基于多层级神经网络的抗模式耦合信号复杂格式解析方法

1.本发明涉及基于多层级神经网络的抗模式耦合信号复杂格式解析方法，属于深度学习技术和信号复杂格式解析技术领域。


背景技术：

2.随着社会信息化程度的不断提高，视频服务、5g、物联网等新兴技术与大数据服务、云计算等新业务的不断涌现，数据业务以爆炸式的速度持续增长，现有的光纤传输资源正被快速消耗。目前的网络流量已接近现有传输技术的极限，扩展传输带宽的需求日渐紧迫，发展新型传输技术以满足未来网络发展的要求已经成为一个迫在眉睫的任务。然而光纤传输网络中光的幅度、相位、频率、时隙和偏振等维度已经被充分利用，只有空间维度仍具有十分巨大的开发潜力。因此，基于空间维度的空分复用技术成为解决信道容量难题的热点技术。
3.模分复用技术是空分复用技术的一种，即利用光纤中模式之间的正交性，以不同的模式作为独立信道承载不同信息，使之同时在光纤中传播的技术方式。理想情况下，光纤中承载信号的不同模式彼此正交，传输过程中不会发生串扰。光纤中存在多少种模式，相应的信道传输容量就能扩大多少，光纤中模式独立传播而不会彼此影响。下一代基于模分复技术的弹性光网络中，发送端会根据用户业务与系统资源，动态改变发送信号的码元速率或调制格式等参数，而对于接收机来说，接收信号就是未知的。
4.然而在实际的少模光纤中，由于制作工艺限制和外力影响，各模式信号在传输过程中会发生随机耦合，严重影响传输性能。为了解决模式耦合问题，模分复用系统通常有两种方案。第一种是降低链路中信号绝对正交的要求，可以容忍信号的一定程度的耦合，在接收端使用mimo均衡器来实现信号的恢复。然而对于强耦合而言，mimo算法的复杂度会大大增加。第二种是使信道中模式尽量保持正交，减少模间串扰，而这一方案对链路上光学器件的要求较为严苛。
5.模式复用系统中的模式耦合是模分复用系统的主要损伤之一，由模式复用器和少模光纤两种器件引入。如图1所示，理想情况下少模光纤中承载信号的不同模式彼此正交，传输过程中不会发生串扰。但是在实际的少模光纤中，如图2所示，由于制作工艺限制和光纤在使用中受到的外力影响，少模光纤中模式的正交性被破坏，各模式信号在传输过程中会发生随机耦合，严重影响传输性能。简并模与非兼并模之间的耦合使得模式的传播常数不再相等，随机能量迁移造成信号之间的串扰，进而影响所有码元让接收端的mimo算法变得复杂。


技术实现要素：

6.本发明所要解决的技术问题是克服现有技术的缺陷，提供基于多层级神经网络的抗模式耦合信号复杂格式解析方法。
7.为达到上述目的，本发明提供基于多层级神经网络的抗模式耦合信号复杂格式解
析方法，包括：根据接收的未知信号，生成未知信号星座图；将未知信号星座图输入训练获得的卷积神经网络模型，预测获得传输模式和调制格式；训练获得卷积神经网络模型，包括：将训练数据集输入卷积神经网络模型，训练数据集包括有标签的星座图；卷积神经网络模型从有标签的星座图中提取高维信息特征；根据高维信息特征，判定获得传输模式和调制格式；将判定获得的传输模式和调制格式与标签比较，对卷积神经网络模型进行参数的更新迭代；重复上述步骤，直到达到预设的迭代次数，获得最终的卷积神经网络模型；根据高维信息特征，判定获得传输模式和调制格式，包括：卷积神经网络模型包括第一级卷积神经网络和第二级卷积神经网络，第一级卷积神经网络提取高维信息特征并判别传输模式；第二级卷积神经网络获取第一级卷积神经网络输出的参量，并识别调制格式；第一级卷积神经网络和第二级卷积神经网络均包括第一卷积层、第二卷积层、第一池化层、第二池化层、第一全连接层和第二全连接层，第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层和第二全连接层依次连接。
8.优先地，将判定获得的传输模式和调制格式与标签比较，对卷积神经网络模型进行参数的更新迭代，包括：将判定获得的传输模式和调制格式与标签相比较，得到判定的数据分布和标签中正确的数据分布；计算判定的数据分布和标签中正确的数据分布的均方误差；更新迭代卷积神经网络模型中包括神经元偏置和权重的参数。
9.优先地，有标签的星座图为根据光信号在不同已知传输模式不同已知耦合系数下所生成的。
10.优先地，第一级卷积神经网络提取的高维信息特征包括传输信号的ccd光斑模场图、成像频谱和双重傅里叶变换序列。
11.优先地，第一级卷积神经网络输出的参量包括信号星座图、斯托克斯空间球面映射参量和高阶累积量。
12.优先地，将未知信号星座图输入训练获得的卷积神经网络模型之前，对未知信号星座图进行取均值和归一化处理。
13.存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任一项所述方法的步骤。
14.本发明所达到的有益效果：本发明通过构建多级卷积神经网络，学习存在模式耦合时不同模式中不同调制格式传输信号的星座图特征，利用神经网络强大的拟合能力，学习少模光纤中模式耦合对信号星座图造成的影响，通过“逐级分层”的思想，第一级卷积神经网络用于克服少模光纤中的模式耦合，判别未知信号星座图的传输模式；第二级卷积神经网络用于输出该传输模式
中的调制格式，从而解决模分复用中的模间耦合问题，对于调制格式识别的干扰，能够在耦合系数较高的情况下准确识别出未知信号星座图的调制格式，并且降低模式耦合对接收信号产生的干扰，使得调制格式识别结果更精准，鲁棒性更强；已知接收的光信号的调制格式之后，便于后续根据不同的调制格式，选择不同的算法对接收的光信号进行自适应均衡、频率偏移恢复和载波相位恢复等一系列信号处理。
附图说明
15.图1是理想传输下模式耦合对传输信号的影响示意图；图2是实际传输下模式耦合对传输信号的影响示意图；图3是本发明的流程图；图4是本发明的原理框图；图5是本发明的单层卷积神经网络的结构图；图6是本发明实施例的流程图。
具体实施方式
16.以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
17.实施例一基于多层级神经网络的抗模式耦合信号复杂格式解析方法，包括：根据接收的未知信号，生成未知信号星座图；将未知信号星座图输入训练获得的卷积神经网络模型，预测获得传输模式和调制格式。
18.进一步地，本实施例中训练获得卷积神经网络模型，包括：将训练数据集输入卷积神经网络模型，训练数据集包括有标签的星座图；卷积神经网络模型从有标签的星座图中提取高维信息特征；根据高维信息特征，判定获得传输模式和调制格式；将判定获得的传输模式和调制格式与标签比较，对卷积神经网络模型进行参数的更新迭代；重复上述步骤，直到达到预设的迭代次数，获得最终的卷积神经网络模型。
19.进一步地，本实施例中将判定获得的传输模式和调制格式与标签比较，对卷积神经网络模型进行参数的更新迭代，包括：将判定获得的传输模式和调制格式与标签相比较，得到判定的数据分布和标签中正确的数据分布；计算判定的数据分布和标签中正确的数据分布的均方误差；更新迭代卷积神经网络模型中包括神经元偏置和权重的参数。
20.进一步地，本实施例中有标签的星座图为根据光信号在不同已知传输模式不同已知耦合系数下所生成的。
21.进一步地，本实施例中根据高维信息特征，判定获得传输模式和调制格式，包括：卷积神经网络模型包括第一级卷积神经网络和第二级卷积神经网络，
第一级卷积神经网络提取高维信息特征并判别传输模式；第二级卷积神经网络获取第一级卷积神经网络输出的参量，并识别调制格式。
22.进一步地，本实施例中第一级卷积神经网络提取的高维信息特征包括传输信号的ccd光斑模场图、成像频谱和双重傅里叶变换序列。
23.进一步地，本实施例中第一级卷积神经网络输出的参量包括信号星座图、斯托克斯空间球面映射参量和高阶累积量。
24.进一步地，本实施例中第一级卷积神经网络和第二级卷积神经网络均包括第一卷积层、第二卷积层、第一池化层、第二池化层、第一全连接层和第二全连接层，第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层和第二全连接层依次连接。
25.进一步地，本实施例中将未知信号星座图输入训练获得的卷积神经网络模型之前，对未知信号星座图进行取均值和归一化处理。
26.电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一项所述方法的步骤。
27.存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任一项所述方法的步骤。
28.本发明所提出的方法如图3所示，分为训练阶段和判别阶段。光纤通信系统中的模式耦合，会使得不同模式之间传输的光信号能量随机迁移。在训练阶段利用训练数据集，对卷积神经网络模型进行监督学习。训练数据集中的星座图为根据输入的已知光信号在不同传输模式和不同的耦合系数下于接收端所生成的。
29.卷积神经网络模型的两级卷积神经网络分别从有标签的星座图中提取高维信息特征，判别输入的已知光信号的传输模式和调制格式。
30.将识别结果与标签比较，对卷积神经网络模型进行参数的更新迭代，满足迭代次数，完成对卷积神经网络模型的优化。
31.在判别阶段，接收机接收未知信号，未知信号为未知传输模式且未知调制格式的光信号。接收端根据接收的未知信号生成星座图，将星座图输入训练获得的卷积神经网络模型。星座图经过简单的取均值和归一化等预处理之后，送入训练好的卷积神经网络模型中。卷积神经网络模型的第一级卷积神经网络根据提取的高维信息特征判别未知信号的传输模式，卷积神经网络模型的第二级卷积神经网络根据第一级卷积神经网络输出的参量识别出未知信号的调制格式，完成对未知信号的复杂格式解析。
32.本发明方案利用多级神经网络的方式解决模式串扰对接收端的影响，如图4所示。第一级卷积神经网络包括输入层、第一隐藏层和第一输出层，第二级卷积神经网络包括第二隐藏层和第二输出层，每一层都有众多神经元，其中输入层接收大量非线性的输入信息，输入信息在第一隐藏层的神经元连接中传输、分析和权衡，并于第一输出层输出，第一隐藏层是由输入层和第一输出层之间大量神经元连接组成，第一隐藏层之间由非线性激活函数进行连接。
33.本发明方案将带有标签的星座图作为第一级卷积神经网络的输入，第一级卷积神经网络经过第一隐藏层进行高维信息特征提取之后，输出未知信号星座图/训练数据集的传输模式，并作为第二级卷积神经网络的输入。第二级卷积神经网络中利用第二隐藏层，分析处理星座图的高维信息特征，最终预测出未知信号星座图/训练数据集的调制格式。由于
模式耦合会对接收的未知信号造成能量迁移，接收的不同模式的未知信号会随机耦合。本发明方案通过先识别接收的未知信号传输模式的方式，避免了接收的未知信号中模式耦合所造成的串扰，第二层卷积神经网络通过星座图的高维信息特征识别出接收的未知信号的调制格式。
34.本发明方案中，第一级卷积神经网络和第二级卷积神经网络的内部网络结构相同，具体结构如图5所示，共有2个卷积层、2个池化层和2个全连接层，分别为第一卷积层、第二卷积层、第一池化层、第二池化层、第一全连接层和第二全连接层。使用卷积层的目的是为了提取星座图的高维信息特征，卷积运算可以保持像素之间的空间关系，把输入星座图的局部子矩阵变成一个元素，完成对输入图像信息的降维。池化层可以实现对参数的稀疏和减少数据量的作用。全连接层把前面所有提取的高维信息特征综合起来，整合卷积层与池化层中具有类别区分性的局部信息，并最终给出输出结果，输出结果包括传输模式和调制格式。
35.本发明提出的信号复杂格式解析方案，利用两级卷积神经网络，消除模分复用通信系统中不同模式的传输信号之间的串扰，有着良好的鲁棒性。同时，卷积神经网络对光信号的星座图有着较强的特征提取能力，相比于传统的识别方案，基于机器学习的卷积神经网络有着强大的拟合能力。通过训练数据集有监督地训练，卷积神经网络可以达到较高的识别精准度。
36.信号的调制格式改变，接收机dsp中与调制格式相关的算法也需要改变。本发明完成对接收的未知信号调制格式的识别，方便后续对光信号进行数字信号处理。
37.本发明针对基于少模光纤的弹性光网络中信号复杂格式解析的问题，利用多级卷积神经网络解决少模光纤中的调制格式识别问题，并且降低模式耦合对接收信号产生的干扰，使得调制格式识别结果更精准，鲁棒性更强。本方案通过“逐级分层”的思想，借助接收的光信号的星座图，通过卷积神经网络分别给出光信号的传输模式和调制格式。
38.实施例二如图6所示，在模分复用通信系统的发射端，发射机tx1、发射机tx2、发射机tx3和发射机tx4分别将调制好的光信号通过模式复用器加载在lp01、lp11a、lp11b和lp21四个模式上，并经过少模光纤进行光信号的传输。光通信网络系统会在发射端根据用户的需求和信道的状况，动态地改变传输的光信号的调制格式和码元速率等各项参数，达到合理配置系统资源的效果。在少模光纤传输的过程中，不同的传输模式会产生随机耦合，造成能量迁移的现象。在模分复用通信系统的接收端，模式解复用器将光束解成lp01、lp11a、lp11b和lp21四个模式，光束再经过接收机rx1、接收机rx2、接收机rx3和接收机rx4后输入非调制格式相关算法和dsp单元，模式复用器和模式解复用器由于能量转换的不彻底也会引入模式耦合。此时接收机接收到的光信号就会因模式耦合而影响传输性能。
39.接收端需要利用dsp单元对接收的光信号进行相应的补偿或均衡等算法处理。dsp单元会先执行非调制格式相关算法，如时钟恢复和色散补偿等。接着，按照本发明所提出的调制格式相关算法方案，利用卷积神经网络模型，在有模式耦合的情况下进行调制格式的识别。第一级卷积神经网络cnn i给出接收的光信号的传输模式，第二级卷积神经网络cnn ii给出接收的光信号的调制格式。已知接收的光信号的调制格式之后，后续就可以根据不同的调制格式，选择不同的算法对接收的光信号进行自适应均衡、频率偏移恢复和载波相
位恢复等一系列信号处理。
40.本技术是参照根据本技术实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
41.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
42.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
43.以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。