CN116389287A - 一种模分复用通信系统的信道构建方法 - Google Patents
一种模分复用通信系统的信道构建方法 Download PDFInfo
- Publication number
- CN116389287A CN116389287A CN202310612694.3A CN202310612694A CN116389287A CN 116389287 A CN116389287 A CN 116389287A CN 202310612694 A CN202310612694 A CN 202310612694A CN 116389287 A CN116389287 A CN 116389287A
- Authority
- CN
- China
- Prior art keywords
- network model
- data
- signal
- awcgan
- pam
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 62
- 238000004891 communication Methods 0.000 title claims abstract description 38
- 239000013598 vector Substances 0.000 claims abstract description 57
- 238000012549 training Methods 0.000 claims abstract description 46
- 108010076504 Protein Sorting Signals Proteins 0.000 claims abstract description 36
- 239000013307 optical fiber Substances 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 24
- 230000001360 synchronised effect Effects 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 72
- 230000009022 nonlinear effect Effects 0.000 claims description 14
- 239000000835 fiber Substances 0.000 claims description 13
- 230000005540 biological transmission Effects 0.000 claims description 12
- 230000010287 polarization Effects 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 11
- 230000003287 optical effect Effects 0.000 claims description 10
- 230000009286 beneficial effect Effects 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000008878 coupling Effects 0.000 claims description 8
- 238000010168 coupling process Methods 0.000 claims description 8
- 238000005859 coupling reaction Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 239000006185 dispersion Substances 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000011084 recovery Methods 0.000 claims description 6
- 238000007493 shaping process Methods 0.000 claims description 6
- 230000004580 weight loss Effects 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 3
- 238000007499 fusion processing Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000002349 favourable effect Effects 0.000 description 2
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000005693 optoelectronics Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04J—MULTIPLEX COMMUNICATION
- H04J14/00—Optical multiplex systems
- H04J14/04—Mode multiplex systems
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Optical Communication System (AREA)
- Time-Division Multiplex Systems (AREA)
Abstract
本发明公开的一种模分复用通信系统的信道构建方法,属于光纤通信领域。本发明实现方法为:基于发送的M‑PAM信号序列构建条件向量,基于同步处理后的M‑PAM信号序列构建真实数据,基于条件向量和真实数据构建训练数据集;构建用于模分复用系统信道构建的AWCGAN网络模型,条件向量作为网络模型中生成器网络模型的输入特征序列,真实数据作为网络模型中鉴别器网络模型的输入特征序列;训练网络模型;将测试集中的条件向量输入到训练好生成器网络,输出得到每个信号的预测信号,将预测信号与对应模分复用系统信道传输的真实信号数据计算归一化均方误差,得到网络模型的信道构建结果,提高OAM模分复用系统信道构建的精准度。
Description
技术领域
本发明涉及一种模分复用通信系统的信道构建方法,属于光纤通信领域。
背景技术
随着大数据、云计算、元宇宙时代的到来,光纤通信对容量和带宽的需求也在迅速增长。光波的典型物理量,包括振幅、相位、偏振和频率,已经得到很好的开发和利用。模分复用(MDM)利用物理空间尺寸,通过多模光纤(MMF)或少模光纤(FMF)方案支持多种模式,可以显著提高光纤链路的传输容量。OAM(轨道角动量)模式具有独特的无限正交特性,然而,随着复用模式和传输长度的增加以及系统中固有的光电器件的非线性效应,OAM模式之间的正交性在实际通信信道中被破坏,模式耦合和非线性的影响就不可避免。OAM模式复用光纤通信系统中需要多种光电器件对信号进行调制,器件非线性是这些有源光电器件的固有特性,而这种固有特性会对信号造成严重的损伤,而目前针对这些器件的非线性效应对于信号的影响的建模较少,因此很难确定准确的理论模型,并且信号的非线性模型因为多种器件非线性效应的影响而变得更加复杂。目前尚没有一种准确的理论模型来描述OAM模分复用系统信道,深度学习是解决未知信道建模有力工具。在这项工作中,提出了一种新的数据驱动OAM模分复用系统信道估计方法—自适应权重条件生成对抗网络(AWCGAN),以学习准确的信道传输函数的分布,这是构建OAM模分复用系统数字孪生网络的基础。
目前大多数基于深度学习的信道构建方法都是对已有理论模型的信道进行建模,这类信道具有明确的数学模型,神经网络能够很好的建模。然而,目前还尚没有针对没有明确理论模型信道的实际OAM模分复用系统的信道构建。在OAM模分复用传输中,随机的组内模式耦合导致整个系统的强烈时间变化, 以及多种器件非线性效应的影响,使得信号的非线性模型十分复杂,传统的基于生成对抗神经网络(GAN)的信道估计方法无法准确的对OAM模分复用系统信道准确估计,鉴别器损失函数无法准确收敛,存在不稳定性和模式崩溃的问题。
发明内容
为解决OAM模分复用通信系统中信号在光纤传输过程中尚没有准确的信道模型的问题,本发明的主要目的是提供一种模分复用通信系统的信道构建方法,根据发送的M-PAM信号序列构建条件向量,根据接收的M-PAM信号序列构建真实数据,构建训练数据集;基于自适应权重条件生成对抗网络实现模分复用通信系统的信道构建,本发明具有信道构建的精度高和稳定性好的优点。
本发明的目的是通过下述技术方案实现的:
本发明公开的一种模分复用通信系统的信道构建方法,在OAM模分复用通信系统的发射端,对发射的二进制数据序列进行M-PAM星座符号映射处理,经过上采样和匹配滤波之后,将当前M-PAM信号与其前后n个M-PAM信号进行组合作为该M-PAM信号的条件向量;在OAM模分复用通信系统的接收端,接收到经过环芯光纤传输后的M-PAM信号序列,对M-PAM信号进行同步处理,基于同步处理后的M-PAM信号序列,将当前M-PAM信号作为该M-PAM信号的真实数据,基于所述条件向量和真实数据构建训练数据集;构建用于模分复用系统信道构建的AWCGAN网络模型,条件向量作为AWCGAN网络模型中生成器网络模型的输入特征序列,真实数据作为AWCGAN网络模型中鉴别器网络模型的输入特征序列;利用训练数据集对AWCGAN网络模型进行训练;将将新生成的M-PAM信号的特征序列输入到训练好的AWCGAN网络的生成器网络模型,输出得到每个M-PAM信号的预测信号,将输出的预测信号结果与对应模分复用系统信道传输的信号计算归一化均方误差,得到AWCGAN网络模型的信道构建结果,有效表征OAM模分复用通信系统复杂的非线性效应,提高OAM模分复用系统信道构建的精准度;此外,AWCGAN网络模型采用自适应权重的损失函数,利用真假数据损失函数的梯度方向夹角,自适应地选择权重,在有利于生成对抗神经网络更好信道构建效果的方向上训练判别器,提高信道构建的稳定性,避免模式崩溃问题,在OAM模分复用通信系统中实现高精确度信道构建。
本发明公开的一种模分复用通信系统的信道构建方法,包括如下步骤:
步骤一:在OAM模分复用系统的发射端,对发射的二进制数据数列进行M-PAM符号映射处理,然后对M-PAM符号序列进行上采样和脉冲成型处理,根据色散和空间光调制器引起的码间串扰,将当前M-PAM信号与其前后n个M-PAM信号进行组合,构建用于表征码间串扰的条件向量;电信号经马赫-曾德尔调制器调制到光载波上,采用掺铒光纤放大器对信号进行放大。信号通过偏振控制器、准直器和线偏振从光纤耦合到空间中。在OAM模分复用系统的接收端,接收到经过环芯光纤传输后的M-PAM信号序列,对M-PAM信号进行时钟恢复和同步处理,基于同步后的M-PAM信号序列,将当前M-PAM信号作为该M-PAM信号的真实数据,基于所述条件向量和真实数据构建训练数据集。
在OAM模分复用系统的发射端,对发射的二进制数据数列进行M-PAM符号映射处理,然后对M-PAM符号序列进行上采样和脉冲成型处理,根据色散和空间光调制器引起的码间串扰,将当前M-PAM信号与其前后个M-PAM信号进行组合,构建用于表征码间串扰的条件向量/>,其中/>表示当前发送的样本,表示在当前样本之前已经发送的样本,/>表示将要被传输的样本,/>表示前后符号个数,与码间串扰的强度有关。M-PAM信号序列经马赫-曾德尔调制器调制到光载波上,采用掺铒光纤放大器对信号进行放大。信号通过偏振控制器、准直器和线偏振从光纤耦合到空间中。在OAM模分复用系统的接收端,接收到经过环芯光纤传输后的M-PAM信号序列,对M-PAM信号进行时钟恢复和同步处理,得到序列长度为T的经过线性均衡后的M-PAM信号序列/>,其中向量/>表示M-PAM信号序列中的第/>个M-PAM信号,向量/>,将其作为该M-PAM信号的真实数据/>N表示训练数据集的大小,构建对应每个M-PAM信号的真实数据特征序列,基于所述条件向量和真实数据构建训练数据集/>。
步骤二:构建用于模分复用系统信道构建的AWCGAN网络模型及损失函数,AWCGAN网络模型包括生成器网络模型,鉴别器网络模型。将M-PAM信号的条件向量特征序列和具有高斯分布的噪声向量输入至生成器网络模型。AWCGAN网络模型中生成器和鉴别器网络模型是全连接层网络,通过全连接层网络对M-PAM信号的条件向量特征序列中的数据进行充分地特征序列化融合处理,在处理当前时刻M-PAM信号数据时,能够结合利用条件向量中的前序M-PAM信号数据信息和后序M-PAM信号数据信息,即对条件向量中序列M-PAM信号数据进行序列化特征融合,更好地表征当前M-PAM信号与前序M-PAM信号、后序M-PAM信号之间的非线性干扰关系,提升AWCGAN网络模型对M-PAM信号的非线性构建能力,输出表征真实信道效应的信号序列。将生成器网络子模型输出的信号序列和真实数据输入到鉴别器网络,通过自适应权重的损失函数,计算真实数据和生成数据损失函数梯度夹角,并计算鉴别器对生成器生成信号序列为真实数据的概率;根据梯度夹角及概率的大小,确定真实数据和生成数据损失函数的权重;此外,AWCGAN网络模型采用自适应权重的损失函数,利用真假数据损失函数的梯度方向夹角,自适应地选择权重,在有利于生成对抗神经网络更好信道构建效果的方向上训练判别器,提高信道构建的稳定性,解决随机模式耦合及复杂非线性带来的信道难以构建问题;通过不断对抗训练的方式,直到鉴别器无法区分生成信号序列和真实信号序列,得到能够表征真实模分复用系统信道的网络模型。
构建用于模分复用系统信道构建的AWCGAN网络模型及损失函数,AWCGAN网络模型包括生成器网络模型,鉴别器网络模型。所述AWCGAN网络的损失函数为:
首先将M-PAM信号的条件向量和高斯噪声/>输入至AWCGAN网络模型中的生成器网络模型。通过设计的条件向量,生成器能够结合利用条件向量中的前序M-PAM信号数据信息和后序M-PAM信号数据信息,对于输入的M-PAM信号的条件向量/>,生成器网络模型的输出为:
其次将生成器生成的数据以及条件向量/>,真实数据/>输入至AWCGAN网络模型中的鉴别器网络模型。利用所述AWCGAN网络的损失函数,根据真实数据和生成数据损失函数梯度方向夹角/>,自适应的选择权重使得训练有益于真实数据损失函数和生成数据损失函数或者有利于其中一个损失函数而不改变另外一个损失函数,提升AWCGAN模型对OAM-MDM中由模式耦合导致的光纤非线性的随机性以及空间光调制器的非线性等组成的复杂的非线性模型的表征能力,防止AWCGAN网络模型训练不稳定。自适应权重损失函数的处理过程如下:
步骤三:对步骤二构建的用于模分复用系统信道构建的AWCGAN网络模型及损失函数,配置模型训练所需参数,设置学习率、批处理大小、权值初始化方式、优化方法、迭代次数;使用步骤一中构造的训练数据集,训练模分复用系统信道构建的AWCGAN网络模型,通过所述训练好的AWCGAN网络模型构建充分表征真实模分复用信道响应的网络模型。
对步骤二构建的用于模分复用系统信道构建的AWCGAN网络模型,配置模型训练所需参数,设置学习率、批处理大小、权值初始化方式、优化方法、迭代次数。
使用步骤一中构造的训练数据集,训练步骤二构建的AWCGAN网络模型,采用梯度反向传播算法和Adam参数优化算法,确定最优的模型参数,得到训练好的AWCGAN网络模型;通过所述训练好的AWCGAN网络模型构建当前M-PAM信号的条件向量/>与其对应的真实数据/>之间的非线性关系,所述AWCGAN网络模型能够充分表征M-PAM信号在光纤传输过程中受到的由光纤非线性效应造成的影响。
步骤四:将新生成的M-PAM信号的特征序列输入到训练好的AWCGAN网络的生成器网络模型,输出得到每个M-PAM信号的预测信号,将输出的预测信号结果与对应模分复用系统信道传输的信号计算归一化均方误差,得到AWCGAN网络模型的信道构建结果,有效表征OAM模分复用通信系统复杂的非线性效应,提高OAM模分复用系统信道构建的精准度。
AWCGAN实现高准确度的信道构建,充分表征信号在模分复用系统传输过程中受到的光纤非线性效应,得到OAM-MDM信道构建的结果,提高对通信系统信道构建精度。
有益效果
1、本发明公开的一种模分复用通信系统的信道构建方法,采用基于自适应权重的条件生成对抗网络,在鉴别器损失函数的引入自适应权重对OAM-MDM信道进行构建,相比于CGAN的信道构建方法,实现更高准确度的信道构建,进而实现模分复用系统中更准确的算法验证。
2、本发明公开的一种模分复用通信系统的信道构建方法,采用真实数据损失函数和虚假数据损失函数的加权和,利用真假数据损失函数的梯度方向夹角,自适应地选择权重,进而为模分复用系统的数字孪生系统提供精准的信道构建方法。
3、本发明公开的一种模分复用通信系统的信道构建方法,为基于自编码器端到端优化提供准确的梯度信息,进而实现更准确的模分复用系统的端到端优化。
4、本发明公开的一种模分复用通信系统的信道构建方法,使用数据驱动的建模策略,相比以往数据驱动建模策略,针对模分复用系统特有的非线性,提出自适应权重的生成对抗网络,实现更高准确度的信道构建,进而实现模分复用系统中更低成本的仿真;此外,AWCGAN网络模型采用自适应权重的损失函数,利用真假数据损失函数的梯度方向夹角,自适应地选择权重,在有利于生成对抗神经网络更好信道构建效果的方向上训练判别器,提高信道构建的稳定性,避免模式崩溃问题,
5、本发明公开的一种模分复用通信系统的信道构建方法,基于AWCGAN网络实现模分复用系统信道构建,使用GPU运算,能够提高模分复用系统的信道构建速度,提升数据生成的效率。
6、本发明公开的一种模分复用通信系统的信道构建方法,通过对发射和接收的M-PAM信号数据进行学习和处理,所述训练好的AWCGAN网络模型构建当前M-PAM信号的特征序列与其对应的接收数据之间的非线性关系,非线性关系能够充分表征M-PAM信号在光纤传输过程中受到的由光纤非线性效应造成的影响;根据所述非线性关系实现精确的信号生成,信号生成是基于训练好的AWCGAN网络模型的生成器模型实现的,而无需依赖于精确得知光纤传输链路的参数信息,提升本方法的泛化性,能够普遍应用于所有的光纤通信链路。
附图说明
图1为本发明公开的一种模分复用通信系统的信道构建方法流程图;
图2为本发明公开的一种模分复用通信系统的信道构建方法原理图;
图3为AWCGAN的网络架构图;
图4为AWCGAN条件向量的结构图;
图5为AWCGAN生成数据和真实信道输出数据的波形对比图;
图6为OAM模式3在不同接收光功率下AWCGAN,GAN生成数据归一化均方误差对比图;
图7为OAM模式4在不同接收光功率下AWCGAN,GAN生成数据归一化均方误差对比图。
具体实施方式
下面将结合附图和实施例对本发明加以详细说明。同时也叙述了本发明技术方案解决的技术问题及有益效果,需要指出的是,所描述的实施例仅旨在便于对本发明的理解,而对其不起任何限定作用。
在OAM-MDM传输中,随机的组内模式耦合会导致光纤非线性具有随机性,以及OAM-MDM特有的空间光调制器的器件非线性,使得GAN在信道构建过程中无法准确收敛。AWCGAN利用鉴别器真假数据损失函数的梯度方向夹角,自适应地选择权重,提高了信道构建的精准性和稳定性,AWCGAN用更精准的损失函数来对OAM-MDM复杂的非线性效应构建。如图1所示,本实施例公开的一种模分复用通信系统的信道构建方法流程图。如图2所示,本实施例公开的一种模分复用通信系统的信道构建方法原理图,具体实现步骤如下:
步骤一:在OAM模分复用系统的发射端,对发射的二进制数据数列进行8-PAM符号映射处理,然后对8-PAM符号序列进行上采样和脉冲成型处理,根据色散和空间光调制器引起的码间串扰,将当前8-PAM信号与其前后5个8-PAM信号进行组合,构建用于表征码间串扰的条件向量;电信号经马赫-曾德尔调制器调制到光载波上,采用掺铒光纤放大器对信号进行放大。信号通过偏振控制器、准直器和线偏振从光纤耦合到空间中。在OAM模分复用系统的接收端,接收到经过环芯光纤传输后的8-PAM信号序列,对8-PAM信号进行时钟恢复和同步处理,基于同步后的8-PAM信号序列,将当前8-PAM信号作为该8-PAM信号的真实数据,基于所述条件向量和真实数据构建训练数据集。
在OAM模分复用系统的发射端,对发射的二进制数据数列进行8-PAM符号映射处理,然后对8-PAM符号序列进行上采样和脉冲成型处理,根据色散和空间光调制器引起的码间串扰,将当前8-PAM信号与其前后5个M-PAM信号进行组合,构建用于表征码间串扰的条件向量 ,其中/>表示当前发送的样本,表示在当前样本之前已经发送的样本,/>表示将要被传输的样本,表示将要被传输的样本,条件向量结构如图4所示。8-PAM信号序列经马赫-曾德尔调制器调制到光载波上,采用掺铒光纤放大器对信号进行放大。信号通过偏振控制器、准直器和线偏振从光纤耦合到空间中。在OAM模分复用系统的接收端,接收到经过环芯光纤传输后的8-PAM信号序列,对8-PAM信号进行时钟恢复和同步处理,得到序列长度为128000的经过同步处理后的8-PAM信号序列/>,其中向量/>表示8-PAM信号序列中的第/>个8-PAM信号,向量/>为一维向量。针对8-PAM信号序列,/>对于其中的每一个8-PAM信号/>,将其作为该8-PAM信号的真实数据/>,构建对应每个8-PAM信号的真实数据特征序列,基于所述条件向量和真实数据构建训练数据集/>,其中,训练集的前80%用作训练集,后20%用作测试集。
步骤二:构建用于模分复用系统信道构建的AWCGAN网络模型及损失函数,所述AWCGAN网络模型包括生成器网络模型,鉴别器网络模型,如图3所示。将8-PAM信号的条件向量特征序列和具有高斯分布的噪声向量输入至生成器网络模型。AWCGAN网络模型中生成器和鉴别器网络模型是全连接层网络,通过全连接层网络对8-PAM信号的条件向量特征序列中的数据进行充分地特征序列化融合处理,在处理当前时刻8-PAM信号数据时,能够结合利用条件向量中的前序8-PAM信号数据信息和后序8-PAM信号数据信息,即对条件向量中序列8-PAM信号数据进行序列化特征融合,更好地表征当前8-PAM信号与前序8-PAM信号、后序8-PAM信号之间的非线性干扰关系,提升AWCGAN网络模型对8-PAM信号的非线性构建能力,输出表征真实信道效应的序列。将生成器网络子模型输出的信号序列和真实数据输入到鉴别器网络,通过自适应权重的损失函数,得到当前鉴别器对生成器生成信号序列的分数,通过这种不断对抗训练的方式,直到鉴别器无法区分生成信号序列和真实信号序列,得到能够表征真实模分复用系统信道的网络模型。
构建用于模分复用系统信道构建的AWCGAN网络模型及损失函数,所述AWCGAN网络模型包括生成器网络模型,鉴别器网络模型。所述AWCGAN网络的损失函数为:
首先将M-PAM信号的条件向量和高斯噪声/>输入至AWCGAN网络模型中的生成器网络模型。通过设计的条件向量,生成器能够结合利用条件向量中的前序M-PAM信号数据信息和后序M-PAM信号数据信息,对于输入的M-PAM信号的条件向量/>,生成器网络模型的输出为:
其次将生成器生成的数据以及条件向量/>,真实数据/>输入至AWCGAN网络模型中的鉴别器网络模型;利用所述自适应权重的损失函数,根据真实数据和生成数据损失函数梯度方向夹角/>,自适应的选择权重使得训练有益于真实数据损失函数和生成数据损失函数或者有利于其中一个损失函数而不改变另外一个损失函数,提升AWCGAN模型对OAM-MDM中由模式耦合导致的光纤非线性的随机性以及空间光调制器的非线性等组成的复杂的非线性模型的表征能力,防止AWCGAN网络模型训练不稳定。以自适应权重的损失函数作为鉴别器的损失函数,不断训练来调整优化生成器网络参数。通过不断迭代联合优化生成器和鉴别器,通过生成器和鉴别器彼此对抗训练,根据自适应权重损失函数不断优化和调整由生成器和鉴别器组成的对抗网络的权重参数,使生成器生成数据和真实信道数据之间的差异越来越小,直至求解到模型的最佳参数,生成满足预设精度要求的信道数据,将满足精度要求的生成信道数据对应的对抗生成器网络用于OAM-MDM信道构建。自适应权重的处理过程如下:
步骤三:对步骤二构建的用于模分复用系统信道构建的AWCGAN网络模型及损失函数,配置模型训练所需参数,设置学习率、批处理大小、权值初始化方式、优化方法、迭代次数;使用步骤一中构造的训练数据集,训练模分复用系统信道构建的AWCGAN网络模型,通过所述训练好的AWCGAN网络模型构建了当前8-PAM信号特征序列与其对应的真实信道信号之间的非线性关系,充分表征真实模分复用信道响应的网络模型。
对步骤二构建的AWCGAN网络模型,在Pytorch 1.6.0中训练和评估所提出的AWCGAN网络模型,设置学习率设置为0.0002、批处理大小设置为500、使用随机权值初始化方式、使用采用梯度反向传播算法和Adam优化算法、最大训练步数设置为500。
使用步骤一中构造的训练数据集,/>,训练步骤二构建的AWCGAN网络模型,采用梯度反向传播算法和Adam参数优化算法,确定最优的模型参数,得到训练好的AWCGAN网络模型。通过所述训练好的AWCGAN网络模型构建当前8-PAM信号的条件向量/>与其对应的真实数据/>之间的非线性关系,所述AWCGAN网络模型能够充分表征8-PAM信号在光纤传输过程中受到的由光纤非线性效应造成的影响。
步骤四:将发射端新生成的8-PAM信号作为条件向量输入到训练好的AWCGAN生成器网络模型,输出得到每个8-PAM信号对应的生成信号;将输出的生成信号结果与对应的实际信道数据对比,图5显示了20GBaud,PAM8在2.3公里环芯光纤,1dBm接收光功率下的信道输出数据和基于AWCGAN生成数据的波形图。从波形图的总体来看,真实信道输出的波形和AWCGAN生成的波形具有一致的功率。放大部分波形,发现AWCGAN生成数据和真实信道数据的波形在很大程度上重叠。信号波形的高度一致性表明,AWCGAN有效表征了经过OAM-MDM信道信号的特性。
为了定量地表示基于GAN和AWCGAN的建模效果和基于真实OAM-MDM信道输出之间的差距,我们采用了归一化均方误差的方法,如下式所示
如图6和图7所示,使用所述的基于AWCGAN网络的OAM-MDM信道构建方法,20GBaud,8-PAM经过2.3公里环芯光纤在1dBm接收光功率下实现归一化均方误差8×10-3,远远低于2×10-2的要求,相比较基于GAN的信道构建方法的建模精度最大提升40%,有效地表征通信系统复杂的信道效应,降低模式耦合导致的光纤非线性的随机性及复杂非线性对信道构建的影响,提升对通信系统信道的构建精度。
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,并不限定本发明的保护范围,在本发明的精神和原则之内,所做的任何修改、替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种模分复用通信系统的信道构建方法,其特征在于:包括如下步骤,
步骤一:在OAM模分复用系统的发射端,对发射的二进制数据数列进行M-PAM符号映射处理,然后对M-PAM符号序列进行上采样和脉冲成型处理,根据色散和空间光调制器引起的码间串扰,将当前M-PAM信号与其前后个M-PAM信号进行组合,构建用于表征码间串扰的条件向量;电信号经马赫-曾德尔调制器调制到光载波上,采用掺铒光纤放大器对信号进行放大;信号通过偏振控制器、准直器和线偏振从光纤耦合到空间中;在OAM模分复用系统的接收端,接收到经过环芯光纤传输后的M-PAM信号序列,对M-PAM信号进行时钟恢复和同步处理,基于同步后的M-PAM信号序列,将当前M-PAM信号作为该M-PAM信号的真实数据,基于所述条件向量和真实数据构建训练数据集;
步骤二:构建用于模分复用系统信道构建的AWCGAN网络模型及损失函数,AWCGAN网络模型包括生成器网络模型,鉴别器网络模型;将M-PAM信号的条件向量特征序列和具有高斯分布的噪声向量输入至生成器网络模型;AWCGAN网络模型中生成器和鉴别器网络模型是全连接层网络,通过全连接层网络对M-PAM信号的条件向量特征序列中的数据进行充分地特征序列化融合处理,在处理当前时刻M-PAM信号数据时,利用条件向量中的前序M-PAM信号数据信息和后序M-PAM信号数据信息,即对条件向量中序列M-PAM信号数据进行序列化特征融合,准确地表征当前M-PAM信号与前序M-PAM信号、后序M-PAM信号之间的非线性干扰关系,提升AWCGAN网络模型对M-PAM信号的非线性构建能力,输出表征真实信道响应的序列;将生成器网络子模型输出的信号序列和真实数据输入到鉴别器网络,通过自适应权重的损失函数,计算真实数据和生成数据损失函数梯度夹角,并计算鉴别器对生成器生成信号序列为真实数据的概率;根据梯度夹角及概率的大小,确定真实数据和生成数据损失函数的权重;此外,AWCGAN网络模型采用自适应权重的损失函数,利用真假数据损失函数的梯度方向夹角,自适应地选择权重,提高信道构建的稳定性,避免模式崩溃问题;通过不断对抗训练的方式,直到鉴别器无法区分生成信号序列和真实信号序列,得到能够表征真实模分复用系统信道的网络模型;
步骤三:对步骤二构建的用于模分复用系统信道构建的AWCGAN网络模型及损失函数,配置模型训练所需参数,设置学习率、批处理大小、权值初始化方式、优化方法、迭代次数;使用步骤一中构造的训练数据集,训练模分复用系统信道构建的AWCGAN网络模型,通过训练好的AWCGAN网络模型构建充分表征真实模分复用信道响应的网络模型;
步骤四:将新生成的M-PAM信号的特征序列输入到训练好的AWCGAN网络的生成器网络模型,输出得到每个M-PAM信号的预测信号,将输出的预测信号结果与对应模分复用系统信道传输的信号计算归一化均方误差,得到AWCGAN网络模型的信道构建结果,准确表征OAM模分复用通信系统复杂的非线性效应,提高OAM模分复用系统信道构建的精准度。
2.如权利要求1所述的一种模分复用通信系统的信道构建方法,其特征在于:步骤一实现方法为,
在OAM模分复用系统的发射端,对发射的二进制数据数列进行M-PAM符号映射处理,然后对M-PAM符号序列进行上采样和脉冲成型处理,根据色散和空间光调制器引起的码间串扰,将当前M-PAM信号与其前后个M-PAM信号进行组合,构建用于表征码间串扰的条件向量/>,其中/>表示当前发送的样本,/>表示在当前样本之前已经发送的样本,/>表示将要被传输的样本,/>表示前后符号个数,与码间串扰的强度有关;M-PAM信号序列经马赫-曾德尔调制器调制到光载波上,采用掺铒光纤放大器对信号进行放大;信号通过偏振控制器、准直器和线偏振从光纤耦合到空间中;在OAM模分复用系统的接收端,接收到经过环芯光纤传输后的M-PAM信号序列,对M-PAM信号进行时钟恢复和同步处理,得到序列长度为T的经过线性均衡后的M-PAM信号序列,其中向量/>表示M-PAM信号序列中的第/>个M-PAM信号,向量,将其作为该M-PAM信号的真实数据/>N表示训练数据集的大小,构建对应每个M-PAM信号的真实数据特征序列,基于所述条件向量和真实数据构建训练数据集/>。
3.如权利要求2所述的一种模分复用通信系统的信道构建方法,其特征在于:步骤二实现方法为,
构建用于模分复用系统信道构建的AWCGAN网络模型及损失函数,AWCGAN网络模型包括生成器网络模型,鉴别器网络模型;AWCGAN网络的损失函数为:
将M-PAM信号的条件向量和高斯噪声/>输入至AWCGAN网络模型中的生成器网络模型;通过设计的条件向量,生成器能够结合利用条件向量中的前序M-PAM信号数据信息和后序M-PAM信号数据信息,对于输入的M-PAM信号的条件向量/>,生成器网络模型的输出为:
其次将生成器生成的数据以及条件向量/>,真实数据/>输入至AWCGAN网络模型中的鉴别器网络模型;利用AWCGAN网络的损失函数,根据真实数据和生成数据损失函数梯度方向夹角/>,自适应的选择权重使得训练有益于真实数据损失函数和生成数据损失函数或者有利于其中一个损失函数而不改变另外一个损失函数,使得AWCGAN模型准确表征OAM模分复用系统中由模式耦合导致的光纤非线性的随机性以及空间光调制器的非线性等组成的复杂的非线性模型,防止AWCGAN网络模型训练不稳定;自适应权重损失函数的处理过程如下:
4.如权利要求3所述的一种模分复用通信系统的信道构建方法,其特征在于:步骤三实现方法为,
对步骤二构建的用于模分复用系统信道构建的AWCGAN网络模型,配置模型训练所需参数,设置学习率、批处理大小、权值初始化方式、优化方法、迭代次数;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310612694.3A CN116389287B (zh) | 2023-05-29 | 2023-05-29 | 一种模分复用通信系统的信道构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310612694.3A CN116389287B (zh) | 2023-05-29 | 2023-05-29 | 一种模分复用通信系统的信道构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116389287A true CN116389287A (zh) | 2023-07-04 |
CN116389287B CN116389287B (zh) | 2023-08-18 |
Family
ID=86969725
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310612694.3A Active CN116389287B (zh) | 2023-05-29 | 2023-05-29 | 一种模分复用通信系统的信道构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116389287B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021098501A1 (zh) * | 2019-11-19 | 2021-05-27 | 上海大学 | 基于生成对抗网络的无线信道建模实现方法 |
CN114039670A (zh) * | 2021-10-18 | 2022-02-11 | 北京理工大学 | 一种模分复用通信系统非线性损伤补偿方法 |
CN115987394A (zh) * | 2022-12-01 | 2023-04-18 | 北京理工大学 | 一种基于Wide&Deep模型的光纤非线性均衡方法 |
-
2023
- 2023-05-29 CN CN202310612694.3A patent/CN116389287B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021098501A1 (zh) * | 2019-11-19 | 2021-05-27 | 上海大学 | 基于生成对抗网络的无线信道建模实现方法 |
CN114039670A (zh) * | 2021-10-18 | 2022-02-11 | 北京理工大学 | 一种模分复用通信系统非线性损伤补偿方法 |
CN115987394A (zh) * | 2022-12-01 | 2023-04-18 | 北京理工大学 | 一种基于Wide&Deep模型的光纤非线性均衡方法 |
Non-Patent Citations (1)
Title |
---|
韩明芬;于平苹;: "光纤通信系统中新型OAM复用模式的产生", 信息通信, no. 04 * |
Also Published As
Publication number | Publication date |
---|---|
CN116389287B (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Data-driven optical fiber channel modeling: A deep learning approach | |
CN114039670B (zh) | 一种模分复用通信系统非线性损伤补偿方法 | |
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 | |
CN113285758B (zh) | 一种基于ipca-dnn算法的光纤非线性均衡方法 | |
CN112733917B (zh) | 一种基于shap特征优化的信道均衡方法 | |
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 | |
CN110190909B (zh) | 一种用于光通信的信号均衡方法及装置 | |
CN114285715B (zh) | 基于双向gru-条件随机场的非线性均衡方法 | |
CN114553315B (zh) | 基于CNN-biRNN的光纤非线性均衡方法及系统 | |
Li et al. | End-to-end learning for optical fiber communication with data-driven channel model | |
Song et al. | Physics-informed neural operator for fast and scalable optical fiber channel modelling in multi-span transmission | |
Rode et al. | End-to-end optimization of constellation shaping for Wiener phase noise channels with a differentiable blind phase search | |
CN116389287B (zh) | 一种模分复用通信系统的信道构建方法 | |
CN114124223B (zh) | 一种卷积神经网络光纤均衡器生成方法及系统 | |
CN115987394A (zh) | 一种基于Wide&Deep模型的光纤非线性均衡方法 | |
CN117834451A (zh) | 一种模分复用通信系统的信道构建方法 | |
Ma et al. | Modeling of Multi-Core Fiber Channel Based on M-CGAN for High Capacity Fiber Optical Communication | |
CN113033781A (zh) | 一种基于自进化优化bp神经网络的非线性均衡补偿方法 | |
CN116599598A (zh) | 一种用于模分复用通信系统的非线性损伤均衡方法 | |
CN116032371B (zh) | 一种lcrf光纤传输系统的非线性补偿方法 | |
CN115955279B (zh) | 一种基于可变自编码器的信道匹配非网格化编码调制方法 | |
CN117650862A (zh) | 一种基于特征化长短期记忆网络的辅助光纤信道建模方法 | |
CN117675082A (zh) | 一种低复杂度光通信系统非线性补偿方法 | |
CN115833944A (zh) | 基于Wide&Deep-LSTM的光纤非线性均衡方法 | |
CN115632717A (zh) | 一种基于自注意力的非线性补偿方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |