System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及光信号处理,尤其涉及一种非线性补偿均衡方法、装置、设备及存储介质。
技术介绍
1、随着人工智能、物联网、云计算等新兴技术的蓬勃发展,全球传输数据流量呈现爆炸式增长。相干光通信系统具有传输容量大、灵敏度高、传输距离长等优势,已成为目前骨干网长距离传输的主要应用技术。然而,在相干光传输系统中,来自光电器件如调制器、放大器、平衡光电二极管等器件自身带来的非线性效应以及长距离光纤引入的色散及非线性效应,将会给接收信号带来严重非线性损伤,影响相干光系统传输性能。
2、基于神经网络的均衡算法由于神经网络具备学习并拟合任何复杂函数的能力,已经在相干光通信系统中显示出强大的非线性补偿效果。然而,基于神经网络的均衡算法均衡星座点所需的总计算量大,即均衡单个符号所需要的乘法和加法操作较多,需要在接收端占用较大的计算资源,这限制了基于神经网络的均衡算法在计算资源有限的相干光通信系统中的应用。如何在保持良好非线性补偿能力的同时具有较低的计算复杂度,是目前后均衡技术面临的难题之一。
技术实现思路
1、本专利技术的主要目的在于提供一种非线性补偿均衡方法、装置、设备及存储介质,旨在解决现有技术中补偿非线性损伤的均衡算法的计算复杂度较高的技术问题。
2、为实现上述目的,本专利技术提供一种非线性补偿均衡方法,所述非线性补偿均衡方法应用于相干光传输系统的接收端,所述方法包括以下步骤:
3、根据星座点功率确定接收信号中的目标符号的非线性畸变程度;
4、根据所
5、将所述目标符号输入至对应的所述均衡神经网络中进行非线性补偿均衡。
6、可选地,所述根据星座点功率确定接收信号中的目标符号的非线性畸变程度的步骤之前,还包括:
7、接收来自发射端的接收信号,所述接收信号包括根据调制格式编码的x偏振态复数信号和y偏振态复数信号,所述调制格式包括m阶qam格式或者加入概率整形的m阶qam格式;
8、相应地,所述将所述目标符号输入至对应的所述均衡神经网络中进行非线性补偿均衡的步骤之后,还包括:
9、将非线性补偿均衡后的x偏振态复数信号和y偏振态复数信号进行qam解映射。
10、可选地,所述根据星座点功率确定接收信号中的目标符号的非线性畸变程度,包括:
11、根据接收信号中的目标符号在星座图中的位置确定所述目标符号对应的星座点功率,其中,所述目标符号在星座图中的位置越靠近外侧,所述星座点功率越高。
12、可选地,所述根据所述非线性畸变程度确定所述目标符号对应的均衡神经网络,包括:
13、根据所述接收信号中的符号的非线性畸变程度确定分割阈值,所述符号包括所述目标符号;
14、根据所述分割阈值将所述接收信号中的符号划分为多个子集;
15、根据所述分割阈值确定每个子集对应的均衡神经网络;
16、根据所述目标符号所在的子集确定所述目标符号对应的均衡神经网络。
17、可选地,所述根据所述接收信号中的符号的非线性畸变程度确定分割阈值,包括:
18、根据rls算法确定所述接收信号中的符号的ber值;
19、依次比较在星座图中的位置邻近的每两个符号的ber值,获得差值;
20、在所述差值大于预设数值时,确定分割阈值为所述两个符号中ber值较大的符号对应的非线性畸变程度。
21、可选地,所述将所述目标符号输入至对应的所述均衡神经网络中进行非线性补偿均衡的步骤之前,包括:
22、将目标符号对应的训练信号输入至所述均衡神经网络中,对所述均衡神经网络进行训练。
23、可选地,所述将目标符号对应的训练信号输入至所述均衡神经网络中,对所述均衡神经网络进行训练,包括:
24、将目标符号对应的训练信号输入至所述均衡神经网络中,根据均方根误差损失函数对所述均衡神经网络进行反向传输,根据adam优化算法优化参数,以迭代所述均衡神经网络的权重参数,完成对所述均衡神经网络的训练。
25、此外,为实现上述目的,本专利技术还提出一种非线性补偿均衡装置,所述非线性补偿均衡装置包括:
26、畸变程度确定模块,用于根据星座点功率确定接收信号中的目标符号的非线性畸变程度;
27、神经网络确定模块,用于根据所述非线性畸变程度确定所述目标符号对应的均衡神经网络,其中,所述非线性畸变程度越高,对应的均衡神经网络的尺寸越大;
28、补偿均衡模块,用于将所述目标符号输入至对应的所述均衡神经网络中进行非线性补偿均衡。
29、此外,为实现上述目的,本专利技术还提出一种非线性补偿均衡设备,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的非线性补偿均衡程序,所述非线性补偿均衡程序配置为实现如上文所述的非线性补偿均衡方法的步骤。
30、此外,为实现上述目的,本专利技术还提出一种存储介质,所述存储介质上存储有非线性补偿均衡程序,所述非线性补偿均衡程序被处理器执行时实现如上文所述的非线性补偿均衡方法的步骤。
31、在本专利技术中,公开了根据星座点功率确定接收信号中的目标符号的非线性畸变程度,根据非线性畸变程度确定目标符号对应的均衡神经网络,非线性畸变程度越高,对应的均衡神经网络的尺寸越大,将目标符号输入至对应的均衡神经网络中进行非线性补偿均衡。由于本专利技术通过自适应分割星座点将具有不同畸变程度的星座点送入不同的均衡网络中分别处理,对于畸变小的星座点,尺寸较小的神经网络就能取得良好的均衡效果,从而降低后均衡算法的总计算量,具有较大的应用前景。
本文档来自技高网...【技术保护点】
1.一种非线性补偿均衡方法,其特征在于,所述非线性补偿均衡方法应用于相干光传输系统的接收端,所述非线性补偿均衡方法包括:
2.如权利要求1所述的非线性补偿均衡方法,其特征在于,所述根据星座点功率确定接收信号中的目标符号的非线性畸变程度的步骤之前,还包括:
3.如权利要求2所述的非线性补偿均衡方法,其特征在于,所述根据星座点功率确定接收信号中的目标符号的非线性畸变程度,包括:
4.如权利要求3所述的非线性补偿均衡方法,其特征在于,所述根据所述非线性畸变程度确定所述目标符号对应的均衡神经网络,包括:
5.如权利要求4所述的非线性补偿均衡方法,其特征在于,所述根据所述接收信号中的符号的非线性畸变程度确定分割阈值,包括:
6.如权利要求1所述的非线性补偿均衡方法,其特征在于,所述将所述目标符号输入至对应的所述均衡神经网络中进行非线性补偿均衡的步骤之前,包括:
7.如权利要求6所述的非线性补偿均衡方法,其特征在于,所述将目标符号对应的训练信号输入至所述均衡神经网络中,对所述均衡神经网络进行训练,包括:
8.
9.一种非线性补偿均衡设备,其特征在于,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的非线性补偿均衡程序,所述非线性补偿均衡程序配置为实现如权利要求1至7中任一项所述的非线性补偿均衡方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有非线性补偿均衡程序,所述非线性补偿均衡程序被处理器执行时实现如权利要求1至7任一项所述的非线性补偿均衡方法的步骤。
...【技术特征摘要】
1.一种非线性补偿均衡方法,其特征在于,所述非线性补偿均衡方法应用于相干光传输系统的接收端,所述非线性补偿均衡方法包括:
2.如权利要求1所述的非线性补偿均衡方法,其特征在于,所述根据星座点功率确定接收信号中的目标符号的非线性畸变程度的步骤之前,还包括:
3.如权利要求2所述的非线性补偿均衡方法,其特征在于,所述根据星座点功率确定接收信号中的目标符号的非线性畸变程度,包括:
4.如权利要求3所述的非线性补偿均衡方法,其特征在于,所述根据所述非线性畸变程度确定所述目标符号对应的均衡神经网络,包括:
5.如权利要求4所述的非线性补偿均衡方法,其特征在于,所述根据所述接收信号中的符号的非线性畸变程度确定分割阈值,包括:
6.如权利要求1所述的非线性补偿均衡方法,其特征在于,...
【专利技术属性】
技术研发人员:陈慧,贺志学,靳思玥,王启冰,王磊,
申请(专利权)人:鹏城实验室,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。