CN116405124A - 基于强化学习的相干光通信系统光域预补偿方法 - Google Patents
基于强化学习的相干光通信系统光域预补偿方法 Download PDFInfo
- Publication number
- CN116405124A CN116405124A CN202211471331.4A CN202211471331A CN116405124A CN 116405124 A CN116405124 A CN 116405124A CN 202211471331 A CN202211471331 A CN 202211471331A CN 116405124 A CN116405124 A CN 116405124A
- Authority
- CN
- China
- Prior art keywords
- transmitting
- predistorter
- neural network
- signal
- reinforcement learning
- 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
- 230000003287 optical effect Effects 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000002787 reinforcement Effects 0.000 title claims abstract description 32
- 238000004891 communication Methods 0.000 title claims abstract description 23
- 230000001427 coherent effect Effects 0.000 title claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 39
- 238000005457 optimization Methods 0.000 claims abstract description 20
- 230000006870 function Effects 0.000 claims abstract description 11
- 230000004044 response Effects 0.000 claims abstract description 9
- 230000001360 synchronised effect Effects 0.000 claims abstract description 4
- 238000001914 filtration Methods 0.000 claims abstract description 3
- 230000009021 linear effect Effects 0.000 claims description 22
- 239000003795 chemical substances by application Substances 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000007812 deficiency Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 2
- 238000007493 shaping process Methods 0.000 claims description 2
- 239000013307 optical fiber Substances 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 8
- 230000004913 activation Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000009022 nonlinear effect Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005316 response function Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06N3/092—Reinforcement learning
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- H04B10/50—Transmitters
- H04B10/58—Compensation for non-linear transmitter output
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Nonlinear Science (AREA)
- Optical Communication System (AREA)
Abstract
本发明属于光纤通信发射机损伤预补偿技术领域，具体涉及一种基于强化学习的相干光通信系统光域预补偿方法。其包括步骤S1：获取收发两端码元、时钟同步信号；步骤S2：构建发射端神经网络预失真器；步骤S3：定义强化学习优化目标；步骤S4：将步骤S1得到的收发端信号利用强化学习优化目标优化发射端神经网络预失真器；步骤S5：重复步骤S1及S4，直至强化学习优化目标函数收敛；步骤S6：通过收敛后的预失真器得到预失真频响曲线；步骤S7：应用可编程光滤波器根据预失真频响曲线构造所需的光域滤波曲线形状，实现相干光通信系统的光域补偿。
Description
技术领域
本发明属于光纤通信发射机损伤预补偿技术领域，具体涉及一种基于强化学习的相干光通信系统光域预补偿方法。
背景技术
数据中心对吞吐量需求的指数性增长促使人们对高光谱效率、高符号率光传输进行研究。高阶正交振幅调制系统(QAM)满足高光谱效率要求，逐渐取代了直调直检(IMDD)系统成为研究的热门，然而采用高阶正交调幅(QAM)对接收的信噪比要求很高。限制接受信噪比的主要因素是发射机带宽限制和非理想器件输入输出的非线性等，此外采用高阶调制发射机有高的调制输出功率，这会导致驱动放大器的非线性饱和和马赫-曾德调制器进入调制非线性区从而影响信噪比。
为了降低发射机非理想器件的线性和非线性效应带来的性能损失，常用的方法是数字预失真(digital pre-distortion，DPD)技术包括基于线性的数字预均衡补偿非理想器件由于带宽受限等线性因素带来的性能损伤和基于非线性反正弦的预失真补偿由于IQ调制器的非线性以及基于Volterra级数多项式的预失真补偿光发射机的非线性损伤，线性补偿可较为精准补偿器件带宽带来的损伤却对发射机非线性影响无能为力，Volterra级数多项式等非线性预失真可一定程度上补偿非线性损伤但其高复杂度带来的DSP能耗不可忽视；另一种预失真技术是基于神经网络的数字预失真技术，类似于传统的预失真技术，基于神经网络的数字预失真包括直接学习法(direct learning architecture，DLA)和间接学习法(indirect learning，ILA)且已被证明基于神经网络的数字预失真技术取得了优于传统预失真的效果，直接学习法(DLA)具有优于简介学习法(ILA)的性能，然而训练基于DLA的数字预失真需要在发射机、光纤信道、接收机上实现反向传播，这是不可能实现的，因此需要一个额外的可微信道模型实现梯度反向传播，通常方式是用神经网络拟合一个新的可微信道模型，这需要比ILA多出近一倍的复杂度，ILA复杂度较低却忽视了发射机噪声影响。
上述方法都是基于电域补偿技术，需要产生灵活多变的信号从而对模数转换器(DAC)和DSP器件具有较高的要求，而光域补偿具有带宽高、对调制格式和速率无限制的优点。
发明内容
本发明的目的是提供一种基于强化学习的相干光通信系统光域预补偿方法。
为了解决上述技术问题，本发明提供了一种基于强化学习的相干光通信系统光域预补偿方法，包括：
步骤S1：获取收发两端码元、时钟同步信号；
步骤S2：构建发射端神经网络预失真器；
步骤S3：定义强化学习优化目标；
步骤S4：将步骤S1得到的收发端信号利用强化学习优化目标优化发射端神经网络预失真器；
步骤S5：重复步骤S1及S4，直至强化学习优化目标函数收敛；
步骤S6：通过收敛后的预失真器得到预失真频响曲线；
步骤S7：应用可编程光滤波器根据预失真频响曲线构造所需的光域滤波曲线形状，实现相干光通信系统的光域补偿。
进一步的，所述步骤S2中发射端神经网络预失真器包括：一个输入层、一个卷积层、三个非线性ReLU激活全连接层和一个线性层输出层；其中
输入层包括2N+1个实值信号，其中N为整数，表示为：
{xk-N,xk-N+1,...xk,...,xk+N-1,xk+N}；
其中，中间索引信号xk代表当前时刻的输入，其余2N个实值信号代表当前时刻前和当前时刻后的信号输入；以及
所述卷积层的参数初始化为补偿器件带宽不足的线性滤波器的抽头系数。
进一步的，所述线性滤波器的抽头系数通过收发两端的信号应用最小二乘算法得到：
gm＝(YHY)-1YH·x；
式中，m代表记忆长度；gm为有m个记忆长度的线性滤波器的抽头系数；y表示接收端数据列向量，x表示发射端数据列向量；Y表示由接收端数据向量y经过延时组成的矩阵，即Y＝[ym···ym]；YH表示矩阵Y的伪逆矩阵。
进一步的，所述步骤S3中定义强化学习优化目标包括：最小化接收信号和发射信号的均方误差，
其中，L代表每个批次的符号个数(即一次训练所选取的符号数，对应于神经网络的术语Batch size)，ri表示接收端接收信号，yi代表预失真器输出信号，即发射信号。
进一步的，所述步骤S4中将步骤S1得到的收发端信号利用强化学习优化目标优化发射端神经网络预失真器包括：
智能体为发射机，包括二进制比特生成、符号映射、上采样及脉冲成型；
通过发射端神经网络预失真器输出信号即发射信号；
输出信号经信道传播、接收端检测及接收端DSP处理后得到接收端接收信号；
按照强化学习优化目标即最小化接收信号和发射信号的均方误差更新智能体状态，以对发射端神经网络预失真器进行优化。
进一步的，所述更新智能体状态表现为根据发射机瞬时梯度更新发射端神经网络预失真器参数；其中
fθ表示预失真器，θ代表待训练的发射端神经网络预失真器参数；
其中，L代表每个批次的符号数；πθ(yi|fθ(xi))代表给定fθ(xi)时，发射yi的几率大小；xi表示基于神经网络预失真器输入端信号的第i个符号；
表示梯度算子。
进一步的，所述强化学习优化目标函数收敛包括：接收信号和发射信号的均方误差已经达到无法进一步缩小的状态后便得到了发射端神经网络预失真器。
本发明的有益效果是，本发明提出了一种基于强化学习的相干光通信系统光域预补偿方法，直接在光背靠背实验上应用强化学习训练发射机数字预失真器，由收敛的发射端神经网络预失真器得到预失真频响函数，应用可编程光滤波器(Optical WaveShaper)在光域构造预失真频响曲线，灵活实现光域高精度补偿。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例光通信光域预补偿器构造总流程示意图；
图2为本发明实施例发射端神经网络预失真器训练示意图；
图3为本发明实施例发射端神经网络预失真器具体实现示意图；
图4为本发明实施例实际系统配置图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例
为了使本领域的技术人员能够容易地理解本发明的原理和实施方式，本发明实施例从图1所示的光通信光预补偿器构造总流程示意展开解释。
本发明意在补偿发射机线性及非线性损伤，因此相干光通信光背靠背系统应用高带宽和高分辨率的相干接收机、示波器。为了尽可能展现发射机损伤对接收信号影响，接收机采用零差探测，并在接收端DSP中应用传统算法MIMO均衡和相位恢复算法补偿接收机损伤。
获取收发两端码元、时钟同步信号后，构建发射端神经网络预失真器，所提出的基于神经网络的预失真器由一层卷积层、三层非线性ReLU激活全连接层和一个线性层输出层组成，该预失真器可以离线过程应用pytorch平台构造。
卷积层的参数初始化为补偿器件带宽不足的线性滤波器抽头系数，具体过程为通过收发两端的信号应用最小二乘算法可以得到线性滤波器的抽头系数，表现为：gm＝(YHY)-1YH·x；式中，m代表记忆长度；gm为有m个记忆长度的线性滤波器的抽头系数；y表示接收端数据列向量，x表示发射端数据列向量；Y表示由接收端数据向量y经过延时组成的矩阵，即Y＝[ym···ym]；YH表示矩阵Y的伪逆矩阵。将线性滤波器器抽头系数映射至线性卷积层参数，隐藏层的参数随机初始化。考虑到非线性效应的记忆性，因此输入层包括2N+1个实值信号，其中N为整数，表示为：{xk-N,xk-N+1,...xk,...,xk+N-1,xk+N}；其中，中间索引信号xk代表当前时刻的输入，其余2N个实值信号代表当前时刻前和当前时刻后的信号输入。
卷积层的输出表示为：
其中，*运算代表卷积操作，Cout是卷积层(等价于线性滤波器)的输出，xi、Wi为当前信号及权重，bias代表偏执，此处f是卷积层的激活函数ReLU。
三层非线性ReLU激活全连接层的输出为：
y＝f((W·Cout)+bias)
其中，·运算代表乘积操作，Cout是卷积层的输出，W为非线性层权重的统称，bias代表偏执，此处f是非线性层的激活函数ReLU。
完成发射端预失真器构造后，定义强化学习优化目标，即最小化接收信号和发射信号的均方误差，定义为：
其中，L代表每个批次的符号个数(即一次训练所选取的符号数，对应于神经网络的术语Batch size)，ri表示接收端接收信号，yi代表预失真器输出信号，即发射信号。应用强化学习对发射机预失真器进行优化，在这个过程中，智能体为发射机，包括二进制比特生成、符号映射、上采样及脉冲成型，最后通过基于神经网络的预失真器，该预失真器输入端为2N+1个实值信号，一层由线性滤波器抽头系数映射得到的线性卷积层，三层非线性ReLU激活全连接层和一个线性层输出层组成。产生的信号经信道传播、接收端检测及接收端DSP处理(包括传统MIMO均衡算法及相位恢复补偿算法)后得到接收端数据，信道和接收机构成强化学习的环境，按照优化目标即最小化接收信号和发射信号的均方误差采取下一步行动(即更新智能体状态)达到优化发射机基于神经网络的预失真器的作用。智能体(发射机)状态更新表现为强化学习根据发射机瞬时梯度更新基于神经网络的预失真器参数，fθ表示预失真器，θ代表待训练的发射端神经网络预失真器参数；/>
其中θt、θt+1表示当前状态、下一时刻状态下预失真器的参数，
反映每个批次的符号数下预失真器的总瞬时梯度，α代表学习速率；
其中，L代表每个批次的符号数；πθ(yi|fθ(xi))代表给定fθ(xi)时，发射yi的几率大小；xi表示基于神经网络预失真器输入端信号的第i个符号；/>
表示梯度算子。
重复上述步骤，直至强化学习的优化目标，即接收信号和发射信号的均方误差已经达到无法进一步缩小的状态后便得到了发射端神经网络预失真器。
得到经过收敛后的发射端神经网络预失真器后，可以得到信号通过数字预失真器件前后的相位、幅值、频谱变化，进而可以得到预失真频响曲线，应用可编程光滤波器描绘出所需要的光学形状即可实现光域预补偿。
综上所述，本发明的基于强化学习的相干光通信系统光域预补偿方法，直接在光背靠背实验上应用强化学习训练发射机数字预失真器，由收敛的发射端神经网络预失真器得到预失真频响函数，应用可编程光滤波器(Optical WaveShaper)在光域构造预失真频响曲线，灵活实现光域高精度补偿。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。
Claims (7)
1.一种基于强化学习的相干光通信系统光域预补偿方法，其特征在于，包括：
步骤S1：获取收发两端码元、时钟同步信号；
步骤S2：构建发射端神经网络预失真器；
步骤S3：定义强化学习优化目标；
步骤S4：将步骤S1得到的收发端信号利用强化学习优化目标优化发射端神经网络预失真器；
步骤S5：重复步骤S1及S4，直至强化学习优化目标函数收敛；
步骤S6：通过收敛后的预失真器得到预失真频响曲线；
步骤S7：应用可编程光滤波器根据预失真频响曲线构造所需的光域滤波曲线形状，实现相干光通信系统的光域补偿。
2.如权利要求1所述的相干光通信系统光域预补偿方法，其特征在于，
所述步骤S2中发射端神经网络预失真器包括：一个输入层、一个卷积层、三个非线性ReLU激活全连接层和一个线性层输出层；其中
输入层包括2N+1个实值信号，其中N为整数，表示为：
{xk-N,xk-N+1,...xk,...,xk+N-1,xk+N}；
其中，中间索引信号xk代表当前时刻的输入，其余2N个实值信号代表当前时刻前和当前时刻后的信号输入；以及
所述卷积层的参数初始化为补偿器件带宽不足的线性滤波器的抽头系数。
3.如权利要求2所述的相干光通信系统光域预补偿方法，其特征在于，
所述线性滤波器的抽头系数通过收发两端的信号应用最小二乘算法得到：
gm＝(YHY)-1YH·x；
式中，m代表记忆长度；gm为有m个记忆长度的线性滤波器的抽头系数；y表示接收端数据列向量，x表示发射端数据列向量；Y表示由接收端数据向量y经过延时组成的矩阵，即Y＝[ym···ym]；YH表示矩阵Y的伪逆矩阵。
4.如权利要求3所述的相干光通信系统光域预补偿方法，其特征在于，
所述步骤S3中定义强化学习优化目标包括：最小化接收信号和发射信号的均方误差，
其中，L代表每个批次的符号个数(即一次训练所选取的符号数，对应于神经网络的术语Batch size)，ri表示接收端接收信号，yi代表预失真器输出信号，即发射信号。
5.如权利要求4所述的相干光通信系统光域预补偿方法，其特征在于，
所述步骤S4中将步骤S1得到的收发端信号利用强化学习优化目标优化发射端神经网络预失真器包括：
智能体为发射机，包括二进制比特生成、符号映射、上采样及脉冲成型；
通过发射端神经网络预失真器输出信号即发射信号；
输出信号经信道传播、接收端检测及接收端DSP处理后得到接收端接收信号；
按照强化学习优化目标即最小化接收信号和发射信号的均方误差更新智能体状态，以对发射端神经网络预失真器进行优化。
6.如权利要求5所述的相干光通信系统光域预补偿方法，其特征在于，
所述更新智能体状态表现为根据发射机瞬时梯度更新发射端神经网络预失真器参数；其中
fθ表示预失真器，θ代表待训练的发射端神经网络预失真器参数；
其中，L代表每个批次的符号数；πθ(yi|fθ(xi))代表给定fθ(xi)时，发射yi的几率大小；xi表示基于神经网络预失真器输入端信号的第i个符号；
表示梯度算子。
7.如权利要求6所述的相干光通信系统光域预补偿方法，其特征在于，
所述强化学习优化目标函数收敛包括：接收信号和发射信号的均方误差已经达到无法进一步缩小的状态后便得到了发射端神经网络预失真器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211471331.4A CN116405124A (zh) | 2022-11-23 | 2022-11-23 | 基于强化学习的相干光通信系统光域预补偿方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211471331.4A CN116405124A (zh) | 2022-11-23 | 2022-11-23 | 基于强化学习的相干光通信系统光域预补偿方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116405124A true CN116405124A (zh) | 2023-07-07 |
Family
ID=87012868
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211471331.4A Pending CN116405124A (zh) | 2022-11-23 | 2022-11-23 | 基于强化学习的相干光通信系统光域预补偿方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116405124A (zh) |
-
2022
- 2022-11-23 CN CN202211471331.4A patent/CN116405124A/zh active Pending
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 | |
| Bajaj et al. | Single-channel 1.61 Tb/s optical coherent transmission enabled by neural network-based digital pre-distortion | |
| Paryanti et al. | A direct learning approach for neural network based pre-distortion for coherent nonlinear optical transmitter | |
| EP0583059B1 (en) | Adaptive signal modulation system | |
| Uncini et al. | Complex-valued neural networks with adaptive spline activation function for digital-radio-links nonlinear equalization | |
| Schädler et al. | Soft-demapping for short reach optical communication: A comparison of deep neural networks and volterra series | |
| CN110213193B (zh) | 不等概高阶星座点设计方法与解映射方法 | |
| WO2019191099A1 (en) | Non-linear adaptive neural network equalizer in optical communication | |
| US10756682B1 (en) | Compensating for transmitter nonlinearities | |
| Benvenuto et al. | A neural network approach to data predistortion with memory in digital radio systems | |
| WO2004109929A2 (en) | High speed digital to analog converter | |
| Song et al. | Over-the-fiber digital predistortion using reinforcement learning | |
| CN107770111A (zh) | 脉冲成型结合数字预失真抑制ofdm峰均比系统与方法 | |
| Zhalehpour et al. | Reduced-size lookup tables enabling higher-order QAM with all-silicon IQ modulators | |
| CN115589209A (zh) | 补偿功率放大器失真的方法以及系统 | |
| Zou et al. | A novel PAPR reduction scheme for OFDM systems based on neural networks | |
| CN111200470A (zh) | 一种适用于受非线性干扰的高阶调制信号传输控制方法 | |
| CN109150213A (zh) | 一种数字预失真系统 | |
| Bajaj et al. | 54.5 Tb/s WDM transmission over field deployed fiber enabled by neural network-based digital pre-distortion | |
| Bajaj et al. | Efficient training of volterra series-based pre-distortion filter using neural networks | |
| He et al. | Symbol-based supervised learning predistortion for compensating transmitter nonlinearity | |
| Logins et al. | Block-structured deep learning-based OFDM channel equalization | |
| Chen et al. | Low-complexity multi-symbol multi-modulus weighted lookup table predistortion in UWOC system | |
| Zhalehpour et al. | Mitigating pattern dependent nonlinearity in SiP IQ-modulators via iterative learning control predistortion | |
| CN111988254B (zh) | 一种低复杂度峰均比压缩与预失真联合优化方法 |
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 |