基于门控循环神经网络的非线性均衡方法技术

本发明专利技术公开了一种基于门控循环神经网络的非线性均衡方法，包括：确定门控循环神经网络模型，利用训练样本数据训练所述门控循环神经网络模型，得到初步训练后的门控循环神经网络模型；对所述初步训练生成的门控循环神经网络模型进行优化处理；对优化处理后的门控循环神经网络模型进行修剪处理；利用训练样本数据，对修剪处理后的门控循环神经网络模型进行再训练，得到训练后的门控循环神经网络模型；利用所述训练后的门控循环神经网络模型进行非线性估计或是均衡处理，能够实现高性能低复杂度的非线性损失补偿功能。

Nonlinear equalization method based on gated cyclic neural network

【技术实现步骤摘要】
基于门控循环神经网络的非线性均衡方法
本专利技术涉及光通信
，特别是指一种基于门控循环神经网络的非线性均衡方法。
技术介绍
光传输系统和光接入网中存在的非线性效应对信号传输性能、信号质量等造成了很大的影响。传统的非线性均衡算法复杂度很大，依赖于链路信息，实现困难，在应用上有很大的局限性。目前已有的基于机器学习的非线性均衡算法虽然可以用较低复杂度实现与传统算法相近的性能，但是，大部分基于人工神经网络和支持向量机的非线性均衡算法存在训练开销大、收敛速度慢、Q因子提升幅度较小的问题，基于模糊逻辑C均值的聚类方案在系统传输所用调制格式阶数方面存在很大的限制性。
技术实现思路
有鉴于此，本专利技术的目的在于提出一种基于门控循环神经网络的非线性均衡方法，能够实现高性能低复杂度的非线性损失补偿功能。基于上述目的，本专利技术提供了一种基于门控循环神经网络的非线性均衡方法，包括：确定门控循环神经网络模型，利用训练样本数据训练所述门控循环神经网络模型，得到初步训练后的门控循环神经网络模型；对所述初步训练生成的门控循环神经网络模型进行优化处理；对优化处理后的门控循环神经网络模型进行修剪处理；利用训练样本数据，对修剪处理后的门控循环神经网络模型进行再训练，得到训练后的门控循环神经网络模型；利用所述训练后的门控循环神经网络模型进行非线性估计或是均衡处理。可选的，所述门控循环神经网络模型包括一个输入层、多个隐藏层和一个输出层，所述输入层用于将输入数据的实部和虚部分离，所述隐藏层中的每个神经元均为一个门控循环单元，所述输入层与第一隐藏层全连接，最后一个隐藏层与所述输出层全连接，所述输出层用于将隐藏层输出数据的实部和虚部合并，所述输出层与所述输入层之间设置记忆单元。可选的，所述训练后的门控循环神经网络模型部署于光传输系统的发送端，用于非线性损失预估。可选的，所述训练后的门控循环神经网络模型部署于光传输系统的接收端，用于进行非线性均衡处理。可选的，所述方法还包括：从光传输系统的接收端采集原始数据，对原始数据进行预处理得到所述训练样本数据，包括：对于同一信道内的相邻符号数据，按照三元组方式进行处理，得到所述训练样本数据；对于相邻信道间的相邻符号数据，按照三元组方式进行处理，得到所述训练样本数据；其中，Xm、Xn、Xm+n为同一信道内的第m、n、m+n时刻的符号数据，为Xm+n的共轭，Ym+n为相邻信道第m+n时刻的符号数据，为Ym+n的共轭。可选的，所述方法还包括：从光传输系统的接收端接收的数据，先进行去直流、色散补偿、频偏补偿、重采样、帧同步、解调处理，处理之后得到复数形式的符号数据；之后，对于复数形式的符号数据，将实部和虚部分开，利用若干符号数据的实部和虚部构建二维矩阵序列，得到所述训练样本数据。可选的，所述门控循环神经网络模型的参数采用随时间进行反向传播算法进行训练。可选的，采用Adam优化算法对所述门控循环神经网络模型的网络参数进行迭代更新，基于所述训练样本数据迭代地更新所述门控循环神经网络模型的权重值。可选的，对所述优化处理后的门控循环神经网络模型进行修剪处理的方法是，如果第一神经元与其他神经元之间连接的权值低于预设的阈值，则删除所述第一神经元。从上面所述可以看出，本专利技术提供的基于门控循环神经网络的非线性均衡方法，通过利用训练样本数据训练门控循环神经网络模型，得到初步训练后的门控循环神经网络模型，对初步训练生成的门控循环神经网络模型进行优化处理；对优化处理后的门控循环神经网络模型进行修剪处理；利用训练样本数据，对修剪处理后的门控循环神经网络模型进行再训练，得到训练后的门控循环神经网络模型；本专利技术可利用训练后的门控循环神经网络模型进行非线性估计或是均衡处理，实现高性能低复杂度的非线性损失补偿功能。附图说明为了更清楚地说明本专利技术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简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，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为本专利技术实施例的方法流程示意图；图2为本专利技术实施例的门控循环神经网络结构示意图；图3为本专利技术实施例的门控循环单元的结构示意图；图4为本专利技术实施例的应用场景示意图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本专利技术进一步详细说明。需要说明的是，本专利技术实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量，可见“第一”“第二”仅为了表述的方便，不应理解为对本专利技术实施例的限定，后续实施例对此不再一一说明。图1为本专利技术实施例的方法流程示意图。如图所示，本专利技术实施例提供的基于门控循环神经网络的非线性均衡方法，包括：S10：采集原始数据；本专利技术实施例中，在光传输系统的接收端采集原始数据，具体是，对于经过光接收机之后、解调器之前的数据，利用示波器采集获取所需原始数据，将原始数据保存于数据库中，以备后续处理。S11：对原始数据进行预处理，得到训练样本数据；本专利技术实施例的门控循环神经网络可应用于光传输系统的发送端，作为预测模型进行非线性预补偿。这种情况下，对原始数据进行预处理的方法是，将原始数据处理成符号数据，对于同一信道内的相邻符号数据，按照三元组方式进行处理，得到训练样本数据；对于相邻信道间的相邻符号数据，按照三元组方式进行处理，得到训练样本数据；其中，Xm、Xn、Xm+n为同一信道内的第m、n、m+n时刻的符号数据，为Xm+n的共轭，Ym+n为相邻信道第m+n时刻的符号数据，为Ym+n的共轭。例如，以QPSK为例，发送数据经发送端进行编码调制之后形成复数形式的符号数据，假设同一信道内m时刻的符号数据Xm为1.0000-1.0000i，n时刻的符号数据Xn为1.0000+1.0000i，m+n时刻的符号数据Xm+n为-1.0000-1.0000i，则将Xn、Xm、三个符号数据相乘后得到三元组为-2.0000+2.0000i。本专利技术实施例的门控循环神经网络模型可应用于光传输系统的接收端，作为分类模型进行非线性后补充。这种情况下，对于从接收端接收的数据，先进行去直流、色散补偿、频偏补偿、重采样、帧同步、解调处理，处理之后得到复数形式的符号数据；之后，对于复数形式的符号数据，将实部和虚部分开，利用若干符号数据的实部和虚部构建二维矩阵序列，得到训练样本数据，二维矩阵序列的第i个元素为{Ii，Qi}，其中，Ii为第i个符号数据的实部，Qi为第i个符号数据的虚部；对于二维矩阵序列的每个元素，根据调制方式，确定对应的标签。例如，对于QPSK调制方式，结合其星座图所示，元素{0,0}对应的标签为0，元素{0,1}对应的标签为1，元素{1,0}对应的标签为2，元素{1,1}对应的标签为3；对于1本文档来自技高网...

【技术保护点】
1.一种基于门控循环神经网络的非线性均衡方法，其特征在于，包括：/n确定门控循环神经网络模型，利用训练样本数据训练所述门控循环神经网络模型，得到初步训练后的门控循环神经网络模型；/n对所述初步训练生成的门控循环神经网络模型进行优化处理；/n对优化处理后的门控循环神经网络模型进行修剪处理；/n利用训练样本数据，对修剪处理后的门控循环神经网络模型进行再训练，得到训练后的门控循环神经网络模型；/n利用所述训练后的门控循环神经网络模型进行非线性估计或是均衡处理。/n

【技术特征摘要】
1.一种基于门控循环神经网络的非线性均衡方法，其特征在于，包括：
确定门控循环神经网络模型，利用训练样本数据训练所述门控循环神经网络模型，得到初步训练后的门控循环神经网络模型；
对所述初步训练生成的门控循环神经网络模型进行优化处理；
对优化处理后的门控循环神经网络模型进行修剪处理；
利用训练样本数据，对修剪处理后的门控循环神经网络模型进行再训练，得到训练后的门控循环神经网络模型；
利用所述训练后的门控循环神经网络模型进行非线性估计或是均衡处理。


2.根据权利要求1所述的方法，其特征在于，
所述门控循环神经网络模型包括一个输入层、多个隐藏层和一个输出层，所述输入层用于将输入数据的实部和虚部分离，所述隐藏层中的每个神经元均为一个门控循环单元，所述输入层与第一隐藏层全连接，最后一个隐藏层与所述输出层全连接，所述输出层用于将隐藏层输出数据的实部和虚部合并，所述输出层与所述输入层之间设置记忆单元。


3.根据权利要求1所述的方法，其特征在于，所述训练后的门控循环神经网络模型部署于光传输系统的发送端，用于非线性损失预估。


4.根据权利要求1所述的方法，其特征在于，所述训练后的门控循环神经网络模型部署于光传输系统的接收端，用于进行非线性均衡处理。


5.根据权利要求3所述的方法，其特征在于，还包括：从光传...

【专利技术属性】
技术研发人员：李亚杰，张杰，刘守东，赵永利，张会彬，雷超，赵瑛琪，
申请(专利权)人：北京光锁科技有限公司，北京邮电大学，
类型：发明
国别省市：北京;11