一种光纤非线性均衡方法及系统技术方案

本发明专利技术公开了一种光纤非线性均衡方法及系统。该方法包括：截取光纤发射端和接收端的数据，并且对发射端的数据进行星座点标签映射处理，构建训练集和测试集；对所述训练集和所述测试集进行处理；构建CNN

【技术实现步骤摘要】
一种光纤非线性均衡方法及系统


[0001]本专利技术涉及光纤通信领
，特别是涉及一种光纤非线性均衡方法及系统。

技术介绍

[0002]随着数字社会的日益发展，人们对现代光纤通信系统的传输速度与容量也有更大的需求。而随着传输速度和带宽的增大，信号对非线性失真更加敏感，所以非线性信道补偿算法是光纤通信系统容量进一步提升的关键因素。目前非线性信道补偿算法所涉及的研究方向主要包括数字反向传输(DBP)、扰动补偿算法和基于神经网络学习的补偿算法等，其中，基于神经网络学习的补偿算法凭借其自我学习、高运算速度、高容错能力等优点在该领域的应用中大大降低了实现过程中的复杂度。并且神经网络有在尝试与其他补偿算法结合，以演变出更简更优的补偿算法。
[0003]门控循环单元(GRU)是循环神经网络(RNN)中的一种扩展。相比于简单的循环神经网络，GRU增加了重置门(resetgate)与更新门(updategate)，可以有效捕捉时间序列中长期与短期的依赖关系。而双向门控循环单元(BiGRU)则是在一层GRU的基础上，增加一层反向传播的GRU，这样可以使每个时间步的输出节点都包含输入序列中当前时刻完整的过去和未来的信息，以获得该码元更完整的特征。但是即便如此，BiGRU对于数据序列的特征提取效果并不是最好的。

技术实现思路

[0004]本专利技术的目的是提供一种光纤非线性均衡方法及系统，结合卷积神经网络与双向门控循环单元实现光纤非线性均衡。
[0005]为实现上述目的，本专利技术提供了如下方案：
>[0006]一种光纤非线性均衡方法，包括：
[0007]截取光纤发射端和接收端的数据，并且对发射端的数据进行星座点标签映射处理，构建训练集和测试集；
[0008]对所述训练集和所述测试集进行处理；
[0009]构建CNN
‑
BiGRU神经网络模型；
[0010]通过处理后的训练集对所述CNN
‑
BiGRU神经网络模型进行训练；
[0011]通过训练好的CNN
‑
BiGRU神经网络模型对接收端的数据进行补偿，实现光纤非线性均衡。
[0012]可选地，对所述训练集和所述测试集进行处理，具体包括：
[0013]在输入训练集和测试集中的第i个码元时，使用将当前码元x
i
与其前后各k个码元打包的方式作为当前的输入。
[0014]可选地，所述CNN
‑
BiGRU神经网络模型包括：1D卷积层、双向GRU层、展平层、全连接层、softmax层和输出层。
[0015]可选地，通过处理后的训练集对所述CNN
‑
BiGRU神经网络模型进行训练，具体包
括：
[0016]将处理后的训练集输入到所述CNN
‑
BiGRU神经网络模型中，得到输出结果；
[0017]根据所述输出结果与光纤发射端的数据之间的损失值调整所述CNN
‑
BiGRU神经网络模型的参数。
[0018]可选地，还包括：
[0019]通过所述测试集测试训练后的所述CNN
‑
BiGRU神经网络模型的准确性。
[0020]本专利技术还提供了一种光纤非线性均衡系统，包括：
[0021]训练集和测试集构建模块，用于截取光纤发射端和接收端的数据，并且对发射端的数据进行星座点标签映射处理，构建训练集和测试集；
[0022]处理模块，用于对所述训练集和所述测试集进行处理；
[0023]模型构建模块，用于构建CNN
‑
BiGRU神经网络模型；
[0024]训练模块，用于通过处理后的训练集对所述CNN
‑
BiGRU神经网络模型进行训练；
[0025]补偿模块，用于通过训练好的CNN
‑
BiGRU神经网络模型对接收端的数据进行补偿，实现光纤非线性均衡。
[0026]可选地，所述处理模块具体包括：
[0027]打包单元，用于在输入训练集和测试集中的第i个码元时，使用将当前码元x
i
与其前后各k个码元打包的方式作为当前的输入。
[0028]可选地，所述CNN
‑
BiGRU神经网络模型包括：1D卷积层、双向GRU层、展平层、全连接层、softmax层和输出层。
[0029]可选地，所述训练模块具体包括：
[0030]输入单元，用于将处理后的训练集输入到所述CNN
‑
BiGRU神经网络模型中，得到输出结果；
[0031]调整单元，用于根据所述输出结果与光纤发射端的数据之间的损失值调整所述CNN
‑
BiGRU神经网络模型的参数。
[0032]可选地，还包括：
[0033]测试模块，用于通过所述测试集测试训练后的所述CNN
‑
BiGRU神经网络模型的准确性。
[0034]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0035]本专利技术通过搭建CNN与BiGRU结合的神经网络模型，将训练数据序列输入其内进行神经网络模型的训练，并使用测试数据对模型训练效果进行评估，每个时间步保存当前训练效果最好的模型，从而实现光纤非线性均衡。
附图说明
[0036]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0037]图1为本专利技术实施例光纤非线性均衡方法的流程图；
[0038]图2为本专利技术实施例光纤非线性均衡方法的原理图；
[0039]图3为本专利技术实施例训练集和测试集处理的流程图；
[0040]图4为CNN
‑
BiGRU网络模型示意图；
[0041]图5为模型验证与评估流程图。
具体实施方式
[0042]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0043]本专利技术的目的是提供一种光纤非线性均衡方法及系统，结合卷积神经网络与双向门控循环单元实现光纤非线性均衡。
[0044]目前在特征提取中表现最好的是卷积神经网络(CNN)。卷积神经网络是一种利用卷积计算的神经网络，经常被应用到图像识别、语音识别等领域中，因为其可以自动从大规模数据中学习特征，并把结果向同类型未知数据泛化。相对于其它神经网络，卷积神经网络通常使用较少的计算参数就可以提取出数据中的特征，并且大幅度提升了数据分类的精度。
[0045本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种光纤非线性均衡方法，其特征在于，包括：截取光纤发射端和接收端的数据，并且对发射端的数据进行星座点标签映射处理，构建训练集和测试集；对所述训练集和所述测试集进行处理；构建CNN
‑
BiGRU神经网络模型；通过处理后的训练集对所述CNN
‑
BiGRU神经网络模型进行训练；通过训练好的CNN
‑
BiGRU神经网络模型对接收端的数据进行补偿，实现光纤非线性均衡。2.根据权利要求1所述的光纤非线性均衡方法，其特征在于，对所述训练集和所述测试集进行处理，具体包括：在输入训练集和测试集中的第i个码元时，使用将当前码元x
i
与其前后各k个码元打包的方式作为当前的输入。3.根据权利要求1所述的光纤非线性均衡方法其特征在于，所述CNN
‑
BiGRU神经网络模型包括：1D卷积层、双向GRU层、展平层、全连接层、softmax层和输出层。4.根据权利要求1所述的光纤非线性均衡方法，其特征在于，通过处理后的训练集对所述CNN
‑
BiGRU神经网络模型进行训练，具体包括：将处理后的训练集输入到所述CNN
‑
BiGRU神经网络模型中，得到输出结果；根据所述输出结果与光纤发射端的数据之间的损失值调整所述CNN
‑
BiGRU神经网络模型的参数。5.根据权利要求1所述的光纤非线性均衡方法，其特征在于，还包括：通过所述测试集测试训练后的所述CNN
‑
BiGRU神经网络模型的准确性。6.一种光纤非线性均衡系统，其特征在...

【专利技术属性】
技术研发人员：王拥军，张永铭，李超，杨海锋，韩露，田清华，田凤，张琦，忻向军，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：