光通信网络中的差错控制方法和装置制造方法及图纸

本发明专利技术涉及一种光通信网络中的差错控制方法和装置，属于光通信技术领域。所述方法包括：获取所述光通信网络的输入信号，并将所述输入信号编码成比特序列；将所述比特序列输入到预训练的第一神经网络中以输出LDPC码长度；将所述比特序列和所述LDPC码长度输入到预训练的第二神经网络中以输出LDPC码；在所述光通信网络中传输所述LDPC码。通过本发明专利技术的技术方案，能够简化LDPC码的构建过程，提高LDPC码的生成效率，并根据不同应用场景和性能要求灵活地调整所生成的LDPC码以适应各种应用场景和性能要求。性能要求。性能要求。

【技术实现步骤摘要】
光通信网络中的差错控制方法和装置


[0001]本专利技术一般地涉及光通信
，尤其涉及一种光通信网络中的差错控制方法。

技术介绍

[0002]在光通信系统中，为了减少差错（误码），提高通信的可靠性，一般均采用信道编码技术对输入信号进行编码。其中信道编码是用来纠错或者检错以提高传输可靠性的技术，如前向纠错编码（Forward Error Correction，FEC）技术在光纤通信中可以确保信号的长距可靠传输。
[0003]LDPC（低密度奇偶校验，Low
‑
Density Parity
‑
Check）码是目前被广泛应用的一种FEC码，在LDPC码构建过程中一般需要通过先设计构建出合适的校验矩阵或生成矩阵，再由校验矩阵或生成矩阵来唯一确定出对应的LDPC码。然而这种LDPC码的构建过程较为复杂，计算量较大，导致LDPC码的生成效率较低。
[0004]虽然目前如《基于深度学习的信源信道联合编码方法综述》中概述了一些信源信道联合编码的方法。但是由于在一个神经网络中需要同时进行信源编码和信道编码甚至调制编码，造成这种方法下的神经网络结构复杂，且无法根据具体应用场景和性能要求灵活地调整神经网络的结构，导致生成的LDPC码对不同应用场景和性能要求的适用度不够理想。

技术实现思路

[0005]为了解决现有技术中的上述一个或多个技术问题，本专利技术提供了一种光通信网络中的差错控制方法，以期简化LDPC码的构建过程，提高LDPC码的生成效率，并根据不同应用场景和性能要求灵活地调整所生成的LDPC码以适应各种应用场景和性能要求。
[0006]本专利技术提供了一种光通信网络中的差错控制方法，包括：获取所述光通信网络的输入信号，并将所述输入信号编码成比特序列，其中所述输入信号包括文本信号、语音信号或图像信号；将所述比特序列输入到预训练的第一神经网络中以输出LDPC码长度，其中所述第一神经网络包括自编码神经网络和全连接神经网络，所述自编码神经网络包括编码器和解码器，其中所述第一神经网络的训练包括：获取所述光通信网络的样本输入信号，并将所述样本输入信号编码成样本比特序列；将所述样本比特序列输入到所述自编码神经网络的所述编码器中以进行特征提取；将提取的特征输入到所述解码器中进行特征重组；将重组后比特序列输入到所述全连接神经网络中以输出样本LDPC码长度，使得所述样本LDPC码长度使所述第一神经网络的目标函数的值达到预定目标值，其中所述第一神经网络的目标函数的预定目标值包括第一目标函数和第二目标函数的预定目标值，其中所述第一目标函数的预定目标值为：，其中，表示净编码增益，表示取最大值函数，表示编码增益，表示编码速率，R=k/L，其中L为所述样本LDPC码长度，k表示所述样本LDPC码中的信息位的长度；所述第二目标函数的预定目标值
为：，其中，表示编码开销，表示取最小值函数；将所述比特序列和所述LDPC码长度输入到预训练的第二神经网络中以输出LDPC码，其中所述第二神经网络为生成对抗神经网络，所述对抗神经网络包括生成器和判别器，其中所述第二神经网络的训练包括：根据所述样本LDPC码长度，构建对应长度的LDPC码作为参考LDPC码；将所述样本比特序列和所述样本LDPC码长度输入到所述生成器中以生成样本LDPC码；将所述样本LDPC码和所述参考LDPC码输入到所述判别器中以生成判别结果；将所述判别结果反馈到所述生成器中以训练所述生成器，使得所述生成器输出的样本LDPC码使所述判别器的损失函数的值最大；在所述光通信网络中传输所述LDPC码。
[0007]在一个实施例中，所述根据所述样本LDPC码长度，构建对应长度的LDPC码作为参考LDPC码包括：根据所述LDPC码长度，分别使用多种LDPC码构建方法构建对应长度的LDPC码，其中所述LDPC码构建方法包括随机构造法、实验设计法、置换法、RU算法编码法、准循环码快速编码法和QC
‑
LDPC编码法；计算所述LDPC码对应的净编码增益；选择净编码增益最大的LDPC码作为所述参考LDPC码。
[0008]在一个实施例中，所述第一神经网络的目标函数的预定目标值还包括第三目标函数的预定目标值：其中，表示编码偏移，表示所述样本比特序列，表示所述重组后比特序列中的前k位比特组成的比特序列，表示与之间的距离。
[0009]在一个实施例中，为与之间的均方误差。
[0010]在一个实施例中，所述计算所述LDPC码对应的净编码增益包括：使用Q因子测量法、Eb/No测量法或OSNR测量法计算所述净编码增益。
[0011]根据本专利技术的第二方面，提供了一种光通信网络中的差错控制装置，包括存储器和处理器，所述存储器上存储有计算机可执行指令，其中所述计算机可执行指令在被所述处理器执行时，实现根据本专利技术第一方面所述的光通信网络中的差错控制方法。
[0012]本专利技术的上述技术方案具有以下有益技术效果：在本专利技术的技术方案中，通过设计合适的损失函数，将LDPC码构建过程分为两个阶段：首先将输入信号的编码后比特序列输入第一神经网络以输出LDPC码长度，然后将所述LDPC码长度和所述编码后比特序列输入到第二神经网络中以输出LDPC码。首先，这种LDPC码构建方法无需人为设计和构建校验矩阵或生成矩阵，大大简化了LDPC码构建过程，提高了LDPC码的生成效率。其次，通过首先确定LDPC码长度，然后据此生成LDPC码，避免LDPC码长度不定导致第二神经网络的计算过程的分叉点过多，从而减少第二神经网络的计算量，进一步提高了LDPC码的生成效率。再次，第一神经网络和第二神经网络可以交替并行训练，提高了两个神经网络的训练速度。最后，相对于
技术介绍
中提到的基于深度学习的信源信道联合编码方法，本专利技术的技术方案通过合理设计损失函数将LDPC码构建过程拆分成两个阶段分别在第一神经网络和第二神经网络中完成，可以根据不同应用场景和性能要求改变损失函数的参数来灵活调整LDPC码长度，以生成不同长度的LDPC码，从而适应各种应用场景，满足不同性能要求，增强了LDPC码构建的灵活性。
附图说明
[0013]通过参考附图阅读下文的详细描述，本专利技术示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本专利技术的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：图1是根据本专利技术实施例的光通信网络中的差错控制方法的流程图；图2是根据本专利技术实施例的光通信网络中的差错控制方法的数据流动示意图；图3是根据本专利技术实施例的光通信网络中的差错控制装置的结构框图。
具体实施方式
[0014]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0015]应当理解，当本专利技术的权利要求、说明书及附图使用术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种光通信网络中的差错控制方法，其特征在于，包括：获取所述光通信网络的输入信号，并将所述输入信号编码成比特序列，其中所述输入信号包括文本信号、语音信号或图像信号；将所述比特序列输入到预训练的第一神经网络中以输出LDPC码长度，其中所述第一神经网络包括自编码神经网络和全连接神经网络，所述自编码神经网络包括编码器和解码器，其中所述第一神经网络的训练包括：获取所述光通信网络的样本输入信号，并将所述样本输入信号编码成样本比特序列；将所述样本比特序列输入到所述自编码神经网络的所述编码器中以进行特征提取；将提取的特征输入到所述解码器中进行特征重组；将重组后比特序列输入到所述全连接神经网络中以输出样本LDPC码长度，使得所述样本LDPC码长度使所述第一神经网络的目标函数的值达到预定目标值，其中所述第一神经网络的目标函数的预定目标值包括第一目标函数和第二目标函数的预定目标值，其中所述第一目标函数的预定目标值为：其中，表示净编码增益，表示取最大值函数，表示编码增益，表示编码速率，R = k/L，其中L为所述样本LDPC码长度，k表示所述样本LDPC码中的信息位的长度；所述第二目标函数的预定目标值为：其中，表示编码开销，表示取最小值函数；将所述比特序列和所述LDPC码长度输入到预训练的第二神经网络中以输出LDPC码，其中所述第二神经网络为生成对抗神经网络，所述对抗神经网络包括生成器和判别器，其中所述第二神经网络的训练包括：根据所述样本LDPC码长度，构建对应长度的LDPC码作为参考LDPC码；将所述样本比特序列和所述样本LDPC码长度输入到所述生成器中以生成样本LDPC码；将所述样本LDPC码和所述参...

【专利技术属性】
技术研发人员：王晓宇，
申请(专利权)人：济南安迅科技有限公司，
类型：发明
国别省市：