一种基于储备池计算的色散补偿方法

本发明涉及光通信，尤其涉及一种基于储备池计算的色散补偿方法。

背景技术：

1、强度调制直接检测(imdd)在短距离光传输中具有结构简单、功耗低的优点，然而，imdd系统的严重限制是色散，因为直接检测后相位信息会丢失，此外，大信号带宽和长光纤传输长度会导致imdd系统中的射频功率衰落效应；对于imdd传输，色散补偿技术主要包括光域和电域技术，传统的光学技术需要色散补偿光纤、啁啾变迹光纤布拉格光栅和环形谐振器等光学器件；由于光域色散补偿要么成本高，要么受环境温度和光功率引起的非线性效应影响较大，因此在短距离光传输中并未得到广泛应用。与光技术相比，电域色散补偿技术的优点是不需要改变发射机和接收机的结构，也不会引入光损耗。电域最常见的均衡器是前馈均衡器(ffe)和判决反馈均衡器(dfe)。ffe是一种线性均衡器，但其补偿性能较差。在直接检测系统中，由于平方律检测，线性光学畸变会成为电域中的非线性损伤，而线性ffe无法补偿这些非线性畸变。dfe是在ffe的基础上增加一个预测滤波器，以减少均衡器输出端的干扰方差，从而提高误码率性能。但是，dfe面临的一个主要问题是，当错误的均衡决策传递到反馈过程时，它们也会遭受错误传播的影响。

技术实现思路

1、本发明的目的在于克服现有技术的缺点，提供了一种基于储备池计算的色散补偿方法，解决了现有技术存在的不足。

2、本发明的目的通过以下技术方案来实现：一种基于储备池计算的色散补偿方法，所述色散补偿方法包括：

3、生成ook信号，对ook信号的每个符号进行采样，并将采样后的ook信号通过根升余弦滤波器进行脉冲整形；

4、通过理想强度光调制器对信号进行调制，将电信号转换为光信号，并将光信号注入到由标准单模光纤组成的光通道中；

5、通过光电探测器平方率检测在接收端将光信号转换为电信号，并通过模数转换器adc将信号转换为数字域后，通过根升余弦滤波器进行匹配滤波；

6、利用训练好的储备池对色散进行补偿得到输出信号，并对处理过的信号进行硬判决得到ook信号。

7、储备池是神经网络基于循环神经网络的，用大规模稀疏随机连接网络代替传统循环神经网络的隐藏层。通过训练网络的部分权值，大大简化了算法的训练过程，克服了传统递归神经网络结构难以确定和训练过程过于复杂的缺点。由于储备池具有反馈连接的神经网络架构，它可以通过形成信息循环的结构来学习和记忆过去观察的信息，使其能够补偿非线性效应，即imdd系统中的色散效应；

8、所述储备池包括输入层、储层和输出层；从均匀分布u(-1,1)中得到连接输入层和储层的权重矩阵win，维数为(n+b)×m；从二元分布中得到储层中神经元互连的概率，根据标准正态分布n(0,1)设定储层中连接神经元的权重矩阵wres，维数为m×m，得到储备池的状态方程为x[n]＝α·f(win·u[n]+wres·x[n-1])+(1-α)·x[n-1]，其中，α表示渗漏率，f表示激活函数，u[n]表示输入信号，n表示网络的输入，b表示偏置分量，m表示储层中神经元的数量；

9、用表示连接储层和输出的权重矩阵，维数为m×l，表示连接输入层和输出层之间的权重矩阵，维数为(n+b)×l，通过改变储备池的状态x[n]和输入信号u[n]获得输出信号其中，l表示网络的输出。

10、通过均衡过程对储备池进行训练，所述均衡过程包括对储层神经元的数量、谱半径和泄漏率三个确定储层结构的关键参数进行均衡，使储备池达到最佳效果。

11、所述过均衡过程对储备池进行训练包括：

12、从均匀分布u(-1,1)中得出连接输入层和存储层的权重矩阵win，根据稀疏度的大小，生成二元分布的储层权重矩阵wres，用正态分布n(0,1)替代储层权重矩阵wres的非零元素，根据谱半径的大小，重新缩放储层权重矩阵wres；

13、根据输入信号u[n]，利用储备池的状态方程得到储备池的状态x[n]＝α·f(win·u[n]+wres·x[n-1])+(1-α)·x[n-1]，并根据公式利用储备池的状态x[n]、输入信号u[n]和目标信号y[n]训练连接储层和输出层的权重矩阵和连接输入层和输出层之间的权重矩阵其中，b代表偏置项，λ为岭正则化因子，i为一个大小为m+n+1的单位矩阵；

14、输入信号u[n]，根据公式x[n]＝α·f(win·u[n]+wres·x[n-1])+(1-α)·x[n-1]和计算得到输出信号y[n]。

15、本发明具有以下优点：一种基于储备池计算的色散补偿方法，通过隐藏层的神经元之间的随机连接使储备池具有短期记忆能力，并且储备池内部拥有非常丰富的动力学特性，利用储备池的这两种特性对色散进行补偿，从而恢复原始信号。

技术特征：

1.一种基于储备池计算的色散补偿方法，其特征在于：所述色散补偿方法包括：

2.根据权利要求1所述的一种基于储备池计算的色散补偿方法，其特征在于：所述储备池用大规模稀疏随机连接网络代替传统循环神经网络的隐藏层，通过训练网络的部分权值以简化训练过程，且储备池具有反馈连接的神经网络架构，通过形成信息循环的结构来学习和记忆过去观察的信息，使其能够补偿非线性效应，即imdd系统中的色散效应；

3.根据权利要求2所述的一种基于储备池计算的色散补偿方法，其特征在于：通过均衡过程对储备池进行训练，所述均衡过程包括对储层神经元的数量、谱半径和泄漏率三个确定储层结构的关键参数进行均衡，使储备池达到最佳效果。

4.根据权利要求3所述的一种基于储备池计算的色散补偿方法，其特征在于：所述过均衡过程对储备池进行训练包括：

技术总结
本发明涉及一种基于储备池计算的色散补偿方法，属于光通信技术领域，包括：生成信号并进行采样，将采样后的信号通过根升余弦滤波器进行脉冲整形；通过理想强度光调制器对信号进行调制，将电信号转换为光信号，将光信号注入到由标准单模光纤组成的光通道中；通过光电探测器平方率检测在接收端将光信号转换为电信号，并通过模数转换器将信号转换为数字域后，通过根升余弦滤波器进行匹配滤波；利用训练好的储备池对色散进行补偿得到输出信号，并对处理过的信号进行硬判决。本发明通过隐藏层的神经元之间的随机连接使储备池具有短期记忆能力，并且储备池内部拥有非常丰富的动力学特性，利用储备池的这两种特性对色散进行补偿，从而恢复原始信号。

技术研发人员：董一娴,石依倩,闫连山,邹喜华,潘炜
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：2024/3/11