一种光通信MIMO检测方法及系统技术方案

本发明专利技术公开了一种光通信MIMO检测方法及系统，所述检测方法包括以下步骤：获取光通信系统发送端的输入信号d(t)，信道矩阵H，接收端的端口输出R

【技术实现步骤摘要】
一种光通信MIMO检测方法及系统
本专利技术涉及光通信
，更具体的，涉及一种光通信MIMO检测方法及系统。
技术介绍
传统的时分复用、波分复用和偏振复用等技术成功提高了光通信系统的信道利用率和传输效率。随着通信技术的发展，模分复用(ModeDivisionMultiplexing，MDM)技术进一步地提高了光通信的信道利用率，渐变型光信道的出现使得单个信道支持的模式数量日益升高，通过多输入多输出(MultipleInputMultipleOutput，MIMO)技术能够有效地提升光通信系统的性能。多模传输虽然提高了光通信的效率和速度，但是在光传输过程中每个模式内和多个模式之间会发生非线性耦合的现象。传统的光通信系统采用信道均衡化技术，在发送端发送训练信号，在接收端计算传输产生的误差，然后根据这些误差结果搜索均衡器的最佳参数集。现有技术1《基于自适应滤波算法的FIRMIMO系统均衡》，其公开了基于自适应滤波算法的自适应均衡方法，该算法将信道均衡模型建模成滤波模型，滤波模型使MIMO系统均衡问题中均衡器的设计问题转化为自适应滤本文档来自技高网...

【技术保护点】
1.一种光通信MIMO检测方法，其特征在于：所述检测方法包括以下步骤：/nS1：获取光通信系统发送端的输入信号d(t)，信道矩阵H，接收端的端口输出R

【技术特征摘要】
1.一种光通信MIMO检测方法，其特征在于：所述检测方法包括以下步骤：
S1：获取光通信系统发送端的输入信号d(t)，信道矩阵H，接收端的端口输出Rx(t)＝[rx1(t),rx2(t),...,rxN(t)]T∈CN；
S2：构建一个M层的全连接深度神经网络，表示为一个映射函数f(x0；θ):RD0→RDM，经过M次迭代将输入向量x0∈RD0变换为输出向量xM∈RDM，其中x0＝[Re(rx1(t)),Im(rx1(t)),Re(rx2(t)),Im(rx2(t)),...,Re(rxN(t)),Im(rxN(t))]，迭代过程定义为：
xm＝fm(xm-1；θm)
式中：xm＝fm(xm-1；θm)表示RDm-1→RDm为第M层的映射函数，θm为神经网络的参数，xm-1为前一层的输出向量；
S3：采用不同CN数据对全连接深度神经网络进行训练，训练过程采用一阶优化算法基于成本函数的梯度计算，动态更新参数θ，最小化J(θ)的期望值，训练的目标函数定义为：



式中，L(u,v)为每个样本的成本函数，x(i)为全连接深度神经网络的输入，y(i)为x(i)的期望输出；f(x(i)；θ)为全连接深度神经网络的输出；CN表示给定信道的相关属性，信道矩阵H的CN矩阵表示为20log10(||H||||H-1||)≥0(dB)，其中||.||表示求范数的运算；
S4：输入的信号d(t)∈BN经过步骤S3训练得到全连接深度神经网络输出d’(t)∈BN，完成检测MIMO信号，其数学式为：
d’(t)＝H-1Hd(t)
式中：H∈CN×N为信道矩阵，C表示复数集；H-1表示全连接深度神经网络的输出。


2.根据权利要求1所述的光通信MIMO检测方法，其特征在于：步骤S2，所述第M层的映射函数表示为：
fm(xm-1；θm)＝σ(Wmxm-1+bm)
式中，Wm∈RDm-1×Dm，bm∈RDm，σ()为激活函数，第m层的参数集表示为θm＝{Wm,bm}。


3.根据权利要求2所述的光通信MIMO检测方法，其特征在于：步骤S3，对全连接深度神经网络的训练，所述的一阶优化算法采用梯度一阶矩和二阶矩的估计来计算每个参数的自适应学习率。


4.根据权利要求3所述的光通信MIMO检测方法，其特征在于：步骤S3的训练过程具体如下：
S301：首先随机初始化参数θ＝θ0，一阶矩、二阶矩分别初始化为s＝0和β＝0；一阶矩的指数衰减率ρ1初始化为缺省值0.9，二阶矩的指数衰减率ρ2初始化为缺省值0.999，步长设为缺省值ε＝0.001；
S302：成本函数的梯度计算式为：



式中：t为迭代...

【专利技术属性】
技术研发人员：杨恺，王军，赵美玲，杨润丰，麦强，陈晓宁，司马嘉欣，
申请(专利权)人：东莞职业技术学院，
类型：发明
国别省市：广东;44