[发明专利]基于CNN-biRNN的光纤非线性均衡方法及系统

说明书

本发明属于光纤通信技术领域，具体涉及一种基于CNN‑biRNN的光纤非线性均衡方法及系统，其中基于CNN‑biRNN的光纤非线性均衡方法包括：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，提高了判决准确率，实现光纤非线性均衡，降低误比特率。

技术领域

本发明属于光纤通信技术领域，具体涉及一种基于CNN-biRNN的光纤非线性均衡方法及系统。

背景技术

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率与容量的需求也日益增长。然而，随着传输速度和带宽的不断增大，信号对噪声和非线性失真更加敏感，目前，非线性损伤是限制信号大容量长距离传输的关键因素，因此，非线性损伤均衡算法是光纤通信系统容量进一步提升的关键因素。目前，非线性损伤均衡算法所涉及的研究方向主要包括数字反向传输(Digital Back Propagation，DBP)、基于微扰模型的非线性均衡算法和基于神经网络的非线性均衡算法等，其中，基于神经网络的非线性均衡算法具有自适应学习、高运算速度、高容错能力等优点，在应用中大大降低了实现过程中的复杂度。同时，神经网络与其他补偿算法的结合也是目前的一大研究热点，以得到更简单更高效的非线性均衡算法。

在传统的基于微扰模型的非线性均衡方案中，将光纤非线性损伤看成是一个微扰项，根据接收到的数据符号信息计算信道内交叉相位调制和信道内四波混频的三元组，结合光纤传输信道的准确信息计算得到信号在光纤传输链路中受到的非线性损伤项，以完成信号的非线性损伤均衡。该方案需要大量的信号处理资源和准确的光纤传输系统的信息，在实际应用中实现难度较大。

将神经网络应用到传统的基于微扰模型的非线性均衡方案中，使用计算得到的信道内交叉相位调制和信道内四波混频的三元组作为当前符号的特征序列，通过神经网络建立黑箱模型，能够更准确的预测出信号受到的非线性损伤项，只依赖于接收到的数据来构建信道传输模型，可以在预先不知道信号的准确参数的情况下进行工作，具有普适性。

循环神经网络(Recurrent Neural Network，RNN)是一种递归神经网络，是一类处理序列化数据的有效方法，具备记忆性、参数共享、图灵完备的优点。同时，采用双向结构的循环神经网络(bi-direction Recurrent Neural Network，biRNN)在处理当前时刻数据时，能利用前向和后向的数据信息，因此，在对序列的非线性特征进行学习时具有更优越的效果。

因此，基于上述技术问题需要设计一种新的基于CNN-biRNN的光纤非线性均衡方法及系统。

发明内容

本发明的目的是提供一种基于CNN-biRNN的光纤非线性均衡方法及系统。

为了解决上述技术问题，本发明提供了一种光纤非线性均衡方法，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。

进一步，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