CN117319847A - 一种多维整形联合的相干端到端均衡系统 - Google Patents

一种多维整形联合的相干端到端均衡系统 Download PDF

Info

Publication number
CN117319847A
CN117319847A CN202311184314.7A CN202311184314A CN117319847A CN 117319847 A CN117319847 A CN 117319847A CN 202311184314 A CN202311184314 A CN 202311184314A CN 117319847 A CN117319847 A CN 117319847A
Authority
CN
China
Prior art keywords
signal
channel
coherent
encoder
transmission
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
CN202311184314.7A
Other languages
English (en)
Inventor
张俊文
邢思哲
迟楠
李忠亚
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.)
Fudan University
Original Assignee
Fudan University
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 Fudan University filed Critical Fudan University
Priority to CN202311184314.7A priority Critical patent/CN117319847A/zh
Publication of CN117319847A publication Critical patent/CN117319847A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04Q—SELECTING
    • H04Q11/00—Selecting arrangements for multiplex systems
    • H04Q11/0001—Selecting arrangements for multiplex systems using optical switching
    • H04Q11/0062—Network aspects
    • H04Q11/0067—Provisions for optical access or distribution networks, e.g. Gigabit Ethernet Passive Optical Network (GE-PON), ATM-based Passive Optical Network (A-PON), PON-Ring
    • 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
    • H04B10/2507—Arrangements specific to fibre transmission for the reduction or elimination of distortion or dispersion
    • 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
    • H04B10/2507—Arrangements specific to fibre transmission for the reduction or elimination of distortion or dispersion
    • H04B10/2543—Arrangements specific to fibre transmission for the reduction or elimination of distortion or dispersion due to fibre non-linearities, e.g. Kerr effect
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
    • H04L25/03891—Spatial equalizers
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04Q—SELECTING
    • H04Q11/00—Selecting arrangements for multiplex systems
    • H04Q11/0001—Selecting arrangements for multiplex systems using optical switching
    • H04Q11/0062—Network aspects
    • H04Q2011/0079—Operation or maintenance aspects

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Electromagnetism (AREA)
  • Nonlinear Science (AREA)
  • Power Engineering (AREA)
  • Optical Communication System (AREA)

Abstract

本发明属于相干光接入网技术领域，具体为一种多维整形联合的相干端到端均衡系统。本发明整合相干传输系统中的概率整形、几何整形、预均衡、后均衡和解码等技术，根据实际信道进行统一调配和联合优化，力求达到最佳的信道容量；通过E2E机制，OLT与ONU紧密协作；包括建立神经网络信道模型(ACM)，将相应的发射机神经网络(TANN)和接收机神经网络(RANN)部署在智能发射/接收器中；这些智能传输/接收器实现优化后的从比特到波形级的信号生成和符号波形到比特级的解码，实现端到端优化后的信道均衡；本发明能够提升信号的灵敏度和动态范围，改善系统的性能，并实现更高的净数据速率，从而提升信道容量、提高信号质量、扩展传输距离和降低成本。

Description

一种多维整形联合的相干端到端均衡系统
技术领域
本发明属于相干光接入网技术领域，具体涉及一种相干接入网信道均衡系统。
背景技术
在过去十年，光接入网的吞吐量发生了千倍的增长。随着新兴接入网服务如云存储、高清视频直播、VR三维交互服务的兴起，未来十年可以预见光接入网的需求量仍会持续高速增长。与仅通过强度或振幅在一个维度上表示信号的传统直接检测解决方案不同，相干传输能够线性转换光场，并可以在振幅、相位和偏振上调制和检测信号。因此，可以进行多维调制，以实现高光谱效率，从而基于低带宽光电子器件进行高速数据传输。相干检测由于其出色的接收机灵敏度性能和多维调制特性，可以提供更大的功率预算和更高的比特率。由于其更高的接收机灵敏度、高阶调制格式、先进的数字信号处理和灵活的部署能力的需求，相干PON(Coherent passive optical network,CPON)技术已经成为实现100Gbits/s(Gbps)及以上的接入速率的解决方案。
相干光网络，由于其结构的复杂性，也会受到更多样的噪声的影响，在发射端存在着调制器的电光非线性，激光器线宽导致的相位噪声和数模转换器带宽限制的频域高频损失。在信道中，由于传输波长从1310移动到了1550nm，存在着色散损耗。光纤中的非线性效应，如自相位调制和四波混频，会引起信号失真、频谱扩展和通道间串扰。这些损耗限制了传输距离，降低了数据传输速率，影响了系统整体性能。为减轻光纤非线性损耗对信号传输的影响，需要采用有效的补偿技术，如色散补偿和非线性补偿，以确保可靠和高质量的通信。而在相干系统中，光学和电学失真(如色散)可以在数字域完全处理。这也对相干光系统中的均衡算法提出了很高的需求。
发明内容
本发明的目的在于提出一种基于端到端联合优化的自编码器均衡系统--多维整形联合的相干端到端均衡系统。
本发明整合了相干传输系统均衡技术中的概率整形技术，几何整形技术，预均衡技术，后均衡技术和解码技术，根据实际信道进行统一调配和联合优化，力求达到最佳的信道容量。通过E2E机制，光线路终端(Optical line terminal,OLT)与光网络单元(Opticalnetwork unit,ONU)之间进行紧密协作。在新用户上线时，OLT向ONU发送估计信号，并建立基于人工神经网络的下行的神经网络信道模型(Artificial Neural Network-basedChannel Model，ACM)。下行的ACM模拟信道和传输的上行信道估计信号一起传输到OLT，OLT在接收到信号后再实现上行ACM的建立。通过相应的ACM，训练基地能够创建合适的自编码器模型。最终可以实现相应的发射机神经网络(Transmitter artificial neuralnetwork,TANN)和接收机神经网络(Receiver artificial neural network,RANN)被部署在智能发射/接收器中。这些智能传输/接收器能够实现优化后的从比特到波形级的信号生成和符号波形到比特级的解码，实现端到端优化后的信道均衡。其中TANN能够实现星座整形，几何整形和信道预均衡的操作，而RANN能够实现后均衡和解码。
本发明提供的多维整形联合的相干端到端均衡系统，包括概率整形模块、相干传输解调模块、ACM训练模块、自编码器预训练模块、端到端训练模块和自编码器信号产生、传输与解调模块；其中：
所述概率整形模块，根据发射的测试信号估计出信道的传输条件，然后对信号强进行概率整形编码，得到编码后的比特流；
所述相干传输解调模块，将概率整形模块处理的信号通过相干调制器调制到光载波上，经过光纤传输后通过相干接收机接收转换为电信号，并进行后端的数据处理，最终得到比特数据流；
所述ACM训练模块，根据发射的复数符号和经过后均衡得到的复数符号分别作为神经网络的教师集和训练集，经过训练得到ACM信道模型；
所述自编码器预训练模块，根据最大化符号间最小间距的原则训练出经过概率整形的星座点编码器，并将其输入一个AWGN信道(Additive White Gaussian Noise)，利用AWGN信道的输出序列再训练出一个对应的解码器；
所述端到端训练模块，将预训练得到的自编码器模型放到ACM信道中进行端到端优化，得到针对特定ACM信道的自编码器。
所述自编码器信号产生、传输与解调模块，由训练得到的自编码器中的TANN部分产生一串相干发射信号，通过调制器调制到光载波上发射出去，经过实际光纤信道的传输后，在接收端经过相干解调恢复成复数符号，再通过自编码器的RANN部分将其均衡并解码为比特。
进一步地，所述概率整形模块中，可以通过将星座分布更改为麦克斯韦-玻尔兹曼分布来调整信号的发射熵：
其中，v是控制熵的塑造因子，通常分布在0-1之间，取0时则为标准星座点分布，所取数值越大则发射熵越小，x为单个符号，X为所有符号的集合。对于相同的QAM阶次，v的指定值对应特定的发射熵，公式为：
进行操作时，首先发射一串均匀分布的32QAM信号作为测试信号，经过信道估计和计算得到其接收信号的广义互信息(General mutual information,GMI)，表达式为:
其中，bk,i表示第k个符号的第i个发送位，X表示符号集，X表示发射符号集，Y表示接收符号集。它限定了每个符号的平均信息位的数量，N和m分别表示符号和比特的数量。GMI可以用来反映PS信号传输后的性能。归一化后的GMI(NGMI)可以精确预测前向纠错之前的误码率。NGMI的计算公式为：
NGMI＝1-(H-GMI)/m， (4)
接着,通过不断调节迭代具体的发射熵的数值，具体操作步骤为提升在概率整形中的v值来提升NGMI，经过迭代后将NGMI值调制至比阈值略大的水平，比如比阈值为0.92，则调制为0.92至0.93之间。记录下此时的v值，并按照这个值对信号进行概率整形。
进一步地，所述相干传输解调模块中，首先让信号通过一个符号映射模块，将上一步中进行了概率整形的比特流通过映射关系合并变成复数信号。最终通过一个相干发射机将经过符号映射的符号调制到光载波上。接着在经过了光纤信道的传输后，接收光信号通过相干接收机接收转换为电信号并进行后端的相干解调，包括下采样，时钟恢复，偏振恢复，载波恢复等。然后已经还原为两路复信号后再经历一次后均衡，最终通过解码得到接收的二进制数据流。
进一步地，所述ACM训练模块中，根据发射的复数符号和经过后均衡得到的复数符号进行训练。通过将发射的复数符号作为输入，使用人工神经网络编码过程将其转换为高维特征表示，同时利用后均衡后的复数符号作为目标输出，通过比较输入和输出符号之间的差异进行模型优化。通过反复的训练和调整，该模块能够学习得到优化的ACM信道模型，用于准确预测和模拟光纤通信中的非线性失真、符号间干扰和噪声等影响因素。
进一步地，所述自编码器预训练模块中，根据最大化符号间最小间距的原则进行训练。首先，通过概率整形的星座点编码器，将输入符号映射到高维特征空间，并通过调整编码器参数，最大化不同符号之间的最小间距。然后，将编码后的符号通过AWGN信道进行传输，引入信道干扰和噪声。接下来，利用解码器对接收到的符号进行解码，并通过反向传播算法调整解码器参数，使得解码器能够准确还原原始符号。通过多次迭代训练，自编码器预训练模块能够学习到符号的紧凑表示和抗干扰能力，提高信号的传输质量和解码准确性。
进一步地，所述端到端训练模块中，通过预训练得到的自编码器模型，将输入符号编码为高维特征表示。然后，将编码后的符号传输经过ACM信道，该信道模拟实际通信环境中的干扰和失真效应。接下来，通过端到端优化算法，根据接收到的符号和期望输出，调整自编码器模型的参数，以最小化传输信号的失真和误差。通过多次迭代优化，得到针对特定ACM信道的优化自编码器模型，能够更好地适应该信道的特性，提高信号的传输质量和解码准确性。该方法有效地利用自编码器的特性，实现对ACM信道的自适应优化。
进一步地，所述自编码器信号产生、传输与解调模块中，通过训练得到的自编码器模型中的TANN部分，可以生成一串相干发射信号。这些信号经过调制器的调制后，被传输到光纤上的光载波上进行发送。在信号经过实际光纤信道传输后，接收端的相干解调器将其恢复为复数符号。然后，通过自编码器模型中的RANN部分，对接收到的信号进行均衡处理，并解码为对应的比特序列。通过这一过程，可以实现对传输信号的恢复和解码，从而实现可靠的数据传输。在这一部分中，本发明进一步提出了一种能够高效的在新用户上线时建立智能收发器的框架，具体地，在下行链路中，通过三个步骤来建立智能收发器系统。首先，OLT传输测试信号；然后，ONU接收信号并建立下行信道的ACM。ACM将被发送回OLT；最后，OLT端通过ACM得到训练后的网络，将TANN部署到OLT的发射器中，并将RANN发送到ONU进行部署。在上行链路中，ONU首先传输一个测试信号；OLT接收信号并产生ACM，在得到训练后的网络后，端OLT部署RANN并将TANN发送到ONU进行部署。之后便可以进行TANN和RANN支持的信号传输。
本发明还提供上述多维整形联合的相干端到端均衡系统的工作流程，具体为：
(1)通过概率整形模块对信号进行概率整形编码；
(2)将信号调制到光载波上，经过光纤传输后解调恢复成电信号并处理得到比特数据流；
(3)通过训练模块得到ACM信道模型；
(4)训练出经过概率整形的编码器和对应的解码器；
(5)将预训练得到的自编码器模型放到ACM信道中进行优化，得到特定ACM信道的自编码器；
(6)通过自编码器的TANN部分产生发射信号，经过传输和解调后通过RANN部分均衡和解码成比特。
本发明多维整形联合的相干端到端均衡系统，具有以下的优越性：
(1)端到端联合优化：通过自编码器均衡技术的端到端联合优化，实现了整个传输链路的一体化优化，从信号生成到解码的全过程进行统一调配和联合优化，提高了整体性能和信道容量；
(2)综合多种均衡技术：本发明技术整合了相干传输系统中的多种均衡技术，包括概率整形、几何整形、预均衡、后均衡和解码技术，通过相互协作和优化，充分发挥各个技术的优势，提高了信号传输的可靠性和性能；
(3)自适应性能优化：通过使用预训练的自编码器模型和ACM信道模型，实现了对特定信道条件的自适应优化，使系统能够根据实际信道状态进行动态调整和优化，提供更准确和可靠的信号恢复和解码；
(4)高效的信号整形和解码：通过使用TANN和RANN实现的星座整形、几何整形、预均衡、后均衡和解码技术，能够有效抑制信号失真和干扰，提高信号的质量和解码的准确性，从而提高了系统的性能和信号传输的质量；
(5)紧密的协作与适应性：本发明中的E2E机制实现了光线路终端(OLT)和光网络单元(ONU)之间的紧密协作，能够根据实际需求进行动态调整和优化，提供了灵活性和适应性，适用于不同网络环境和应用场景。
综上所述，本发明提供的多维整形联合的相干端到端均衡技术相较于传统的信道均衡技术具有明显的优越性。通过端到端联合优化，整合了概率整形、几何整形、预均衡、后均衡和解码等多种关键技术，使系统能够全面优化信号传输过程，显著提高了性能和信道容量。本发明的多维整形联合的相干端到端均衡技术具有广泛的应用前景，可在光接入网领域中发挥重要作用，提高系统性能和传输效率，满足日益增长的数据传输需求。
附图说明
图1为本发明多维整形联合的相干端到端均衡系统框图。
图2为ACM信道的训练方法、使用方法和性能表现。
图3为本发明多维整形联合的相干端到端均衡技术的性能表现。
图4为实施例中能够高效的在新用户上线时建立智能收发器的具体实施方案。
图中标号：101为概率整形模块，102为相干传输解调模块，103为ACM训练模块，104为自编码器预训练模块，105为端到端训练模块，106为自编码器信号产生、传输与解调模块。
具体实施方式
下面通过实施例结合附图进一步介绍本发明。
本发明提出的基于端到端联合优化的自编码器均衡系统，整合了相干传输系统均衡技术中的概率整形技术、几何整形技术、预均衡技术、后均衡技术和解码技术，能够根据实际信道进行统一调配和联合优化，力求达到最佳的信道容量。通过E2E机制，OLT与ONU之间可以实现紧密的协作。在新用户上线时，OLT向ONU发送估计信号，并建立基于人工神经网络的下行的ACM。下行的ACM模拟信道和传输的上行信道估计信号一起传输到OLT，OLT在接收到信号后再实现上行ACM的建立。通过相应的ACM，训练基地能够创建合适的自编码器模型。最终可以实现相应的TANN和RANN被部署在智能发射/接收器中。这些智能传输/接收器能够实现优化后的从比特到波形级的信号生成和符号波形到比特级的解码，实现端到端优化后的信道均衡。其中TANN能够实现星座整形，几何整形和信道预均衡的操作，而RANN能够实现后均衡和解码技术。
本发明提出的多维整形联合的相干端到端均衡系统，其结构如图1所示，其包括概率整形模块101、相干传输解调模块102、ACM训练模块103、自编码器预训练模块104、端到端训练模块105和自编码器信号产生、传输与解调模块106；其中：
概率整形模块101根据发射的测试信号估计出信道的传输条件，接着对信号强进行概率整形编码，得到编码后的比特流；
相干传输解调模块102将信号通过相干调制器调制到光载波上，经过光纤传输后通过相干接收机接收转换为电信号并进行后端的数据处理，最终得到比特数据流；
ACM训练模块103根据发射的复数符号和经过后均衡得到的复数符号训练得到ACM信道模型；
自编码器预训练模块104根据最大化符号间最小间距的原则训练出经过概率整形的星座点编码器，并将其传输过一个AWGN信道后，再训练出一个对应的解码器；
端到端训练模块105将预训练得到的自编码器模型放到ACM信道中进行端到端优化，得到针对特定ACM信道的自编码器；
自编码器信号产生、传输与解调模块106由训练得到的自编码器中的TANN部分产生一串相干发射信号，通过调制器调制到光载波上发射出去，经过实际光纤信道的传输后，在接收端经过相干解调恢复成复数符号，再通过自编码器的RANN部分将其均衡并解码为比特。
实施的具体步骤为：
步骤一：使用概率整形模块将星座分布更改为麦克斯韦-玻尔兹曼分布来调整信号的发射熵：
其中，v是控制熵的塑造因子，当v＝0时，发射信号的星座分布均匀，所取数值越大则发射熵越小。对于相同的QAM阶次，v的指定值对应特定的发射熵，公式为：
进行操作时将首先发射一串均匀分布的32QAM信号作为测试信号，经过信道估计和计算得到其接收信号的广义互信息(GMI)。
GMI可以用来反映PS信号传输后的性能，它可以表示为:
其中，bk,i表示第k个符号的第i个发送位，X表示符号集，X,Y表示接收符号集和YY。它限定了每个符号的平均信息位的数量。归一化后的GMI(NGMI)可以精确预测前向纠错之前的误码率。NGMI的计算公式为：
NGMI＝1-(H-GMI)/m
接着通过不断调节迭代具体的发射熵的数值，具体操作步骤为提升在概率整形中的v值来提升NGMI，经过迭代后将NGMI值调制至比阈值略小的水平，记录下此时的v值，并按照这个值对信号进行概率整形。在实例中，可以取测试信号的NGMI＝0.82时作为阈值，记录下此时的v值。若在经过调整之前即可达到0.82以上，则无需再度调整v值。
步骤二：通过相干传输解调模块得到传输后的信号。首先让信号通过一个符号映射模块，将上一步中进行了概率整形的比特流通过映射关系合并变成复数信号。最终通过一个相干发射机将经过符号映射的符号调制到光载波上。接着在经过了光纤信道的传输后，接收光信号通过相干接收机接收转换为电信号并进行后端的相干解调，包括下采样，时钟恢复，偏振恢复，载波恢复等。然后已经还原为两路复信号后再经历一次后均衡，最终通过解码得到接收的二进制数据流。在实施例中，传输光纤长度为50km，输入光纤前的信号为图二中所示的训练发射信号，而从光纤中接收到并解调后的信号为图2中所示的训练接收信号。
步骤三：使用ACM训练模块，根据发射的复数符号和经过后均衡得到的复数符号进行训练得到真实光纤信道的ACM模型。通过将发射的复数符号作为输入，使用人工神经网络编码过程将其转换为高维特征表示，同时利用后均衡后的复数符号作为目标输出，通过比较输入和输出符号之间的差异进行模型优化。通过反复的训练和调整，该模块能够学习和优化ACM信道模型，准确预测和模拟光纤通信中的非线性失真、符号间干扰和噪声等影响因素。实施例中，ACM模型由包含两个隐藏层的全连接深度神经网络构成，输入层为11个相邻的复数信号，输出层为一个复数信号。隐藏层和输出层的激活函数皆为线性整流函数(Relu)。经过训练后的ACM模型能够很好的模拟真实信道的效能。一个信号通过真实光纤信道和ACM信道的接收结果如图2下方标有实际信道和ACM信道的箭头所指。
步骤四：通过自编码器预训练模块训练出自编码器中TANN和RANN的初始状态。根据最大化符号间最小间距的原则进行训练。首先，通过概率整形的星座点编码器，将输入符号映射到高维特征空间，并通过调整编码器参数最大化不同符号之间的最小间距。然后，将编码后的符号通过AWGN信道进行传输，引入信道干扰和噪声。接下来，利用解码器对接收到的符号进行解码，并通过反向传播算法调整解码器参数，使得解码器能够准确还原原始符号。通过多次迭代训练，自编码器预训练模块能够学习到符号的紧凑表示和抗干扰能力，提高信号的传输质量和解码准确性。实施例中，预训练模块的实际效用如图3(a)中所示，经过预训练后，loss函数呈现快速下降的趋势。初始的发射信号星座图和经过20次迭代后的发射信号星座图如插图中所示。可见此时自编码器已经能够快速学到信道信息并通过调整向其靠近。
步骤五：通过端到端训练模块进行自编码器的训练。通过预训练得到的自编码器模型，将输入符号编码为高维特征表示。然后，将编码后的符号传输经过ACM信道，该信道模拟了实际通信环境中的干扰和失真效应。接下来，通过端到端优化算法，根据接收到的符号和期望输出，调整自编码器模型的参数，以最小化传输信号的失真和误差。通过多次迭代优化，得到针对特定ACM信道的优化自编码器模型，能够更好地适应该信道的特性，提高信号的传输质量和解码准确性。该方法有效地利用了自编码器的特性，实现了对ACM信道的自适应优化。实施例中，训练过程的切片化过程如图2中的发射信号和接收信号所示。经过自编码器TANN生成的信号为发射信号，而通过ACM信道的信号为接收信号。E2E优化器将根据接收信号的交叉熵损失函数进行反向传播，最终同时对TANN和RANN进行优化。
步骤六：使用自编码器信号产生、传输与解调模块对信号进行自编码，传输和自解码操作。通过训练得到的自编码器模型中的TANN部分，可以生成一串相干发射信号。这些信号经过调制器的调制后，被传输到光纤上的光载波上进行发送。在信号经过实际光纤信道传输后，接收端的相干解调器将其恢复为复数符号。然后，通过自编码器模型中的RANN部分，对接收到的信号进行均衡处理，并解码为对应的比特序列。通过这一过程，可以实现对传输信号的恢复和解码，从而实现可靠的数据传输。OLT和ONU之间具体的实施例中，图3(b)展示了自编码器辅助下32-QAM在不同光接收功率(Received optical power,ROP)下的性能。与仅使用接收端后均衡器的情况相比，自编码器将32-QAM信号的灵敏度提升了2.9dB。图3(c)展示了自编码器辅助的传输信号随着光损耗(Optical path loss,OPL)的增加带来的净数据速率(Net data rate,NDR)增益。图3(d)展示了在不同概率整形因子下，使用常规格雷编码(i-iii)和经过E2E优化的自编码器(iv-vi)的32-QAM星座图。
图4中展示了一种能够高效的在新用户上线时建立智能收发器的具体实施方案。在下行链路中，通过三个步骤来建立智能收发器系统。首先，OLT传输了测试信号。然后，ONU将接收信号并建立下行信道的ACM。ACM将被发送回OLT。训练中心被部署在OLT端，因此OLT可以通过训练中心得到针对下行信道的ACM训练的TANN和RANN。最后，将TANN部署到OLT的发射器中，并将RANN从OLT端发送到ONU端进行部署。在上行链路中，ONU首先传输一个测试信号。OLT将接收信号并产生ACM。在通过训练中心得到训练后的网络后，OLT端部署了RANN并将TANN发送到ONU进行部署。之后便可以进行TANN和RANN支持的信号传输。从图中可以看出，在此过程中，下行链路中的OLT和ONU之间需要三个信号传输步骤，在上行链路中需要两个信号传输步骤。由于可以同时建立上行和下行链路中的智能收发器，因此完成该过程的总共只需要三次信号传输。
至此，一种多维整形联合的相干端到端均衡技术实施方法结束。
综上所述，本发明提出的多维整形联合的相干端到端均衡系统，能够提升信号的灵敏度和动态范围，改善系统的性能，并实现更高的净数据速率，从而提升信道容量、提高信号质量、扩展传输距离和降低成本。

Claims (9)

1.一种多维整形联合的相干端到端均衡系统，其特征在于，整合相干传输系统中的概率整形技术、几何整形技术、预均衡技术、后均衡技术和解码技术，根据实际信道进行统一调配和联合优化，力求达到最佳的信道容量；通过E2E机制，光线路终端OLT与光网络单元ONU之间进行紧密协作；在新用户上线时，OLT向ONU发送估计信号，并建立基于人工神经网络的下行的神经网络信道模型ACM；下行的ACM模拟信道和传输的上行信道估计信号一起传输到OLT，OLT在接收到信号后再实现上行ACM的建立；通过相应的ACM，训练基地创建合适的自编码器模型；最终实现相应的发射机神经网络TANN和接收机神经网络RANN被部署在智能发射/接收器中；这些智能传输/接收器实现优化后的从比特到波形级的信号生成和符号波形到比特级的解码，实现端到端优化后的信道均衡；其中TANN能够实现星座整形、几何整形和信道预均衡的操作，RANN能够实现后均衡和解码；
系统具体包括概率整形模块、相干传输解调模块、ACM训练模块、自编码器预训练模块、端到端训练模块和自编码器信号产生、传输与解调模块；其中：
所述概率整形模块，根据发射的测试信号估计出信道的传输条件，然后对信号强进行概率整形编码，得到编码后的比特流；
所述相干传输解调模块，将概率整形模块处理的信号通过相干调制器调制到光载波上，经过光纤传输后通过相干接收机接收转换为电信号，并进行后端的数据处理，最终得到比特数据流；
所述ACM训练模块，根据发射的复数符号和经过后均衡得到的复数符号分别作为神经网络的教师集和训练集,经过训练得到ACM信道模型；
所述自编码器预训练模块，根据最大化符号间最小间距的原则训练出经过概率整形的星座点编码器，并将其输入一个AWGN信道，利用AWGN信道的输出序列再训练出一个对应的解码器；
所述端到端训练模块，将预训练得到的自编码器模型放到ACM信道中进行端到端优化，得到针对特定ACM信道的自编码器；
所述自编码器信号产生、传输与解调模块，由训练得到的自编码器中的TANN部分产生一串相干发射信号，通过调制器调制到光载波上发射出去，经过实际光纤信道的传输后，在接收端经过相干解调恢复成复数符号，再通过自编码器的RANN部分将其均衡并解码为比特。
2.根据权利要求1所述的相干端到端均衡系统，其特征在于，所述概率整形模块中，通过将星座分布更改为麦克斯韦-玻尔兹曼分布来调整信号的发射熵：
其中，v是控制熵的塑造因子，通常分布在0-1之间，x为单个符号，X为所有符号的集合；对于相同的QAM阶次，v的指定值对应特定的发射熵，公式为：
进行操作时，首先发射一串均匀分布的32QAM信号作为测试信号，经过信道估计和计算得到其接收信号的广义互信息(GMI)，表达式为:
其中，其中bk,i表示第k个符号的第i个发送位，X表示发射符号集，Y表示接收符号集；它限定每个符号的平均信息位的数量，N和m分别表示符号和比特的数量；GMI用来反映PS信号传输后的性能；归一化后的GMI(NGMI)精确预测前向纠错之前的误码率，NGMI的计算公式为：
NGMI＝1-(H-GMI)/m， (4)
通过不断调节迭代具体的发射熵的数值，具体操作步骤为提升在概率整形中的v值来提升NGMI，经过迭代后将NGMI值调制至比阈值略大的水平，记录下此时的v值，并按照这个值对信号进行概率整形。
3.根据权利要求2所述的相干端到端均衡系统，其特征在于，所述相干传输解调模块中，首先让信号通过一个符号映射模块，将上一步中进行过概率整形的比特流通过映射关系合并变成复数信号；最终通过一个相干发射机将经过符号映射的符号调制到光载波上；接着在经过光纤信道的传输后，接收光信号通过相干接收机接收转换为电信号并进行后端的相干解调，包括下采样、时钟恢复、偏振恢复、载波恢复；然后已经还原为两路复信号后再经历一次后均衡，最终通过解码得到接收的二进制数据流。
4.根据权利要求3所述的相干端到端均衡系统，其特征在于，所述ACM训练模块中，根据发射的复数符号和经过后均衡得到的复数符号进行训练；通过将发射的复数符号作为输入，使用人工神经网络编码过程将其转换为高维特征表示，同时利用后均衡后的复数符号作为目标输出，通过比较输入和输出符号之间的差异进行模型优化；通过反复的训练和调整，学习得到优化的ACM信道模型，该ACM信道模型用于准确预测和模拟光纤通信中的非线性失真、符号间干扰和噪声等影响因素。
5.根据权利要求4所述的相干端到端均衡系统，其特征在于，所述自编码器预训练模块中，根据最大化符号间最小间距的原则进行训练；具体过程为：首先，通过概率整形的星座点编码器，将输入符号映射到高维特征空间，并通过调整编码器参数，最大化不同符号之间的最小间距；然后，将编码后的符号通过AWGN信道进行传输，引入信道干扰和噪声；接着，利用解码器对接收到的符号进行解码，并通过反向传播算法调整解码器参数，使得解码器准确还原原始符号；通过多次迭代训练，自编码器预训练模块学习到符号的紧凑表示和抗干扰能力，提高信号的传输质量和解码准确性。
6.根据权利要求5所述的相干端到端均衡系统，其特征在于，所述端到端训练模块中，通过预训练得到的自编码器模型，将输入符号编码为高维特征表示；然后，将编码后的符号传输经过ACM信道，该信道模拟实际通信环境中的干扰和失真效应；接着，通过端到端优化算法，根据接收到的符号和期望输出，调整自编码器模型的参数，以最小化传输信号的失真和误差；通过多次迭代优化，得到针对特定ACM信道的优化自编码器模型，能够更好地适应该信道的特性，提高信号的传输质量和解码准确性。
7.根据权利要求6所述的相干端到端均衡系统，其特征在于，所述自编码器信号产生、传输与解调模块中，通过训练得到的自编码器模型中的TANN部分，生成一串相干发射信号；这些相干发射信号经过调制器的调制后，被传输到光纤上的光载波上进行发送；在信号经过实际光纤信道传输后，接收端的相干解调器将其恢复为复数符号；然后，通过自编码器模型中的RANN部分，对接收到的信号进行均衡处理，并解码为对应的比特序列；通过这一过程，实现对传输信号的恢复和解码，从而实现可靠的数据传输。
8.根据权利要求7所述的相干端到端均衡系统，其特征在于，在实现对传输信号的恢复和解码中，采用一种能够高效的在新用户上线时建立智能收发器的框架，具体地：
在下行链路中，通过三个步骤来建立智能收发器系统：首先，OLT传输测试信号；然后，ONU接收信号并建立下行信道的ACM；ACM将被发送回OLT；最后，OLT端通过ACM得到训练后的网络，将TANN部署到OLT的发射器中，并将RANN发送到ONU进行部署；
在上行链路中，ONU首先传输一个测试信号；OLT接收信号并产生ACM，在得到训练后的网络后，端OLT部署RANN并将TANN发送到ONU进行部署；之后进行TANN和RANN支持的信号传输。
9.根据权利要求8所述的相干端到端均衡系统，其特征在于，系统工作流程为：
(1)通过概率整形模块对信号进行概率整形编码；
(2)将信号调制到光载波上，经过光纤传输后解调恢复成电信号并处理得到比特数据流；
(3)通过训练模块得到ACM信道模型；
(4)训练出经过概率整形的编码器和对应的解码器；
(5)将预训练得到的自编码器模型放到ACM信道中进行优化，得到特定ACM信道的自编码器；
(6)通过自编码器的TANN部分产生发射信号，经过传输和解调后通过RANN部分均衡和解码成比特。
CN202311184314.7A 2023-09-13 2023-09-13 一种多维整形联合的相干端到端均衡系统 Pending CN117319847A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311184314.7A CN117319847A (zh) 2023-09-13 2023-09-13 一种多维整形联合的相干端到端均衡系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311184314.7A CN117319847A (zh) 2023-09-13 2023-09-13 一种多维整形联合的相干端到端均衡系统

Publications (1)

Publication Number Publication Date
CN117319847A true CN117319847A (zh) 2023-12-29

Family

ID=89261320

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311184314.7A Pending CN117319847A (zh) 2023-09-13 2023-09-13 一种多维整形联合的相干端到端均衡系统

Country Status (1)

Country Link
CN (1) CN117319847A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118074817A (zh) * 2024-02-27 2024-05-24 北京邮电大学 一种基于概率整形和rbf神经网络非线性均衡的光子太赫兹ofdm通信系统
CN118413250A (zh) * 2024-07-02 2024-07-30 电子科技大学成都学院 一种基于bp神经网络的超视距超短波电台及其通信方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118074817A (zh) * 2024-02-27 2024-05-24 北京邮电大学 一种基于概率整形和rbf神经网络非线性均衡的光子太赫兹ofdm通信系统
CN118413250A (zh) * 2024-07-02 2024-07-30 电子科技大学成都学院 一种基于bp神经网络的超视距超短波电台及其通信方法
CN118413250B (zh) * 2024-07-02 2024-09-10 电子科技大学成都学院 一种基于bp神经网络的超视距超短波电台及其通信方法

Similar Documents

Publication Publication Date Title
Jones et al. Deep learning of geometric constellation shaping including fiber nonlinearities
Shi et al. Optimal adaptive waveform design utilizing an end-to-end learning-based pre-equalization neural network in an UVLC system
Jones et al. Time-domain neural network receiver for nonlinear frequency division multiplexed systems
CN110267127B (zh) 用于低成本无源光网络的方法、装置和计算机可读介质
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
CN111786724B (zh) 基于深度学习的多波长led水下可见光通信调制方法
CN114039670B (zh) 一种模分复用通信系统非线性损伤补偿方法
CN109347776B (zh) 一种差分相位幅度比的光通信信号调制格式识别方法
CN117319847A (zh) 一种多维整形联合的相干端到端均衡系统
CN113364527B (zh) 一种适用于高速相干偏振复用系统的非线性损伤补偿方法
CN102035602A (zh) 基于最优信道编码调制的自适应光传输系统和方法
Wei et al. Active Learning-Aided CNN-Based Entropy-Tunable Automatic Modulation Identification for Rate-Flexible Coherent Optical System
Zhou et al. Combining efficient probabilistic shaping and deep neural network to mitigate capacity crunch in 5G fronthaul
Zou et al. Underwater wireless optical communication with one-bit quantization: A hybrid autoencoder and generative adversarial network approach
Yao et al. Artificial neural network assisted probabilistic and geometric shaping for flexible rate high-speed PONs
Li et al. Attention-assisted autoencoder neural network for end-to-end optimization of multi-access fiber-terahertz communication systems
Jia et al. Intelligent End-to-End Nonlinear Constellation Auto-Optimization in W-band Fiber-MMW Integrated Transmission for 6G Access
Abdullah et al. Radio over fiber (RoF) implementation using MZM for long distance communication
CN115987397A (zh) 基于双向星座图概率整形的灵活速率调节接入网系统
Liu et al. Multi-distributed probabilistically shaped PAM-4 system for intra-data-center networks
CN114124223B (zh) 一种卷积神经网络光纤均衡器生成方法及系统
Kuschnerov et al. Advances in deep learning for digital signal processing in coherent optical modems
Chen et al. Blind identification of the shaping rate for probabilistic shaping QAM signal
WO2022054231A1 (en) Transmission/reception apparatus, transmitter, signal generation method, and signal generation program
Civelli et al. A novel detection strategy for nonlinear frequency-division multiplexing

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