基于可微辅助信道的端到端优化方法及系统技术方案

本发明专利技术提供了一种基于可微辅助信道的端到端优化方法及系统，包括如下步骤：步骤S1：基于可微辅助信道进行端到端优化；步骤S2：根据优化的端到端进行光纤传输。本发明专利技术可微辅助信道及其训练方法，解决了端到端优化的反向传播受阻问题；调整损失函数为MSE，解码器无需Sigmoid函数，减少梯度消失问题；方法无需信道模型，适用于实验信道，方法直接，可直接用于长距传输的端到端优化。距传输的端到端优化。距传输的端到端优化。

【技术实现步骤摘要】
基于可微辅助信道的端到端优化方法及系统


[0001]本专利技术涉及光纤通信系统的
，具体地，涉及一种基于可微辅助信道的端到端优化方法及系统。

技术介绍

[0002]在光纤通信系统发展当中，收发算法均为手工设计，但是这种类似贪心算法优化的分块设计系统并不一定保证达到最优性能；另一方面，发端的设计理论支撑远远少于收端理论算法。这使得发端的设计仍然存在很多优化空间。端到端深度学习将整个通信系统视为一个自动编码器，从而可以以一种全局思路来设计收发端的算法，从而是一种探索全局最优的算法系统的手段。
[0003]公开号为CN105490763A的中国专利技术专利文献公开了一种端到端的宽带移动MIMO传播信道模型及建模方法，供通信系统优化研究和系统性能评估使用。在宽带移动MIMO传播系统中，发射端的发射天线和接收端的接收天线均采用移动极化天线阵列，所述的建模方法包括如下步骤：将移动发射端发射的信号通过窄带MIMO传播信道传送到移动接收端，获得不考虑天线物理特性的端到端的窄带移动MIMO传播信道模型；获得发射天线和接收天线的极化响应与MIMO极化传播信道的去极化响应，通过发射天线和接收天线的极化响应及MIMO极化传播信道的去极化响应获得极化效应的极化因子；获得发射天线阵列和接收天线阵列的耦合系数矩阵；结合极化因子及收发天线阵列的耦合系数矩阵获得端到端的宽带移动MIMO传播信道矩阵。
[0004]针对上述中的相关技术，专利技术人认为端到端深度学习受限于反向传播算法，其要求信道的输入输出的梯度，而这个梯度在实际系统里往往是未知的；另一方面，传统端到端深度学习优化方法的解码器往往最后一层使用Sigmoid函数，损失函数是比特交叉熵。Sigmoid函数导致梯度消失问题；解决信道梯度以及训练梯度消失问题，实现端到端深度学习的通信系统优化对光纤通信的容量提升有较高的实际意义。

技术实现思路

[0005]针对现有技术中的缺陷，本专利技术的目的是提供一种基于可微辅助信道的端到端优化方法及系统。
[0006]根据本专利技术提供的一种基于可微辅助信道的端到端优化方法，包括如下步骤：
[0007]步骤S1：基于可微辅助信道进行端到端优化；
[0008]步骤S2：根据优化的端到端进行光纤传输。
[0009]优选的，所述步骤S1包括如下步骤：
[0010]构建步骤：构建编码器、解码器和可微辅助信道；
[0011]数据集构建步骤：基于端到端输入数据和端到端输出数据构建端到端训练数据集，基于信道输入数据与信道输出数据构建信道数据集；
[0012]训练步骤：基于信道数据集训练可微辅助信道；
[0013]解码器优化步骤：基于端到端训练数据集优化解码器；
[0014]编码器参数梯度获取步骤：通过优化的解码器反向传播得到解码器输入的梯度；基于训练的可微辅助信道，解码器输入的梯度反向传播得到编码器参数梯度；
[0015]编码器参数优化步骤：基于编码器参数梯度，编码器进行编码器参数优化。
[0016]优选的，在构建步骤中，编码器、解码器和可微辅助信道由神经网络模型搭建；
[0017]编码器输出数据包括处理后的信号以及优化参数，编码器输出数据的维度与可微辅助信道、真实信道的输入维度保持一致；
[0018]可微辅助信道为多部分相加构成：一部分表征线性特征，另一部分表征非线性扰动。
[0019]优选的，在所述数据集构建步骤中，端到端进行传播，完成数据集分批次构建，要求批次要大于预定值；不同批次数据的信道的距离、入纤功率和通道个数发生变化；
[0020]端到端训练数据集的输入数据和输出数据均为比特；
[0021]信道数据集的输入数据和输出数据均做功率归一化，归一化规则为：
[0022][0023]其中，S表示数据归一化的长度；x
i
代表数据当中第i个符号；代表数据当中第i个符号的归一化输出。
[0024]优选的，在所述训练步骤中，根据输入输出符号使用MSE作为损失函数，利用反向传播算法和梯度下降优化可微辅助信道；每批次重复训练可微辅助信道第一预定次数以上。
[0025]优选的，在所述解码器优化步骤中，基于端到端训练数据集使用MSE损失函数通过监督学习优化解码器；损失函数对每位比特计算损失；每批次重复训练解码器第二预定次数以上。
[0026]优选的，所述编码器参数梯度获取步骤包括如下步骤：
[0027]解码器输入梯度获取步骤：要求解码器通过误差反向传播算法，获取损失函数对解码器输入的梯度；
[0028]可微辅助信道输出获取步骤：编码器的输出数据作为可微辅助信道的输入数据，将可微输入信道的输入数据输入到可微辅助信道，得到可微辅助信道的输出数据；
[0029]编码器损失函数步骤：可微辅助信道的输出数据与解码器输入的梯度进行点乘求和，作为编码器损失函数；
[0030]发端梯度步骤：利用编码器损失函数误差反向传播得到编码器参数梯度。
[0031]根据本专利技术提供的一种基于可微辅助信道的端到端优化系统，包括如下模块：
[0032]模块M1：基于可微辅助信道进行端到端优化；
[0033]模块M2：根据优化的端到端进行光纤传输。
[0034]优选的，所述模块M1包括如下模块：
[0035]构建模块：构建编码器、解码器和可微辅助信道；
[0036]数据集构建模块：基于端到端输入数据和端到端输出数据构建端到端训练数据
集，基于信道输入数据与信道输出数据构建信道数据集；
[0037]训练模块：基于信道数据集训练可微辅助信道；
[0038]解码器优化模块：基于端到端训练数据集优化解码器；
[0039]编码器参数梯度获取模块：通过优化的解码器反向传播得到解码器输入的梯度；基于训练的可微辅助信道，解码器输入的梯度反向传播得到编码器参数梯度；
[0040]编码器参数优化模块：基于编码器参数梯度，编码器进行编码器参数优化。
[0041]优选的，在构建模块中，编码器、解码器和可微辅助信道由神经网络模型搭建；
[0042]编码器输出数据包括处理后的信号以及优化参数，编码器输出数据的维度与可微辅助信道、真实信道的输入维度保持一致；
[0043]可微辅助信道为多部分相加构成：一部分表征线性特征，另一部分表征非线性扰动。
[0044]与现有技术相比，本专利技术具有如下的有益效果：
[0045]1、本专利技术可微辅助信道及其训练方法，解决了端到端优化的反向传播受阻问题；
[0046]2、本专利技术调整损失函数为MSE，解码器无需Sigmoid函数，减少梯度消失问题；
[0047]3、本专利技术方法无需信道模型，适用于实验信道，方法直接，可直接用于长距传输的端到端优化。
附图说明
[0048]通过阅读参照以下附图对非限制性实施例所作的详细描述，本专利技术的其它特征、目的和优点将会变得更明显：
...

【技术保护点】

【技术特征摘要】
1.一种基于可微辅助信道的端到端优化方法，其特征在于，包括如下步骤：步骤S1：基于可微辅助信道进行端到端优化；步骤S2：根据优化的端到端进行光纤传输。2.根据权利要求1所述的基于可微辅助信道的端到端优化方法，其特征在于，所述步骤S1包括如下步骤：构建步骤：构建编码器、解码器和可微辅助信道；数据集构建步骤：基于端到端输入数据和端到端输出数据构建端到端训练数据集，基于信道输入数据与信道输出数据构建信道数据集；训练步骤：基于信道数据集训练可微辅助信道；解码器优化步骤：基于端到端训练数据集优化解码器；编码器参数梯度获取步骤：通过优化的解码器反向传播得到解码器输入的梯度；基于训练的可微辅助信道，解码器输入的梯度反向传播得到编码器参数梯度；编码器参数优化步骤：基于编码器参数梯度，编码器进行编码器参数优化。3.根据权利要求2所述的基于可微辅助信道的端到端优化方法，其特征在于，在构建步骤中，编码器、解码器和可微辅助信道由神经网络模型搭建；编码器输出数据包括处理后的信号以及优化参数，编码器输出数据的维度与可微辅助信道、真实信道的输入维度保持一致；可微辅助信道为多部分相加构成：一部分表征线性特征，另一部分表征非线性扰动。4.根据权利要求2所述的基于可微辅助信道的端到端优化方法，其特征在于，在所述数据集构建步骤中，端到端进行传播，完成数据集分批次构建，要求批次要大于预定值；不同批次数据的信道的距离、入纤功率和通道个数发生变化；端到端训练数据集的输入数据和输出数据均为比特；信道数据集的输入数据和输出数据均做功率归一化，归一化规则为：其中，S表示数据归一化的长度；x
i
代表数据当中第i个符号；代表数据当中第i个符号的归一化输出。5.根据权利要求2所述的基于可微辅助信道的端到端优化方法，其特征在于，在所述训练步骤中，根据输入输出符号使用MSE作为损失函数，利用反向传播算法和梯度下降优化可微辅助信道；每批次重复训练可微辅助信道第一预定次数以上。6.根据权利要求2所述的基于可微辅助信道的端到端...

【专利技术属性】
技术研发人员：义理林，牛泽坤，杨航，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：