一种基于无监督学习神经网络的光纤通信信道均衡方法

本发明属于通信，尤其涉及一种基于无监督学习神经网络的光纤通信信道均衡方法。

背景技术：

1、大容量光纤通信系统是我国基础设施建设的战略发展重点。随着科技的进步，万物互联的时代已经到来，人们对带宽和网络质量的需求持续增长，光纤通信系统的扩容迫在眉睫。新型的高阶调制技术和多维复用技术虽然能有效提升网络容量，同时也带来了更为复杂的信号损伤。其中色散、非线性效应、收发元件损伤和随机噪声相互作用等表现出非常复杂的非线性变换，最终导致传输性能的降低，限制了系统容量的提高。数字信号技术因其较强的适应性、稳定性、灵活性在信号采集，信号处理以及信号传输等环节得到了广泛的应用。数字信号处理因可以估计和补偿器件以及信道损伤一直被视为接收端信号恢复和解调的一种有效方法。一般的信道估计算法都是根据物理特性和数学概率理论推导出来的。经典的损伤补偿算法包括前馈均衡器(feed-forward equalizer,ffe)，判决反馈均衡器(decision feedback equalization,dfe)，最大似然序列估计(maximum likelihoodsequence estimation,mlse),数字后向传播(digital backward propagation,dbp)和volterra非线性均衡器(volterrra nonlinear equalizer,vne)等。光纤在受到非线性效应影响的情况下，光纤链路中的传输损伤会越来越复杂，难以用数学模型去精准描述和分析。传统的损伤补偿方法在一定程度上由于补偿能力有限，复杂度高以及自适应补偿能力差等不足，难以满足光纤通信系统复杂损伤的补偿需求。

2、机器学习发展至今我们已并不陌生，作为人工智能的一个分支，它的学习和预测能力强大，能在给定的数据集中学习到数据的某些模式和分布，并以此预测其它数据。机器学习早在20世纪70年代就已经存在，随着计算需求和算力的不断增长，机器学习理论和算法取得突破性发展。近年来，更是凭借其智能学习和高度自适应等优势在具有确定性物理规律但是难以准确显式统计描述的应用场景中表现出色。目前，大多机器学习算法仍然主要用于解决分类和回归问题。常规的机器学习仅限于不超过两层的非线性特征转换层，而深度学习可以通过学习深度非线性网络结构来实现复杂的函数逼近。2006年，hinton在《science》上发表了一篇关于深度学习的论文，掀起了机器学习的新高潮。如今，深度学习相关算法，尤其是神经网络(neural network,nn)发展迅猛，并在计算机视觉、自然语言处理和语音识别等诸多领域取得了巨大成功。由于其强大的性能，神经网络在光纤通信领域也受到了广泛的关注，并被用于光网络性能监测，调制格式识别和信号损伤补偿的研究。

技术实现思路

1、为了解决光纤通信中计算复杂度高和泛化能力差的问题。本发明提供一种基于无监督学习神经网络的光纤通信信道均衡方法。

2、本发明的一种基于无监督学习神经网络的光纤通信信道均衡方法，具体为：

3、在数据发送端：

4、s1、将发射比特序列映射为m-qam信号。

5、s2、通过子载波映射模块将信号映射到分配的ofdm子载波上。

6、s3、将子载波映射后的频域信号进行快速傅里叶反变换，得到时域信号。

7、s4、加上训练序列和循环前缀，通过上采样、串并转换和滤波生成ofdm基带信号。

8、s5、将ofdm基带信号上变频后调制到光上，得到的ofdm信号按照光线路终端所分配的时隙发送出去。

9、在数据接收端：

10、s1、通过光电转换得到电信号，接着通过下变频，滤波和下采样得到ofdm基带信号。

11、s2、将解映射后的训练序列输入到无监督学习神经网络，作为该网络的真实标签。

12、无监督学习神经网络模块处理过程为：

13、s1、构建无监督学习神经网络模型。

14、s2、将随机生成的噪声序列z0作为模型输入，对模型进行训练，将训练得到的预测数据与接收端接收到的训练序列做损失计算。

15、s3、通过迭代让预测数据逐渐逼近真实标签。

16、s4、将损失最小的预测值与ls算法结合估计出信道响应矩阵，最终得到原始比特数据信号。

17、数据采集方法为：

18、1)matlab根据当前时间为随机种子产生log(m)*64*n的伪随机比特序列，生成的随机序列经过m-qam调制映射到64*n的星座向量中。

19、2)将64*n的qam符号经过子载波映射和ifft处理为ofdm信号，添加4个训练序列，循环前缀。

20、3)将matlab生成的ofdm信号发送到ofdm-pon仿真模型中进行处理。

21、4)将步骤3)产生的ofdm信号经过串并转换，滤波器，傅里叶变换后的qam符号转换为64*n的复数矢量；接收端取信号的实部和虚部，交织组成2*64*n的频域实值向量中，并将其训练序列存储为无监督学习模型的真实数据。

22、进一步的，无监督学习神经网络模型包含四个部分：(1)1×1卷积；(2)双线性上采样；(3)relu激活函数；(4)批归一化层。

23、首先，将一个固定的随机生成的噪声z0作为网络模型的输入，并且随机初始化网络，通过无监督学习神经网络模型输出，表达式如下：

24、

25、其中，θi为第i层隐藏层的参数，第0层到第l-1层隐藏层具有相同的结构，每层隐藏层都要经过1×1的卷积，2倍双线性上采样，relu激活函数和批归一化操作，具体表达式如下：

26、

27、z0是第0层隐藏层的输入，zi是第i层隐藏层的输入；其中，最后一层隐藏层没有进行上采样，其表达式如下：

28、

29、其中，θ＝(θ0,θ1,...,θl)是神经网络的所有参数，其优化规则如下：

30、

31、式中，y为接收到的未经任何处理的受损数据，每一次迭代的输入都是固定的随机噪声；随着信号迭代次数的增加，网络的输出会越来越像；最后优化好的神经网络模型的输出为：

32、

33、将上式中生成的低噪声信号与ls算法相结合，求出信道响应矩阵，最后根据信道响应矩阵进行信道损伤补偿。

34、本发明的有益技术效果为：

35、(1)本发明提出的基于无监督学习神经网络模型，不需要大量的标记数据，不需要预先训练模型，在实际应用中，可以适应其它任何光纤通信系统。大幅降低模型复杂度，提高模型泛化能力。

36、(2)本发明使用无监督学习网络模型做信道均衡，在复杂度与ls算法相当的条件下，提高了接收机灵敏度。

技术特征：

1.一种基于无监督学习神经网络的光纤通信信道均衡方法，其特征在于，具体为：

2.根据权利要求1所述的一种基于无监督学习神经网络的光纤通信信道均衡方法，其特征在于，所述无监督学习神经网络模型包含四个部分：(1)1×1卷积；(2)双线性上采样；(3)relu激活函数；(4)批归一化层；

技术总结
本发明公开了一种基于无监督学习神经网络的光纤通信信道均衡方法，具体为：在数据接收端，将解映射后的训练序列输入到无监督学习神经网络，无监督学习神经网络包括1×1卷积、双线性上采样、ReLU激活函数和批归一化层；将随机生成的噪声序列z<subgt;0</subgt;作为模型输入，对模型进行训练，将训练得到的预测数据与接收端接收到的训练序列做损失计算，通过迭代让预测数据逐渐逼近真实标签，将损失最小的预测值与LS算法结合估计出信道响应矩阵，最终得到原始比特数据信号。本发明不需要大量的标记数据，不需要预先训练模型，其模型复杂度与LS相当，同时实现了比LS算法更好的均衡效果。

技术研发人员：杨慧,郭虹,邓鹏程
受保护的技术使用者：西南交通大学
技术研发日：
技术公布日：2024/1/16