基于数据驱动的光纤通信实验系统端到端建模方法和系统技术方案

本发明专利技术提供了一种基于数据驱动的光纤通信实验系统端到端建模方法和系统，包括：基于收发端数字信号处理算法(DSP)对光纤通信实验系统特征有选择性地进行补偿，采集输入数据与补偿后的输出数据构建训练数据集；构建确定性特征模型，并建立对应神经网络的输入层数据结构；构建随机特征模型，并建立对应神经网络的输入层数据结构；构建损失函数，分两阶段依次训练确定性特征模型与随机特征模型；对确定性特征模型与随机特征模型输出结果进行求和，获得完整系统建模输出。本发明专利技术联合DSP设计直接对实验系统进行建模，不依赖理论模型，无需进行假设与系统简化，且避免了迭代运算，可实现光纤通信实验系统的快速精准建模。光纤通信实验系统的快速精准建模。光纤通信实验系统的快速精准建模。

【技术实现步骤摘要】
基于数据驱动的光纤通信实验系统端到端建模方法和系统


[0001]本专利技术涉及光纤通信系统建模、光纤信道建模及神经网络应用
，具体地，涉及一种基于数据驱动的光纤通信实验系统端到端建模方法和系统。

技术介绍

[0002]光纤通信系统建模对于通信系统设计和性能预测具有重要的意义。传统的建模方法主要指针对光纤信道进行建模，包括分步傅里叶方法与高斯噪声模型：前者用于表达信号在光纤中的传输过程，该方法运算复杂度很高，应用受限；后者采用高斯假设模型，只能获得信道的统计表达，无法或者精确的信号特征，且无法考虑收发DSP对系统的作用。这两种方法均从理论模型进行推导，在此过程中采用近似与假设，与实验数据存在明显误差。
[0003]专利文献CN114499723A(申请号：CN202210083438.5)公开了一种基于傅立叶神经算子的光纤信道快速建模方法，具体为：首先基于传统的分步傅立叶算法建立长距离光信号传输仿真系统，获取由输入信号与各跨段的输出信号组成的训练对；随后利用神经网络构建傅立叶神经算子；最后利用训练数据对傅立叶神经算子的权重参数进行迭代更新以完成对映射的逼近。然而该专利实现的技术效果与本专利技术存在本质区别。

技术实现思路

[0004]针对现有技术中的缺陷，本专利技术的目的是提供一种基于数据驱动的光纤通信实验系统端到端建模方法和系统。
[0005]根据本专利技术提供的基于数据驱动的光纤通信实验系统端到端建模方法，包括：
[0006]步骤S1：基于收发端数字信号处理算法DSP对光纤通信实验系统特征有选择性进行补偿，采集输入数据与补偿后的输出数据构建训练数据集D；
[0007]步骤S2：构建确定性特征模型F，并建立对应神经网络的输入层数据结构f；
[0008]步骤S3：构建随机特征模型G，并建立对应神经网络的输入层数据结构g；
[0009]步骤S4：构建损失函数，分两阶段依次训练确定性特征模型与随机特征模型；
[0010]步骤S5：对确定性特征模型与随机特征模型输出结果进行求和，获得完整系统特征模型。
[0011]优选的，所述步骤S1包括：
[0012]步骤S1.1：以特定建模任务为目标，利用DSP算法对系统特征进行补偿，获得符合建模目标特征的数据；
[0013]步骤S1.2：将获得的数据设定为单倍或多倍采样率下的数据，依据建模目标灵活选取某两个节点分别作为输入输出数据的采集点，构建所需数据集D；
[0014]步骤S1.3：调节收发端数字信号参数与光纤通信实验系统参数，丰富数据集的多样性，使模型具备对多条件特征的建模能力。
[0015]优选的，所述步骤S2包括：
[0016]步骤S2.1：构建确定性特征模型F，包括双向长短记忆网络和前向全连接网络，对
确定性特征进行提取；
[0017]步骤S2.2：建立对应神经网络的输入层数据结构f，包括输入数据与控制数据，对于第i个输出符号的建模，第i个输入符号以及前后相邻的N个输入符号组成一个向量x，组成一部分输入数据结构，相邻符号的个数N与数据特征的记忆长度有关；所述控制数据包括距离、功率、符号概率，是另一部分输入数据，与向量x一同组成完整的确定特征模型的输入层数据结构。
[0018]优选的，所述步骤S3包括：
[0019]步骤S3.1：构建随机特征模型G，包括生成式对抗网络与变分自动编码网络，对随机特征进行提取；
[0020]步骤S3.2：建立对应神经网络的输入层数据结构g，包括隐藏编码与控制数据，所述隐藏编码为高斯随机采样，是生成对抗模型或变分自动编码模型的必要输入；所述控制数据包括距离、功率、符号概率、信噪比，若随机特征的分布与输入有关，则加入输入数据。
[0021]优选的，所述步骤S4包括：
[0022]步骤S4.1：构建确定特征模型的训练损失函数，包括模型输出与系统输出数据之间的均方误差和绝对值误差，对确定特征模型的参数进行训练，使损失函数最低；
[0023]步骤S4.2：在确定特征模型训练好后，通过原始数据集D与确定特征模型输出F(f)之间的差，构建随机特征数据集；
[0024]步骤S4.3：构建随机特征模型的训练损失函数，包括交叉熵和生成式对抗网络的原始损失函数，对随机特征模型的参数进行训练，使模型生成的随机特征的分布与随机特征数据集之间的分布特征相同；
[0025]步骤S4.4：对确定性特征模型与随机特征模型的输出结果进行求和，得到与实验系统特征对齐的完整建模模型。
[0026]根据本专利技术提供的基于数据驱动的光纤通信实验系统端到端建模系统，包括：
[0027]模块M1：基于收发端数字信号处理算法DSP对光纤通信实验系统特征有选择性进行补偿，采集输入数据与补偿后的输出数据构建训练数据集D；
[0028]模块M2：构建确定性特征模型F，并建立对应神经网络的输入层数据结构f；
[0029]模块M3：构建随机特征模型G，并建立对应神经网络的输入层数据结构g；
[0030]模块M4：构建损失函数，分两阶段依次训练确定性特征模型与随机特征模型；
[0031]模块M5：对确定性特征模型与随机特征模型输出结果进行求和，获得完整系统特征模型。
[0032]优选的，所述模块M1包括：
[0033]模块M1.1：以特定建模任务为目标，利用DSP算法对系统特征进行补偿，获得符合建模目标特征的数据；
[0034]模块M1.2：将获得的数据设定为单倍或多倍采样率下的数据，依据建模目标灵活选取某两个节点分别作为输入输出数据的采集点，构建所需数据集D；
[0035]模块M1.3：调节收发端数字信号参数与光纤通信实验系统参数，丰富数据集的多样性，使模型具备对多条件特征的建模能力。
[0036]优选的，所述模块M2包括：
[0037]模块M2.1：构建确定性特征模型F，包括双向长短记忆网络和前向全连接网络，对
确定性特征进行提取；
[0038]模块M2.2：建立对应神经网络的输入层数据结构f，包括输入数据与控制数据，对于第i个输出符号的建模，第i个输入符号以及前后相邻的N个输入符号组成一个向量x，组成一部分输入数据结构，相邻符号的个数N与数据特征的记忆长度有关；所述控制数据包括距离、功率、符号概率，是另一部分输入数据，与向量x一同组成完整的确定特征模型的输入层数据结构。
[0039]优选的，所述模块M3包括：
[0040]模块M3.1：构建随机特征模型G，包括生成式对抗网络与变分自动编码网络，对随机特征进行提取；
[0041]模块M3.2：建立对应神经网络的输入层数据结构g，包括隐藏编码与控制数据，所述隐藏编码为高斯随机采样，是生成对抗模型或变分自动编码模型的必要输入；所述控制数据包括距离、功率、符号概率、信噪比，若随机特征的分布与输入有关，则加入输入数据。
[0042]优选的，所述模块M4包括：
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数据驱动的光纤通信实验系统端到端建模方法，其特征在于，包括：步骤S1：基于收发端数字信号处理算法DSP对光纤通信实验系统特征有选择性地进行补偿，采集输入数据与补偿后的输出数据构建训练数据集D；步骤S2：构建确定性特征模型F，并建立对应神经网络的输入层数据结构f；步骤S3：构建随机特征模型G，并建立对应神经网络的输入层数据结构g；步骤S4：构建损失函数，分两阶段依次训练确定性特征模型与随机特征模型；步骤S5：对确定性特征模型与随机特征模型输出结果进行求和，获得完整系统特征模型。2.根据权利要求1所述的基于数据驱动的光纤通信实验系统端到端建模方法，其特征在于，所述步骤S1包括：步骤S1.1：以特定建模任务为目标，利用DSP算法对系统特征进行补偿，获得符合建模目标特征的数据；步骤S1.2：将获得的数据设定为单倍或多倍采样率下的数据，依据建模目标灵活选取某两个节点分别作为输入输出数据的采集点，构建所需数据集D；步骤S1.3：调节收发端数字信号参数与光纤通信实验系统参数，丰富数据集的多样性，使模型具备对多条件特征的建模能力。3.根据权利要求1所述的基于数据驱动的光纤通信实验系统端到端建模方法，其特征在于，所述步骤S2包括：步骤S2.1：构建确定性特征模型F，包括双向长短记忆网络和前向全连接网络，对确定性特征进行提取；步骤S2.2：建立对应神经网络的输入层数据结构f，包括输入数据与控制数据，对于第i个输出符号的建模，第i个输入符号以及前后相邻的N个输入符号组成一个向量x，组成一部分输入数据结构，相邻符号的个数N与数据特征的记忆长度有关；所述控制数据包括距离、功率、符号概率，是另一部分输入数据，与向量x一同组成完整的确定特征模型的输入层数据结构。4.根据权利要求1所述的基于数据驱动的光纤通信实验系统端到端建模方法，其特征在于，所述步骤S3包括：步骤S3.1：构建随机特征模型G，包括生成式对抗网络与变分自动编码网络，对随机特征进行提取；步骤S3.2：建立对应神经网络的输入层数据结构g，包括隐藏编码与控制数据，所述隐藏编码为高斯随机采样，是生成对抗模型或变分自动编码模型的必要输入；所述控制数据包括距离、功率、符号概率、信噪比，若随机特征的分布与输入有关，则加入输入数据。5.根据权利要求1所述的基于数据驱动的光纤通信实验系统端到端建模方法，其特征在于，所述步骤S4包括：步骤S4.1：构建确定特征模型的训练损失函数，包括模型输出与系统输出数据之间的均方误差和绝对值误差，对确定特征模型的参数进行训练，使损失函数最低；步骤S4.2：在确定特征模型训练好后，通过原始数据集D与确定特征模型输出F(f)之间的差，构建随机特征数据集；步骤S4.3：构建随机特征模型的训练损失函数，包括交叉熵和生成式对抗网络的原始
损失函数，对随机特征模型的参数进行训练，使模型生成的随机特征的分布与随机特征数据集之间的分布特征相同；步骤S4.4：对确定性特征模型与随机特征模型的输出结果进行求和，得到与实验系统特征对齐的完整建模模型。6.一...

【专利技术属性】
技术研发人员：义理林，杨航，牛泽坤，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：