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】
本专利技术涉及光纤通信,具体为一种基于自学习数字反向传播算法的色散和光纤非线性均衡方法。
技术介绍
1、近年来,随着ip业务的急剧增加,终端用户对互联网服务的需求愈来愈高。在过去的五年里,承担着巨大数据流量的光网络的容量迅速扩大了十倍。但是光纤线性损伤和非线性损伤这两类因素限制了光通信技术的进一步发展。随着数字信号处理技术的飞速发展,光纤线性损伤得到很好的补偿,所以目前光纤非线性损伤是长距离高速光纤传输系统的主要障碍,补偿光纤非线性效应具有很大的实用意义。
2、在传统的数字信号处理中,通过volterra级数来求解非线性薛定谔方程,计算的复杂度较高并且非线性的补偿效果受滤波器抽头系数影响而并不稳定;相位共轭双波可以减轻wdm(wavelength division multiplexing波分复用)系统信号中的非线性损伤,但是相位共轭双波的在补偿wdm时会浪费一半的传输带宽,并且非线性补偿效率高度依赖于链路特性;数字反向传播(dbp,digital back propagation)使用分步傅里叶变换来得到非线性薛定谔方程的近似时域解,数字处理的精度跟与选择的步长有关,很难平衡性能与复杂度之间的关系,并且它需要准确的链路参数,而在一些实际应用下(如海底光缆)链路参数无法准确。
3、近年来,神经网络由于其具有较高的分类精度,已经被广泛应用到光纤非线性补偿。其中基于分类算法的补偿方案(如:k-nearest neighbors,knn),能够补偿任何非确定性传输障碍,但是其计算复杂度较高; 基于聚类算法的补偿
技术实现思路
1、针对上述问题,本专利技术的目的在于提供一种基于自适应数字反向传播算法的色散和光纤非线性均衡方法,通过深度神经网络对光纤色散和非线性损伤进行均衡处理,可以逼近任意非线性函数,建立更好的黑箱模型,能够准确的预测光纤色散和非线性损伤,并且只依赖于接收到的数据来模拟传输模型,可以在预先不知道链路参数的情况下工作,具有普适性。技术方案如下:
2、一种基于自学习数字反向传播算法的色散和光纤非线性均衡方法,包括以下步骤:
3、步骤1: 将传统数字反向传播算法的线性步骤当作神经网络的权重矩阵,将传统数字反向传播算法的非线性步骤当作神经网络的激活函数;
4、步骤2:使用wirtinger导数对自学习数字反向传播算法实现超参数更新;
5、步骤3:通过自学习数字反向传播算法更新的超参数,进行前向传播和数字信号处理,生成该传输链路的网络模型,并在执行阶段得到该模型的色散和非线性损伤值;
6、步骤4:利用自学习数字反向传播算法迭代出的色散和非线性损伤值,并与自学习数字反向传播算法的标签值来计算系统的误码率和信噪比,从而得到系统的色散和非线性补偿方案性能。
7、进一步的,所述步骤1中神经网络的计算公式包括:
8、 #timg# (#timg#a) #timg# (1#timg#)
9、其中,表示每层的输入信号向量; 是一个学习参数,其中表示光纤有效长度,表示一个缩放因子,表示光纤衰减系数;w表示维的def矩阵,,其中表示群速度色散。
10、更进一步的,所述步骤2具体包括:
11、步骤21:将复变函数分离转化为两个实值函数,并分别计算出它们在实域的导数,其计算公式为:
12、 #timg# (2)
13、步骤22:将实域导数转换回复域,其计算公式为;
14、 #timg# (3) #timg# (4)
15、步骤23:计算出复函数的总微分,其公式为:
16、 #timg# (5)
17、其中,。
18、更进一步的,所述自学习数字反向传播算法包括输入层、隐藏层、输出层。且输出层之后还要进行数字信号处理。
19、更进一步的,所述自学习数字反向传播算法的标签值为光纤的发送符号与对应的接收符号的差值。
20、本专利技术的有益效果是:本专利技术提供基于自学习数字反向传播算法的色散和光纤非线性补偿方案通过神经网络对色散和光纤非线性损伤进行均衡处理,并且进一步的优化dbp的参数,自适应的获得系统的最优参数,然后进行前向传播和数字信号处理,建立更好的网络模型,能够准确的预测色散和光纤非线性损伤,并且只依赖于接收到的数据来模拟传输模型,可以在预先不知道链路参数的情况下工作,具有普适性。
本文档来自技高网...【技术保护点】
1.一种基于自学习数字反向传播算法的色散和光纤非线性均衡方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于自学习数字反向传播算法的色散和光纤非线性均衡方法,其特征在于,所述步骤1中神经网络的计算过程包括:
3.根据权利要求1所述的基于自学习数字反向传播算法的色散和光纤非线性均衡方法,其特征在于,所述步骤2具体包括:
4.根据权利要求1所述的基于自学习数字反向传播算法的色散和光纤非线性均衡方法,其特征在于,所述自学习数字反向传播算法包括输入层、隐藏层、输出层。
5.且输出层之后还要进行数字信号处理。
6.根据权利要求1所述的基于自学习数字反向传播算法的色散和光纤非线性均衡方法,其特征在于,所述自学习数字反向传播算法的标签值为光纤的发送符号#imgpt21#与对应的接收符号#imgpt22#的差值。
【技术特征摘要】
1.一种基于自学习数字反向传播算法的色散和光纤非线性均衡方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于自学习数字反向传播算法的色散和光纤非线性均衡方法,其特征在于,所述步骤1中神经网络的计算过程包括:
3.根据权利要求1所述的基于自学习数字反向传播算法的色散和光纤非线性均衡方法,其特征在于,所述步骤2具体包括:
4.根据权利要求1所述...
【专利技术属性】
技术研发人员:陈志轩,蒙建宇,张洪波,张敏,蔡炬,
申请(专利权)人:成都信息工程大学,
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。