一种基于机器学习的非线性补偿方法技术

本发明专利技术涉及一种基于机器学习的非线性补偿方法，包括以下步骤：对接收端获取信号进行线性均衡、根据线性均衡后信号计算三维体、构建神经网络数据集、训练神经网络模型、将发射端信号输入神经网络模型、得到补偿后信号；本发明专利技术基于神经网络实现光通信系统中传输非线性及器件非线性补偿，通过传输信号得到包含有信道非线性信息的三维体数据，以三维体为神经网络输入数据，通过神经网络模型回归任务的高度拟合性训练神经网络，建立标准符号Y＝损伤符号X*非线性变换W的回归关系，将训练输出结果与发射机符号相减得到非线性干扰项。本发明专利技术在低DSP复杂度的前提下，完成了光通信系统中的非线性补偿，使得系统的误码率会明显降低，系统性能得到明显提升。系统性能得到明显提升。系统性能得到明显提升。

【技术实现步骤摘要】
一种基于机器学习的非线性补偿方法


[0001]本专利技术涉及光通信系统非线性补偿方法，特别是涉及一种基于机器学习的光通信非线性预补偿方法。

技术介绍

[0002]光通信系统作为支撑全球数据通信的基础设施，承载着超过95％的数据流量，光学非线性效应是限制下一代高速光通信系统频谱效率和信息容量的最重要因素之一。即使在小型的集成光通信系统中，器件严重的非线性效应也会导致光信号传输时发生严重的失真，是限制信号质量与光功率提高的主要因素。
[0003]在高速光通信系统中，传统的非线性补偿方法采用数字反向传播算法，采用分步傅里叶方法反向求解非线性薛定谔方程来达到对光信号补偿的效果。
[0004]数字反向传播算法涉及到多次时域与频域之间的傅里叶变换，并且数字反向传播算法的反向拟合精度受拟合步长大幅影响，步长越小，拟合越精确，但计算次数也成倍增加，带来DSP的复杂度也成倍增加。因此，在保证补偿性能的同时降低非线性补偿的DSP复杂度是目前光通信系统非线性补偿方法发展的重要方向之一。

技术实现思路

[0005]本专利技术目的在于提供一种复杂度低、补偿性能显著、不需要链路全部信息的基于机器学习的非线性补偿方法，该非线性补偿方法可保证补偿效果有明显提升的同时实现低复杂度，可有效缓解高速光通信的非线性损伤，提高系统传输误码率。
[0006]为解决上述技术问题，本专利技术采用如下技术方案：
[0007]步骤1、对接收端信号进行线性均衡，根据线性均衡后的信号计算接收端非线性三维体根据发射端的标准符号计算发射端三维体，存储于固定位置以便查表使用；
[0008]步骤2、根据权重分布计算公式计算符号位置权重分布，设置阈值进行位置筛选；
[0009]步骤3、搭建神经网络模型，构建数据集；
[0010]步骤4、训练神经网络模型，选用线性均衡后的接收端三维体作为神经网络输入，将每个三维体拆分为实部数据与虚部数据，三维体符号索引对应的标准发射机符号作为训练标签，发射机符号与经过神经网络后的接收符号之间的均方根误差作为损失函数，以最小化损失函数的方向进行迭代训练；
[0011]步骤5、将发射端信号三维体输入训练好的神经网络模型，根据回归关系，神经网络输出该符号对应的非线性补偿量；
[0012]步骤6、采用预补偿的方式，发射机的符号在进入信道前提前减去非线性补偿量乘
以峰值功率系数，得到非线性预补偿后的符号。
[0013]本专利技术中，利用权重分布公式与阈值减低神经网络输入数据量，利用神经网络的回归能力计算针对单个符号三维体的计算系数，整体算法复杂度不受传输距离影响，在保证非线性补偿性能的同时实现了低复杂度、需要信息量低的特点；
[0014]本专利技术中，采用了机器学习的方法计算非线性三维体最佳权重系数，利用机器学习强大的性能，弥补了公式计算时带来的人为误差，提高了算法的计算效率与补偿性能。
附图说明
[0015]图1为本专利技术中传输系统及非线性补偿算法流程示意图；
[0016]图2为神经网络训练过程；
[0017]图3为神经网络测试过程，也为非线性补偿过程；
[0018]图4为神经网络架构示意图；
具体实施方式
[0019]本专利技术所提出的基于机器学习的非线性补偿方法，充分利用了机器学习技术，实现了一种低复杂度、高性能、不依赖链路信息的高速光通信系统非线性补偿方法。
[0020]下面结合附图对本专利技术作进一步的说明。
[0021]结合图1，本专利技术的实现包括以下7个步骤：
[0022]步骤1、建立非线性光通信系统，准备长度为2^
23
的比特序列，经过数字信号处理完成调制信号映射，在第一次传输中，直接将映射后的调制信号进行整形并进行50％的预色散补偿，之后输入信道进行信号传输；
[0023]步骤2、在第一次传输中，对接收端信号采用数字信号处理技术进行线性均衡，采用色散补偿、自适应均衡、频偏与相位恢复的过程完成对传输信道线性均衡过程；
[0024]步骤3、根据线性均衡之后的符号计算接收端的非线性三维体，因为仅进行了线性均衡的原因，信道的非线性损伤特征仍存在于符号信息中，将三维体存储于固定位置以便筛选及查表使用；
[0025]步骤4、根据权重系数分布公式计算某一符号的非线性影响分布，m、n分别指目标符号同向偏振信道及异向偏振信道上的周边符号索引，其中γ指光纤的非线性常数，β2指光纤的传播常数，τ指脉冲宽度，T指符号速率的倒数，L指传输距离，j为虚数符号；
[0026]步骤5、将权重系数分布矩阵中的元素幅值与m＝0、n＝0处的元素幅值做相对运算，得到权重系数分布的相对值矩阵，设置阈值对m、n进行筛选，只考虑对目标符号非线性贡献较大的邻近符号；
[0027]步骤6、搭建全连接神经网络模型，输入层神经元节点数量等于筛选后三维体数量的两倍，分别对应三维体数据的实部与虚部，构建数据集，包括训练集和验证集，以发射机符号与经过神经网络后的接收符号之间均方根误差作为损伤函数，以最小化损伤函数的方向进行迭代训练；
[0028]均方根误差公式：N为序列长度，H
i
为发射机标准符号，为接收端线性均衡后符号，为神经网络模型输出。
[0029]步骤7、完成神经网络训练后，在发射机部分，根据符号映射后信号序列计算发射端三维体，之后将发射端三维体同样以相同的阈值进行筛选，输入训练好的神经网络模型，神经网络模型输出非线性预补偿量，发射机符号减去非线性预补偿量后进行符号整形和预色散补偿操作，之后进行第二次传输，第二次传输符号为非线性预补偿后数据。
[0030]结合图2，本专利技术中神经网络训练流程及原理：
[0031]步骤2
‑
1：接收端采用光电探测器探测传输光信号，并转成电信号进行AD采用转换；
[0032]步骤2
‑
2：对接收信号与发射端信号进行时钟同步，之后将下采样至符号波特率的两倍；
[0033]步骤2
‑
3：对下采样后信号进行线性均衡过程：分为色散补偿、偏振解复用、自适应均衡及载波相位恢复三步，分别完成对色度色散、码间干扰、频率偏移和相位噪声等线性损伤完成补偿均衡；
[0034]可选的，所述色散补偿的色散补偿系数计算公式为：
[0035][0036]其中，D表示色散补偿系数，A
x,y
表示偏振复用系统接收端信号，α表示信道的光功率衰减常数，β2表示信道传播常数。
[0037]步骤3
‑
1：根据线性均衡后的数据计算接收端三维体，做为神经网络训练的输入；
[0038]三维体的计算公式为：
[0039][0040]其中H
i
为X偏振信道的信号，V
i
为Y偏振信道的信号，m为针对某一符号X偏振信道考虑符号索引，n为针对某一符号Y偏振信道考虑符号索引，k代表目标补偿符号索引；
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的非线性补偿方法，其特征在于包括以下步骤：(1)根据分别计算接收端信号线性均衡后的非线性三维体及发射端信号的非线性三维体，存储于固定位置便于查表调用；(2)根据符号权重计算公式计算C
mn
系数分布，并设置权重阈值对神经网络输入进行削减，提高数据利用效率，m、n分别指目标符号同向偏振信道及异向偏振信道上的周边符号索引；(3)搭建全连接人工神经网络模型，构建神经网络数据集，输入层神经元数目等于输入三维体数目的两倍；(4)选用线性均衡后的接收端三维体作为神经网络输入，对应的标准符号作为训练标签，发射机符号与经过神经网络后的接收符号之间的均方根误差作为损失函数，以最小化损失函数的目标进行迭代训练；(5)将发射端信号三维体输入训练好的神经网络模型，神经网络输出计算的非线性补偿量；(6)采用预补偿的方式，发射机符号减去非线性补偿量乘以峰值功率系数后进入信道，完成非线性预补偿。2.根据权利要求1所述的基于机器学习的非线性补偿方法，其特征在于：线性均衡，采用色散补偿、自适应均衡、频偏与相位恢复的过程完成对传输信道线性均衡过程。3.根据权利要求1所述的基于机器学习的非线性补偿方法，其特征在于：步骤(3)中输入层神经元节点分别对应三维体数据的实部与虚部，构建数据集，包括训练集和验证集，以发射机符号与经过神经网络后的接收符号之间均方根误差作为损伤函数，以最小化损伤函数的方向进行迭代训练；均方根误差公式为：N为序列长度，H
i
为发射机标准符号，为接收端线性均衡后符号，为神经网络模型输出。4.根据权利要求1所述的基于机器学习的非线性补偿方法，其特征在于：步骤(5)中神经网络训练包括以下步骤：接收端采用光电探测器探测传输光信号，并转成电...

【专利技术属性】
技术研发人员：赵健，杨宇清，徐晋升，
申请(专利权)人：天津大学，
类型：发明
国别省市：