【技术实现步骤摘要】
本专利技术属于太赫兹通信领域，涉及光载太赫兹通信系统的信号处理，具体是一种基于复值卷积神经网络的光子太赫兹通信信号非线性均衡方法。
技术介绍
1、太赫兹频段(0.1～10thz)位于微波与红外光波之间，具有丰富的频谱资源。作为微波和毫米波的延伸，它所提供的通信带宽要远远大于毫米波。在当下低频段频谱资源相对紧张的条件下，太赫兹逐渐进入人们的视线，被认为是通信技术革命的下一个突破点。
2、利用光子辅助的方式是目前国内外生成太赫兹信号的主流形式，它可以克服电子器件的带宽限制，提供较宽的调制带宽，在未来的6g通信应用中满足宽带宽和高移动率的需求。光纤通信系统中，存在诸多限制信号传输质量的因素，如色散、噪声、器件的非线性效应等。因此，通过在系统接收端运用合理的数字信号处理算法，以减少损伤和非线性效应等为目标提升传输容量和质量，是实现太赫兹频段通信系统中的关键科学问题。
3、目前，针对上述损伤和非线性效应的传统数字信号处理dsp补偿算法，由于其复杂程度和庞大的计算量，很难运用到实际的光纤传输通道中。而神经网络由于其独特的非线性映射能力，在光通信领域已经被视为一种补偿线性和非线性损伤的强大均衡工具。目前，包括卷积神经网络(cnn)、循环神经网络(rnn)、长短期记忆网络(lstm)在内等众多神经网络已经被用于改进一些毫米波通信系统中的非线性均衡器。2019年，电子科技大学的chang等人将一种基于实值cnn具有混合连接结构的端到端训练方法应用于信号均衡，旨在直接从受无线信道影响的噪声信号中恢复通信信号，实验发现该方法对
4、同时，与图像处理不同，通信系统中的信号大多以复数形式存在，而传统的神经网络输入输出均为实数，难以满足处理复值的需求。当前基于神经网络的信号均衡算法大多采用i、q两路信号分别进行神经网络预测，虽然能够实现补偿信号的效果，但舍弃了信号幅度与相位之间的关系。因此，复值神经网络的引入，可以更好地适配信号处理的功能，在保留信号实数部分与虚数部分对应关系的同时，发挥出神经网络能够处理高复杂度、高维和非线性问题的巨大能力。在针对通信信号构建复值网络的过程中，网络维度的设定、卷积层数的设置、池化层的保留与舍弃、全连接层函数选择等等，对均衡效果均会产生或多或少的影响。因此，针如何对传统神经网络输入层、隐藏层和输出层的改进和重构，并且使cnn不再局限于分类预测功能，使其实现复值处理功能和回归预测，能用于对通信系统中的信号处理，是目前的一个需求，具有非常重要的研究意义及应用前景。
技术实现思路
1、针对通信系统的信号为复数形式存在，当前引入神经网络时大多舍弃了信号幅度与相位之间的关系，需要构建一种适用的复值神经网络用于信号均衡处理的需求，本专利技术提供了一种基于复值卷积神经网络的光子太赫兹通信信号非线性均衡方法，对传统卷积神经网络的结构进行修改和重构，在光载太赫兹通信系统中，实现对复值信号损伤和非线性效应的补偿，改善高频段通信系统的传输性能。
2、为实现上述目的，本专利技术提供的一种基于复值卷积神经网络的光子太赫兹通信信号非线性均衡方法，包含如下步骤：
3、步骤1：截取太赫兹通信系统发射端和接收端的信号，生成训练集和测试集；
4、从发射端信号映射后截取信号作为标签数据，从接收端信号解映射之前截取信号作为输入数据；截取信号时，按照预设长度截取生成输入样本，每个样本包含多个信号且该样本要处理的信号是位于样本中间位置的信号；每个信号表示为复数数据，将每个信号的实部和虚部数据分离，分别存入一个向量的维度中；每个样本表示为一个包含多个信号的矩阵；
5、步骤2，构建1d-cnn复值神经网络结构的信号均衡模型；
6、所述信号均衡模型使用1d-cnn复值神经网络结构，包括：接收样本输入的输入层，对样本中信号进行特征提取的1d复值卷积层，以及复值全连接层；其中1d复值卷积层设置有h层，h大于2；每个1d复值卷积层对输入数据先进行复值卷积操作后再使用crelu激活函数激活；在1d复值卷积层中保持获取的样本特征图与输入样本的矩阵大小相同；
7、步骤3，使用训练集对所述信号均衡模型进行训练，直到测试所述信号均衡模型的准确度达到要求，将训练好的信号均衡模型部署在太赫兹通信系统接收端，实时对接收端解映射之前的信号进行补偿，实现太赫兹通信系统信号的非线性均衡。
8、所述的步骤2中，设置信号均衡模型中设置有4层1d复值卷积层。
9、所述的步骤2中，设预设长度为2k+1，当前样本要处理的信号是第i个信号xi，则截取该信号前后各k个信号作为一个样本，表示为s＝[xi-k，...，xi，...，xi+k]，将每个信号的实部和虚部数据分离存储，则当前样本表示为一个(2k+1)*2的矩阵；通过零填充补足输出特征图的大小，使得经每层1d复值卷积层处理后的样本特征图均与输入样本的矩阵大小相同。
10、所述的步骤3中，训练信号均衡模型时，损失函数设置为计算输入样本补偿后的预测值和标签数据之间的均方误差。
11、与现有技术相比，本专利技术的优点和积极效果在于：本专利技术方法通过对一般卷积神经网络各层级的修改，实现仅使用一个1d-cnn复值神经网络结构的信号均衡模型就能直接对复值信号进行处理，既保留了信号实部与虚部的对应关系，又能实现网络的回归预测效果，拓宽卷积神经网络在通信领域的应用范围。经实验验证，本专利技术方法适用于光子太赫兹通信信号这种数据的处理，满足了信号均衡处理的需求，能有效补偿复值信号的损伤和非线性效应。使用本专利技术方法可以改善高频段通信系统的传输性能。
本文档来自技高网...【技术保护点】
1.一种基于复值卷积神经网络的光子太赫兹通信信号非线性均衡方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的方法，其特征在于，所述的步骤2中，所述信号均衡模型中设置有4层1D复值卷积层。
3.根据权利要求1所述的方法，其特征在于，所述的步骤3中，在训练信号均衡模型时，损失函数设置为计算输入样本补偿后的预测值和标签数据之间的均方误差。
4.根据权利要求1所述的方法，其特征在于，所述的步骤2中，设复值全连接层中的权重矩阵Wfc＝Wr+jWi，向量偏置为b，设为，则复值全连接层的输出Y表示如下：
5.根据权利要求1所述的方法，其特征在于，所述的步骤2中，设预设长度为2k+1，当前样本要处理的信号是第i个信号xi，则截取该信号前后各k个信号作为一个样本，表示为S＝[xi-k，...，xi，...，xi+k]，将每个信号的实部和虚部数据分离存储，则当前样本表示为一个(2k+1)*2的矩阵；通过零填充补足输出特征图的大小，使得经每层1D复值卷积层处理后的样本特征图均与输入样本的矩阵大小相同。
【技术特征摘要】
1.一种基于复值卷积神经网络的光子太赫兹通信信号非线性均衡方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的方法，其特征在于，所述的步骤2中，所述信号均衡模型中设置有4层1d复值卷积层。
3.根据权利要求1所述的方法，其特征在于，所述的步骤3中，在训练信号均衡模型时，损失函数设置为计算输入样本补偿后的预测值和标签数据之间的均方误差。
4.根据权利要求1所述的方法，其特征在于，所述的步骤2中，设复值全连接层中的权重矩阵wfc＝w...
【专利技术属性】
技术研发人员：余建国，段雯佳，李凯乐，武增良，黄雨婷，
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。