[发明专利]基于CNN-biRNN的光纤非线性均衡方法及系统有效

专利信息
申请号: 202210187883.6 申请日: 2022-02-28
公开(公告)号: CN114553315B 公开(公告)日: 2023-07-18
发明(设计)人: 刘欣雨;忻向军;张琦;姚海鹏;高然 申请(专利权)人: 常州京信新一代信息技术研究院有限公司
主分类号: H04B10/2507 分类号: H04B10/2507;H04B10/2543;H04B10/40;G06N3/0464;G06N3/044;G06N3/08
代理公司: 南京中高专利代理有限公司 32333 代理人: 金啸
地址: 213000 江苏省常州市武进区常武中*** 国省代码: 江苏;32
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 基于 cnn birnn 光纤 非线性 均衡 方法 系统
【权利要求书】:

1.一种光纤非线性均衡方法,其特征在于,包括:

采集光纤发射端和接收端的数据,并对数据进行处理;

根据处理的数据构建对应的特征序列;

构建训练数据集和测试数据集;

构建CNN-biRNN模型;

根据训练数据集对CNN-biRNN模型进行训练;以及

通过训练好的CNN-biRNN模型根据测试数据集获取对应的恢复的发射端数据;

所述采集光纤发射端和接收端的数据,并对数据进行处理的方法包括:

采集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,对接收端的数据进行线性均衡处理,即

根据发射端的数据的星座图,星座图中含有坐标规整排布的M个星座点,根据M个标准星座点将发射端的数据分为M个不同的数据类别,每一个标准星座点对应于一个数据类别,从1到M进行标签编号,作为数据类别的标签;

对于接收端的数据,线性均衡处理的流程包括:低通滤波、幅度归一化、色散补偿、时钟恢复、下采样、正交化处理、偏振解复用和偏振模色散补偿、频偏估计和载波相位估计;

所述根据处理的数据构建对应的特征序列的方法包括:

对于经过线性均衡处理后的接收端的数据中的每一个码元,根据信道内交叉相位调制和信道内四波混频的三元组或者构造其对应的特征序列,即

将接收到的X偏振方向和Y偏振方向上的经过线性均衡处理的后的数据序列分别定义为和以对应于数据序列中的第k个码元,其中k=1,2,···,T;

对于每一个码元根据信道内交叉相位调制和信道内四波混频的三元组或者构造其对应的特征序列;

对应于每一个码元的输入特征序列,其中包含了自身偏振方向上的数据序列中的前后相邻m、n、m+n个码元的复信息,以及相对的偏振方向上的数据序列中的前后相邻m、n、m+n个码元的复信息;

对于X偏振方向上的数据序列的第k个码元构造的特征序列为其中为二维向量,i=1,2,···,l,分别为对应的信道内交叉相位调制和信道内四波混频的三元组的实部数据Re和虚部数据Im,

对于Y偏振方向上的数据序列的第k个码元构造的特征序列为其中为二维向量,i=1,2,···,l,分别为对应的信道内交叉相位调制和信道内四波混频的三元组的实部数据Re和虚部数据Im,

确定m、n的取值范围后进行筛选:

其中,L为超参数,决定了m和n的绝对值的最大值。

2.如权利要求1所述的光纤非线性均衡方法,其特征在于,

所述构建训练数据集和测试数据集的方法包括:

根据预设的比例,构造训练数据集其中,yi为与特征序列相对应的真实标签,标签值y∈{1,2,…,M};

剩余数据作为测试数据集。

3.如权利要求2所述的光纤非线性均衡方法,其特征在于,

所述构建CNN-biRNN模型的方法包括:

所述CNN-biRNN模型包括:一维卷积层、biRNN层、展平层、全连接层、Softmax层和输出层。

4.如权利要求3所述的光纤非线性均衡方法,其特征在于,

所述根据训练数据集对CNN-biRNN模型进行训练的方法包括:

使用所述的训练数据集训练所述的CNN-biRNN模型,通过最小化真实标签的交叉熵损失函数,采用反向传播算法和Adam参数优化算法,确定最优的模型参数,得到训练好的CNN-biRNN模型。

5.如权利要求4所述的光纤非线性均衡方法,其特征在于,

所述通过训练好的CNN-biRNN模型根据测试数据集获取对应的恢复的发射端数据的方法包括:

通过训练好的CNN-biRNN模型对所述的测试数据进行标签预测,得到当前码元所对应的数据类别,通过星座点标签解映射,得到对应的恢复的发射端数据。

6.一种光纤非线性均衡系统,其特征在于,包括:

采集模块,采集光纤发射端和接收端的数据,并对数据进行处理;

序列构建模块,根据处理的数据构建对应的特征序列;

数据集模块,构建训练数据集和测试数据集;

模型构建模块,构建CNN-biRNN模型;

训练模块,根据训练数据集对CNN-biRNN模型进行训练;以及

均衡模块,通过训练好的CNN-biRNN模型根据测试数据集获取对应的恢复的发射端数据;其中

所述采集光纤发射端和接收端的数据,并对数据进行处理的方法包括:

采集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,对接收端的数据进行线性均衡处理,即

根据发射端的数据的星座图,星座图中含有坐标规整排布的M个星座点,根据M个标准星座点将发射端的数据分为M个不同的数据类别,每一个标准星座点对应于一个数据类别,从1到M进行标签编号,作为数据类别的标签;

对于接收端的数据,线性均衡处理的流程包括:低通滤波、幅度归一化、色散补偿、时钟恢复、下采样、正交化处理、偏振解复用和偏振模色散补偿、频偏估计和载波相位估计;

所述根据处理的数据构建对应的特征序列的方法包括:

对于经过线性均衡处理后的接收端的数据中的每一个码元,根据信道内交叉相位调制和信道内四波混频的三元组或者构造其对应的特征序列,即

将接收到的X偏振方向和Y偏振方向上的经过线性均衡处理的后的数据序列分别定义为和以对应于数据序列中的第k个码元,其中k=1,2,···,T;

对于每一个码元根据信道内交叉相位调制和信道内四波混频的三元组或者构造其对应的特征序列;

对应于每一个码元的输入特征序列,其中包含了自身偏振方向上的数据序列中的前后相邻m、n、m+n个码元的复信息,以及相对的偏振方向上的数据序列中的前后相邻m、n、m+n个码元的复信息;

对于X偏振方向上的数据序列的第k个码元构造的特征序列为其中为二维向量,i=1,2,···,l,分别为对应的信道内交叉相位调制和信道内四波混频的三元组的实部数据Re和虚部数据Im,

对于Y偏振方向上的数据序列的第k个码元构造的特征序列为其中为二维向量,i=1,2,···,l,为二维向量,分别为对应的信道内交叉相位调制和信道内四波混频的三元组的实部数据Re和虚部数据Im,

确定m、n的取值范围后进行筛选:

其中,L为超参数,决定了m和n的绝对值的最大值。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于常州京信新一代信息技术研究院有限公司,未经常州京信新一代信息技术研究院有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202210187883.6/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top