【技术实现步骤摘要】
本专利技术涉及光纤通信，特别涉及一种基于回归耦合值的gru神经网络非线性均衡方法。
技术介绍
1、在互联网流量与业务激增的时代背景下，发展超高速率、超大容量、超长跨距、超强防护的光纤通信系统是一个必然的趋势；为了应对来自下一代移动网络和高带宽互联网应用的指数级增长的容量需求，光纤通信领域开始密集研究可以充分利用光纤能力的技术；无论采用何种容量增强方法，容量的主要限制因素最终将是传输信息的非线性香农容量限制。
2、在长距离高带宽光网络中，这一限制主要归因于克尔效应诱导的光纤通道内和通道间的非线性，主要包括自相位调制、四波混频、光学放大器噪声、自发极化、拉曼散射等效应。这些效应导致光信号在传输中产生相位失真、频率漂移、功率波动等问题，限制了光纤通信系统的性能和距离。
3、数字反向传播算法通过迭代运算，反向传播误差信号，根据传输过程中的非线性相互作用调整信号的相位和幅度，它能有效抑制自相位调制和四波混频等非线性效应，提高光信号的传输质量。相比于数字反向传播算法，学习型均衡算法采用深度学习的方法建立神经网络，能够自动学习非线性通信系统中的复杂特征，无需先验知识。
4、网络模型可以对单模光纤传输公式进行参数化，利用正向计算和反向传播实现对神经网络的训练。由于适用于各种信噪比、信号格式和信道环境，学习型均衡算法具有更强的通用性；
5、然而学习型均衡器存在易受数据偏差影响、过拟合、复杂度高和均衡结果发散等问题，部分学习型均衡器单元结构过大，导致复杂度较高，训练样本需求较大，同时部分学习型均衡器算
6、如今的问题在于如何实现更精炼的单元结构设计和更准确的模型参数定义，减少模型的训练成本，降低算法复杂度，进一步提升算法的非线性均衡能力。
技术实现思路
1、本专利技术要解决现有技术中的如何能够更精炼的单元结构设计和更准确的模型参数定义，减少模型的训练成本，降低算法复杂度技术问题，提供一种基于回归耦合值的gru神经网络非线性均衡方法。
2、为了解决上述技术问题，本专利技术的技术方案具体如下：
3、一种基于回归耦合值的gru神经网络非线性均衡方法，包括如下步骤：
4、重塑输入样本形状，
5、调整接收信号序列的数据结构并矩阵化；
6、对接收到的长度为k的qam样本进行归一化，并通过滑动窗口分成k-2n个子样本；
7、门结构单元结合误差因子指导网络参数更新过程，具体为：
8、建立基于gru的神经网络模型，将重塑后的信号送入输入层，再由隐藏层中的门控循环单元通过激活函数实现计算，最后由输出层全连接并展开；以及
9、训练过程迭代步骤，即在一训练过程中，利用损失函数和反向传播更新网络参数，实现神经网络训练；
10、损失函数和反向传播更新网络参数为基于非线性薛定谔方程的分布傅里叶方法计算得到非线性损伤误差因子并指导网络更新；
11、其中，将非线性薛定谔方程利用分步傅里叶方法分解，获得光纤跨段内每个当前时刻的误差因子δb，并在损失函数和激活函数中添加误差因子bt，优化网络更新过程；
12、在应用过程中，输出层得到的输出序列即为原始信号非线性补偿结果；
13、最后在应用阶段，将信号输入gru神经网络，通过网络的传播算法得到信号非线性损伤补偿结果；
14、其中，将所述信号简化为：
15、s(t)＝re[s(t)·ej2πfc] (1)；
16、其中，s(t)是复数形式的基带信号，re[·]表示取复数的实部，ej2πfc t是载波，fc是载波频率。
17、具体地，所述对接收到的长度为k的qam样本进行归一化，并通过滑动窗口分成k-2n个子样本的过程中通过一个窗口宽度为2n+1、步长为1的滑动窗口分成k-2n个子样本；
18、其中，窗口宽度代表输入特征的大小，使得新的输入矩阵可用如下形式表示为：
19、
20、子样本被重塑为三维张量，特征和标签中的每个向量被分解为实部和虚部，以使得数据构成了输入层样本。
21、具体地，所述门更新指导网络参数更新于误差因子指导网络参数更新过程中还包括：
22、定义网络，创建更新门与重置门的步骤，其中,应用公式(3)、公式(4)：
23、rt＝σ(xtwxr+ht-1whr+br) (3)；
24、zt＝σ(xtwxz+ht-1whz+bz) (4)；
25、其中，σ表示将值转换为0到1之间的sigmoid函数，wxr∈rm×n和wxr∈rm×n表示参与学习过程的权重矩阵，br∈r1×n和bz∈r1×n表示偏置值；
26、将当前时间步候选隐藏状态t的计算公式如下：
27、
28、其中σ表示将值转换为0到1之间的sigmoid函数，wxh∈rm×n和whh∈rm×n表示参与学习过程的权重矩阵，bz∈r1×n表示偏置值，⊙表示hadamard乘积；
29、将候选状态通过以下公式与更新门相结合：
30、
31、获得模型在当前时刻t的记忆状态或输出。
32、具体地，在所述训练过程中的训练阶段，输入层的序列进入隐藏层，所有gru单元都与隐藏层进行全连接；
33、首先计算误差因子:
34、其中，误差因子来源于信道非线性关系，对于传播函数，通过非线性薛定谔方程给出的关系式，将传播函数离散化，公式的形式为：
35、
36、其中，α表示衰减，β2表示二阶色散系数，γ表示光纤非线性系数；
37、使用傅里叶变换来进行时域和频域之间的转换，将非线性薛定谔方程分解为ex和ey两个方向上的微分公式，处理频域的非线性效应，再将其转换回到时域表达式，以得到得到误差分量一般形式：
38、
39、其中计算误差因子:
40、
41、再利用计算因子作为误差分量，计算当前时刻输出，如公式(8)所示：
42、yt＝wsoftmaxht+softmax(bt) (8)。
43、具体地，在训练过程中，利用激活函数对输入进行转换，产生神经元的输出outd，计算公式如下：
44、outd＝frelu(yt) (9)；
45、将网络预测输出与实际标签传递给损失函数，计算损失值，损失函数使用交叉验证均方误差来估计：
46、
47、最后，通过损失函数度量网络输出与实际信号之间的差距，对中的每一个参量求导，通过反向传播算法计算损失对网络参数的梯度，使参数沿着梯度的反方向更新，实现网络训练。
48、具体地，在所述应用阶段，将公式(8)所示的当前时刻输出映射到原始信号强度范围本文档来自技高网...
【技术保护点】
1.一种基于回归耦合值的GRU神经网络非线性均衡方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于回归耦合值的GRU神经网络非线性均衡方法，其特征在于，所述对接收到的长度为K的QAM样本进行归一化，并通过滑动窗口分成K-2N个子样本的过程中通过一个窗口宽度为2N+1、步长为1的滑动窗口分成K-2N个子样本；
3.如权利要求2所述的基于回归耦合值的GRU神经网络非线性均衡方法，其特征在于，在所述训练过程中的训练阶段，隐藏层通过误差因子指导网络参数更新；
4.如权利要求3所述的基于回归耦合值的GRU神经网络非线性均衡方法，其特征在于，所述门结构单元结合误差因子指导网络参数更新的过程，其中还包括：
5.如权利要求4所述的基于回归耦合值的GRU神经网络非线性均衡方法，其特征在于，在训练过程中，利用激活函数对输入进行转换，产生神经元的输出outd，计算公式如下：
6.如权利要求5所述的基于回归耦合值的GRU神经网络非线性均衡方法，其特征在于，在所述应用阶段，将公式(8)所示的当前时刻输出映射到原始信号强度范围，如公式(1
7.如权利要求6所述的基于回归耦合值的GRU神经网络非线性均衡方法，其特征在于，应用条件为：长距标准单模光纤16-QAM传输系统。
8.如权利要求1-7任一项所述的基于回归耦合值的GRU神经网络非线性均衡方法，其特征在于，还包括一相干光通信的实验模型，具体工作过程包括发射端步骤和接收端步骤；
9.如权利要求8所述的基于回归耦合值的GRU神经网络非线性均衡方法，其特征在于，还包括：将数字基带信号重采样并加载至采样率为64GSa/s的波形发生器；
10.如权利要求9所述的基于回归耦合值的GRU神经网络非线性均衡方法，其特征在于，所述接收端步骤为：
...【技术特征摘要】
1.一种基于回归耦合值的gru神经网络非线性均衡方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于回归耦合值的gru神经网络非线性均衡方法，其特征在于，所述对接收到的长度为k的qam样本进行归一化，并通过滑动窗口分成k-2n个子样本的过程中通过一个窗口宽度为2n+1、步长为1的滑动窗口分成k-2n个子样本；
3.如权利要求2所述的基于回归耦合值的gru神经网络非线性均衡方法，其特征在于，在所述训练过程中的训练阶段，隐藏层通过误差因子指导网络参数更新；
4.如权利要求3所述的基于回归耦合值的gru神经网络非线性均衡方法，其特征在于，所述门结构单元结合误差因子指导网络参数更新的过程，其中还包括：
5.如权利要求4所述的基于回归耦合值的gru神经网络非线性均衡方法，其特征在于，在训练过程中，利用激活函数对输入进行转换，产生神经元的输出out...
【专利技术属性】
技术研发人员：田清华，忻向军，贾玮钰，刘博，朱磊，王富，田凤，周思彤，杨雷静，潘晓龙，潘轶群，
申请(专利权)人：北京邮电大学，
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。