[发明专利]基于全局优化的微扰神经网络光纤非线性均衡方法

权利要求书

1.一种基于全局优化微扰神经网络光纤非线性均衡方法，其特征在于，包括：

步骤1、获取光纤通信系统的接收端采集的发射端数据；

步骤2、利用一阶摄动理论对所述发射端数据引入三元组进行输入特征的重构；

步骤3、采用主成分分析法对重构的输入特征进行特征提取，得到降维后的输入特征；

步骤4、基于迭代剪枝算法，对全连接神经网络均衡器进行压缩，以获得稀疏连接神经网络均衡器；

步骤5、采用迁移学习算法对稀疏连接神经网络均衡器进行训练，使训练后的神经网络均衡器处于最优收敛状态。

2.根据权利要求1所述的基于全局优化微扰神经网络光纤非线性均衡方法，其特征在于，

所述步骤1中获取光纤通信系统的接收端采集的发射端数据，包括：

在光纤通信系统的发送端将激光和数据共同输入到I/Q调制器中，经带有掺铒光纤放大器的光纤信道输送至光纤通信系统的接收端，并对接收端采集的发射端数据进行离散数字信号处理。

3.根据权利要求2所述的基于全局优化微扰神经网络光纤非线性均衡方法，其特征在于，

所述步骤2中利用一阶摄动理论对所述发射端数据引入三元组进行输入特征的重构，包括：

对所述接收端采集的发射端数据进行离散数字信号处理后得到正交偏振态的四个分量X[k]-I，Y[k]-Q，X[k]-Q，Y[k]-I，并对四个分量计算信道内交叉相位调制和信道内四波混合，得到三元组重构输入特征表示为：

X[k+m]×(X[k+n]×X^*[k+m+n]+Y[k+n]×Y^*[k+m+n])；

其中，X[k+m]，X[k+n]，Y[k+n]均为正交偏振态的符号序列；

m，n是关于符号序列X[k]和Y[k]的符号指数；

X^*[k+m+n]，Y^*[k+m+n]分别为X[k+m+n]，Y[k+m+n]的伴随矩阵。

4.根据权利要求3所述的基于全局优化微扰神经网络光纤非线性均衡方法，其特征在于，

所述步骤3中的采用主成分分析法对重构的输入特征进行特征提取，得到降维后的输入特征，包括：

步骤31、对重构的输入特征进行中心化处理，得到中心化后的数据矩阵X；

步骤32、构造协方差矩阵求解得到p个特征值，并对特征值从大到小排列，选择前L(L＜p)个较大的特征值所对应的特征向量分别作为列向量组成特征向量矩阵W；

步骤33、计算得到降维至L维后的输入特征Z＝W^TX。

5.根据权利要求4所述的基于全局优化微扰神经网络光纤非线性均衡方法，其特征在于，

所述步骤4中基于迭代剪枝算法，对全连接神经网络均衡器进行压缩，以获得稀疏连接神经网络均衡器，包括：

步骤41、将降维后的输入特征Z中的输入数据输入全连接神经网络均衡器的输入层；

步骤42、设置剪枝阈值，并通过剪枝去除全连接神经网络均衡器的输入层与隐藏层之间的神经元对输入数据的影响因子的数值小于相应的剪枝阈值的连接；

步骤43、计算输出层的输出数据，并根据非线性激活函数和交叉熵损失函数判断稀疏连接神经网络均衡器是否达到最佳拟合状态，若是，则结束迭代剪枝，获得稀疏连接神经网络均衡器，若否，则回到步骤42。

6.根据权利要求5所述的基于全局优化微扰神经网络光纤非线性均衡方法，其特征在于，

所述输出层的输出数据的表达式为：

其中，λ为剪切阈值；

x_i为降维后的输入特征中的输入数据；

w_i为输入层与隐藏层之间的神经元对输入数据的影响因子；

b为偏差常数；

i为输入层与隐藏层之间的神经元连接的序号。

7.根据权利要求6所述的基于全局优化微扰神经网络光纤非线性均衡方法，其特征在于，

所述步骤5中采用迁移学习算法对稀疏连接神经网络均衡器进行训练，包括：

步骤51、将降维后的输入特征中的数据根据不同的发射功率分为源数据和目标数据；

步骤52、根据服从零均值正态分布的随机参数确定稀疏连接神经网络模型的所有初始权值，并将源数据输入稀疏连接神经网络模型中训练得到源模型和源任务；

步骤53、根据源任务的最优参数确定源模型的所有权值，并将目标数据输入源模型中训练得到目标模型和目标任务；

步骤54、根据目标任务的最优参数再次确定源模型的所有权值，经不断迭代训练和反向传播后权值不变时，神经网络均衡器，即源模型处于最优收敛状态。