光纤信道模型模拟方法及装置与流程
本发明涉及光通信技术领域，尤其涉及一种光纤信道模型模拟方法及装置。
背景技术：
在通信中，信道按其物理组成常被分成微波信道、光纤信道、电缆信道等，假定信道的传输特性已知，可以抽象地将信道用模型来描述，并按其输入/输出信号的数学特点以及输入/输出信号之间关系的数学特点进行分类。
在光通信领域中，模拟信号通过光纤传输的传统计算方法是利用分步傅里叶方法求解非线性薛定谔方程，同要考虑受激拉曼散射、四波混频、自相位调制、色散以及衰减等等因素。算法的时间复杂度较高，所需时间随传输距离增长增加明显且根据不同光纤信道的情况，这样的计算较为复杂并不够准确。目前的光纤建模方法复杂，还存在部分情况难以准确建模的弊端。
技术实现要素：
为了解决上述问题，本发明实施例提供一种光纤信道模型模拟方法及装置。
第一方面，本发明实施例提供一种光纤信道模型模拟方法，包括：获取所需光纤仿真传输的信号数据；将所述信号数据和光纤长度参数，输入至预设的深度神经网络模型，根据所述深度神经网络模型的输出结果，确定所述光纤长度的光纤信道输出的信号数据；其中，所述深度神经网络模型，根据确定的光纤长度和信道输出结果的样本信号数据，进行训练后得到。
进一步地，所述将所述信号数据和光纤长度参数，输入至预设的深度神经网络模型之前，还包括：按照预设的采样率，对所述信号数据的每比特数据进行采样；相应地，所述将所述信号数据和光纤长度参数，输入至预设的深度神经网络模型，具体为：将按照预设的采样率采样后的信号数据和光纤长度参数，输入至预设的深度神经网络模型。
进一步地，所述深度神经网络模型具体为双向长短期记忆神经网络模型。
进一步地，所述将所述信号数据和光纤长度参数，输入至预设的深度神经网络模型，包括：按照所述信号数据的时间序列，将所述信号数据的每比特数据和光纤长度参数的组合，经输入层分别输入至双向长短期记忆神经网络模型的正向lstm层和反向lstm层；将正向lstm层和反向lstm层的输出结果，共同输入至全连接层，并从输出层得到信号传输结果数据。
进一步地，所述将所述信号数据和光纤长度参数，输入至预设的深度神经网络模型之前，还包括：获取多个信号数据样本，以及对应的信号数据样本在确定长度的光纤信道的信号传输结果数据；将每个信号数据样本对应的传输前信号数据、光纤长度和信号传输结果数据的组合作为一个训练样本，从而得到多个训练样本，利用所述多个训练样本对所述双向长短期记忆神经网络模型进行训练。
进一步地，所述利用所述多个训练样本对所述双向长短期记忆神经网络模型进行训练，包括：将任意一个信号数据样本的传输前信号和光纤长度参数，输入至所述双向长短期记忆神经网络模型，利用前向传播算法，计算所述信号数据样本在所述长度参数下的信号传输结果数据；基于反向传播算法，更新所述双向长短期记忆神经网络模型的模型参数；根据所述双向长短期记忆神经网络模型的输出与输入的误差，计算所述双向长短期记忆神经网络模型的准确率，若所述准确率大于预设阈值或训练次数达到预设次数，则所述双向长短期记忆神经网络模型训练完成。
进一步地，所述反向传播算法为基于梯度下降的反向传播算法。
第二方面，本发明实施例提供一种光纤信道模型模拟装置，包括：接收模块，用于获取需光纤仿真传输的信号数据；处理模块，将所述信号数据和光纤长度参数，输入至预设的深度神经网络模型，根据所述深度神经网络模型的输出结果，确定所述光纤长度的光纤信道输出的信号数据；其中，所述深度神经网络模型，根据确定的光纤长度和信道输出结果的样本信号数据，进行训练后得到。
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现本发明第一方面光纤信道模型模拟方法的步骤。
第四方面，本发明实施例提供一种非暂态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本发明第一方面光纤信道模型模拟方法的步骤。
本发明实施例提供的光纤信道模型模拟方法及装置，预设的深度神经网络模型根据确定的光纤长度和信道输出结果的样本信号数据训练后得到，能够输出信号数据在给定长度光纤信道的输出结果，从而可作为准确的光纤信道模型。训练好的深度神经网络网络能够实现高精度和高鲁棒性的信号数据的光纤信道仿真。与目前的方法相比具有较低的复杂度，大大减少了传统方法对光纤信道进行建模所需的专业知识以及复杂程度，利用深度神经网络的深度学习技术，只要获得足够的输入输出数据以及距离参数即可对任意光纤信道进行建模，且建模所需时间较短。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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为本发明实施例提供的光纤信道模型模拟方法流程图；
图2为本发明实施例提供的光纤信道模型结构示意图；
图3为本发明实施例提供的光纤信道模型模拟方法的输出波形与标签波形对比图；
图4为本发明实施例提供的bilstm算法与bp-ann、birnn算法生成波形与标签波形的均方误差对比图；
图5为本发明实施例提供的bilstm算法与bp-ann、birnn算法生成波形与标签波形的频域误差对比图；
图6为本发明实施例提供的光纤信道模型模拟装置结构图；
图7为本发明实施例提供的一种电子设备的实体结构示意图。
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，下面将结合本发明实施例中的附图，对本发明实施例中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作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。
图1为本发明实施例提供的光纤信道模型模拟方法流程图，如图1所示，本发明实施例提供一种光纤信道模型模拟方法，包括：
101，获取需光纤仿真传输的信号数据。
现有技术中的信道传输，对将二进制序列形成脉冲波形后，经数模转化成模拟信号，再通过半导体激光器转换为光信号，经由光纤传输。在光纤的接收端，通过光电二极管转换为电信号，再经模数转换得到该光纤信道传输后的数字信号。
在101中，本实施例，主要对上述过程进行仿真。信号数据需要通过仿真的光纤信道进行传送，获取经光纤信道传输后的结果，信号数据可以是一组二进制序列，例如ook调制的信号。本实施例以单模光纤信道为例，先获取需进行仿真传输的信号数据。本实施例使用的仿真软件为vpitransmissionmaker8.6，在该仿真软件上搭建了通过单模光纤传输ook信号的仿真模块，凭此模块来获取所述信号数据。
102，将信号数据和光纤长度参数，输入至预设的深度神经网络模型，根据深度神经网络模型的输出结果，确定光纤长度的光纤信道输出的信号数据。
机器学习技术大大促进了诸如计算机视觉、自然语言处理以及语音处理等领域的发展。近年来，机器学习技术也被应用到光通信领域，包括光学性能检测、非线性损伤补偿和信道监测补偿等方面，主要包括k临近算法、svm支持向量机等。也逐步应用到光通信的物理信道，但由于物理信道根据场景不同处理较为复杂，传统机器学习方法学习能力有限。深度学习的神经网络算法具有极其强大的学习能力，不同结构可以用于分类、图像处理、时间序列处理等等问题。神经网络训练结束后相当于一个函数，可以对数据进行处理变换且时间复杂度较低。
利用深度学习神经网络的强大学习能力，可以实现对光纤信道的建模。只需要一定量的光纤输入输出数据，便可完成建模。方法简单无需强专业知识，且神经网络训练完成后运行时间较短并不随传输距离增大而增加。
102中，预设的深度神经网络模型是通过样本信号数据训练后得到的。样本信号数据是预先已经获知光纤信道的光纤长度，以及对应光纤长度下的真实信道传输结果的信号数据，并将对应的已知信道输出结果作为每一样本信号数据的标签。建立深度神经网络模型后，通过大量的此类样本信号数据进行训练，从而得到预设的深度神经网络模型，对于后续需仿真传输的信号数据，将信号数据的每比特数据，和需仿真的信道光纤长度，输入至预设的深度神经网络模型，能够快速准确得到相应信道的输出结果。
通过利用深度神经网络模型，能够得到准确的仿真结果。
优选地，所要建模仿真的光纤信道的衰减因子、色散因子、非线性因子等等因素是确定的，仅传输距离可以调节。
深度神经网络可以根据需求设置，如包括bp-ann(反向传播人工神经网络)、birnn(双向循环神经网络)和birnn(双向长短期记忆神经网络)等。
本发明实施例提供的光纤信道模型模拟方法，预设的深度神经网络模型根据确定的光纤长度和信道输出结果的样本信号数据训练后得到，能够输出信号数据在给定长度光纤信道的输出结果，从而可作为准确的光纤信道模型。训练好的深度神经网络网络能够实现高精度和高鲁棒性的信号数据的光纤信道仿真。与目前的方法相比具有较低的复杂度，大大减少了传统方法对光纤信道进行建模所需的专业知识以及复杂程度，利用深度神经网络的深度学习技术，只要获得足够的输入输出数据以及距离参数即可对任意光纤信道进行建模，且建模所需时间较短。
基于上述实施例的内容，作为一种可选实施例，将信号数据和光纤长度参数，输入至预设的深度神经网络模型之前，还包括：按照预设的采样率，对信号数据的每比特数据进行采样；相应地，将信号数据和光纤长度参数，输入至预设的深度神经网络模型，具体为：将按照预设的采样率采样后的信号数据和光纤长度参数，输入至预设的深度神经网络模型。
预设的采样率为每比特的采样位数，每比特数据输入神经网络之前先按预设的采样率进行采样后，可提高输出结果的精度。例如，信号数据为一组伪随机二进制序列，共计8192比特，每比特信号采样8位。将采样后的信号数据和光纤长度参数，作为深度神经网络模型的输入数据，获取每比特8位采样值的结果数据。对应地，深度神经网络模型训练时所使用的样本数据也是根据相同的预设采样率进行采样后的信号。
基于上述实施例的内容，作为一种可选实施例，深度神经网络模型具体为双向长短期记忆神经网络模型(bilstm)。
bilstm由前向的lstm与后向的lstm结合而成，lstm是rnn的一个优秀的变种模型，继承了大部分rnn模型的特性，同时解决了梯度反传过程由于逐步缩减而产生的“vanishinggradient”问题。lstm非常适合用于处理与时间序列高度相关的问题，例如机器翻译、对话生成、编码\解码等。预设的深度神经网络模型采样bilstm能够获得较高的准确率，保证光纤信道模型的精度。
基于上述实施例的内容，作为一种可选实施例，将信号数据和光纤长度参数，输入至预设的深度神经网络模型，包括：按照信号数据的时间序列，将信号数据的每比特数据和光纤长度参数的组合，经输入层分别输入至bilstm模型的正向lstm层和反向lstm层；将正向lstm层和反向lstm层的输出结果，共同输入至全连接层，并从输出层得到信号传输结果数据。
本实施例以bilstm作为预设的深度神经网络模型，该bilstm模型的结构主要包括：一个输入层、n个正向lstm时间步(lf1、lf2、...、lfn)组成的正向lstm层、n个反向lstm时间步(lb1、lb2、...、lbn)组成的反向lstm层、m个全连接层(f1、f2、...、fm)和一个输出层。其中，每个对应的正向lstm时间步与反向lstm时间步(如lfn与lbn)为一对，共用一个输入，每对lstm时间步的输入为1比特数据以及一个距长度参数，n对lstm时间步的输入以及每个时间步对应的距离参数即为输入层，n对lstm时间步的输出输入全连接层f1，f1层的所有神经元节点与下一个全连接层f2的神经元节点进行全连接；经m个全连接层顺次连接，最后一个全连接层fm与输出层进行全连接；输出层输出经过相应传输距离的光纤信号。其中，n和m为大于1的整数。
图2为本发明实施例提供的光纤信道模型结构示意图，如图2所示，其结构主要包括以下几个部分：一个输入层、三个正向lstm时间步(lf1、lf2、lf3)、三个反向lstm时间步(lb1、lb2、lb3)、两个全连接层(图中的f1、f2)、一个输出层。其中，每个对应的正向lstm时间步与反向lstm时间步为一对(lf1与lb1、lf2与lb2、lf3与lb3)，公用一个输入，每对lstm时间步的输入为1比特数据(图中onebit)以及一个光纤长度参数(图中l)，三对lstm时间步的输入以及每个时间步对应的距离参数即为输入层，三对lstm时间步的输出输入全连接层f1，f1层的所有神经元节点与下一个全连接层f2的神经元节点进行全连接，f2与输出层进行全连接；输出层输出经过相应传输距离的光纤信号。
相应地，按照所述信号数据的时间序列，将所述信号数据的每比特数据和光纤长度参数的组合，经输入层分别输入至双向长短期记忆神经网络模型的正向lstm层和反向lstm层，具体为：
按照信号数据的时间序列，将所述信号数据的每比特数据和光纤长度参数的组合中，每三个比特数据和光纤长度参数组合一起，按顺序输入至正向lstm层和反向lstm层的三个时间步，并按照输入顺序输出结果。
基于上述实施例的内容，作为一种可选实施例，将信号数据和光纤长度参数，输入至预设的深度神经网络模型之前，还包括：获取多个信号数据样本，以及对应的信号数据样本在确定长度的光纤信道的信号传输结果数据；将每个信号数据样本对应的传输前信号数据、光纤长度和信号传输结果数据的组合作为一个训练样本，从而得到多个训练样本，利用多个训练样本对bilstm模型进行训练。
将需光纤仿真传输的信号数据输入至预设的深度神经网络模型之前，还需对该神经网络进行训练，从而得到能够作为光纤信道模型的预设神经网络模型，具体步骤如下。
首先，获取多个传输前的信号数据样本，并获取该多个信号数据样本传输的结果数据，以及传输时对应光纤信道的长度参数。
其次，将每个信号数据样本传输前信号数据，光纤长度参数作为输入，将信号传输结果数据作为确定输出标签，以此作为一个样本，从而得到多个训练样本。将每一样本中传输前信号数据，光纤长度参数输入至构建的深度神经网络模型，并根据输出结果和样本已预先确定的输出标签，调整深度神经网络模型的相关参数，实现对深度神经网络模型的训练过程，从而得到上述预设的深度数据网络模型。
本发明实施例提供的光纤信道模型模拟方法，通过获取多个信号数据样本，以及对应的信号数据样本在确定长度的光纤信道的信号传输结果数据，从而得到多个训练样本，利用多个训练样本对深度神经网络模型进行训练，从而对于输入该深度神经网络模型进行仿真传输的信号数据，能够得到与样本所使用的光纤信道相一致的输出结果。
基于上述实施例的内容，作为一种可选实施例，利用多个训练样本对bilstm模型进行训练，包括：将任意一个信号数据样本的传输前信号和光纤长度参数，输入至双向长短期记忆神经网络，利用前向传播算法，计算信号数据样本在长度参数下的信号传输结果数据；基于反向传播算法，更新bilstm模型的模型参数；根据bilstm模型的输出与输入的误差，计算bilstm模型的准确率，若准确率大于预设阈值或训练次数达到预设次数，则bilstm模型训练完成。
将样本信号数据输入至bilstm模型，采用前向传播算法计算每个神经元的输出。并根据输出值，采用反向传播算法，更新长短时记忆神经网络模型中的权重值。反向传播中可通过梯度下降算法迭代更新模型中的权重，同时计算每个神经元输出的误差值。其中，bilstm的误差项的反向传播包括两个方向：一个是沿时间反向传播，另一个是将误差项向上一层神经元传播。根据相应的误差项，计算每个权重的梯度以更新权重。
由于长短期记忆神经网络模型训练是一个迭代过程，需要对训练出的模型进行验证以确定终止条件。可根据输入的信号数据和输出的信号数据确定模型的输入输出误差后，计算bilstm模型的准确率，若准确率大于预设阈值大于或等于预设阈值，则结束上述对模型的训练过程。若准确率小于预设阈值，则继续重复训练过程直至预设训练次数。通过循环训练和验证找出满足预设误差的训练后模型，则终止对模型的训练。或者，达到一定的训练次数后则终止训练过程。
基于上述实施例的内容，作为一种可选实施例，上述反向传播算法为基于梯度下降的反向传播算法。本发明实施例中，bilstm模型的反向传播使用梯度下降的方法来逐步调整自身参数，从而最小化实际输出与标签值之间的误差。图3为本发明实施例提供的光纤信道模型模拟方法的输出波形与标签波形对比图，在本实施例，2000次训练后、15000次训练后bilstm模型输出的波形与标签波形的比较如图3所示，图中每个小框的横坐标为时间(ns)，纵坐标为光功率(μw)分别展示了信号在传输20km、50km、80km时的情况。可见在训练15000步之后，bilstm模型效果已经很好。
为了证明本发明基于bilstm模型的优势，将bilstm算法与其余两种著名的机器学习算法，即bp-ann、birnn进行了比较。在比较时我们比较了bilstm模块输出信号波形与标签波形的均方误差(mse)，公式如下：
其中m为样本数量，y为bilstm模块输出信号数据，
a＝fft(output_series,m),
b＝fft(label_series,m)
fft(label_series,m)表示对标签输出信号做m点快速傅里叶变换，fft(output_series,m)表示对bilstm模型输出信号做m点快速傅里叶变换。
图4为本发明实施例提供的bilstm算法与bp-ann、birnn算法生成波形与标签波形的均方误差对比图，图5为本发明实施例提供的bilstm算法与bp-ann、birnn算法生成波形与标签波形的频域误差对比图。具体如图4、图5所示，根据每种算法在相应传输距离下与标签信号的mse误差以及fde误差得出，bilstm算法相较于其它算法具有较明显的优势。
bp-ann是最基本的神经网络，其对于时间序列特征提取的能力较弱，需要大量训练数据才能达到较好的效果，并且容易陷入局部最小值以及过拟合现象。birnn算法相较于bilstm算法缺乏相邻时间步信息的部分传递能力，效果稍弱于bilstm算法。
图6为本发明实施例提供的光纤信道模型模拟装置结构图，如图6所示，该光纤信道模型模拟装置包括：接收模块601和处理模块602。其中，接收模块601用于获取需光纤仿真传输的信号数据；处理模块601将信号数据和光纤长度参数，输入至预设的深度神经网络模型，根据深度神经网络模型的输出结果，确定光纤长度的光纤信道输出的信号数据；其中，深度神经网络模型，根据确定的光纤长度和信道输出结果的样本信号数据，进行训练后得到。
本发明实施例提供的装置实施例是为了实现上述各方法实施例的，具体流程和详细内容请参照上述方法实施例，此处不再赘述。
本发明实施例提供的光纤信道模型模拟装置，预设的深度神经网络模型根据确定的光纤长度和信道输出结果的样本信号数据训练后得到，能够输出信号数据在给定长度光纤信道的输出结果，从而可作为准确的光纤信道模型。训练好的深度神经网络网络能够实现高精度和高鲁棒性的信号数据的光纤信道仿真。与目前的方法相比具有较低的复杂度，大大减少了传统方法对光纤信道进行建模所需的专业知识以及复杂程度，利用深度神经网络的深度学习技术，只要获得足够的输入输出数据以及距离参数即可对任意光纤信道进行建模，且建模所需时间较短。
图7为本发明实施例提供的一种电子设备的实体结构示意图，如图7所示，该电子设备可以包括：处理器(processor)701、通信接口(communicationsinterface)702、存储器(memory)703和总线704，其中，处理器701，通信接口702，存储器703通过总线704完成相互间的通信。通信接口702可以用于电子设备的信息传输。处理器701可以调用存储器703中的逻辑指令，以执行包括如下的方法：获取需光纤仿真传输的信号数据；将信号数据和光纤长度参数，输入至预设的深度神经网络模型，根据深度神经网络模型的输出结果，确定光纤长度的光纤信道输出的信号数据；其中，深度神经网络模型，根据确定的光纤长度和信道输出结果的样本信号数据，进行训练后得到。
此外，上述的存储器703中的逻辑指令可以通过软件功能单元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)执行本发明上述各方法实施例的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种非暂态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以执行上述各实施例提供的传输方法，例如包括：获取需光纤仿真传输的信号数据；将信号数据和光纤长度参数，输入至预设的深度神经网络模型，根据深度神经网络模型的输出结果，确定光纤长度的光纤信道输出的信号数据；其中，深度神经网络模型，根据确定的光纤长度和信道输出结果的样本信号数据，进行训练后得到。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者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者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
- 还没有人留言评论。精彩留言会获得点赞！