CN116980291A - 一种系统优化方法、装置、设备及计算机可读存储介质 - Google Patents

一种系统优化方法、装置、设备及计算机可读存储介质 Download PDF

Info

Publication number
CN116980291A
CN116980291A CN202210932111.0A CN202210932111A CN116980291A CN 116980291 A CN116980291 A CN 116980291A CN 202210932111 A CN202210932111 A CN 202210932111A CN 116980291 A CN116980291 A CN 116980291A
Authority
CN
China
Prior art keywords
signal
neural network
network model
training
preset neural
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
Application number
CN202210932111.0A
Other languages
English (en)
Inventor
丁理
钟刚
江源
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Mobile Communications Group Co Ltd
China Mobile Hangzhou Information Technology Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Hangzhou Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Mobile Communications Group Co Ltd, China Mobile Hangzhou Information Technology Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN202210932111.0A priority Critical patent/CN116980291A/zh
Publication of CN116980291A publication Critical patent/CN116980291A/zh
Pending legal-status Critical Current

Links

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
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0803—Configuration setting
    • H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • H04B10/25—Arrangements specific to fibre transmission
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Electromagnetism (AREA)
  • Dc Digital Transmission (AREA)

Abstract

本申请公开了一种系统优化方法、装置、设备及计算机可读存储介质，系统优化方法应用于通信系统，通信系统包括编码器、传输信道和解码器，方法包括：获取训练信号、预设神经网络模型和所述传输信道的信道模型，其中，所述编码器和所述解码器是通过所述预设神经网络模型构建的；按照所述预设神经网络模型和所述信道模型的设置顺序依次对所述训练信号进行传输处理，得到输出信号；确定所述输出信号与所述训练信号之间的差异信息，并基于所述差异信息调整所述预设神经网络模型的参数，得到训练好的神经网络模型；基于所述训练好的神经网络模型确定优化后编码器和优化后解码器。如此，建立针对通信系统整体的网络模型，实现对通信系统的整体优化。

Description

一种系统优化方法、装置、设备及计算机可读存储介质
技术领域
本申请涉及光纤通信及人工智能技术领域，涉及但不限于一种系统优化方法、装置、设备及计算机可读存储介质。
背景技术
光纤通信系统是以光为载波，利用纯度极高的玻璃拉制成极细的光导纤维作为传输媒介，通过光电变换，用光来传输信息的通信系统。信号在光通信系统中传输的时候，光器件中存在的噪声，以及光纤的损耗、色散和非线性等因素会损伤传输的信号，而这在一定程度上决定了系统的通信容量。
相关技术通常是选择多种数字信号处理算法来分别优化信号受到的损伤，或者利用人工智能算法解决信道中线性和非线性失真的问题，虽然在某种程度上达到了各模块的最优，但是局部最优并不意味着是系统整体最优。因此，相关技术仍然拘泥于去补偿信号传输中“其一模块”的损伤，没有从系统整体出发，进而无法对传输系统整体进行优化，这样输出的信号质量无法达到全局最优。
发明内容
有鉴于此，本申请实施例提供一种系统优化方法、装置、设备及计算机可读存储介质。
本申请实施例的技术方案是这样实现的：
本申请实施例提供一种系统优化方法，应用于通信系统，所述通信系统包括编码器、传输信道和解码器，所述方法包括：
获取训练信号、预设神经网络模型和所述传输信道的信道模型，其中，所述编码器和所述解码器是通过所述预设神经网络模型构建的；
按照所述预设神经网络模型和所述信道模型的设置顺序依次对所述训练信号进行传输处理，得到输出信号；
确定所述输出信号与所述训练信号之间的差异信息，并基于所述差异信息调整所述预设神经网络模型的参数，得到训练好的神经网络模型；
基于所述训练好的神经网络模型确定优化后编码器和优化后解码器。
本申请实施例提供一种系统优化装置，所述系统优化装置包括：
第一获取模块，用于获取训练信号、预设神经网络模型和所述传输信道的信道模型，其中，所述编码器和所述解码器是通过所述预设神经网络模型构建的；
第一处理模块，用于按照所述预设神经网络模型和所述信道模型的设置顺序依次对所述训练信号进行传输处理，得到输出信号；
调整模块，用于确定所述输出信号与所述训练信号之间的差异信息，并基于所述差异信息调整所述预设神经网络模型的参数，得到训练好的神经网络模型；
第一确定模块，用于基于所述训练好的神经网络模型确定优化后编码器和优化后解码器。
本申请实施例提供一种系统优化设备，所述系统优化设备包括：
处理器；以及
存储器，用于存储可在所述处理器上运行的计算机程序；
其中，所述计算机程序被处理器执行时实现上述的系统优化方法。
本申请实施例提供一种计算机可读存储介质，所述计算机存储介质中存储有计算机可执行指令，该计算机可执行指令配置为执行上述系统优化方法。
本申请实施例提供一种系统优化方法、装置、设备及计算机可读存储介质，系统优化方法应用于通信系统，该通信系统包括编码器、传输信道和解码器，该系统优化方法包括：先获取训练信号、预设神经网络模型和传输信道的信道模型，其中，编码器和解码器是通过预设神经网络模型构建的；接着，按照预设神经网络模型和信道模型的设置顺序来依次对训练信号进行处理、传输，得到输出信号；然后，基于输出信号和训练信号的差异信息来训练预设神经网络模型的参数，从而得到训练好的神经网络模型；最后，基于训练好的神经网络模型确定优化后编码器和优化后解码器。这样一来，构建的是编码器和解码器整体对应的预设神经网络模型，也即是针对通信系统的输入端至输出端这一整体来构建预设神经网络模型，基于此也是对预设神经网络模型进行训练，从而得到训练好的神经网络模型，再确定出优化后编码器和优化后解码器，通过优化后编码器和优化后解码器实现对通信系统整体进行优化，能够使得最终得到的输出信号达到全局最优。
附图说明
在附图(其不一定是按比例绘制的)中，相似的附图标记可在不同的视图中描述相似的部件。附图以示例而非限制的方式大体示出了本文中所讨论的各个实施例。
图1为本申请实施例提供的系统优化方法的一种实现流程示意图；
图2为本申请实施例提供的处理训练信号方法的一种实现流程示意图；
图3为本申请实施例提供的传输损耗处理方法的一种实现流程示意图；
图4为本申请实施例提供的训练子信号输入方法的一种实现流程示意图；
图5为本申请实施例提供的通信系统总体框架的一种结构示意图；
图6为本申请实施例提供的系统优化装置的一种组成结构示意图；
图7为本申请实施例提供的系统优化设备的一种组成结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，所描述的实施例不应视为对本申请的限制，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它实施例，都属于本申请保护的范围。
在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
在以下的描述中，所涉及的术语“第一\第二\第三”仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
信号在光通信系统中传输的时候，光器件中存在的噪声，以及光纤的损耗、色散和非线性等因素会损伤传输的信号，而这在一定程度上决定了系统的通信容量。光电器件的噪声主要来自光放大器，光纤的损耗(信号衰减)在没有光放大器和和光中继器的情况下，光纤的损耗很大程度限制了光纤通信系统的最大传输距离。色散也是光纤的固有的线性损伤，它会造成传输的光脉冲展宽，非线性效应属于光纤的非线性损伤，在长距离光纤传输中，色散和非线性效应会对信号产生显著的影响。
在实际的直接检测系统中，通常是选择多种数字信号处理算法来分别优化信号受到的损伤。例如示波器在对经过光电探测器的信号进行采样时，由于时钟信号与发射端的数模转换器(Digital To Analog Converter，DAC)的时钟不匹配，两者之前存在一个时延，采样点与最佳的采样点之前存在误差，不恰当的定时同步不仅会导致相位噪声，还会导致符号间的干扰。因此，通常需要对采样的信号采用时钟同步算法，常见的同步算法有Schmidl算法、Minn算法、Park算法和格雷互补序列算法等。在接收端接收到的信号通常会受到光纤及光器件的各种损伤，因此在接收端需要对信号进行信道估计对信号进行补偿，常用的信道估计有迫零均衡算法、判决引导最小二乘算法(Decision Directed LeastSsquare Method，DD-LMS)和最小均方误差算法(Minimum Mean Squared Error，MMSE)等。传统的数字信号处理思想就是通过对信号的各种损伤分别用算法进行补偿和优化，虽然在某种程度上达到了各模块的最优，但是局部最优的联合方案并不意味着是系统整体最优化的方案。
随着人工智能技术的飞速发展，图像识别、医药，诊断，金融贸易，机器人控制，法律等各个领域都有其身影，而人工智能其一分支机器学习，也正在冲击着传统通信领域。在光通信系统中，16-QAM信号传输方案中，提出的基于人工神经网络的数字反向传播(Digital Back-Propagation，DBP)算法与传统的DBP具有相似的性能，同时降低了计算量。神经网络也被用于短距离直调直检PAM8信号中的均衡。另外，在直调直检系统的接收端使用人工神经网络作为高级检测模块，用于解决信道中线性和非线性失真的问题，比普通前向反馈均衡(Forward Erro Correction，FEC)效果好很多。但是这些方案仍然拘泥于去补偿信号传输的“其一模块”的损伤，没有从系统整体出发，对传输系统整体进行优化，这样输出的信号质量并不是全局最优的。
基于相关技术所存在的问题，本申请实施例提供一种系统优化方法，本申请实施例提供的方法可以通过计算机程序来实现，该计算机程序在执行的时候，完成本申请实施例提供的系统优化方法。在一些实施例中，该计算机程序可以在系统优化设备中的处理器执行。图1为本申请实施例提供的系统优化方法的一种实现流程，该系统优化方法应用于通信系统，其中，该通信系统包括编码器、传输信道和解码器，如图1所示，该系统优化方法包括：
步骤S101，获取训练信号、预设神经网络模型和传输信道的信道模型。
这里，训练信号是指用于对预设神经网络模型进行训练的信号，预设神经网络模型能够构成通信系统的编码器和通信系统的解码器，信道模型是基于通信系统中传输信道的特性构建的。
在本申请实施例中，编码器和解码器是通过预设神经网络模型构建的，由于编码器对应通信系统的输入端，解码器对应通信系统的输出端，基于此，该预设神经网络模型则是针对通信系统整体的一个模型，其中，该预设神经网络模型可以是前馈型网络模型、有监督学习网络模型等。
步骤S102，按照预设神经网络模型和信道模型的设置顺序依次对训练信号进行传输处理，得到输出信号。
这里，预设神经网络模型中包括多个隐藏层，该多个隐藏层包括至少一个编码隐藏层和至少一个解码隐藏层。其中，预设神经网络模型的输入层和至少一个编码隐藏层组成编码器，能够实现对输入信号进行编码处理，得到将要在信道中进行传输的传输信号；预设神经网络模型的至少一个解码隐藏层和预设神经网络模型的输出层组成解码器，能够实现对接收到的信号进行解码处理，最终得到输出信号。
在本申请实施例中，由于通信系统的输入端至其输出端的排列顺序为：编码器、传输信道和解码器，因此，预设神经网络模型和信道模型的设置顺序为预设神经网络模型的输入层、预设神经网络模型的至少一个编码隐藏层、信道模型、预设神经网络模型的至少一个解码隐藏层和预设神经网络模型的输出层。基于此，是先将训练信号输入至预设神经网络模型的输入层，接着依次通过预设神经网络模型的至少一个编码隐藏层、信道模型和预设神经网络模型的至少一个解码隐藏层，来处理及传输训练信号，最终通过预设神经网络模型的输出层得到输出信号。
步骤S103，确定输出信号与训练信号之间的差异信息，并基于差异信息调整预设神经网络模型的参数，得到训练好的神经网络模型。
这里，可确定输出信号与训练信号之间的相似度或者两者的距离，然后，可将两者的相似度或者两者的距离确定为差异信息，该差异信息用于表征输出信号与训练信号之间的相似程度。
在本申请实施例中，预设神经网络模型的参数包括相邻层之间的权重矩阵以及偏置矩阵，可通过差异信息来对权重矩阵和偏置矩阵进行调整操作，从而得到调整后权重矩阵和调整后偏置矩阵。再基于调整后的权重矩阵以及偏置矩阵处理得到的新的输出信号，在新的输出信号与训练信号之间的差异信息小于预设差异阈值的时候，表征新的输出信号与训练信号之间的差异较小，则停止对预设神经网络模型的参数的调整，得到调整后权重矩阵和调整后偏置矩阵，这相当于对预设神经网络模型的训练过程。基于此，将调整后权重矩阵和调整后偏置矩阵赋值于神经网络模型的参数，则将赋值后的神经网络模型确定为训练好的神经网络模型。
在一些实施例中，如果输出信号与训练信号之间的差异信息大于或者等于预设差异阈值，表征输出信号与训练信号之间的差异原本就比较小，则无需对预设神经网络模型的参数进行调整，可直接将预设神经网络模型确定为训练好的神经网络模型。
步骤S104，基于训练好的神经网络模型确定优化后编码器和优化后解码器。
这里，与上述预设神经网络模型相同，训练好的神经网络模型也包括输入层、至少一个编码隐藏层、至少一个解码隐藏层和输出层，基于此，可将训练好的神经网络模型中的输入层和训练好的神经网络模型中的至少一个编码隐藏层确定为优化后编码器，通过该优化后的编码器对训练信号进行编码。将训练好的神经网络模型中的至少一个解码隐藏层和训练好的神经网络模型中的输出层确定为优化后解码器，通过优化后解码器对接收到信号进行解码及输出。
本申请实施例提供一种系统优化方法，应用于通信系统，该通信系统包括编码器、传输信道和解码器，该系统优化方法包括：先获取训练信号、预设神经网络模型和传输信道的信道模型，其中，编码器和解码器是通过预设神经网络模型构建的；接着，按照预设神经网络模型和信道模型的设置顺序来依次对训练信号进行处理、传输，得到输出信号；然后，基于输出信号和训练信号的差异信息来训练预设神经网络模型的参数，从而得到训练好的神经网络模型；最后，基于训练好的神经网络模型确定优化后编码器和优化后解码器。这样一来，构建的是编码器和解码器整体对应的预设神经网络模型，也即是针对通信系统的输入端至输出端这一整体来构建预设神经网络模型，而并不是对某一局部进行建模。基于此也是对预设神经网络模型进行训练，从而得到训练好的神经网络模型，再确定出优化后编码器和优化后解码器，通过优化后编码器和优化后解码器实现对通信系统整体进行优化，能够使得最终得到的输出信号达到全局最优。
在一些实施例中，为了更好的处理训练信号，预设神经网络模型包括多个隐藏层，其中，该多个隐藏层可以划分为至少一个编码隐藏层和至少一个解码隐藏层，如图2所示，上述步骤S102“按照预设神经网络模型和信道模型的设置顺序依次对训练信号进行传输处理，得到输出信号”可通过以下步骤S1021至步骤S1026来实现：
步骤S1021，获取待传输的数字信号。
这里，待传输的模拟信号是指需要从A地传输至B地的信号，该信号可以是语音信号、视频信号等。其中，该数字信号为随机序列。
步骤S1022，对待传输的数字信号进行预编码处理，得到训练信号。
这里，是指按照一定规则对该数字信号进行预编码处理，得到易于预设神经网络模型处理的训练信号。
示例性的，可通过独热(one-hot)编码对待传输的数字信号进行编码，形成由多位二进制数组成的训练信号。其中，该多位数中只有一个位置的特征值是“1”，其余位置都是“0”。
步骤S1023，将训练信号输入至预设神经网络模型的输入层。
在实际实现时，为了降低预设神经网络模型的计算复杂度，加强预设神经网络模型的鲁棒性，提高更新速率。上述步骤S1023可通过以下步骤S231和步骤S232来实现：
步骤S231，对训练信号进行分割处理，得到多个训练子信号。
这里，可将训练信号平均分割为多个训练子信号，示例性的，假设训练信号包括K个序列，可将该K个序列均匀分割为K/k份，也即分割为K/k个训练子信号，每个训练子信号包括k个序列，其中，K和k均为正整数；针对序列份数K/k的确定，是先确定K除以k的商，再对商进行取整得到K/k。
在一些实施例中，也可对训练信号进行不均匀分割，还可按照预设长度对训练信号进行分割，本申请实施例对此并不做限定。
步骤S232，依次将各个训练子信号输入至预设神经网络模型的输入层。
这里，可按照各个训练子信号在时域上的顺序逐个将训练子信号输入至预设神经网络模型的输入层。承接上面的例子，每次是将k个序列输入至预设神经网络模型的输入层。
步骤S1024，利用至少一个编码隐藏层依次对训练信号进行特征提取和整型处理，得到传输信号。
这里，至少一个编码隐藏层的层数可以为2层、3层、4层等，每层编码隐藏层的节点数为输入层节点数的二倍，也即选择“短而宽”的编码隐藏层，如此既能够缩短收敛时间，而且还便于充分提取信号的特征。
示例性的，假设至少一个编码隐藏层的层数为3层，则利用前两层编码隐藏层对训练信号进行特征提取，得到特征信号；接着，利用最后一层编码隐藏层对特征信号进行整型处理，得到输出信号。
承接上面的举例，可通过前两层编码隐藏层之间的激活函数实现对训练信号的特征提取，从而得到特征信号；由于传输的是信号功率信息，而功率信息为正值，因此，再利用最后一层编码隐含层对特征信号进行整型处理，确保得到的传输信号为正值。
步骤S1025，利用信道模型对传输信号进行传输损耗处理，得到损耗后信号。
在实际实现时，如图3所示，上述步骤S1025可通过以下步骤S251至步骤S253来实现：
步骤S251，依次对传输信号进行数模转换、调制、损耗传输、探测和采样处理，得到传输后信号。
这里，通过编码后的信号会输入至信道模型，以光纤信道为例，该信道模型可以包括DAC、激光器、调制器、光纤、光电探测器和示波器。
在本申请实施例中，可先通过DAC对传输信号进行数模转换，得到传输模拟信号，再通过调制器将模拟信号调制到激光器产生光载波上，形成调制信号，将调制信号输送至光纤，通过光纤进行传输；接着，通过光电探测器探测到传输来的调制信号，得到探测电信号，最后通过示波器对探测电信号进行采样处理，则得到传输后信号。其中，调制器可以为强度调制器，例如马赫增德尔调制器。
步骤S252，对传输后信号进行滤波处理，得到滤波后信号。
这里，可对传输信号进行升余弦匹配滤波，从而得到滤波后信号。
步骤S253，对滤波后信号进行降采样处理，得到损耗后信号。
这里，可对滤波后信号进行两倍的降采样处理，从而得到损耗后信号。
步骤S1026，利用至少一个解码隐藏层对损耗后信号进行变换处理，得到变换后信号，并通过预设神经网络模型的输出层对变换后信号进行复原处理，得到输出信号。
这里，与上述至少一个编码隐藏层相类似，该至少一个解码隐藏层的层数可以为2层、3层、4层等，每层编码隐藏层的节点数为输入层节点数的二倍。
在本申请实施例中，可通过相邻解码隐藏层之间的激活函数实现对训练信号的变换，从而得到变换后信号。其中，解码隐藏层之间的激活函数与上述编码隐含层之间的激活函数相同。最后，通过预设神经网络模型中输出层的激活函数对变换后信号进行处理，实现对变换后信号的复原处理，得到最终的输出信号。其中，预设神经网络模型中输出层的节点数与上述预设神经网络模型中输入层的节点数相同，也即预设神经网络模型中输出层的节点数可以为解码隐藏层节点数的一半。承接上面的例子，预设神经网络模型中输出层的节点数可以为k个。
在本申请实施例中，通过上述步骤S1021至步骤S1026，可先对待传输的数字信号进行预编码处理，得到训练信号；接着，在对训练信号进行分割，得到多个训练子信号，并依次将各个训练子信号输入至预设神经网络模型的输入层，也即采用分批输入的思想，如此能够降低预设神经网络模型的计算复杂度，也能提升输入的多样性，使预设神经网络模型具有更强的鲁棒性，并且在反向传播训练过程中更新权重矩阵和偏置矩阵的时候，可以提高更新速率。然后，通过“短而宽”的至少一个编码隐藏层对训练信号进行特征提取和整型处理，从而能够快速得到传输信号，由于传输信道存在干扰噪音，传输信号经过传输信道的时候会产生损耗，则经过传输信道之后则得到损耗后信号；最后，利用至少一个解码隐藏层之间的激活函数对损耗后信号进行变换处理，得到变换后信号，再通过预设神经网络模型的输出层的激活函数对变换后信号进行复原处理，得到输出信号。由于整个过程采用一个预设神经网络模型，该输出信号能够反映出编码器及解码器的整体情况，如此，能够利用该输出信号来对预设神经网络模型进行训练，从而得到匹配通信系统输入端至输出端这一整体的训练好的神经网络模型。
在一些实施例中，为了补偿实际的光纤传输中的色散导致信号脉冲展宽带来的串扰，也即，为了消除相邻信号之间的串扰，降低误码率，可在输入层同时发送多个相同的信号，并在解码时截取中间区域的信号，如图4所示，上述步骤S232“依次将各个训练子信号输入至预设神经网络模型的输入层”在实际实现的时候，可通过以下步骤S321至步骤S323来实现：
步骤S321，获取多个预设神经网络模型。
这里，该多个预设神经网络模型是相同的神经网络模型。示例性的，该多个预设神经网络模型的个数可以为3个、4个、5个等。
步骤S322，按照各个训练子信号的时域顺序，确定当前需要输入至输入层的目标训练子信号。
这里，是先输入时域顺序靠前的训练子信号，再输入时域顺序靠后的训练子信号。如果还未输入任一训练子信号，则将时域顺序为第一个的训练子信号确定为需要输入至输入层的目标训练子信号；如果已将输入两个训练子信号，则将时域顺序为第三个的训练子信号确定为需要输入至输入层的目标训练子信号。其中，输入层是指预设神经网络模型的输入层。
在一些实施例中，各个训练子信号也可携带位置标识信息，基于此，还可按照位置标识信息来确定当前需要输入至输入层的目标训练子信号。
步骤S323，将目标训练子信号同时输入至多个预设神经网络模型的输入层。
以多个预设神经网络模型的个数可以为3个举例来说，是将目标训练子信号同时输入至这三个预设神经网络模型的输入层。
基于步骤S321至步骤S323的执行，上述步骤S1026中“利用至少一个解码隐藏层对损耗后信号进行变换处理，得到变换后信号”可通过以下步骤S261和步骤S262来实现：
步骤S261，截取损耗后信号中位于中间区域的中间信号。
这里，由于通信系统的发射端发送了重复相同信息，那么在接收端可直接取中间部分的信号即可。
在本申请实施例中，可预设神经网络模型的个数来对损耗后信号进行分段处理，然后截取位置处于中间的中间信号。
步骤S261，利用至少一个解码隐藏层对中间信号进行变换处理，得到变换后信号。
这里，可通过相邻解码隐藏层之间的激活函数实现对中间信号的变换，从而得到变换后信号。
在本申请实施例中，通过在输入层输入重复的信息，再通过解码隐藏层截取中间位置的中间信号，能够补偿实际的光纤传输中的色散导致信号脉冲展宽带来的串扰，也即避免相邻信号之间的串扰，减少误码率，从而提升输出信号的准确性。
基于上述实施例，本申请实施例再提供一种系统优化方法，将目前在各领域大热的机器学习的神经网络算法引入到传统的光纤通信数字信号处理算法中，并且以直接检测系统为例，通过端到端的全连接神经网络系统来优化和补偿信号在传输过程中的损伤。其中，直接检测是将信息调制在光载波的幅度特征上，对强度调制的光载信号直接进行包络检测，也就是说强度调制信号直接通过光电探测器则可恢复出原信号。由于这种检测方案的对器件的要求较低，且对接收的信号恢复的数字信号处理算法复杂度较低，这种系统目前大量用于在中短距离距离的光纤传输中。
本申请实施例对直接检测系统进行发射端和接收端整体进行端到端的神经网络的建模，通过在建模好的信道模型中去训练神经网络的权值和偏置，完成了一个类似自动编码器的功能，以此实现系统整体的性能最优。
在一些实施例中，本申请实施例将对直接检测系统的发射端和接收端分别进神经网络的建模，对于输出端产生的数字信号通过DAC转变成模拟信号，通过调制器将信号调制在光载波上。经过光纤的传输后，通过光电探测器转变为电信号，由示波器采样下来，在接收端进行信号的恢复。其中，调制器可以为强度调制器，例如马赫增德尔调制器。
图5为本申请实施例提供的通信系统总体框架的一种结构示意图，如图5所示，通信系统500包括发射端501、传输信道502和接收端503。其中，发射端501的作用是对输入信号进行编码处理，该发射端501相当于上述实施例中的编码器；接收端503的作用是对接收到的信号进行解码处理，从而得到最终输出信号，该接收端503相当于上述实施例中的解码器。
针对发射端501，第一层为神经网络的输入层5011，信号(完全随机序列，不能是伪随机序列，否则会引入信号序列间的相关性，导致收敛的神经网络受到影响)经过one-hot编码，如图5的发射端所示，第一层的每个节点都代表一个信号，由m位的二进制数(0，1)组成，且m个数中只有一个特征值位置是“1”，其他位置都是“0”。另外，该通信系统传输的信息序列有K个，若一次全部输入到神经网络中，会使神经网络变得非常的臃肿且计算复杂度非常高。为了降低计算量，因此本申请实施例采用分批输入的方法，将K个数据均匀分为为K/k份，每次有k个序列进入神经网络中训练。这样做有三个优点，一方面可以降低神经网络的计算复杂度；另一方面，能提升输入的多样性，使神经网络有更强的鲁棒性；此外，在反向神经网络过程中更新权重和偏置时，可以提高更新速率。
在本申请实施例中，由于one-hot编码具备算法简单、较易解码，因此，本申请实施例中采用了one-hot编码。
第二层为神经网络的隐藏层5012，激活函数为线性整流函数(Linearrectification function，ReLU)，本申请实施例可以设计2-4层隐藏层5012，由于过多的隐藏层5012会指数级的增加神经网络收敛的时间，应该尽量选择“宽而短”的隐藏层5012结构，即选择隐藏层5012每个分层的节点数量，减少隐藏层5012的层数。在实际实现的时候，每个隐藏层5012的节点数为2*k，如此能够方便且充分地提取信号的特征。其中，发射端501的第二层包含于上述实施例中的至少一个编码隐藏层，也即，发射端501中的神经网络的隐藏层包含于上述实施例中的至少一个编码隐藏层。
其中，发射端501的最后一层为削峰层5013，顾名思义是对发射信号做整型处理，保证输出的值为正值并且对信号功率做正则化处理(使信号功率处在马赫增德尔调制器的线性工作区域)。
以上是发射端501对应的神经网络结构，为了补偿实际的光纤传输中的色散导致信号脉冲展宽带来的串扰，本申请实施例在信号发射端同时生成N个输入层完全相同的神经网络，如图5所示，这些神经网络彼此独立且不互连。N的数量由色散大小(即光纤传输距离)和所能接收的计算复杂度决定。这样做的目的是为了消除神经网络中色散带来的额外“噪声”对该数据块的影响。此外，发射端501产生信号经过两倍上采样和升余弦滤波后输入的光纤信道中。其中，色散越大，N的取值就越大；此外，计算能力越强，N的取值可也以越大。
针对传输信道502，本申请实施例可以在VPI TransmissionMaker中搭建光纤传输信道，仿真中所需模块包括DAC模块5021、激光器模块5022、马赫增德尔调制器模块5023、光纤模块5024、光电探测器模块5025和示波器5026。按照图5所示搭建好仿真信道，在模块中需要设置好参数，尽量模拟实际的传输环境包括光纤中的噪声、色散系数和光纤长度等。在信号经过DAC模块5021转变为电模拟信号后，输入到马赫增德尔调制器5023中，调制器调整到合适的偏置点和正交点，将信号调制到激光器模块5022产生的光载波上，信号经过光纤模块5024传输后，再经过光电探测器模块5025将信号转变为电信号，通过示波器5026将信号采样下来。
针对接收端503，接收端503将示波器5026采样下来的信号经过升余弦匹配滤波和两倍的降采样，同步后截取位于中间区域神经网络的信号作为接收端输入层5031的信号，由于系统的发射端重复发送了相同信息，在接收端直接取中间部分的信号即可，如此能够消除不同信号之间的干扰。接着，经过接收端隐藏层5032的处理后，在输出层5033恢复原信息。此外，由于传输的信号是功率信号，且功率信号为正值，则隐藏层5032的激活函数为ReLU，如此能够保证信号非负；输出层5033的激活函数为指数归一化(Softmax)，接收端隐藏层5032对应上述实施例中至少一个解码隐藏层。
在一些实施例中，以一层隐藏层举例来说，通信系统的发射端包括输入层和隐藏层，连接输入层和隐藏层的是和矩阵/> 表示第一层的输入权重，n表示每层的节点个数，/>表示偏置，X表示输入层的输入矩阵，则隐藏层的输入H如公式(1)所示：
本申请实施例选择的激活函数为ReLU，该ReLU函数的表达式如公式(2)所示：
yi＝max(0,xi) (2)；
连接隐藏层到发射端输出层(削峰层)的是和/>得到削峰层的输入Y，Y的计算方式如公式(3)所示：
削峰层的是保证输出信号工作在马赫增德尔调制器的线性工作区，由于信号为单极性信号，因此马赫增德尔调制器的正交点为Vπ/4，其中Vπ为半波电压。考虑到DAC存在量化噪声，因此削峰层的激活函数定义如公式(4)所示：
Yin＝YReLU(x-θ)-YReLU[x-(Vπ/4)-θ] (4)；
在公式(4)中，θ为DAC的量化噪声。
在本申请实施例中，Softmax函数作为最终输出层的激活函数，它可以提高学习率缓慢的问题，并且说保证所有元素的和一定为1。一般情况下可分三步进行：第一步，以e为底对所有元素求指数幂；第二步，所有指数幂求和；第三步，分别将这些指数幂与该和做除法，表达式如公式(5)所示：
为了衡量输出的质量，本申请实施例选择了交叉熵损失函数(Cross EntropyError)作为代价函数，其计算结果越接近0，说明结果越准确。相比于二次代价函数，交叉熵由于没有导数项，可以避免学习速度下降的问题，且结果也是非负的。交叉熵的表达式如公式(6)所示：
第一次计算出交叉熵损失函数后，通常来说都会高于提前设定的阈值，因此需要优化神经网络中的W和B参数，来减低交叉信息熵，即降低信号传输的误码率。
在实际实现时可以采用小批量梯度下降(Mini Batch Gradient Descent，MBGD)，因为对每个批次中的k个训练样本，这种方法只执行一次更新。对k个样本再分成n份分别更新权重和偏置。这种做法的优点包括：第一，可以减少参数更新的波动，最终得到效果更好和更稳定的收敛。第二，可以使用最新的深层学习库中通用的矩阵优化方法，使计算小批量数据的梯度更加高效。
在一些实施例中，定义αn是的集合表示，α0是输入层到隐藏层的第一组集合表示，α1是第一层隐藏层到第二层隐藏层的第二组/>集合表示，以此类推。
基于此，集合更新表达式如公式(7)所示：
在公式(7)中，是指小批量代价函数的平均值的一次导数，η为学习率。
完成第一次权重和偏置的更新后，计算出代价函数(交叉熵损失函数)的值与设定的阈值比较，若达不到阈值，则继续迭代更新直到大于阈值，即高于误码门限。对多组数据训练集的进行神经网络的更新后，可以丰富数据的多样性，从而一定程度上消除了数据间的相关性。
本申请实施例将神经网络与传统的光纤通信相结合，完全的舍弃了直接检测系统中的数字信号处理算法，实现了端到端的直接检测系统的神经网络建模，并且有很好的鲁棒性，能扩展到相干光系统中。其中针对神经网络的设计，输入层采用one-hot编码所得到的信号，隐藏层采用ReLU激活函数，输出层采用Softmax激活函数，采用交叉熵损失函数作为系统代价函数，采用小批量随机梯度算法更新权重和偏置，发射端生成多个输入层相同的神经网络，接收端只留下中间的单个神经网络结构。此外，可以在VPITransmissionMaker软件中仿真光纤传输信道。
本申请实施例是对直接检测系统进行发射端和接收端整体进行端到端的神经网络的建模，通过在建模好的信道模型中去训练神经网络的权值和偏置，实现了自动编码功能。且相比于对各个模块分别用数字信号处理相关算法进行优化和补偿，本申请实施例所提供的方法可以实现系统整体的性能最优。
基于前述的实施例，本申请实施例提供一种系统优化装置，该装置包括的各模块、以及各模块包括的各单元，可以通过计算机设备中的处理器来实现；当然也可通过相应的逻辑电路实现；在实施的过程中，处理器可以为中央处理器(Central Processing Unit，CPU)、微处理器(Microprocessor Unit，MPU)、数字信号处理器(Digital SignalProcessing，DSP)或现场可编程门阵列(Field Programmable Gate Array，FPGA)等。
本申请实施例再提供一种系统优化装置，图6为本申请实施例提供的系统优化装置的组成结构示意图，如图6所示，所述系统优化装置600包括：
第一获取模块601，用于获取训练信号、预设神经网络模型和所述传输信道的信道模型，其中，所述编码器和所述解码器是通过所述预设神经网络模型构建的；
第一处理模块602，用于按照所述预设神经网络模型和所述信道模型的设置顺序依次对所述训练信号进行传输处理，得到输出信号；
调整模块603，用于确定所述输出信号与所述训练信号之间的差异信息，并基于所述差异信息调整所述预设神经网络模型的参数，得到训练好的神经网络模型；
第一确定模块604，用于基于所述训练好的神经网络模型确定优化后编码器和优化后解码器。
在一些实施例中，所述第一处理模块602包括：
第一输入子模块，用于将所述训练信号输入至所述预设神经网络模型的输入层；
第一处理子模块，用于利用所述至少一个编码隐藏层依次对所述训练信号进行特征提取和整型处理，得到传输信号；
第二处理子模块，用于利用所述信道模型对所述传输信号进行传输损耗处理，得到损耗后信号；
第三处理子模块，用于利用所述至少一个解码隐藏层对所述损耗后信号进行变换处理，得到变换后信号，并通过所述预设神经网络模型的输出层对所述变换后信号进行复原处理，得到所述输出信号。
在一些实施例中，所述第一确定模块604包括：
第一确定子模块，用于将所述训练好的神经网络模型的输入层和所述训练好的神经网络模型的至少一个编码隐藏层确定为所述优化后编码器；
第二确定子模块，用于将所述训练好的神经网络模型的至少一个解码隐藏层和所述训练好的神经网络模型的输出层确定为所述优化后解码器。
在一些实施例中，所述系统优化装置600还包括：
第二获取模块，用于获取待传输的数字信号；
第二处理模块，用于对所述待传输的数字信号进行预编码处理，得到所述训练信号。
在一些实施例中，所述第一输入子模块包括：
分割单元，用于对所述训练信号进行分割处理，得到多个训练子信号；
输入单元，用于依次将各个训练子信号输入至所述预设神经网络模型的输入层。
在一些实施例中，所述系统优化装置600还包括：
第三获取模块，获取多个预设神经网络模型；
第二确定模块，用于按照所述各个训练子信号的时域顺序，确定当前需要输入至所述输入层的目标训练子信号；
输入模块，用于将所述目标训练子信号同时输入至所述多个预设神经网络模型的输入层；
相应地，所述第三处理子模块包括：
截取单元，用于截取所述损耗后信号中位于中间区域的中间信号；
变换单元，用于利用所述至少一个解码隐藏层对所述中间信号进行变换处理，得到所述变换后信号。
在一些实施例中，所述第二处理子模块包括：
处理单元，用于依次对所述传输信号进行数模转换、调制、损耗传输、探测和采样处理，得到传输后信号；
滤波单元，用于对所述传输后信号进行滤波处理，得到滤波后信号；
采样单元，用于对所述滤波后信号进行降采样处理，得到所述损耗后信号。
需要说明的是，本申请实施例系统优化装置的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本装置实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。
需要说明的是，本申请实施例中，如果以软件功能模块的形式实现上述的系统优化方法，并作为独立的产品销售或使用时，也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，本申请实施例的技术方案本质上或者说对相关技术做出贡献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)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read OnlyMemory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本申请实施例不限制于任何特定的硬件和软件结合。
相应地，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中提供的系统优化方法。
本申请实施例提供一种系统优化设备，图7为本申请实施例提供的系统优化设备的组成结构示意图，如图7所示，所述系统优化设备700包括：一个处理器701、至少一个通信总线702、用户接口703、至少一个外部通信接口704和存储器705。其中，通信总线702配置为实现这些组件之间的连接通信。其中，用户接口703可以包括显示屏，外部通信接口704可以包括标准的有线接口和无线接口。其中，所述处理器701配置为执行存储器中存储的系统优化方法的程序，以实现以上述实施例提供的系统优化方法。
以上系统优化设备和存储介质实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请系统优化设备和存储介质实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。
这里需要指出的是：以上存储介质和系统优化设备实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请存储介质和系统优化设备实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本申请实施例方案的目的。
另外，在本申请各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本申请上述集成的单元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，也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，本申请实施例的技术方案本质上或者说对相关技术做出贡献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AC执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种系统优化方法，应用于通信系统，其特征在于，所述通信系统包括编码器、传输信道和解码器，所述方法包括：
获取训练信号、预设神经网络模型和所述传输信道的信道模型，其中，所述编码器和所述解码器是通过所述预设神经网络模型构建的；
按照所述预设神经网络模型和所述信道模型的设置顺序依次对所述训练信号进行传输处理，得到输出信号；
确定所述输出信号与所述训练信号之间的差异信息，并基于所述差异信息调整所述预设神经网络模型的参数，得到训练好的神经网络模型；
基于所述训练好的神经网络模型确定优化后编码器和优化后解码器。
2.根据权利要求1中所述的方法，其特征在于，所述预设神经网络模型的多个隐藏层包括至少一个编码隐藏层和至少一个解码隐藏层，所述按照所述预设神经网络模型和所述信道模型的设置顺序依次对所述训练信号进行传输处理，得到输出信号，包括：
将所述训练信号输入至所述预设神经网络模型的输入层；
利用所述至少一个编码隐藏层依次对所述训练信号进行特征提取和整型处理，得到传输信号；
利用所述信道模型对所述传输信号进行传输损耗处理，得到损耗后信号；
利用所述至少一个解码隐藏层对所述损耗后信号进行变换处理，得到变换后信号，并通过所述预设神经网络模型的输出层对所述变换后信号进行复原处理，得到所述输出信号。
3.根据权利要求2中所述的方法，其特征在于，所述基于所述训练好的神经网络模型确定优化后编码器和优化后解码器，包括：
将所述训练好的神经网络模型的输入层和所述训练好的神经网络模型的至少一个编码隐藏层确定为所述优化后编码器；
将所述训练好的神经网络模型的至少一个解码隐藏层和所述训练好的神经网络模型的输出层确定为所述优化后解码器。
4.根据权利要求2中所述的方法，其特征在于，在将所述训练信号输入至所述预设神经网络模型的输入层之前，所述方法还包括：
获取待传输的数字信号；
对所述待传输的数字信号进行预编码处理，得到所述训练信号。
5.根据权利要求2中所述的方法，其特征在于，将所述训练信号输入至所述预设神经网络模型的输入层，包括：
对所述训练信号进行分割处理，得到多个训练子信号；
依次将各个训练子信号输入至所述预设神经网络模型的输入层。
6.根据权利要求5中所述的方法，其特征在于，所述方法还包括：
获取多个预设神经网络模型；
按照所述各个训练子信号的时域顺序，确定当前需要输入至所述输入层的目标训练子信号；
将所述目标训练子信号同时输入至所述多个预设神经网络模型的输入层；
相应地，所述利用所述至少一个解码隐藏层对所述损耗后信号进行变换处理，得到变换后信号，包括：
截取所述损耗后信号中位于中间区域的中间信号；
利用所述至少一个解码隐藏层对所述中间信号进行变换处理，得到所述变换后信号。
7.根据权利要求2中所述的方法，其特征在于，所述利用所述信道模型对所述传输信号进行传输损耗处理，得到损耗后信号，包括：
依次对所述传输信号进行数模转换、调制、损耗传输、探测和采样处理，得到传输后信号；
对所述传输后信号进行滤波处理，得到滤波后信号；
对所述滤波后信号进行降采样处理，得到所述损耗后信号。
8.一种系统优化装置，其特征在于，所述系统优化装置包括：
第一获取模块，用于获取训练信号、预设神经网络模型和所述传输信道的信道模型，其中，所述编码器和所述解码器是通过所述预设神经网络模型构建的；
第一处理模块，用于按照所述预设神经网络模型和所述信道模型的设置顺序依次对所述训练信号进行传输处理，得到输出信号；
调整模块，用于确定所述输出信号与所述训练信号之间的差异信息，并基于所述差异信息调整所述预设神经网络模型的参数，得到训练好的神经网络模型；
第一确定模块，用于基于所述训练好的神经网络模型确定优化后编码器和优化后解码器。
9.一种系统优化设备，其特征在于，所述系统优化设备包括：
处理器；以及
存储器，用于存储可在所述处理器上运行的计算机程序；
其中，所述计算机程序被处理器执行时实现权利要求1至7任一项所述的系统优化方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机可执行指令，该计算机可执行指令配置为执行上述权利要求1至7任一项所述的系统优化方法。
CN202210932111.0A 2022-08-04 2022-08-04 一种系统优化方法、装置、设备及计算机可读存储介质 Pending CN116980291A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210932111.0A CN116980291A (zh) 2022-08-04 2022-08-04 一种系统优化方法、装置、设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210932111.0A CN116980291A (zh) 2022-08-04 2022-08-04 一种系统优化方法、装置、设备及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN116980291A true CN116980291A (zh) 2023-10-31

Family

ID=88478421

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210932111.0A Pending CN116980291A (zh) 2022-08-04 2022-08-04 一种系统优化方法、装置、设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN116980291A (zh)

Similar Documents

Publication Publication Date Title
Häger et al. Physics-based deep learning for fiber-optic communication systems
US11509339B2 (en) Method of constructing and training a neural network
JP7181303B2 (ja) ニューラルネットワークを用いた光ファイバ非線形性補償
CN108650201B (zh) 基于神经网络的信道均衡方法、译码方法及对应设备
CN114615499B (zh) 一种面向图像传输的语义光通信系统和方法
US11270200B2 (en) Single-step nonlinearity compensation using artificial intelligence for digital coherent transmission systems
Niu et al. End-to-end deep learning for long-haul fiber transmission using differentiable surrogate channel
CN109905170A (zh) 一种基于k-dnn的非线性失真补偿算法及可见光通信装置
Rode et al. End-to-end optimization of constellation shaping for Wiener phase noise channels with a differentiable blind phase search
Peng et al. A photonic-circuits-inspired compact network: toward real-time wireless signal classification at the edge
CN114553315A (zh) 基于CNN-biRNN的光纤非线性均衡方法及系统
Jones Machine learning methods in coherent optical communication systems
CN116980291A (zh) 一种系统优化方法、装置、设备及计算机可读存储介质
Shahkarami et al. Efficient deep learning of nonlinear fiber-optic communications using a convolutional recurrent neural network
Jovanovic et al. End-to-end learning for fiber-optic communication systems
Hamgini et al. Application of transformers for nonlinear channel compensation in optical systems
CN112242871B (zh) 用于光通信的方法、设备和计算机可读存储介质
CN114124223B (zh) 一种卷积神经网络光纤均衡器生成方法及系统
CN114520693B (zh) 一种面向文本传输的语义光通信系统和方法
CN116245965A (zh) 基于物理模型的太赫兹单像素实时成像方法及系统
Huang et al. Optical fiber communication system based on intelligent joint source-channel coded modulation
Karanov et al. Machine learning for short reach optical fiber systems
Schädler et al. Machine learning in digital signal processing for optical transmission systems
Amirabadi Three novel efficient Deep Learning-based approaches for compensating atmospheric turbulence in FSO communication system
CN114511070B (zh) 一种适用于双场量子密钥分发系统的零相位电压估计方法

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