一种自适应机器学习均衡方法及通信系统技术方案

本发明专利技术公开了一种自适应机器学习均衡方法及通信系统。本方法为：1)选取一基于高斯混合模型的均衡器并对其进行线下训练；2)发送端利用训练后的该均衡器对所要发送的数据段进行编码后经传输信道发送给接收端；3)接收端将接收的信号转化为数字信号并对其进行重采样、零均值标准化；然后对其中每一符号j，将该符号j及其前后L个符号所对应的标准化接收信号相拼接，作为该符号j的特征向量；4)接收端利用训练后的该均衡器对该符号j的特征向量进行处理，输出该符号j及其前后L个符号中各符号均衡后的判决结果；其中，每接收设定数量N

【技术实现步骤摘要】
一种自适应机器学习均衡方法及通信系统


[0001]本专利技术属于通信
，涉及新型通信系统中针对基于机器学习均衡算法进行自适应参数调整的关键技术，具体涉及在借助线上自适应参数调整过程中引入滑动窗口和最大后验概率算法技术，以提高机器学习均衡算法的泛化性能、降低通信系统误码率的技术。
技术背景
[0002]近年来，随着互联网等信息科技的不断发展，互联网应用程序已经从简单的邮件收发、文本图片传输等基本需求发展到即时视频通信，在线视频观看，高速视频下载等高等需求。因此，上述需求的转变对于数据的传输提出了很高的要求。通信技术在人类信息时代中发挥着至关重要的作用，而在当今多种主流的通信当中，作为承载着主要干道通信的光纤通信对于数据传输速率大小具有决定性的作用。在经过多年技术的发展，光纤通信系统的传输速率已经能够达到每秒上百Tbit，使得上述高等需求的实现成为了可能。同样作为互联网，数据交换的中心和云计算服务的数据中心，光纤通信同样起到了不可忽视的作用。
[0003]为了不断满足高传输速率的需求，研究者们就提高通信系统的容量做了大量的研究工作，其中数字信号处理(DSP)技术能够有效地改善误码率(BER)性能，因此DSP技术是能有效提高通信系统传输速率的关键技术。然而目前普遍采用的传统均衡算法,例如前馈均衡(FFE)、判决反馈均衡(DFE)、最大似然序列估计(MLSE)，这些传统的均衡器都是依赖接收信号对信道进行建模，再借助均衡算法对发端发送过来的信号进行判断。上述DSP算法都是基于丰富的专家知识来设计的，并且MLSE在某些特定的信道模型下可以证明是最优的算法。然而，在实际系统中不仅仅存在码间串扰(ISI)等线性问题，往往还存在着许多非线性问题，例如非线性克尔效应，平方律检测等，传统的均衡器很难对这些非线性效应进行有效地均衡。因此为了进一步提高数据传输速率，许多研究人员提出了基于机器学习的均衡算法。由于机器学习具有强大的数据拟合能力，所以基于机器学习的均衡算法相比于传统均衡算法，能够达到更好的误码率性能。
[0004]本专利技术所描述的系统和所提出的技术，建立在使用机器学习算法对接收信号进行均衡的技术之上。当前已经提出的基于机器学习的均衡算法，其工作模式通常是采用线下的数据进行训练得到模型的参数，然后将训练好的模型进行线上均衡。然而，在实际的光通信系统中器件的温度会随着工作的时间的增加而产生变化，从而导致信道特性会发生变化。因此，信道发生变化时如何能够自适应地对模型进行调整仍然是个需要解决的难题。考虑到这一自适应调整模型的需求，本专利技术针对机器学习均衡算法提出了一类基于半监督学习的在线更新参数方案，同时不需要发端提供发送队列数据，同时加快模型在线微调的收敛速度，从而使得基于机器学习的均衡算法灵活性得到极大的提升。

技术实现思路

[0005]根据文献调研，当使用基于机器学习的均衡算法对接收信号进行均衡和判决时，
首先往往需要在给定的信道条件下采集大量的数据，然后用采集到的数据对模型进行线下训练，在相关的学术论文研究中，基于机器学习的均衡器能够有效地消除非线性效应并且取得很好的误码率性能，但是基于机器学习的均衡器面临的最严重的问题就是泛化性能弱，这对于基于机器学习的均衡器能否在某些特定的场景中取代传统的均衡器至关重要。在实际通信系统中，系统所处的外部环境以及信道参数均可能发生缓慢变化，导致接收数据的概率分布不同于线下训练阶段所使用的训练集的概率分布。因此，虽然离线训练的机器学习均衡器能够在特定信道条件下获得的测试集上表现出更好的性能，但如果接收数据的分布偏离原始分布时，其性能就会严重下降。以数据中心中的短距离光互连系统为例，当环境温度波动，或光学器件仍处于预热阶段时，就会出现类似的问题。传统均衡算法通过自适应地微调模型参数来解决这一问题。具体来说，有两种不同的工作模式：训练序列模式和判决反馈模式。使用训练序列意味着发端需要额外发送一段训练序列，对于接收端而言这一段序列是已知的，因此可以借助相应算法对模型参数进行调整；如果工作在判决反馈模式，则接收端会默认现有模型对当前符号的判断是正确的，即认为现有模型的判决结果是正确的，在此基础上调整模型参数。原则上讲，基于机器学习的均衡器可以工作在训练序列模式。然而，使用标准中规定的较短训练序列对模型进行训练往往会导致其他问题。有文献提出基于机器学习的均衡器对于较短序列和伪随机序列容易过拟合，模型在训练序列上准确率很高但用其他数据测试时效果明显变差。另一方面，由于机器学习模型的参数较多，训练过程的收敛速度一般比较缓慢。我们还必须考虑到，在某些应用场景下，发端提供训练序列的代价较大(有时甚至是不现实的)。因此，针对机器学习均衡算法开发基于判决反馈的自适应参数调整算法是十分必要的。
[0006]本专利技术针对上述问题，借助机器学习当中的半监督学习算法，针对机器学习均衡器提出了一种自适应机器学习均衡方法及通信系统，在信道条件发生变化的情况下通过调整模型来维持较低的误码率，且本专利技术涉及的算法完全不需要发端提供训练序列。
[0007]一、基于半监督学习的基于高斯混合模型(GMM)均衡器参数自适应调整方案
[0008]1)对于任何一个基于高斯混合模型的均衡器(不论其具体结构如何，是否涉及卷积层或循环层)，首先需要在初始的训练集上进行线下训练。线下训练完成后，系统上线，此后的均衡和参数调整均在线进行，初始训练集被抛弃。
[0009]2)系统上线后，发送端对所要发送的数据段进行编码，同时持续地发送信号；信号经过信道传输，波形发生畸变；接收端用相应器件(如光电二极管)接收，将物理信号转化为电信号，再经过模数转换，变为数字信号，从而可以方便地在计算机内部进行数字信号处理的相关操作。
[0010]3)在接收端对接收到的数字信号进行重采样、零均值标准化；对于其中每一个符号，将这一符号及其前后L个符号(共2L+1个符号)所对应的标准化接收信号相拼接，作为这一个符号的输入特征向量。
[0011]4)得到输入特征向量之后，便可以在接收端借助基于高斯混合模型均衡器对接收信号进行处理，并输出序列中各个符号的均衡后的判决结果。
[0012]5)每接收一定数量N
b
的输入特征向量(称为一“批”，英文batch)，就根据这一个batch的数据对基于高斯混合模型参数进行在线更新。
[0013]6)若发送端完成所有信息的发送，接收端数据处理完毕，则系统可停止运行。
[0014]7)此时，基于高斯混合模型所作出过的所有判决都会被转化为比特流，并由接收端进行后续的信息提取、解读等操作。
[0015]整个通信系统的示意图如图1所示；完整的工作流程如图2所示。
[0016]进一步地，接收N
b
个输入特征向量作为一个batch可以以下面的方式实现：
[0017]1)接收到的原始数据经过重采样、零均值标准化之后，可以排成一个序列，每个符号对应Γ个采样点。
[0018]2)构建一个长度为Γ(2L+1)的滑动窗口，每次采集2本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自适应机器学习均衡方法，其步骤包括：1)选取一基于高斯混合模型的均衡器并对其进行线下训练；2)发送端利用训练后的该均衡器对所要发送的数据段进行编码后经传输信道发送给接收端；3)接收端将接收的信号转化为数字信号并对其进行重采样、零均值标准化；然后对其中每一符号j，将该符号j及其前后L个符号所对应的标准化接收信号相拼接，作为该符号j的特征向量；4)接收端利用训练后的该均衡器对该符号j的特征向量进行处理，输出该符号j及其前后L个符号中各符号均衡后的判决结果；其中，每接收设定数量N
b
的特征向量后，利用最近接收的N
b
个特征向量对该均衡器进行在线训练更新，然后重复步骤2)～4)。2.如权利要求1所述的方法，其特征在于，对该均衡器进行在线训练更新的方法为：21)计算该N
b
个特征向量中每一特征向量与基于高斯混合模型的均衡器中每一高斯分布的相似度；其中，第t个特征向量v
t
与基于高斯混合模型的均衡器中第i个高斯分布的相似度Pr(i|v
t
)；其中，t＝1,2,
…
,N
b
；i＝1,2,
…
,K；22)根据所得相似度计算得到每个高斯概率密度函数的统计参数，包括权重、均值以及方差；23)根据得到的统计参数更新该均衡器的参数，得到该均衡器中每个高斯概率密度函数的统计参数。3.如权利要求2所述的方法，其特征在于，步骤22)中，得到的第i个高斯概率密度函数的权重均值方差4.如权利要求3所述的方法，其特征在于，步骤23)中，得到该均衡器中第i个高斯概率密度函数的权重均值方差其中，δ为比例因子，用于确保最终计算得到的权重系数总和为1，μ
i
和分别为线下训练所得到的第i个高斯概率密度函数的均值和方差；分别为控制新旧参数估计之间平衡的适应系数，其中ρ∈{α,m,s}，r
ρ
为固定参数。5.如权利要求4所述的方法，其特征在于，其中r为一设定值。6.如权利要求1所述的方法，...

【专利技术属性】
技术研发人员：田福奎，杨川川，
申请(专利权)人：北京大学，
类型：发明
国别省市：