一种基于滑动窗口的LSTM网络光通信信号均衡方法

(一)本发明涉及光通信数字信号处理领域，具体涉及一种基于滑动窗口的lstm网络光通信信号均衡方法。

背景技术：

0、(二)背景技术

1、随着深度学习的出现和发展，基于机器学习的均衡已经成为光通信领域的研究热点。大量研究表明，现有均衡技术，如正向反馈均衡器(ffe)、判决反馈均衡和vne均衡存在复杂度和适应性局限，而应用神经网络可以成为非线性均衡任务的一种有前途的解决方案。lstm是一种特殊类型的rnn，能够解决长序列训练中的梯度消失和梯度爆炸问题。lstm网络设计为通过时间向前和向后搜索来挖掘时间序列的时间相关性，可以充分逼近任意复杂的非线性关系，其自学习、自组织、自适应特性充分说明了应用于通信系统的均衡的可行性，且相比于传统的非线性均衡方法具有显著的优势。然而，非线性系统中数据存在时间相关性，使用这些数据直接进行预测意味着数据的时间序列特征没有被利用，并且未来的数据在训练过程中不起作用。相比之下，基于窗口的方法可以生成更多维度的数据，反映过去和当前数据之间的关系。然而，在现有的基于窗口的方法中，窗口大小的选择通常是随机的，这意味着针对于不同规模和系统的数据之间的周期性特征的差异不能被反映。

技术实现思路

0、(三)
技术实现要素：

1、针对现有技术存在的问题，本发明公开了一种基于滑动窗口的lstm网络光通信信号均衡方法，包括：

2、在发射端对信号进行预处理；所述的预处理方法包括信号调制、上采样、根升余弦滚降脉冲成形、添加置零前缀和训练同步序列；

3、经过信道传输得到接收信号，在接收端对信号进行数字信号处理；所述的数字信号处理包括重采样、符号同步、滤波成形和抽样量化；

4、基于滑动窗口的lstm网络进行网络训练，以建立信号均衡模型；

5、基于训练好的信号均衡模型，对接收信号进行均衡，通过信号解调恢复出原始信号。

6、进一步地，所述的基于滑动窗口的lstm网络进行网络训练，以建立信号均衡模型方法，包括：

7、获取不同场景下的样本信号，所述的不同场景包括毫米波通信和太赫兹通信等光通信场景，接收的信号序列作为样本信号；

8、调节滑动窗口的维度，将样本信号以相同长度进行分割堆叠形成样本信号矩阵；

9、以发射端原始信号的符号幅度作为所述样本信号的标签，在样本信号矩阵的基础上生成样本信号集；

10、对所述样本信号集以固定比例进行划分，然后分别进行归一化和以确定批次尺寸进行分批训练的打包操作，得到样本信号训练集和样本信号测试集。

11、根据样本信号训练集，对基于滑动窗口的lstm网络进行训练，采用信号均衡模型训练方法，得到训练完成的信号均衡模型；所述的信号均衡模型训练方法包括将样本信号训练集的训练数据接入输入层，经过lstm层后送入全连接层进行处理，得到均衡后的符号输出；使用交叉熵作为均衡和判决的损失函数，通过均衡后符号输出和对应样本信号标签进行损失函数计算，若训练过程中所述信号均衡模型的损失函数收敛至预设阈值，则完成训练得到训练好的信号均衡模型。

12、进一步地，所述的基于训练好的信号均衡模型，对接收信号进行均衡，通过信号解调恢复出原始信号，包括：

13、根据样本信号测试集，使用信号均衡模型进行输出，将所述样本信号测试集的测试数据输入训练好的信号均衡模型，输出得到样本信号测试集的样本均衡结果，对样本均衡结果进行信号解调恢复出原始信号。

技术特征：

1.一种基于滑动窗口的lstm网络光通信信号均衡方法，其特征在于，所述的方法包括以下步骤：

2.如权利要求1所述的一种基于滑动窗口的lstm网络光通信信号均衡方法，其特征在于，所述的基于滑动窗口的lstm网络进行网络训练，以建立信号均衡模型方法，包括：

3.如权利要求1所述的一种基于滑动窗口的lstm网络的信号光通信均衡方法，其特征在于，所述的基于训练好的信号均衡模型，对接收信号进行均衡，通过信号解调恢复出原始信号，包括：根据样本信号测试集，使用信号均衡模型进行输出，将所述样本信号测试集的测试数据输入训练好的信号均衡模型，输出得到样本信号测试集的样本均衡结果，对样本均衡结果进行信号解调恢复出原始信号。

技术总结
本发明公开了一种基于滑动窗口的LSTM网络光通信信号均衡方法，包括：在发射端对信号进行预处理；经过信道传输得到接收信号，在接收端对信号进行数字信号处理；基于滑动窗口长短期记忆网络(LSTM)进行网络训练，以建立信号均衡模型；基于训练好的信号均衡模型，对接收信号进行均衡，通过信号解调恢复出原始信号。本发明提出的方法可用于毫米波通信和太赫兹通信等光通信场景，以实现信号均衡，有效纠正信号畸变，达到性能的改善和优化。

技术研发人员：何晶,应驰
受保护的技术使用者：湖南大学
技术研发日：
技术公布日：2024/4/17