[发明专利]基于深度学习的光纤通信传输系统互信息量计算方法及系统

权利要求书

1.一种基于深度学习的光纤通信传输系统互信息量计算方法，其特征在于，包括：

步骤S1：基于光纤通信传输系统进行数据传输，并获取原始数据集；

步骤S2：基于深度学习神经网络对互信息量估计器进行训练，得到训练后的互信息量估计器；

步骤S3：利用训练后的互信息量估计器对光纤通信传输系统互信息量进行计算。

2.根据权利要求1所述的基于深度学习的光纤通信传输系统互信息量计算方法，其特征在于，所述步骤S1采用：

步骤S1.1：将发射端信号输入到光纤信道得到接收端信号；

步骤S1.2：采集发射端信号和对应的接收端信号，作为互信息量估计器的原始数据来源。

3.根据权利要求1所述的基于深度学习的光纤通信传输系统互信息量计算方法，其特征在于，所述步骤S2采用：

步骤S2.1：构建互信息量估计器的神经网络；

步骤S2.2：对获取的原始数据集进行预处理，构建符合采样数据对的采样矩阵；

步骤S2.3：利用符合采样数据对的采样矩阵，基于深度学习的方式训练互信息量估计器，获取训练后的互信息量估计器。

4.根据权利要求3所述的基于深度学习的光纤通信传输系统互信息量计算方法，其特征在于，所述采样矩阵采用：

其中，x_i表示发射端的信号；y_i表示接收端的信号；下标i代表第i时刻采集的信号；N是每一轮次训练过程中的批数据大小。

5.根据权利要求3所述的基于深度学习的光纤通信传输系统互信息量计算方法，其特征在于，所述步骤S2.3采用：利用琴生-香农散度的计算公式作为损失函数计算损失值，利用梯度反向传播和梯度上升对互信息量估计器进行训练，当训练次数达到预设次时，则训练结束；

所述琴生-香农散度的计算公式作为损失函数采用：

其中，sp(x)＝log(1+e^x)；T_θ表示互信息量估计器的神经网络函数；x表示发端符号的向量；y表示收端符号的向量；(x_i,y_i)从采样矩阵对角线元素得到，表示当x和y联合分布情况下的采样数据对，从采样矩阵非对角线元素得到，表示当x和y边缘分布情况下的采样数据对；N表示每一轮次训练过程中的批数据大小。

6.根据权利要求1所述的基于深度学习的光纤通信传输系统互信息量计算方法，其特征在于，所述步骤S3采用：

步骤S3.1：重新采集光纤信道的发端信号与收端信号，并构建互信息量估计器的输入数据集，作为互信息量估计器的测试数据；

步骤S3.2：将测试数据输入训练后的互信息量估计器，计算光纤通信传输系统的互信息量。

7.根据权利要求6所述的基于深度学习的光纤通信传输系统互信息量计算方法，其特征在于，所述步骤S3.2采用：在互信息量计算过程中使用Donsker-Varadhan表达式作为互信息量计算公式，具体公式如下：

其中，T_θ表示互信息量估计器的神经网络函数；x表示发端符号的向量；y表示收端符号的向量；(x_i,y_i)从采样矩阵对角线元素得到，表示当x和y联合分布情况下的采样数据对，从采样矩阵非对角线元素得到，表示当x和y边缘分布情况下的采样数据对；M表示测试输入数据的大小；除以log2表示统一单位至比特单位下的计算。

8.一种基于深度学习的光纤通信传输系统互信息量计算系统，其特征在于，包括：

模块M1：基于光纤通信传输系统进行数据传输，并获取原始数据集；

模块M2：基于深度学习神经网络对互信息量估计器进行训练，得到训练后的互信息量估计器；

模块M3：利用训练后的互信息量估计器对光纤通信传输系统互信息量进行计算。