基于神经网络均衡器的非线性损伤补偿系统及方法技术方案

本发明专利技术涉及一种基于神经网络均衡器的非线性损伤补偿系统及方法，所述的系统包括：前置DSP处理模块，预处理，得到均衡器输入信号序列；分组截取模块，用于得到均衡器输入信号序列片段集合；信号编码模块，编码，得到编码后发送端信号序列；信号对应模块，将编码后发送端信号序列与均衡器输入信号序列片段集合进行对应得到集合；乱序模块，打乱集合得到乱序集合；分割模块，分割乱序集合得到训练集与测试集；多符号输出神经网络均衡器模块，进行训练并回传损失函数，对均衡器输入信号序列进行均衡；信号解码模块，解码均衡器的输出值，还原为比特序列。与现有技术相比，本发明专利技术具有补偿非线性损失、降低计算复杂度、普适性强等优点。普适性强等优点。普适性强等优点。

【技术实现步骤摘要】
基于神经网络均衡器的非线性损伤补偿系统及方法


[0001]本专利技术涉及光纤通信领域中的非线性补偿，尤其是涉及一种基于神经网络均衡器的非线性损伤补偿系统及方法。

技术介绍

[0002]随着带宽需求的增长与深度学习的不断发展，基于机器学习的均衡技术成为了光通信领域中的研究热点。人工神经网络(Artificial Neural Network，ANN)有望成为解决光纤通信系统非线性损伤问题的一种可行方法。
[0003]通过改善神经网络均衡器的结构可以进一步提高其补偿非线性损伤的性能。隐藏层的增加可以增强神经网络的非线性特性，卷积层的引入提高了神经网络的特征提取能力，循环结构使得神经网络具有了记忆性。循环神经网络(Recurrent Neural Network，RNN)和长短时间记忆单元(Long Short
‑
Term Memory，LSTM)网络都有助于非线性均衡，但在长序列均衡中LSTM的性能要优于普通的循环神经网络，门控循环单元(Gateway Recurrent Units，GRU)融合了LSTM遗忘和选择性记忆本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络均衡器的非线性损伤补偿系统，其特征在于，所述的系统包括：前置DSP处理模块(1)，用于对接收端接收的光纤信号R
x
进行预处理后得到均衡器输入信号序列y(11)；分组截取模块(2)，用于将均衡器输入信号序列y(11)进行分组，得到均衡器输入信号序列片段集合G(13)，其中每次截取时窗口滑动距离为输出符号数n
symbols
；信号编码模块(3)，用于将发送端信号序列x(9)进行编码，每两个发送端信号点对应一个编码标签，得到编码后发送端信号序列x
c
(15)；信号对应模块(4)，用于将编码后发送端信号序列x
c
(15)中的每一个信号点与均衡器输入信号序列片段集合G(13)进行一一对应，得到集合P(17)；乱序模块(5)，用于将集合P(17)进行打乱处理，得到乱序集合P
shuffled
(19)；分割模块(6)，用于将乱序集合P
shuffled
(19)进行分割，得到训练集P
train
(21)与测试集P
test
(22)；多符号输出神经网络均衡器模块(7)，用于使用训练集P
train
(21)进行训练并回传损失函数，使用测试集P
test
(22)进行测试，并使用测试集P
test
(22)进行第二阶段训练并回传损失函数，以得到较好的神经网络参数，并对均衡器输入信号序列y(11)进行均衡；信号解码模块(8)，用于将均衡器的输出值进行解码，并还原为比特序列，补偿非线性损伤。2.根据权利要求1所述的一种基于神经网络均衡器的非线性损伤补偿系统，其特征在于，所述的均衡器输入信号序列片段集合G(13)表示为：于，所述的均衡器输入信号序列片段集合G(13)表示为：其中，g
k
表示每组均衡器输入信号序列片段，n
windows
为每组信号序列片段g
k
的长度，n为发送端信号序列x(9)的长度。3.根据权利要求2所述的一种基于神经网络均衡器的非线性损伤补偿系统，其特征在于，所述的多符号输出神经网络均衡器模块(7)包括：LSTM层，用于接收训练序列，并进行神经网络训练；全连接层，用于接收训练结果，得到多符号输出神经网络均衡器模块(7)的输出值；损失函数子模块，用于反映均衡输出值与实际参考值之间的差别，衡量均衡效果。4.根据权利要求3所述的一种基于神经网络均衡器的非线性损伤补偿系统，其特征在于，所述的多符号输出神经网络均衡器模块(7)的输入包括待均衡的信号序列与参考信号序列，输出包括均衡结果信号序列和损失值。5.根据权利要求4所述的一种基于神经网络均衡器的非线性损伤补偿系统，其特征在于，所述的损失函数表示为：
其中，p表示信源各符号的真实分布，q表示由神经网络训练后分类判决得出的非真实分布。6.一种...

【专利技术属性】
技术研发人员：余建军，桑博涵，谭宇璇，
申请(专利权)人：复旦大学，
类型：发明
国别省市：