一种基于自监督学习模型的光载射频几何整形方法技术

本发明专利技术公开了一种基于自监督学习模型的光载射频几何整形方法，具体为：建立光载射频链路，采集链路两端的射频信号数据；构建一个基于自监督学习模型的端到端光载射频传输系统，包括基于神经网络的符号映射模型TransNN、信道模型ChannelNN和解调模型ReceivNN；利用随机生成的比特数据对构建的端到端光载射频传输系统进行训练；将TransNN生成的射频信号输入到光载射频链路中得到链路两端的数据；将经过二次训练的TransNN和ReceivNN模型应用于光载射频链路，记录生成的星座图以及接收端的误码率。本发明专利技术能够在不改变硬件链路结构的情况下，自适应星座图几何整形，提高系统的解调性能。

【技术实现步骤摘要】

本专利技术属于机器学习和光通信领域，尤其涉及一种基于自监督学习模型的光载射频几何整形方法。

技术介绍

1、基于强度调制直接检测(im/dd)的模拟光载射频(rof)传输技术，在系统结构上与移动前传网络具有高度的契合性，具有传输损耗低、带宽大、结构简单、成本低和抗电磁干扰等优点，这使得该技术在未来移动前传网络中具有巨大的应用前景。尽管rof技术具有多方面的优势，却受到光纤色散、非线性损伤以及相位噪声等影响，这些因素导致rof接收的灵敏度较低。因此，研究人员引入了各种技术包括载波抑制双边带调制，单边带调制和色散补偿光纤等，但这些技术会增加rof系统的复杂性和成本。

2、数字信号处理(dsp)算法具有较好的灵活性，能够在不改变系统结构的基础上提升系统的接收灵敏度。典型算法包括最小均方差(lms)和横模算法(cma)等。但是，rof传输中多种损失因素综合影响传输信号，使得单一的线性均衡算法(如lms和cma)对rof系统的灵敏度提升并不明显。神经网络模型能够缓解色散效应和非线性损伤的能力。因因此，将神经网络模型用作均衡器和解调器有助于提高rof链路的接本文档来自技高网...

【技术保护点】

1.一种基于自监督学习模型的光载射频几何整形方法，其特征在于，包括以下步骤：

2.根据要求1所述的一种基于自监督学习模型的光载射频几何整形方法，其特征在于，所述步骤1中，搭建一个基于强度调制直接检测的模拟光载射频链路，采集的信号数据分别来自强度调制器射频信号输入信号以及光电探测器的输出射频信号。

3.根据权利要求1所述的一种基于自监督学习模型的光载射频几何整形方法，其特征在于，所述步骤2中的光载射频链路信道模型的构建和训练，选用深度学习模型Transformer作为ChannelNN模型，对Transformer进行了一定的改进，具体为：>

4.根据权利...

【技术特征摘要】

1.一种基于自监督学习模型的光载射频几何整形方法，其特征在于，包括以下步骤：

2.根据要求1所述的一种基于自监督学习模型的光载射频几何整形方法，其特征在于，所述步骤1中，搭建一个基于强度调制直接检测的模拟光载射频链路，采集的信号数据分别来自强度调制器射频信号输入信号以及光电探测器的输出射频信号。

3.根据权利要求1所述的一种基于自监督学习模型的光载射频几何整形方法，其特征在于，所述步骤2中的光载射频链路信道模型的构建和训练，选用深度学习模型transform...

【专利技术属性】
技术研发人员：叶佳，朱越，闫连山，潘炜，邹喜华，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：