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】
本专利技术涉及高速串行通信接口技术,具体涉及一种基于人工神经网络的并行化均衡器及其应用方法。
技术介绍
1、随着云计算、大数据、互联网等信息技术的飞速发展,推动了超大规模数据中心的出现,对于数据传输的要求日益增加。并行接口技术是数据传输的传统方式,然而,随着数据传输速率的提高,数据传输时相应的时钟与并行接口中的时序难以准确对应,容易产生时钟偏斜和信道串扰等问题。另外,并行接口技术还存在着布线复杂、硬件成本高及传输速度受限等诸多挑战。而高速串行接口的出现则缓解了上述问题,其不需要考虑多路间的时序同步问题,有效提高高性能互连网络带宽和速度,具有低功耗、低延迟及连线简单等优点。因此,高速串行接口技术已逐步取代并行接口技术,成为高速数据传输的主流,并作为数据通信的桥梁,在信息传播方面发挥着重要作用。
2、高速串行传输链路由发射机、信道及接收机组成,发射机使用时钟采样数据,将多路低速的并行数据转换为一路高速的串行数据。数据通过信道传输到达接收机,接收机处理数据,并通过时钟采样将串行数据转换为并行数据。然而,信道的寄生电容、趋肤效应等因素使信号衰减,尤其是高频分量衰减严重。且放大器和转换器的非线性效应、开关噪声、信号间干扰等因素,给信号引入了非线性失真,导致信号质量急剧恶化,接收端难以正确地恢复原来的信号。因此,需要引入均衡技术以重建高速信道输出处的信号。
3、传统的信道均衡技术主要包括前向反馈均衡器(ffe)、判决反馈均衡器(dfe)和连续时间线性均衡器(ctle)。然而,由于ffe和ctle是线性的,在处理非线性
4、面对上述挑战,研究者开始采用机器学习技术作为信道均衡器,尤其是人工神经网络(ann),其在输入和输出空间之间具有强大的非线性映射能力,因此被证明是一种有效的非线性信道均衡技术。且前馈ann具有从神经网络的输入到输出的信息流,没有反馈路径,类似于传统dsp设计中的有限脉冲响应滤波器,解决了dfe的判决速度受限于反馈回路的问题。然而,现有的ann 均衡器只能实现单符号输出,且判决方法几乎基于软最大算法。在pam4编码场景下,采用软最大算法判决方式,若均衡器实现的并行度为k,输出层则需4k个神经元,神经网络结构复杂且资源利用率低。
技术实现思路
1、本专利技术要解决的技术问题:针对现有技术的上述问题,提供一种基于人工神经网络的并行化均衡器及其应用方法,本专利技术旨在解决现有的基于人工神经网络的均衡器无法实现多符号输出的问题,现有基于人工神经网络的均衡器结构复杂且资源利用率低的问题。
2、为了解决上述技术问题,本专利技术采用的技术方案为:
3、一种基于人工神经网络的并行化均衡器,包括:
4、输入层,用于采用滑动窗口方式输入信号序列;
5、隐藏层,用于对输入的信号序列执行非线性拟合;
6、输出层,用于采用激活函数将非线性拟合得到的结果转换为输出结果;
7、判决层,用于对输出结果进行pam编码下的硬判决并将判决结果输出;
8、所述输入层通过一级或多级隐藏层与输出层相连,所述输出层与判决层相连。
9、可选地,所述输入层包括多个神经元,所述采用滑动窗口方式输入信号序列是指每个周期之间的输入信号以并行化均衡器的并行度为差值不断滑动输入,所述多个神经元分为主抽头和前向抽头及后向抽头,所述主抽头代表并行化均衡器的并行度,前抽头代表主抽头前的连续输入信号,后抽头代表主抽头之后的连续输入信号,所述输入层输入的信号序列的表达式为:
10、,
11、上式中,为t时刻输入的信号序列,为前向抽头的输入信号,为主抽头的输入信号,为后向抽头的输入信号。
12、可选地,所述隐藏层对输入的信号序列执行非线性拟合的函数表达式为:
13、,
14、上式中,为第 l层隐藏层的输出组成的 n×1的向量,为激活函数,代表第 l层隐藏层的 m个输入到第 l层隐藏层的 n个神经元之间的边的权重 w组成的大小为 n× m的权重矩阵,代表第 l层隐藏层的输入组成的 m×1的向量,代表第 l层隐藏层的偏置 b组成的 n×1的偏置向量。
15、可选地,所述隐藏层采用的激活函数为线性整流函数relu。
16、可选地,所述输出层采用的激活函数为sigmoid函数。
17、可选地,所述判决层对输出结果进行pam编码下的硬判决的函数表达式为:
18、,
19、上式中, pam4为判决结果,为最后一层隐藏层的第 i个神经元的输出信号值,为pam编码下的硬判决的判决线。
20、此外,本专利技术还提供一种前述基于人工神经网络的并行化均衡器的应用方法,包含引入人工神经网络的训练过程,并引入预设的代价函数对并行化均衡器的性能进行评估并通过使用误差反向传播算法不断调整隐藏层执行非线性拟合所需的权重和偏置,并以最小化代价函数来完成对隐藏层执行非线性拟合所需的权重和偏置的优化。
21、可选地,所述代价函数的函数表达式为:
22、
23、上式中, c表示代价函数,为并行化均衡器的实际输出向量,为并行化均衡器的期望输出向量,为并行化均衡器的第 i个实际输出,为并行化均衡器的第i个期望输出。
24、可选地,所述引入预设的代价函数对并行化均衡器的性能进行评估并通过使用误差反向传播算法不断调整隐藏层执行非线性拟合所需的权重和偏置时,每一次训练时调整隐藏层执行非线性拟合所需的权重和偏置的函数表达式为:
25、,
26、,
27、上式中,为更新后的第 l层隐藏层的第 k个输入到第 l层隐藏层的第 i个神经元之间的边的权重,为更新前的第 l层隐藏层的第 k个输入到第 l层隐藏层的第 i个神经元之间的边的权重,为学习率,为l2正则化参数,为代价函数,为代价函数对权重的偏导数,为更新后的第 l层隐藏层的第 本文档来自技高网...
【技术保护点】
1.一种基于人工神经网络的并行化均衡器,其特征在于,包括:
2.根据权利要求1所述的基于人工神经网络的并行化均衡器,其特征在于,所述输入层包括多个神经元,所述采用滑动窗口方式输入信号序列是指每个周期之间的输入信号以并行化均衡器的并行度为差值不断滑动输入,所述多个神经元分为主抽头和前向抽头及后向抽头,所述主抽头代表并行化均衡器的并行度,前抽头代表主抽头前的连续输入信号,后抽头代表主抽头之后的连续输入信号,所述输入层输入的信号序列的表达式为:
3.根据权利要求1所述的基于人工神经网络的并行化均衡器,其特征在于,所述隐藏层对输入的信号序列执行非线性拟合的函数表达式为:
4.根据权利要求3所述的基于人工神经网络的并行化均衡器,其特征在于,所述隐藏层采用的激活函数为线性整流函数ReLU。
5.根据权利要求1所述的基于人工神经网络的并行化均衡器,其特征在于,所述输出层采用的激活函数为sigmoid函数。
6.根据权利要求1所述的基于人工神经网络的并行化均衡器,其特征在于,所述判决层对输出结果进行PAM编码下的硬判决的函数表达式为:<
...【技术特征摘要】
1.一种基于人工神经网络的并行化均衡器,其特征在于,包括:
2.根据权利要求1所述的基于人工神经网络的并行化均衡器,其特征在于,所述输入层包括多个神经元,所述采用滑动窗口方式输入信号序列是指每个周期之间的输入信号以并行化均衡器的并行度为差值不断滑动输入,所述多个神经元分为主抽头和前向抽头及后向抽头,所述主抽头代表并行化均衡器的并行度,前抽头代表主抽头前的连续输入信号,后抽头代表主抽头之后的连续输入信号,所述输入层输入的信号序列的表达式为:
3.根据权利要求1所述的基于人工神经网络的并行化均衡器,其特征在于,所述隐藏层对输入的信号序列执行非线性拟合的函数表达式为:
4.根据权利要求3所述的基于人工神经网络的并行化均衡器,其特征在于,所述隐藏层采用的激活函数为线性整流函数relu。
5.根据权利要求1所述的基于人工神经网络的并行化均衡器,其特征在于,所述输出层采用的激活函数为sigmoid函数。
6.根据权利要求1所述的基于人工神经网络的并行化均衡器,其特征在于,...
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。