基于逐比特估计神经网络的光纤非线性均衡方法及系统

本发明涉及光纤通信，具体为一种基于逐比特估计神经网络的光纤非线性均衡方法及系统。

背景技术：

1、在相干光通信系统朝着长距离大容量方向发展的过程中，高速光信号在传输时会受到来自器件以及光纤的线性和非线性损伤，造成系统传输性能的劣化。其中线性补偿算法如色散补偿、频偏估计、相位恢复等算法已经较为成熟，能够取得较好的效果。然而随着速率的提升，非线性效应对信号的影响越来越大，因此光纤非线性的均衡对于相干光通信系统的进一步发展有着重要意义。

2、神经网络作为一种应用范围广泛的技术，随着数据量的爆炸性增长，其在光通信和网络领域中的应用也越来越受到关注，神经网络辅助优化非线性均衡即为一个重要的研究方向。

3、神经网络在有足够的计算能力并且在足够的数据集上进行训练时，几乎可以模拟任何复杂函数，因此神经网络在解决复杂的非线性问题时尤为有效，这让其成为光纤非线性均衡的天然工具。

4、然而现有神经网络大多采用分类或回归方式均衡非线性，分类方式在面对高阶调制格式时复杂度过高，回归方式在面对高阶调制格式时可能会受限于对信号细节的建模能力，因为回归是通过最小化预测输出和真实值之间的差异来进行的。高阶调制格式，如64-qam或256-qam，在信号的振幅和相位上包含更多的信息层次，这使得信号的非线性特性更加显著，也就需要神经网络模型有更高的表达能力来捕捉这些细节。

技术实现思路

1、本发明针对现有神经网络补偿方式的上述问题，提供一种基于逐比特估计神经网络的光纤非线性均衡方法及系统，采用逐比特估计而不是分类、回归方式来搭建神经网络，提升了非线性均衡的性能并降低了复杂度，且使神经网络更易用于高阶调制格式。

2、本发明所采用的技术方案如下：

3、一种基于逐比特估计神经网络的光纤非线性均衡方法，包括以下步骤：

4、s1、获取相干光通信系统发端m-qam数据，将其转换为其调制格式对应的比特，作为神经网络标签；

5、s2、对经过相干光通信系统传输的信号进行线性均衡，获得只保留了非线性效应的数据，作为神经网络数据；

6、s3、对s1、s2得到的数据进行处理，构建数据对应的特征序列和标签，并基于特征序列和标签构建训练集与测试集；

7、s4、构建基于逐比特估计的cnn-bigru神经网络，利用s3的训练集训练并优化神经网络；

8、s5、利用s4训练好的神经网络基于s3的测试集预测对应的发端数据。

9、优选的，s1具体为：

10、获取相干光通信系统发端m-qam信号，根据其编码方式将每个符号转为对应的二进制比特，每个m-qam信号对应log2 m个比特，这些比特组合为yi＝[b1,b2,…,blog2(m)]，yi即为神经网络标签。

11、优选的，s2中的所述线性均衡具体为：

12、对经过相干光通信系统传输的信号进行处理，包括：iq正交化处理、色散补偿、频偏估计、rrc低通滤波、降采样、偏振解复用、相位估计。

13、优选的，s3具体为：

14、s3.1、将s2得到的x、y偏振态信号xi、yi分为实部、虚部并组合为一个数据ri，考虑前后k个数据，将它们组合为特征序列xi；

15、s3.2、利用特征序列xi与s1得到的神经网络标签yi构造训练集与测试集。

16、优选的，s3.1具体为：

17、对于x偏振方向上的复值信号，将其分解为xi＝[ix,qx]，对于y偏振方向上的复值信号，将其分解为yi＝[iy,qy]，然后将它们组合为数据ri＝[ix,qx,iy,qy]；

18、考虑ri前后k个数据并将它们组合得到特征序列xi＝[ri-k,…,ri-1,ri,ri+1,…,ri+k]。

19、优选的，s3.2具体为：

20、利用特征序列xi与神经网络标签yi构造训练集{xi,yi}；

21、并根据s1-s3使用新数据构造测试集。

22、优选的，s4具体为：

23、构建基于逐比特估计的cnn-bigru神经网络，包括：输入层、cnn层、bigru层、平坦层、全连接层、sigmoid层、输出层；

24、基于反向传播算法、adam优化器，通过最小化损失函数，使用所述训练集xi,yi}训练所述基于逐比特估计的cnn-bigru神经网络，并优化神经网络各个参数。

25、优选的，所述损失函数为bce loss函数，即二元交叉熵损失函数，具体表示为：

26、

27、其中，ai是二元标签0或1，p(ai)是输出属于标签的概率，n表示预测对象的组数。

28、优选的，s5具体为：

29、通过s4中训练并优化过的神经网络对测试集数据进行预测，获得当前特征序列对应的预测标签，即为预测的发端m-qam信号对应的比特。

30、一种基于逐比特估计神经网络的光纤非线性均衡系统，包括以下模块：

31、标签获取模块：获取相干光通信系统发端m-qam数据，将其转换为其调制格式对应的比特，作为神经网络标签；

32、数据获取模块：对经过相干光通信系统传输的信号进行线性均衡，获得只保留了非线性效应的数据，作为神经网络数据；

33、序列构建模块：对数据获取模块得到的神经网络数据进行处理，构建数据对应的特征序列；

34、数据集构建模块：基于序列构建模块的特征序列和标签获取模块的神经网络标签构建训练集与测试集；

35、模型构建模块：构建基于逐比特估计的cnn-bigru神经网络；

36、模型训练模块：利用数据集构建模块的训练集训练并优化神经网络；

37、模型预测模块：利用模型训练模块训练好的神经网络基于数据集构建模块的测试集预测对应的发端数据。

38、本发明具有如下特点和优势：

39、本发明公开了一种基于逐比特估计神经网络的光纤非线性均衡方法及系统，通过获取相干光通信系统发端m-qam数据，将其转换为其调制格式对应的比特，作为神经网络标签；对经过相干光通信系统传输的信号进行线性均衡，获得只保留了非线性效应的数据，作为神经网络数据；对数据进行处理，构建数据对应的特征序列，并基于特征序列和标签构建训练集与测试集；构建基于逐比特估计的cnn-bigru神经网络，利用训练集训练并优化神经网络；利用训练好的神经网络基于测试集预测对应的发端数据。实现了光纤非线性均衡性能的提升，且可适用于长距离、高阶调制格式及多通道系统。

技术特征：

1.一种基于逐比特估计神经网络的光纤非线性均衡方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于逐比特估计神经网络的光纤非线性均衡方法，其特征在于，s1具体为：

3.根据权利要求1所述的方法，其特征在于，s2中的所述线性均衡具体为：

4.根据权利要求1所述的一种基于逐比特估计神经网络的光纤非线性均衡方法，其特征在于，s3具体为：

5.根据权利要求4所述的一种基于逐比特估计神经网络的光纤非线性均衡方法，其特征在于，s3.1具体为：

6.根据权利要求5所述的一种基于逐比特估计神经网络的光纤非线性均衡方法，其特征在于，s3.2具体为：

7.根据权利要求1所述的一种基于逐比特估计神经网络的光纤非线性均衡方法，其特征在于，s4具体为：

8.根据权利要求7所述的一种基于逐比特估计神经网络的光纤非线性均衡方法，其特征在于，所述损失函数为bce loss函数，即二元交叉熵损失函数，具体表示为：

9.根据权利要求1所述的一种基于逐比特估计神经网络的光纤非线性均衡方法，其特征在于，s5具体为：

10.一种基于逐比特估计神经网络的光纤非线性均衡系统，其特征在于，包括以下模块：

技术总结本发明涉及光纤通信技术领域，具体公开了一种基于逐比特估计神经网络的光纤非线性均衡方法及系统。所述方法包括：获取相干光通信系统发端M‑QAM数据，将其转换为其调制格式对应的比特，作为神经网络标签；对经过相干光通信系统传输的信号进行线性均衡，获得只保留了非线性效应的数据，作为神经网络数据；对数据进行处理，构建数据对应的特征序列，并基于特征序列和标签构建训练集与测试集；构建基于逐比特估计的CNN‑BiGRU神经网络，利用训练集训练并优化神经网络；利用训练好的神经网络基于测试集预测对应的发端数据。本方法实现了光纤非线性均衡性能的提升并降低了复杂度，且可适用于长距离、高阶调制格式及多通道系统。技术研发人员：罗风光,丁畅,邱天,王旭,谭勇,饶书昊,苏祎桓,李祯民受保护的技术使用者：华中科技大学技术研发日：技术公布日：2024/10/17