申请/专利权人：西南交通大学

申请日：2023-11-01

公开（公告）日：2024-06-11

公开（公告）号：CN117675009B

主分类号：H04B10/2525

分类号：H04B10/2525;H04B10/61;H04B10/54

优先权：

专利状态码：有效-授权

法律状态：2024.06.11#授权;2024.03.26#实质审查的生效;2024.03.08#公开

摘要：本发明涉及一种基于储备池计算的色散补偿方法，属于光通信技术领域，包括：生成信号并进行采样，将采样后的信号通过根升余弦滤波器进行脉冲整形；通过理想强度光调制器对信号进行调制，将电信号转换为光信号，将光信号注入到由标准单模光纤组成的光通道中；通过光电探测器平方率检测在接收端将光信号转换为电信号，并通过模数转换器将信号转换为数字域后，通过根升余弦滤波器进行匹配滤波；利用训练好的储备池对色散进行补偿得到输出信号，并对处理过的信号进行硬判决。本发明通过隐藏层的神经元之间的随机连接使储备池具有短期记忆能力，并且储备池内部拥有非常丰富的动力学特性，利用储备池的这两种特性对色散进行补偿，从而恢复原始信号。

主权项：1.一种基于储备池计算的色散补偿方法，其特征在于：所述色散补偿方法包括：生成OOK信号，对OOK信号的每个符号进行采样，并将采样后的OOK信号通过根升余弦滤波器进行脉冲整形；通过理想强度光调制器对信号进行调制，将电信号转换为光信号，并将光信号注入到由标准单模光纤组成的光通道中；通过光电探测器平方率检测在接收端将光信号转换为电信号，并通过模数转换器ADC将信号转换为数字域后，通过根升余弦滤波器进行匹配滤波；利用训练好的储备池对色散进行补偿得到输出信号，并对处理过的信号进行硬判决得到OOK信号；所述储备池用大规模稀疏随机连接网络代替传统循环神经网络的隐藏层，通过训练网络的部分权值以简化训练过程，且储备池具有反馈连接的神经网络架构，通过形成信息循环的结构来学习和记忆过去观察的信息，使其能够补偿非线性效应，即IMDD系统中的色散效应；储备池包括输入层、储层和输出层；从均匀分布U-1,1中得到连接输入层和储层的权重矩阵Win，维数为N+b×M；从二元分布中得到储层中神经元互连的概率，根据标准正态分布N0,1设定储层中连接神经元的权重矩阵Wres，维数为M×M，得到储备池的状态方程为x[n]＝α·fWin·u[n]+Wres·x[n-1]+1-α·x[n-1]，其中，α表示渗漏率，f表示激活函数，u[n]表示输入信号，N表示网络的输入，b表示偏置分量，M表示储层中神经元的数量；用表示连接储层和输出的权重矩阵，维数为M×L，表示连接输入层和输出层之间的权重矩阵，维数为N+b×L，通过改变储备池的状态x[n]和输入信号u[n]获得输出信号其中，L表示网络的输出；通过均衡过程对储备池进行训练包括：从均匀分布U-1,1中得出连接输入层和存储层的权重矩阵Win，根据稀疏度的大小，生成二元分布的储层权重矩阵Wres，用正态分布N0,1替代储层权重矩阵Wres的非零元素，根据谱半径的大小，重新缩放储层权重矩阵Wres；根据输入信号u[n]，利用储备池的状态方程得到储备池的状态x[n]＝α·fWin·u[n]+Wres·x[n-1]+1-α·x[n-1]，并根据公式利用储备池的状态x[n]、输入信号u[n]和目标信号y[n]训练连接储层和输出层的权重矩阵和连接输入层和输出层之间的权重矩阵其中，b代表偏置项，λ为岭正则化因子，I为一个大小为M+N+1的单位矩阵；输入信号u[n]，根据公式x[n]＝α·fWin·u[n]+Wres·x[n-1]+1-α·x[n-1]和计算得到输出信号y[n]。

全文数据：

权利要求：

百度查询： 西南交通大学 一种基于储备池计算的色散补偿方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD