一种基于CNN-LSTM的光子学太赫兹通信系统非线性均衡方法

本发明属于太赫兹通信，涉及一种基于cnn-lstm的光子学太赫兹通信系统非线性均衡方法，具体内容是利用神经网络对信号通过光子学太赫兹通信系统产生的非线性效应进行预均衡。

背景技术：

1、由于诸如基于云的应用程序和视频点播等带宽饥渴服务的出现，原有的通信技术已无法满足指数级增长的流量需求，使用太赫兹频段的频率载波将解决这一问题。

2、太赫兹通信，是指以太赫兹频段的电磁波作为通信载波实现无线通信的技术。太赫兹波频谱资源丰富，支持超大速率的无线通信，安全性高，有极大潜力成为未来实现第六代移动通信的技术手段。

3、根据太赫兹波产生方式的不同可以将太赫兹通信分为光子学太赫兹通信和电学太赫兹通信。传统的太赫兹波发射机利用倍频器、混频器等纯电学器件将低频信号搬移至高频，进而产生太赫兹波，但是在设计与工艺的限制下，基于倍频方式产生的太赫兹信号频率很难超过1thz，从而限制了全电子太赫兹通信系统的发展。而光子学辅助太赫兹主要通过激光波束向下差频产生太赫兹载波，具有实现超大带宽的超高速无线通信潜力。光子学太赫兹通信系统利用激光的高频率和光器件的高带宽，可以突破电子器件带宽不足的限制，产生频率更高的太赫兹波。光子学太赫兹通信优势巨大，是现阶段实现超大速率和超大带宽通信最有前景的技术方案。

4、太赫兹波频率极高，这也使得它在传输过程中的损耗极大，导致传输信号对噪声和非线性失真更加敏感，而非线性损伤是信号完成大容量长距离传输需要克服的关键问题。非线性均衡技术的研究在无线通信和光纤通信领域已经非常成熟，它的具体实现主要依靠数字反向传输算法，沃尔泰拉均衡器、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。

5、数字反向传输即光信号在光纤中传输时利用非线性薛定谔方程(nlse)建模，nlse利用分步傅里叶算法(ssfm)求解，在相干光通信的接收端采用dbp技术时用nlse反向映射的思想对光纤损耗进行补偿，dbp技术主要是利用ssfm的可逆性对nlse进行反方向求解。为了能够有效实现数字反向传输，需要准确了解通信链路中的各项参数，而且算法内还包含多项傅里叶变换，计算复杂度较高，实现难度较大。

6、沃尔泰拉均衡器利用沃尔泰拉级数展开来针对非线性系统进行建模、求解和分析，具体步骤：将接收端数据导入该沃尔泰拉函数，通过数据函数来模拟光纤链路的传输过程，并对该函数求解进而实现非线性均衡。而当沃尔泰拉级数以三阶展开时，计算复杂度已经难以度量，高阶的沃尔泰拉级数的计算将更加复杂，这对计算资源的考验巨大，因此该方法限制较大，很难应用到现实场景。

7、基于微扰理论的非线性均衡模型是利用薛定谔方程建模，输入光纤系统已知参数，包括拉曼效应、四波混频效应、色散效应等得到非线性效应的微扰损伤项，结合接收到的x偏振和y偏振方向的符号序列，达到抵御非线性效应的效果。以上非线性均衡的特点是实现它们需要过多的信号处理资源，要足够了解链路，并需要提前准确计算出信道参数和特性，方程的计算复杂度过高，实现难度同样较大。

8、而基于神经网络的非线性均衡算法的优势在于它可以从接收到的数据里直接学习规律，可以忽略链路本身的传输特性，利用数据本身建立非线性模型，从而实现信号均衡。而且神经网络的模型丰富，建模后调整参数、神经元和优化梯度的方法已经非常成熟，能够有效地应用于各个场景。以往的研究显示，同一光纤通信系统中，神经网络均衡器相比于沃尔泰拉均衡器能够保证误码率在7％的判决门限下实现更高的接收灵敏度，这证明神经网络无论从实现难度和均衡效果上来判断都是更优的非线性均衡方案。

技术实现思路

1、为了规避通信系统中传统非线性均衡技术的缺陷，本发明提供了一种基于cnn-lstm的光子学太赫兹通信系统非线性均衡方法，基于神经网络的非线性均衡计算复杂度更低，对链路数据参数的依赖性更小，更容易在现实场景中应用。

2、所述基于cnn-lstm的光子学太赫兹通信系统非线性均衡方法，具体步骤如下：

3、步骤一，采集光子学太赫兹通信系统发射端和接收端的数据，并对所采集的数据进行处理；

4、所述采集的数据为：对采集映射完成后m-qam所对应的电平数据进行星座图标签映射，得到m个分块类别；

5、所述数据处理为：对接收端的数据按照线性均衡进行数字信号处理，依次进行如下操作：归一化、数模转换、信道传输、低通滤波、振幅归一化、色散补偿、时钟恢复、重采样、恒模均衡、频率偏移估计、载波相位恢复和盲相位搜索。

6、步骤二，对处理后的数据按照均衡效果的需要确定时间步长以构建数据的特征序列，根据特征序列构建训练数据集和测试数据集；

7、构建特征序列的方法为：

8、首先，对于m-qam信号，将i路和q路信号视为两路信号，分别定义为x＝[x1,x2……,xn]，y＝[y1,y2……,yn]，其中xi、yi(1≤i≤n)分别表示i路和q路的第i个符号。

9、然后，将两路独立的信号分别处理：对第i个符号，将其前n个和后n个符号合并，使得每个符号输入时对应2n+1个特征。

10、训练数据集和测试数据集的划分比例为6:4。

11、步骤三，建立cnn-lstm神经网络模型，通过训练数据集训练该神经网络模型，输入数据为接收端数据，输出为发射端数据。

12、cnn-lstm神经网络模型的结构包括输入层、隐藏层和输出层。每一层的节点和相邻层的节点完全相连。隐藏层包括cnn层和lstm层，cnn层包括卷积层和池化层，各层分别有卷积核和池化核。lstm层包括层单元，每一层的隐含神经元数目相应设定；

13、设输入层的节点数为p，隐藏层的节点数为q，输出层的结果为a＝[a1,a2,……,an]和b＝[b1,b2,……,bn]。

14、将训练数据集中的接收端数据输入到输入层，即x＝[x1,x2,……,xp]和y＝[y1,y2,……,yp]，输出层的输出表示为a＝f(αx)，b＝f(βy)，最终得到的结果即a+bi。在输入层与隐藏层之间，使用的激活函数为双曲正切函数。在隐藏层和输出层之间，采用线性函数。经过训练之后，α或β的权值用矩阵表示为：

15、

16、矩阵中的每一竖列表示α的权值，每一横列表示β的权值。

17、采用均方误差函数(mse)作为代价函数，并采用反向传播(bp)算法来更新α和β的权值，降低代价函数，直至得到最优的神经网络模型参数。

18、步骤四，训练完成后使用测试数据集验证神经网络模型的有效性。

19、验证过程：将测试数据集中接收端的数据送入神经网络模型，得出的均衡结果与测试数据集中发射端数据之间求误差，判断误差是否达到要求，若是，则神经网络模型训练成功，执行步骤五；否则，返回步骤三，继续进行神经网络模型的训练。

20、步骤五，将建立完成后的神经网络模型搬移到发射端，使发射端的数据先一步经过神经网络模型的非线性预均衡处理，之后将处理过的数据导入光子学太赫兹通信系统，从而完成非线性均衡。

21、非线性均衡的处理过程为：

22、将神经网络模型迁移至发射端，发射端原始数据经过模拟非线性的神经网络模型计算后送入系统，经过系统时该系统的信道响应与模型加给数据的非线性相抵消，再经过一系列数据处理最终达到均衡的目的，直接输出数据。

23、本发明的优点在于：

24、(1)本发明通过直接采集发射端与接受端的数据，利用神经网络模型拟合非线性函数，使得接收端的数据无限逼近发射端的数据，无须测量信道的精确参数并大量运算，计算方便。

25、(2)本发明在构建特征值时，考虑到前后符号对信号传输的影响，模拟效果更真实。

26、(3)本发明将神经网络模型放至发射端，有利于简化接收端的数据处理流程，从而降低因为数据处理流程过于复杂而出错的概率。

27、(4)本发明从接收到的数据中学习并生成传输的黑盒模型，大大简化了非线性均衡的理解和计算难度，且只依赖于接收到的数据来模拟传输模型，因此无需事先知道链路参数即可工作，进而可以普遍应用于所有光纤通信链路，无论是短途、长途、陆地或海底。