列之间的差距越来越小,降低批量训练的偏差,实现生成器的快速收敛。
步骤3.2:构建判别器。判别器的结构设置如图4中的(b)所示,判别器为一个四层神经网络,第一层输为468节点的输入层,第二层、第三层分别为256节点、64节点的隐藏层,第四层为1节点的输出层。判别器的层与层之间均采用Linear连接便于进行特征提取,除最后一层外均采用Leaky ReLU作为激活函数,节点利用BatchNorm1d进行批标准化,输出层使用Sigmoid作为激活函数,将输出压缩到0~1的范围,该层的计算公式为:
(10)
对于判别器,其联合损失函数由对抗损失函数/>和平均绝对误差损失函数/>组成。
对抗损失函数计算公式为:
(11)
平均绝对误差损失函数计算公式为:
(12)
其中,表示判别器D在条件向量/>下对真实收端信号序列的输出。判别器的输出得分/>、/>表示其输入是真实收端信号序列的概率,如果等于1,则确定输入为真实收端信号序列;相反,如果等于0,则输入被确定为生成器生成的收端信号序列。通过引入平均绝对误差损失/>,使得判别器网络对异常值具有更好的鲁棒性,加快判别器的收敛速度。
综上,判别器的损失函数可表示为:
(13)
步骤四:配置神经网络训练所需参数,训练用于构建光通信系统信道的条件生成对抗网络。选择合适的学习率(、/>)、批处理大小(batch size)、权重系数(/>、/>)、优化方法与迭代次数(epoch)。条件生成对抗网络的训练次数epoch设置为1500,批处理大小batch size设为500,生成器和判别器的学习率分别设置为/>、/>,选择Adam优化器进行优化,并采用反向传播算法优化参数,权重系数/>、/>分别设置为1和0.01。
将步骤二中经过预处理的训练集中的条件向量与随机向量/>进行拼接,作为步骤三中条件生成对抗网络的生成器G的输入向量,生成器G输入向量的维度为(500,140),得到输出/>,输出/>的维度为(500,16);将步骤二中得到的训练集的真实收端信号序列/>或者生成器输出/>与条件向量/>进行拼接,作为步骤三中条件生成对抗网络的判别器D的输入向量,判别器D 输入向量的维度为(500,136),得到输出/>或/>,判别器的输出/>或/>的维度为(500,1)。
条件生成对抗网络的目标函数为:
(14)
其中,、/>分别表示真实收端信号序列和随机向量的分布。随机初始化并交替训练生成器G和判别器D,如图5所示,在不断迭代训练的过程中,生成器的损失/>和判别器的损失/>随着迭代次数(epoch)的增加而逐渐收敛,训练1500次后/>和分别收敛于0.64和1.71左右,/>稳定在0.012左右。条件生成对抗网络训练完成。
步骤五:利用训练好的条件生成对抗网络模型对少模光纤信道进行建模,得到经过光纤链路损伤的收端信号序列。对比基于OPTISYSTEM和基于条件生成对抗网络(CGAN)的少模光纤输出的信号星座图、波形图及频谱图,验证条件生成对抗网络对少模光纤信道建模的准确性。
将步骤二中测试集的条件向量和随机向量/>进行拼接,输入到步骤四中训练好的生成器模型,输出即为经过少模光纤通信系统链路损伤的LP01模式光和LP11模式光的收端信号序列/>、/>数据。为了定量地描述基于条件生成对抗网络模型构建光通信系统信道的精度,使用归一化均方误差/>作为评价指标,/>可接受的最大误差为0.02:
(15)
其中,为测试集的样本数量。
经计算,归一化均方误差=0.009,低于0.02。对比基于OPTISYSTEM和基于条件生成对抗网络(CGAN)的少模光纤输出的信号星座图、波形图及频谱图,为了更为直观的感受,将基于OPTISYSTEM和基于条件生成对抗网络(CGAN)模型的输出经过相同的DSP处理。图6中的(a)、图6中的(b)分别为基于OPTISYSTEM和条件生成对抗网络的LP01模式星座图,图6中的(c)、图6中的(d)分别为经过DSP后的基于OPTISYSTEM和条件生成对抗网络的LP01模式星座图。图7中的(a)、图7中的(b)分别为基于OPTISYSTEM和条件生成对抗网络的LP11模式星座图,图7中的(c)、图7中的(d)分别为经过DSP后的基于OPTISYSTEM和条件生成对抗网络的LP11模式星座图。图6、图7同样的星座变化表明,条件生成对抗网络已经准确学习到了的少模光纤信道损伤。图8中的(a)为基于OPTISYSTEM和CGAN的LP01模式波形图,图8中的(b)、图8中的(c)为基于OPTISYSTEM和CGAN的LP01模式的频谱图,图9中的(a)为基于OPTISYSTEM和CGAN的LP11模式波形图,图9中的(b)、图9中的(c)为基于OPTISYSTEM和CGAN的LP11模式频谱图。图8、图9光波形和光谱的高度一致性表明,条件生成对抗网络可以准确地模拟信号的时域和频域特征。
步骤六:当判别器达到纳什平衡无法确定其输入来自生成器还是真实数据时,此时条件生成对抗网络中的生成器便能够快速准确的对光通信系统信道进行建模,根据步骤五输出的经过光纤链路损伤的收端信号序列,提升光通信系统的可靠性和鲁棒性。
本发明将条件生成对抗网络引入光通信系统信道建模,在原有网络框架的基础上构建条件向量结构,修改损失函数,适用于各种调制格式、传输距离与发射功率。实验结果表明,采用本实施例能够准确地学习光通信系统信道的传递函数,在保证光通信系统信道构建精度的基础上降低计算复杂度,且能够提高光通信系统的可靠性和鲁棒性。
以上所述的具体描述,对发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.一种基于深度学习的光通信系统信道构建方法,其特征在于,包括以下步骤:
步骤一:搭建光通信系统,采集收发两端数据,光通信系统包括信号发射模块、信号传输模块和信号接收模块;收发两端数据包括发端信号序列和收端信号序列;信号发射模块中,路二进制比特信息经由调制器转变为电信号,/>为光通信系统中信道内传播的光路个数,并通过MZM电光调制器将电信号加载到激光器产生的光载波上;信号传输模块中,若/>>1,则需要通过复用器将/>路光信号合成为一束,送入光通信系统中进行传输,传输后经过解复用器将/>路光信号分离;在信号接收模块,将经过传输后的/>路信号经过光电二极管转变为电信号,电信号经过DSP处理来补偿链路损伤;
步骤二:将步骤一采集的光通信系统中的收发信号数据进行预处理与排布,得到条件生成对抗网络输入的数据集,并将数据集划分为训练集和测试集;
步骤三:构建用于建立光通信系统信道的条件生成对抗网络;条件生成对抗网络结构包括生成器和判别器;在生成器中,基于全连接神经网络FCNN对不同序列进行特征提取,构建基于对抗损失和均方误差损失的联合损失函数,不断训练用于生成经过光通信系统链路损伤的收端信号序列;在判别器中,对生成器生成的收端信号序列和真实收端信号序列进行鉴别,构建基于对抗损失和平均绝对误差损失的联合损失函数;通过不断地迭代从而优化生成器和判别器,生成器和判别器彼此对抗训练,生成满足精度需求的收端信号序列;
步骤四:配置神经网络训练所需参数,训练用于构建光通信系统信道的条件生成对抗网络;选择学习率和/>、批处理大小、权重系数/>和/>、优化方法与迭代次数,将步骤二中经过预处理的训练集中的条件向量/>与随机向量/>进行拼接,作为步骤三中条件生成对抗网络的生成器G的输入向量,得到输出/>;将步骤二中得到的训练集的真实收端信号序列/>或者生成器输出/>与条件向量/>进行拼接,作为步骤三中条件生成对抗网络的判别器D的输入向量,得到输出/>或/>;
步骤五:利用训练好的条件生成对抗网络模型对光纤信道进行建模,得到经过光纤链路损伤的收端信号序列;
步骤六:当判别器达到纳什平衡无法确定其输入来自生成器还是真实数据时,此时条件生成对抗网络中的生成器便能够快速准确的对光通信系统信道进行建模,得到步骤五输出的经过光纤链路损伤的收端信号序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310595113.XA CN116346217B (zh) | 2023-05-25 | 2023-05-25 | 一种基于深度学习的光通信系统信道构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310595113.XA CN116346217B (zh) | 2023-05-25 | 2023-05-25 | 一种基于深度学习的光通信系统信道构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116346217A CN116346217A (zh) | 2023-06-27 |
CN116346217B true CN116346217B (zh) | 2023-08-08 |
Family
ID=86884341
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310595113.XA Active CN116346217B (zh) | 2023-05-25 | 2023-05-25 | 一种基于深度学习的光通信系统信道构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116346217B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117811905B (zh) * | 2024-02-29 | 2024-05-07 | 深圳市飞思卓科技有限公司 | 一种基于云平台的光纤通信信道管理方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111245512A (zh) * | 2020-01-15 | 2020-06-05 | 东南大学 | 基于神经网络的可见光通信系统非线性信道建模方法 |
CN112865866A (zh) * | 2021-01-20 | 2021-05-28 | 重庆邮电大学 | 基于gsn的可见光pam系统非线性补偿方法 |
CN114139324A (zh) * | 2021-12-06 | 2022-03-04 | 上海交通大学 | 基于特征解耦的分布式光纤信道快速精确建模方法和系统 |
CN114499723A (zh) * | 2022-01-25 | 2022-05-13 | 西南交通大学 | 一种基于傅立叶神经算子的光纤信道快速建模方法 |
CN114676637A (zh) * | 2022-03-31 | 2022-06-28 | 北京邮电大学 | 一种基于条件生成对抗网络的光纤信道建模方法及系统 |
CN114866158A (zh) * | 2022-07-07 | 2022-08-05 | 中国海洋大学三亚海洋研究院 | 一种水下激光数字通信系统信道建模和模拟方法 |
CN116094594A (zh) * | 2022-12-27 | 2023-05-09 | 深圳市中易腾达科技股份有限公司 | 光通信方法、装置、电子设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11741693B2 (en) * | 2017-11-15 | 2023-08-29 | Palo Alto Research Center Incorporated | System and method for semi-supervised conditional generative modeling using adversarial networks |
-
2023
- 2023-05-25 CN CN202310595113.XA patent/CN116346217B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111245512A (zh) * | 2020-01-15 | 2020-06-05 | 东南大学 | 基于神经网络的可见光通信系统非线性信道建模方法 |
CN112865866A (zh) * | 2021-01-20 | 2021-05-28 | 重庆邮电大学 | 基于gsn的可见光pam系统非线性补偿方法 |
CN114139324A (zh) * | 2021-12-06 | 2022-03-04 | 上海交通大学 | 基于特征解耦的分布式光纤信道快速精确建模方法和系统 |
CN114499723A (zh) * | 2022-01-25 | 2022-05-13 | 西南交通大学 | 一种基于傅立叶神经算子的光纤信道快速建模方法 |
CN114676637A (zh) * | 2022-03-31 | 2022-06-28 | 北京邮电大学 | 一种基于条件生成对抗网络的光纤信道建模方法及系统 |
CN114866158A (zh) * | 2022-07-07 | 2022-08-05 | 中国海洋大学三亚海洋研究院 | 一种水下激光数字通信系统信道建模和模拟方法 |
CN116094594A (zh) * | 2022-12-27 | 2023-05-09 | 深圳市中易腾达科技股份有限公司 | 光通信方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116346217A (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fan et al. | Joint optical performance monitoring and modulation format/bit-rate identification by CNN-based multi-task learning | |
Yang et al. | Fast and accurate optical fiber channel modeling using generative adversarial network | |
CN116346217B (zh) | 一种基于深度学习的光通信系统信道构建方法 | |
Wang et al. | Applications of physics-informed neural network for optical fiber communications | |
Poudel et al. | MIMO detection using a deep learning neural network in a mode division multiplexing optical transmission system | |
CN114285715B (zh) | 基于双向gru-条件随机场的非线性均衡方法 | |
Li et al. | Low-complexity adaptive chromatic dispersion estimation scheme using machine learning for coherent long-reach passive optical networks | |
Xiang et al. | Knowledge distillation technique enabled hardware efficient OSNR monitoring from directly detected PDM-QAM signals | |
Jiang et al. | Data-driven method for nonlinear optical fiber channel modeling based on deep neural network | |
Zhu et al. | Optical performance monitoring via domain adversarial adaptation in few-mode fiber | |
Li et al. | Ultra-low complexity random forest for optical fiber communications | |
Guo et al. | Deep neural network based chromatic dispersion estimation with ultra-low sampling rate for optical fiber communication systems | |
Liu et al. | Experimental demonstration of optical fiber eavesdropping detection based on deep learning | |
Melek et al. | Fiber nonlinearity mitigation with a perturbation based Siamese neural network receiver | |
CN113837120A (zh) | 基于神经网络的多芯光纤串扰监测方法与系统 | |
Cui et al. | Optical fiber channel modeling method using multi-BiLSTM for PM-QPSK systems | |
von Hünefeld et al. | Enabling optical modulation format identification using an integrated photonic reservoir and a digital multiclass classifier | |
Ma et al. | Modeling of Multi-Core Fiber Channel Based on M-CGAN for High Capacity Fiber Optical Communication | |
Li et al. | Optical signal monitoring using multi-task residual network | |
CN117220807A (zh) | 一种基于深度学习的多维复用光通信系统信道构建方法 | |
Al-Shamayleh et al. | Performance Evaluation of Optical Transmission Based on Link Estimation by Using Deep Learning Techniques | |
RU2749670C1 (ru) | Устройство оптического восстановления телекоммуникационного сигнала с амплитудной модуляцией и способ создания этого устройства | |
Huang et al. | Complex principal component analysis-based complex-valued fully connected NN equalizer for optical fibre communications | |
Wang et al. | Deep learning based mode group recognition for mode division multiplexing in conventional multimode fiber | |
Esteves | CNN-based eye pattern analysis and BER prediction in PAM4 inter-datacenter optical connections impaired by intercore crosstalk |
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 |