一种无源光网络上行传输接收端解调方法技术

本发明专利技术公开了一种无源光网络上行传输接收端解调方法，包括以下步骤：步骤1：构建全连接神经网络；步骤2：获取数据发射单元发出的信号和原始发送数据作为训练数据集，对模型进行训练；步骤3：将接收到的数据输入步骤2训练完成后的模型中，得到原始数据信号；本发明专利技术采用深度学习神经网络模型实现信道估计和解调，可以有效提供接收机灵敏度，尤其针对高阶调制和远距离传输的情况；可根据调制格式和距离自适应进行解调，增加了系统的灵活性，可有效解决传统方案的低速和低频谱效率的问题。

A demodulating method of uplink transmission receiver in passive optical network

The invention discloses a demodulating method for the uplink transmission receiving end of the passive optical network, which comprises the following steps: Step 1: constructing a full connection neural network; step 2: acquiring the signal sent by the data transmitting unit and the original transmission data as the training data set to train the model; step 3: inputting the received data into the model after the training in step 2 to obtain the original data signal The method adopts the deep learning neural network model to realize the channel estimation and demodulation, which can effectively provide the sensitivity of the receiver, especially for the case of high-order modulation and long-distance transmission; the method can demodulate adaptively according to the modulation format and distance, which increases the flexibility of the system, and can effectively solve the problems of low-speed and low-frequency spectral efficiency of the traditional scheme.

【技术实现步骤摘要】
一种无源光网络上行传输接收端解调方法
本专利技术涉及光通信
，具体涉及一种无源光网络上行传输接收端解调方法。
技术介绍
光纤通信技术已成为现代通信的主要支柱之一，在现代电信网中起着举足轻重的作用；其近年来发展速度之快、应用面之广是通信史上罕见的，也是世界新技术革命的重要标志和未来信息社会中各种信息的主要传送工具。光纤即为光导纤维的简称。光纤通信是以光波作为信息载体，以光纤作为传输媒介的一种通信方式。近年来，由于光纤的大量铺设和波分复用等新技术的应用，使得主干光纤网络在几年之内已经有了突破性的发展。同时由于以太网技术的进步，由其主导的局域网带宽也从10M、100M到1G甚至10G。而目前大家关注，最需要突破的地方就在于连接网络主干和局域网以及家庭用户之间的一段。这就是常说的“最后一公里”，这是个瓶颈。必须打破这个瓶颈，才可能迎来网络世界的新天地。人们迫切需要一种经济、简单、易升级、能够综合传输语音、数字和视频业务的新的接入网络技术。在各种技术中，无源光网络（PON）技术获得了广泛的关注。PON网络的突出优点是消除了户外的有源设备，所有的信号处理功能均在交换机和用户宅内设备完成。而且这种接入方式的前提投资小，大部分资金要推迟到用户真正接入时才投入。它的传输距离比有源光纤接入系统的短，覆盖的范围较小，但它造价低，无须另设机房，维护容易。因此这种结构可以经济地为居家用户服务。目前PON技术主要采用异步转移模式（ATM）的无源光网络APON、以太网无源光网络（EPON）、千兆比特无源光网络（GPON）和波分复用无源光网络（WDM-PON），基于正交频分复用无源光网络（OFDMA-PON）等几种。其主要差异在于采用了不同的传输技术。其中，前三种PON技术都是基于时分复用的，而WDM-PON和OFDMA-PON是基于波分复用和频分复用的。对于传统的TDM-PON，一般采用OOK调制。传统的OOK调制在接收端通过阈值判决方法恢复发射端的信号，单一的采样点信息决定了接收机灵敏度。自2007年以来，学术界开始将新型的数字信号处理技术引入到PON中，这样可以有效的提高频谱效率，降低信道损伤的影响。而基于成熟数字处理技术的OFDM方法在接收端可以通过接收信号的多个采样点和多维信息（幅度，相位）来有效的提高接收机灵敏度。在高速传输情况下，数字信号处理的方法可以通过与高阶调制技术结合，在带宽有限的光电器件上实现更高容量传输。采用数字信号处理技术，除了在性能上增强之外，还可以通过FFT/IFFT等模块提高计算效率，并将光器件的成本压力向电器件转移。数字信号处理技术还可以有效地进行信道补偿，信道补偿的方法是采用训练序列进行估计。基于LS、MMSE或者其改进算法进行信道损伤补偿，但这种传统方法在调制阶数较高或者信道复杂的时候，也难以有效地补偿信道损伤。近年来人工智能特别是深度学习在计算机视觉、自然语言处理、语音识别等领域获得了巨大成功。通信领域的研究者们也开始关注到其在本领域的优势，当前已有大量的研究成果应用于应用层和网络层进行资源管理和分配等领域。在MAC层和物理层也开始出现传输与深度学习相结合的趋势。
技术实现思路
本专利技术为了解决现有技术存在的问题提出一种将深度学习用于PON中的信道估计和信号检测的无源光网络上行传输接收端解调方法。本专利技术采用的技术方案是：一种无源光网络上行传输接收端解调方法，包括以下步骤：步骤1：构建全连接神经网络；步骤2：获取数据发射单元发出的信号和原始发送数据作为训练数据集，对模型进行训练；步骤3：将接收到的数据输入步骤2训练完成后的模型中，得到原始数据信号。进一步的，所述全连接神经网络输入层、隐蔽层和输出层；隐藏层采用线性整流函数Relu作为其激活函数；输出层采用softmax函数。进一步的，所述步骤2中模型训练阶段，首先初始化模型参数，然后最小化损失函数调整模型参数。进一步的，所述数据发射单元对数据做以下处理：发射单元将输入信息进行正交幅度调制，得到调制信息序列；通过子载波映射模块将信号映射到分配的子载波上；将子载波映射后的频域信号进行快速傅里叶反变换，得到时域信号；将正交频分复用OFDM基带信号上变频；通过数模转换将模拟信号调制到光上，得到的QAM-OFDM信号按照光线路终端所分配的时隙发送出去。进一步的，所述步骤3中数据接收后做以下处理：通过光电转换得到模拟电信号，经过模数转换，通过下变频得到OFDM基带信号；将时域信号经过快速傅里叶变换，得到频域信号。进一步的，所述步骤2中获取不同调制格式的信号，分别形成数据训练集，分别对模型进行训练，得到不同参数的模型；步骤3中首先识别接收到信号的调制格式，然后输入对应参数的模型中，得到原始数据信号。本专利技术的有益效果是：（1）本专利技术方法采用深度学习神经网络模型实现信道估计和解调，可以有效提供接收机灵敏度，尤其针对高阶调制和远距离传输的情况；（2）本专利技术可以根据调制格式和距离自适应进行解调，增加了系统的灵活性；（3）本专利技术与传统的系统相比，可有效解决传统方案的低速和低频谱效率的问题。附图说明图1为PON网络体系结构。图2为基于DSP的TDM-PON结构框图。图3为本专利技术采用的全连接神经网络结构示意图。图4为本专利技术数据传输示意图。图5为本专利技术实施例中采用的方法示意图。具体实施方式一种无源光网络上行传输接收端解调方法，包括以下步骤：步骤1：构建全连接神经网络；近年来，机器学习被认为是解决复杂问题的有效方法，如目标检测识别和语音识别。特别是深度学习已经为各种领域带来了显著的性能提升，包括自然语言处理，计算机视觉。本专利技术将深度学习用于PON中的信道估计和信号检测。一般的深度学习模型由包含多个神经元的若干层组成。每层的输入为前一层上神经元的加权和的非线性函数的输出。通过反向传播训练，调整每层之间的权重。深度学习可以大致分为监督学习和无监督学习，以及强化学习。本专利技术采用全连接神经网络（NN），其结构如图3所示。采用基于监督学习的深度学习，在基于监督学习的深度学习中，用于训练的所使用数据的标签是预先已知的。损失函数被定义为深度学习网络的输出和标签之间的差异。然后根据损失函数下降的梯度搜索全局最小值。当损失函数的值低于预定阈值时，网络训练停止。该模型包括输入层、隐藏层和输出层。前一层的输出是后续层的输入，带有参数（w，b）。其中隐藏层取复杂特征功能。步骤2：获取数据发射单元发出的信号和原始发送数据作为训练数据集，对模型进行训练；在实际使用过程中，根据获取得到的不同调制格式的信号，和原始发送数据分别形成数据训练集，分别对模型进行训练，得到不同参数的模型。发射端利用随机比特流产生QAM-OFDM信号，经过传输链路，在接收端接收到该信号，并转换到频域。搭建深度神经网络模型，将接收到的信号作为模型的输入端，通过模型的处理，得到输出信号。将输出信号和已知的输入比特流本文档来自技高网...

【技术保护点】
1.一种无源光网络上行传输接收端解调方法，其特征在于，包括以下步骤：/n步骤1：构建全连接神经网络；/n步骤2：获取数据发射单元发出的信号和原始发送数据作为训练数据集，对模型进行训练；/n步骤3：将接收到的信号输入步骤2训练完成后的模型中，得到原始数据信号。/n

【技术特征摘要】
1.一种无源光网络上行传输接收端解调方法，其特征在于，包括以下步骤：
步骤1：构建全连接神经网络；
步骤2：获取数据发射单元发出的信号和原始发送数据作为训练数据集，对模型进行训练；
步骤3：将接收到的信号输入步骤2训练完成后的模型中，得到原始数据信号。


2.根据权利要求1所述的一种无源光网络上行传输接收端解调方法，其特征在于，所述全连接神经网络输入层、隐蔽层和输出层；隐藏层采用线性整流函数Relu作为其激活函数；输出层采用softmax函数。


3.根据权利要求1所述的一种无源光网络上行传输接收端解调方法，其特征在于，所述步骤2中模型训练阶段，首先初始化模型参数，然后最小化损失函数调整模型参数。


4.根据权利要求1所述的一种无源光网络上行传输接收端解调方法，其特征在于，所述数据发射单元对数据做以下处理：
发射单元将输...

【专利技术属性】
技术研发人员：杨慧，王睿，张先卓，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：四川;51