基于噪声适配网络的光通信系统端到端优化方法和系统技术方案

本发明专利技术提供了一种基于噪声适配网络的光通信系统端到端优化方法和系统，包括：设计了一种噪声适配网络，用来模拟真实的物理信道，并在发送端和接收端分别使用一个神经网络代替传统的独立通信模块，实现这些模块的全部功能，通过噪声适配网络和收发端神经网络的交替训练，噪声适配网络不断逼近实际的物理信道，而收发端神经网络基于噪声适配网络进行联合训练，使系统性能不断提升，直至收敛。与传统的接收端均衡方案和间接方式实现的收发端联合均衡方案相比，本发明专利技术不仅进一步降低了误码率，提升了系统的接收灵敏度，而且大幅降低了接收端均衡器的复杂度。接收端均衡器的复杂度。接收端均衡器的复杂度。

【技术实现步骤摘要】
基于噪声适配网络的光通信系统端到端优化方法和系统


[0001]本专利技术涉及光通信
，具体地，涉及一种基于噪声适配网络的光通信系统端到端优化方法和系统。

技术介绍

[0002]在传统光通信系统中，发射机和接收机是由几个独立的通信模块组成，每个模块执行一个单独的信号处理任务，例如编码/解码、调制/解调和均衡等。这种实现方式允许设计者对系统中的每个模块进行单独优化和调控，例如通过在发送端设计不同的调制方式，或者在接收端使用不同的均衡算法等，以对系统性能进行改进，降低误码率，提升接收灵敏度。因此模块化设计的独立性和便捷性使之成为构建光通信链路和系统的广泛方式。
[0003]但是这种方法得到的系统性能往往是次优的。因为光通信链路中的损伤比较复杂，在短距光通信系统中，链路损伤不仅有器件带限、光纤色散等线性损伤，还有非线性损伤，如调制器的非线性响应、光电探测器的平方律检测等，所以很难确定各个通信模块的最佳状态或设计出最佳的均衡器。因此，研究人员对端到端通信系统展开了广泛研究，其基本原理是对信道进行建模以获得可微分信道，实现梯度反向传播，通常有本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于噪声适配网络的光通信系统端到端优化方法，其特征在于，包括：步骤S1：初始化发端神经网络TxNN、收端神经网络RxNN以及用于建模信道的噪声适配网络，初始化记忆缓存区以存储用于信道建模的数据；步骤S2：将光通信系统发送的符号经过发端神经网络处理后得到发端信号，然后经过实际的物理信道传输后得到收端信号，将发端信号与收端信号存入记忆缓存区；步骤S3：从记忆缓存区中随机抽取多组发端信号与对应的收端信号，以发端信号作为噪声适配网络的输入数据，收端信号作为标签，以最大化似然函数为目标，对噪声适配网络进行训练，拟合实际的物理信道；步骤S4：固定噪声适配网络不训练，光通信系统发送的符号依次经过发端神经网络、噪声适配网络以及收端神经网络，以最小化约束性损失函数和端到端损失函数为目标，对发端神经网络和收端神经网络进行训练；步骤S5：重复步骤S3和步骤S4，使噪声适配网络与收发端神经网络交替训练，直到损失函数全部收敛；步骤S6：固定发端神经网络不训练，利用实际物理信道上收发数据对收端神经网络进行微调，补偿由信道建模精度不足引起的信号残余损伤。2.根据权利要求1所述的基于噪声适配网络的光通信系统端到端优化方法，其特征在于，所述步骤S1包括：步骤S11：定义发端神经网络的结构为多尺度全连接神经网络MscaleDNN，收端神经网络的结构为单层全连接神经网络，并初始化网络参数；步骤S12：根据待优化光通信系统中噪声分布的特点选取对应类型的噪声适配网络，若系统中的噪声与发送信号相关，则该类型噪声适配网络的结构由两个子网络构成，分别为均值网络h和方差网络s，且网络结构均为MscaleDNN；若系统中的噪声与发送信号不相关，则该类型噪声适配网络的结构由一个均值网络h构成，网络结构同样为MscaleDNN；选取合适的噪声适配网络后，对网络参数进行初始化；步骤S13：初始化记忆缓存区，其存储数据的格式为(T
samples
，R
samples
)，其中T
samples
∈R
N
·
sps
表示系统发送符号经过发端神经网络处理后得到的发端信号，R
samples
∈R
N
·
sps
表示实际物理信道输出的收端信号，N表示符号数，sps表示每符号的采样点数。3.根据权利要求2所述的基于噪声适配网络的光通信系统端到端优化方法，其特征在于，所述步骤S3包括：从记忆缓存区中随机抽取M组数据，对发端信号T
samples
进行滑动窗口处理，窗口大小为m，构造训练噪声适配网络的数据集{x
i
，y
i
}，其中x
i
∈R
m
×
sps
为噪声适配网络的输入数据，y
i
∈R
sps
是收端信号R
samples
中对应于x
i
中心位置的数据，即输入数据的标签，下标i表示数据集中的第i条数据；从训练数据集取出n组{(x1，y1)，(x2，y2)，...，(x
n
，y
n
)}，根据选用的噪声适配网络类型，设输出信号服从高斯分布，利用最大对数似然函数法估计实际物理信道输出信号y
i
的均值u
i
和方差∑
i
，并采用Adam优化器更新噪声适配网络参数；若选用的是噪声与信号相关的噪声适配网络，则最大化对数似然函数表示为：
式中u
i
＝h(x
i
)，∑
i
＝diag(s(x
i
))，diag(
·
)表示对角化，h(x
i
)∈R
sps
和s(x
i
)∈R
sps
分别表示噪声适配网络中均值网络和方差网络的输出；若选用的是噪声与信号不相关的噪声适配网络，则最大化对数似然函数表示为：式中I是单位矩阵，输出信号的方差∑
i
＝σ2I；优化目标简化为最小化噪声适配网络的均值网络输出h(x
i
)与训练标签y
i
的均方误差MSE，即：其中B是神经网络批次训练时的数据数目；即噪声适配网络在全部数据上训练完一遍后，网络此时关于全部数据的输出与对应标签值的MSE。4.根据权利要求3所述的基于噪声适配网络的光通信系统端到端优化方法，其特征在于，所述步骤S4包括：固定噪声适配网络的参数，用其模拟信道，光通信系统发送的符号T
symbols
首先经过滑动窗口处理，窗口大小为m，滑窗产生的数据输入到发端神经网络处理，发端神经网络的输出信号为T
samples
；接着对T
samples
也进行滑窗处理，窗口大小同样为m，生成噪声适配网络的输入数据x
i
，用来模拟信道的噪声适配网络的输出是从服从均值为u
i
，方差为∑
i
，截断区间为(u
i
‑
αλ
i
，u
i
+αλ
i
)的截断高斯分布中采样获得，其中λ
i
是由∑
i
主对角线元素组成的向量，α为一常数，T
samples
经由噪声适配网络模拟的信道传输后，得到输出信号然后对进行滑窗处理，窗口大小为m
′
，将滑窗生成的数据输入到收端神经网络中，收端神经网络的输出信号为E
symbols
；定义约束性损失函数Loss1和端到端损失函数Loss2分别为：分别为：其中的第i个元素
最后以最小化约束性损失函数Loss1和端到端损失函数Loss2为目标，采用Adam优化器更新发端神经网络和收端神经网络参数，即：min.Loss1+Loss2。5.根据权利要求4所述的基于噪声适配网络的光通信系统端到端优化方法，其特征在于，所述步骤S6包括：固定发端神经网络的参数不训练，光通信系统的发送符号T
symbols
经过发端神经网络处理后，输入到实际的物理信道中，信道输出信号R
samples
，经过收端神经网络处理后的输出为E
symbols
；以最小化损失函数Loss3＝MSE(T
symbols
，E
symbols
)为目标，采用Adam优化器更新收端神经网络；最后根据得到的发端神经网络和收端神经网络，构成端到端通信系统。6.一种基于噪声适配网络的光通信系统端到端优化系统，其特征在于，...

【专利技术属性】
技术研发人员：义理林，徐永鑫，黄璐瑶，蒋文清，关小凯，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：