CN115347955A - 用于信道均衡的方法、设备、装置和介质 - Google Patents
用于信道均衡的方法、设备、装置和介质 Download PDFInfo
- Publication number
- CN115347955A CN115347955A CN202110529704.8A CN202110529704A CN115347955A CN 115347955 A CN115347955 A CN 115347955A CN 202110529704 A CN202110529704 A CN 202110529704A CN 115347955 A CN115347955 A CN 115347955A
- Authority
- CN
- China
- Prior art keywords
- identification information
- neural network
- training
- equalizer
- data signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000013528 artificial neural network Methods 0.000 claims abstract description 152
- 230000006854 communication Effects 0.000 claims abstract description 129
- 238000004891 communication Methods 0.000 claims abstract description 124
- 238000012549 training Methods 0.000 claims abstract description 123
- 230000003287 optical effect Effects 0.000 claims description 78
- 230000015654 memory Effects 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 34
- 230000008569 process Effects 0.000 description 33
- 238000010586 diagram Methods 0.000 description 20
- 238000007781 pre-processing Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 12
- 238000010276 construction Methods 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 9
- 238000004590 computer program Methods 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 4
- 239000000835 fiber Substances 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000008054 signal transmission Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000011664 signaling Effects 0.000 description 2
- 230000007175 bidirectional communication Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/60—Receivers
- H04B10/66—Non-coherent receivers, e.g. using direct detection
- H04B10/69—Electrical arrangements in the receiver
- H04B10/697—Arrangements for reducing noise and distortion
- H04B10/6971—Arrangements for reducing noise and distortion using equalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q11/00—Selecting arrangements for multiplex systems
- H04Q11/0001—Selecting arrangements for multiplex systems using optical switching
- H04Q11/0062—Network aspects
- H04Q11/0067—Provisions for optical access or distribution networks, e.g. Gigabit Ethernet Passive Optical Network (GE-PON), ATM-based Passive Optical Network (A-PON), PON-Ring
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Electromagnetism (AREA)
- Optical Communication System (AREA)
Abstract
本公开的实施例涉及用于信道均衡的方法、设备、装置和介质。该方法包括在第一设备处,确定请求连接的第二设备是否被分配有标识信息;如果确定第二设备未被分配有标识信息,向第二设备分配标识信息,该标识信息用于在第二设备和与第一设备连接的至少一个其他设备之中标识第二设备;在与第二设备的通信信道上从第二设备接收训练信号;以及至少通过将接收到的训练信号和标识信息应用到神经网络均衡器来训练该神经网络均衡器,该神经网络均衡器被配置为对从第二设备和至少一个其他设备接收到的信号执行均衡。以此方式,可以改进均衡器的性能并且减少开销。
Description
技术领域
本公开的实施例涉及通信领域,更具体地涉及在用于信道均衡的方法、设备、装置和计算机可读介质。
背景技术
对于新一代高速无源光网络(PON),例如具有50Gbps甚至更高速率的PON,信号沿光纤传输累积的色散大幅增加,并且由于现有成熟光学元件的带宽不匹配传输所需带宽而导致出现带宽受限问题,从而引起传输的信号可能会由于较差的信道响应而经受高失真干扰。作为信号接收端的光通信设备需要通过信号处理来对接收信号进行均衡,以消除或减少信号失真。
近年来,基于神经网络(NN)的信号处理被认为是一种有前景的信号处理方法。相比于传统的线性和非线性均衡器,基于神经网络的信号处理能够自动学习信道特征,更有效地从具有线性和非线性失真的接收信号中恢复出原始信号。这样高性能的信号处理尤其适用于新一代高速PON。
发明内容
总体上,本公开的实施例涉及在通信中使用的基于神经网络(NN)的改进的信道均衡方案。
在本公开的第一方面,提供了一种用于光通信的方法。该方法包括在第一设备处,确定请求连接的第二设备是否被分配有标识信息;如果确定第二设备未被分配有标识信息,向第二设备分配标识信息,标识信息用于在第二设备和与第一设备连接的至少一个其他设备之中标识第二设备;在与第二设备的通信信道上从第二设备接收训练信号;以及至少通过将接收到的训练信号和标识信息应用到神经网络均衡器,来训练神经网络均衡器,该神经网络均衡器被配置为对从第二设备和至少一个其他设备接收到的信号执行信道均衡。
在本公开的第二方面,提供一种用于光通信的方法。该方法包括在第二设备处向第一设备传输连接请求;从第一设备接收标识信息,标识信息用于在第二设备和与第一设备连接的至少一个其他设备之中标识第二设备;以及在与第一设备的通信信道上,将数据信号与标识信息相关联地传输给第一设备,由第一设备接收到的数据信号和标识信息被应用到经训练的神经网络均衡器,神经网络均衡器被配置为对从第二设备和至少一个其他设备接收到的信号执行信道均衡。
在本公开的第三方面,提供一种第一设备。该第一设备包括至少一个处理器;以及与至少一个处理器耦合的存储器,存储器包含有存储于其中的指令,指令在被至少一个处理单元执行时,使得该第一设备执行第一方面的方法。
在本公开的第四方面,提供一种第二设备。该第二设备包括至少一个处理器;以及与至少一个处理器耦合的存储器,存储器包含有存储于其中的指令,指令在被至少一个处理单元执行时,使得该第二设备执行第二方面的方法。
在本公开的第五方面,提供一种第一光通信装置。该第一光通信装置包括用于确定请求连接的第二装置是否被分配有标识信息的部件;用于在确定第二装置未被分配有标识信息的情况下向第二装置分配标识信息的部件,标识信息用于在第二装置和与第一装置连接的至少一个其他装置之中标识第二装置;用于在与第二装置的通信信道上从第二装置接收训练信号的部件;以及用于至少通过将接收到的训练信号和标识信息应用到神经网络均衡器来训练神经网络均衡器的部件,神经网络均衡器被配置为对从第二装置和至少一个其他装置接收到的信号执行信道均衡。
在本公开的第六方面,提供一种第二光通信装置。该第二光通信装置包括用于向第一装置传输连接请求的部件;用于从第一装置接收标识信息的部件,标识信息用于在第二装置和与第一装置连接的至少一个其他装置之中标识第二装置;以及用于在与第一装置的通信信道上将数据信号与标识信息相关联地传输给第一装置的部件,由第一装置接收到的数据信号和标识信息被应用到经训练的神经网络均衡器,神经网络均衡器被配置为对从第二装置和至少一个其他装置接收到的信号执行信道均衡。
在本公开的第七方面,提供一种计算机可读介质。该计算机可读介质上存储有指令,当指令在被至少一个处理单元执行时,使得至少一个处理单元被配置为执行第一方面的方法。
在本公开的第八方面,提供一种计算机可读介质。该计算机可读介质上存储有指令,当指令在被至少一个处理单元执行时,使得至少一个处理单元被配置为执行第二方面的方法。
应当理解,发明内容部分中所描述的内容并非旨在限定本公开实施例的关键或重要特征,亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
附图说明
以示例的方式呈现了本公开的实施例,并且在下文中参照附图更详细地解释了它们的优点,其中
图1示出了本公开描述的实施例可以在其中被实现的光通信网络的示意图;
图2示出了根据本公开的一些实施例的光通信网络的示意图;
图3示出了根据本公开的一些实施例的神经网络均衡器的结构的示意图;
图4示出了根据本公开的一些示例实施例的用于光通信设备之间的光通信过程的信令图;
图5示出了根据本公开的一些示例实施例的数据预处理操作的示意图;
图6示出了根据本公开的一些示例实施例的基于标识信息进行数据构造的数据结构的示意图;
图7示出了根据本公开的一些示例实施例的用于光通信设备之间的光通信过程的流程图;
图8示出了根据本公开的一些示例实施例的所提出的均衡方案与一种已有均衡方案的性能对比图;
图9示出了根据本公开的一些示例实施例的所提出的均衡方案与另一已有均衡方案的性能对比图;
图10示出了根据本公开的一些示例实施例的在第一设备处实现的方法的流程图;
图11示出了根据本公开的一些示例实施例的在第二设备处实现的方法的流程图;
图12示出了适合实现本公开实施例的电子设备的简化方框图;以及
图13示出了适合实现本公开的实施例的计算机可读介质的示意图。
在所有附图中,相同或相似的附图标记表示相同或相似的元件。
具体实施方式
下面将参考附图中所示出的若干示例性实施例来描述本公开的原理和精神。应当理解,描述这些具体的实施例仅是为了使本领域的技术人员能够更好地理解并实现本公开,而并非以任何方式限制本公开的范围。
如本文所使用的,术语“包括”及其类似用语应当理解为开放性包含,即“包括但不限于”。术语“基于”应当理解为“至少部分地基于”。术语“一个实施例”或“该实施例”应当理解为“至少一个实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
如本文所使用的,术语“确定”涵盖各种各样的动作。例如,“确定”可以包括运算、计算、处理、导出、调查、查找(例如,在表格、数据库或另一数据结构中查找)、查明等。此外,“确定”可以包括接收(例如,接收信息)、访问(例如,访问存储器中的数据)等。此外,“确定”可以包括解析、选择、选取、建立等。
本文使用的术语“电路”是指以下的一项或多项:(a)仅硬件电路实现方式(诸如仅模拟和/或数字电路的实现方式);以及(b)硬件电路和软件的组合,诸如(如果适用):(i)模拟和/或数字硬件电路与软件/固件的组合,以及(ii)硬件处理器的任意部分与软件(包括一起工作以使得诸如光通信装置或其他计算设备等装置执行各种功能的数字信号处理器、软件和存储器);以及(c)硬件电路和/或处理器,诸如微处理器或者微处理器的一部分,其要求软件(例如固件)用于操作,但是在不需要软件用于操作时可以没有软件。
电路的定义适用于此术语在本申请中(包括任意权利要求中)的所有使用场景。作为另一示例,在此使用的术语“电路”也覆盖仅硬件电路或处理器(或多个处理器)、或者硬件电路或处理器的一部分、或者其随附软件或固件的实现方式。例如,如果适用于特定权利要求符号,术语“电路”还覆盖基带集成电路或处理器集成电路或者OLT或其他计算设备中的类似的集成电路。
本文使用的术语、“光通信设备”或“光通信装置”指的是在基于光纤的通信网络中用于通信的装置或设备。作为示例,光通信设备或光通信装置的示例可以包括光线路终端(OLT)、光网络单元(ONU)、或适于在无源光网络(PON)或任何其它光传送网络(OTN)等光网络中使用的任何其它光网络元件中。
本文使用的术语“无源光网络”或“PON”是指其所包括的光分布网络(ODN)由诸如光分路器和光纤等无源器件组成,而不需要有源器件。
本文使用的术语“神经网络(NN)”可以被理解为机器学习模型。该模型能够从训练数据中学习到相应的输入与输出之间的关联,从而在训练完成后基于训练得到的参数值集合对给定的输入进行处理以生成对应的输出。“神经网络”有时也可以被称为“神经网络模型”、“学习网络”、“学习模型”、“网络”或“模型”等。这些术语在本文中可互换地使用。
机器学习可以划分为三个阶段,即训练阶段、测试阶段和应用阶段(也称为推理阶段)。在训练阶段,给定的学习模型可以使用大量的训练数据进行训练,不断迭代和更新模型的参数集的取值,直到模型能够达到期望目标。经过训练后,机器学习模型的参数集的取值被确定。在测试阶段,可以利用测试样本对已训练的学习模型进行测试,以确定学习模型的性能。在应用阶段,可以向训练完成的学习模型应用实际的输入数据。学习模型可以基于训练得到的参数集来对实际的输入数据进行处理,以提供对应的输出。
图1是本公开描述的实施例可以在其中被实现的光通信网络100的示意图。光通信网络100是基于光纤的通信网络,例如可以是PON。光通信网络100包括多个光通信设备,例如OLT 110以及多个(N个)ONU 120-1、120-2、120-3、……、120-N(为方便讨论,以下统称为ONU 120),其中N为大于1的整数。
OLT 110与ONU 120之间可以彼此通信。例如,OLT 110可以向ONU 120发送信号。这个方向的信号传输称为下行链路或下游链路。ONU 120也可以向OLT 110发送信号。这个方向的信号传输成为上行链路或上游链路。在图1的示例中,OLT 110与多个ONU 120之间形成点到多点的通信。
应当理解,图1所示的OLT和ONU的数目是为了说明的目的而给出的。光通信网络100可以包括任何合适数目的OLT和ONU。
如图1所示,OLT 110包括用于信号处理的神经网络(NN)均衡器130。NN均衡器130包括NN架构,其被配置为在OLT 110处对从ONU 120接收到的信号进行处理,以减小或消除接收到的信号中的失真,从而恢复出由ONU 120发送的原始信号。
如上文所述,基于NN的信号处理,例如均衡处理,可以更有效地实现信号恢复。对于具有较差的信道响应的通信信道,例如具有50Gbps甚至更高速率的高速通信信道,基于神经网络的信号处理能够更好地提高接收端性能。
虽然图1中仅示出了在OLT部署的NN均衡器,在一些实施例中,在ONU处也可以部署NN均衡器,以用于处理从OLT接收到的信号。
通常,为了应用NN均衡器,需要对神经网络进行训练,也称为神经网络初始化。在训练神经网络时,由发送端的光通信设备向接收端的光通信设备传输已知的导频信号。在经由通信信道接收带有失真的导频信号后,光通信设备将接收到的导频信号与已知的导频信号作为训练数据来训练神经网络,以使神经网络能够从接收到的导频信号正确恢复已知的导频信号。这样,该神经网络学习到了如何降低或消除在导频信号所经过的通信信道中被引入的失真干扰。如以上提及的,神经网络的训练过程会迭代更新神经网络的参数集的取值,直到神经网络利用训练得到的参数集,能够将输入的接收到的导频信号恢复成已知的导频信号。
在基于光通信的网络中,针对作为接收端的一个光通信设备,所训练的NN均衡器紧密关联于和该设备相连的发送端光通信设备之间的信道状况,因而不能适用于其他发送端的光通信设备。这在诸如PON等点到多点的通信网络中尤其会引发问题,因为同一接收端(例如OLT)与作为发送端的多个光通信设备(例如ONU)之间的信道状况可能不同,例如可能具有不同的光纤长度、不同的器件带宽等等。
为了确保NN均衡器的应用性能,一种方案(称为已有方案[1])是在作为接收端的光通信设备处利用大尺寸的神经网络执行训练(例如,利用4个隐藏层并且总共1122个权重),该方案基于来自具有不同光纤距离和工作波长的多个ONU的测量数据来对神经网络进行训练,从而获得通用性神经网络以对来自ONU的信号进行均衡。
利用已有方案[1],由于对多个ONU的测量数据联合地进行训练,因此NN均衡器在获取信道特征方面所能达到的准确度水平有限,因此,对数据信号的恢复性能较差。尤其是在针对多个ONU中的部分ONU执行神经网络的训练的情况下,该神经网络的通用性很低。这是因为针对特定光通信设备训练的NN均衡器仅适合于特定于其自身的通信信道的数据集,而不能够快速适应到新的其他设备上。
研究人员还提出了另一种利用辅助直方图数据的训练方案(称为已有方案[2])。该方案利用子神经网络作为ONU的区分器。提出的通用神经网络由主神经网络和子神经网络组成,其中主神经网络以接收到的信号作为输入,子神经网络以幅度直方图形式的信号波形统计数据作为输入。子神经网络可以从信号幅度分布直方图的统计数据中提取信道特征,因此可以提供关于ONU的附加的信息,从而辅助对来自不同ONU的信号进行均衡。
然而,在已有方案[2]中,由于利用子神经网络来辅助提取信道特征,因此需要额外采集大量的训练数据,导致统计和数据处理时间很长。而且,由于额外增加了子神经网络,导致所采用的NN均衡器复杂度也更高。因此,采用已有方案[2],整个网络中用于训练的时间和计算资源消耗是非常大的。
综上,当前针对光通信中要部署用于信号处理的NN均衡器,期望能够以快速高效的方式完成训练,同时确保训练出的均衡器具有好的性能。
根据本公开的实施例,提供在光通信中对用于信号处理的NN均衡器的改进的训练方案。在该方案中,为辅助一个设备与多个不同设备之间的不同信道的特征提取,提出向与相连的多个设备分配不同的标识信息,用于标识这些设备。通过将标识信息与训练信号一起作为输入,对神经网络进行训练,以用于对信道的均衡过程。
根据本公开的方案,通过基于标识信息来辅助进行NN均衡器的训练,使神经网络能够更好地区别连接不同设备的不同通信信道特征,从而使训练后的神经网络能够通用于针对不同设备的信道均衡,同时保证高准确率和可靠性,这提高信道均衡的性能。
以下将参考附图来详细描述本公开的原理和示例实施方式
图2示出了根据本公开的一些实施例的光通信网络100的示意图。在图2的示例中,在OLT 110中实现NN均衡器130的训练。在下文的示例实施例中,将OLT 110作为接收端的光通信设备(有时也称为“第一设备”)的示例,将ONU 120作为发送端的光通信设备(有时也称为“第二设备”)的示例。应当理解,在其他实施例中,ONU120也可以操作为接收端的光通信设备,从而其中可以部署有用于对接收到的信号进行处理的NN均衡器130;并且相应地,OLT110可以操作为发送端的光通信设备。
OLT 110被配置为训练NN均衡器130,以用于处理经由与ONU120的通信信道接收到的信号,例如用于对从ONU 120接收到的信号执行均衡处理。
NN均衡器130可以被配置为任何类型的神经网络,例如前向反馈神经网络(FF-NN)、循环神经网络(RNN)、卷积神经网络(CNN)等等。在训练或更新NN均衡器130时,OLT 110可以维护关于NN均衡器130的结构的配置,包括神经网络所包括的网络层的数目、每个网络层中处理单元(也称为神经元)的数目,各个网络层之间的连接关系等。NN均衡器130的结构与神经网络的类型以及实际需要有关,本公开在此方面不受限制。
在一些实施例中,OLT 110还可以包括预处理模块210,被配置为从ONU 120接收到的信号进行预处理。经预处理的数据被提供为对NN均衡器130的输入。在一些实施例中,来自ONU 120的信号可以经光电检测器(PD)处理以得到经PD处理的信号。在一些实施例中,来自ONU 120的信号可以先经由可变光学衰减器(VOA)处理以用于调整信号的接收到的光功率,而后再将信号经光电检测器(PD)处理以得到经PD处理的信号。在一些实施例中,经PD处理的信号可以被输入模数转换器(ADC)以得到经ADC处理的信号。接下来,该经ADC处理的信号可以被执行一个或多个后续数据处理过程,将在下文详细介绍。本领域技术人员应当理解,数据预处理过程仅为示例而非意在限制,并且可以根据实际需要增加或减少其他数据处理操作。
根据本公开的实施例中,OLT 110包括标识分配模块220,被配置为针对ONU 120分配标识信息201。该标识信息用于针对不同的ONU 120进行区分。关于分配标识信息的更多讨论将在下文进行详细介绍。
如图2所示,OLT 110还包括网络训练模块230,被配置执行对NN均衡器130的训练过程。在一些实施例中,在训练NN均衡器时,网络训练模块可以从标识分配模块220获取标识信息201。在一些实施例中,在启动训练过程时,OLT 110可以请求某个ONU 120发送训练信号。在通过与该ONU 120的通信信道接收到的训练信号后,网络训练模块230可以利用预处理模块210来处理从ONU 120接收到的经预处理的训练信号,并且基于标识信息201和预处理后的训练信号202,对NN均衡器130进行训练。在一些实施例中,网络训练模块230可以从存储***240中获取预先存储的针对ONU 120的训练信号202,并且基于ONU 120的标识信息201及其训练信号202来进行对NN均衡器130的训练。经训练的NN均衡器130可以用于对从多个ONU 120接收到的信号执行均衡处理。
根据本公开的实施例,NN均衡器130的输入不仅包括从ONU 120接收到的信号,还包括该ONU 120的标识信息。通过这样的设计,NN均衡器130可以在训练阶段,从不同ONU120的训练信号以及相关联的标识信息一起,学习到区分不同ONU 120的信道特性的能力,并进而学习到针对不同通信信道的信道均衡。
为便于理解,首先结合图3简单介绍NN均衡器130的结构。图3示出了根据本公开的一些实施例的NN均衡器的结构的示意图,其利用标识信息201来辅助进行训练。如图3所示,NN均衡器130可以包括输入层310、多个隐藏层320以及输出层330。可以理解,该均衡器的神经网络也可以包括任何的网络结构、任何数目的隐藏层数以及相应的神经元的数目。本公开的保护范围在此方面也不受限制。
如图3所示,输入层310包括来自ONU 120的信号。在训练阶段,接收到的是该ONU120的训练信号。在应用阶段,接收到的是该ONU 120发送的数据信号。此外,对于每个ONU120,输入层还包括该ONU 120的标识信息。输入层310的信号和标识信息一起被提供到相连的隐藏层320。
在图3所示的实施例中,NN均衡器130中的隐藏层320包括多个神经元。这些神经元中的每个神经元都可以包括一个激活函数,该激活函数例如可以是非线性或者线性的函数。该函数例如可以为sigmoid函数,也可以为其他函数。此外,可以为每个神经元规定相同的激活函数或者不同的激活函数。本公开的保护范围在此方面不受限制。在一些示例中,神经网络中的各个层中的神经元之间可以为全连接,附加地或备选地,神经网络中的各个层中的神经元之间也可以采用非全连接的方式。本公开的保护范围在此方面不受限制。
经过隐藏层320的处理后,NN均衡器130的输出被提供给输出层330,从而得到均衡后的信号。由于利用ONU 120的标识信息201来辅助NN均衡器130进行信道特征提取,提高了模型的准确度。
下文将参考图4来详细讨论ONU 120和OLT 110之间的交互,以实现NN均衡器130的训练。图4示出了根据本公开的一些示例实施例的用于光通信设备之间的通信过程400的信令图。为了便于讨论,将结合图2来讨论过程400。该过程400可以涉及图2中示出的OLT110和ONU 120。ONU 120可以是光通信网络110中的任意ONU 120。
在通信网络中,一个或多个ONU 120可以在一段时间内请求访问OLT 110。OLT 110可以给新连接的ONU 120分配标识信息。由于新的ONU 120的加入和新标识信息的分配,OLT110会对NN均衡器130执行训练,以获得训练后的NN均衡器130用于后续的信号均衡。图4示出了这样的通信过程400。
具体地,ONU 120向OLT 110传输402连接请求。在一些实施例中,ONU 120可以在接通电源并且期望加入光通信网络100时,向OLT 110传输连接请求。OLT 110可以针对ONU120执行监测并且从ONU 120接收404连接请求。由于该ONU 120是新连接的设备,OLT110确定406请求连接的ONU 120是否被分配有标识信息。
如果OLT 110确定ONU 120未被分配有标识信息,OLT 110可以向ONU 120分配408标识信息。该标识信息主要用于在NN均衡器130的信道均衡中对不同ONU 120进行区分。在一些实施例中,如果ONU 120先前曾经连接过OLT 110或者以其他方式被分配有与信道均衡相关的标识信息,那么OLT 110可以不需要重新分配标识信息。否则,OLT 110可以对新连接的ONU 120分配对应的标识信息。
在一些实施例中,OLT 110(例如,OLT 110中的标识信息分配模块220)可以基于与该ONU 120的通信信道的通信距离,来确定为该ONU 120分配的标识信息。在光通信网络中,不同ONU 120可以通过不同光纤链路连接到OLT 110,该光纤链路的长度可能不同。OLT110可以基于这样的通信距离来区分不同ONU 120,进而分配不同的标识信息。
在一些实施例中,为了确定与ONU 120的通信距离,OLT 110可以向ONU 120传输测距请求,并且基于从ONU 120接收到的测距信号来确定与该ONU 120的通信距离。除了请求连接的ONU 120之外,OLT 110还可以确定已经连接到OLT 110的一个或多个其他ONU120的通信距离。这些其他ONU 120的通信距离也可以通过发送测距请求的方式来确定,并且可以由OLT 110预先存储。
在获得已经连接和当前请求连接的ONU 120的通信距离后,OLT110可以基于多个ONU 120的通信距离对这些ONU 120进行排序,以及基于该排序结果向多个ONU 120分配标识信息。不同ONU 120被分配不同的标识信息,以用于标识个体ONU。标识信息的分配可以可以基于通信距离的正序排序。例如,OLT 110可以向具有最小通信距离的ONU 120分配标识信息“1”,向具有最大通信距离的ONU120被分配标识信息“N”,等等。在一些实施例中,标识信息的分配还可以基于通信距离的倒序排序。例如,OLT 110可以向具有最小通信距离的ONU 120被分配标识信息“N”,向具有最大通信距离的ONU 120被分配标识信息“1”,等等。
在上述基于通信距离的标识信息分配中,除了当前新访问的ONU120之外,取决于排序结果,已经连接到OLT 110的ONU 120也可能被新的标识信息。这样,不同ONU 120的标识信息可以指示不同ONU 120与OLT 110的相对距离的排序关系。这样的信息的分配使得NN均衡器130能够基于与信号联合输入的标识信息来确定不同ONU 120的不同信道条件。
然而,应当理解,除了基于通信距离来确定ONU 120的标识信息之外,还可以通过其他方式分配标识信息。标识信息仅意在对不同ONU 120进行区分,因此在其他实施例中,可以通过其他方式为个体ONU 120分配唯一标识信息,诸如但不限于基于波长、带宽等。
在一些实施例中,OLT 110可以向ONU 120传输410为其分配的标识信息,并且ONU120可以从OLT 110接收412用于区分个体ONU120的标识信息,如图4所示的可选步骤。
对于先前被分配有的标识信息的其他ONU 120,如果OLT 110在为当前请求连接的ONU 120分配标识信息的同时,可能会向其他ONU 120重新分配不同的标识信息,那么OLT110也可以类似地向其他ONU 120传输重新分配的标识信息。例如,在上文讨论的基于通信距离的标识信息分配中,由于新ONU 120的加入,原先连接的ONU 120的排序位置可能会不同,从而可能被分配新的标识信息。在这种情况下,OLT 110可以也将新的标识信息分配给那些ONU 120。
在一些实施例中,OLT 110可以不将所分配的标识信息传输给ONU 120,而是可以记录与信道均衡有关的该标识信息与这个ONU120之间的对应关系,以供后续使用。例如,OLT 110在从ONU 120接收到训练信号、数据信号、或其他请求等,可以通过该对应关系确定为该ONU 120分配的标识信息。
由于新ONU 120的加入,以及为该新ONU 120分配了标识信息,OLT 110要重新训练NN均衡器130,以使得NN均衡器130能够更准确地执行针对该ONU 120的信道均衡。
为了执行NN均衡器130的训练,ONU 120在与OLT 110的通信信道上,将训练信号传输414给OLT 110。OLT 110可以从ONU 120接收416传输的训练信号。在一些实施例中,OLT110可以通过向ONU 120发送请求消息,来请求ONU 120传输训练信号。在一些实施例中,ONU120可以主动传输训练信号。
在一些实施例中,ONU 120如果先前从OLT 110接收到分配的标识信息,可以将训练信号与标识信息相关联地传输给OLT 110。在此,相关联地传输是指ONU 120可以在传输训练信号时与标识信息以某种方式一起传输给OLT 110。在一些实施例中,ONU 120可以不需要将训练信号与标识信息一起关联地传输给OLT 110,而是可以仅将训练信号传输给OLT110。在这种情况下,OLT 110在从ONU 120接收到训练信号后,可以基于预先存储的ONU与标识信息之间的对应关系来确定分配给ONU 120的标识信息。
在接收到训练信号后,OLT 110训练418用于信道均衡的NN均衡器130。在训练过程中,OLT 110将从ONU 120接收到的训练信号和为该ONU 120分配的标识信息应用到NN均衡器130,作为网络的输入,来执行训练过程。OLT 110可以对训练信号和标识信息进行数据构造,以应用到NN均衡器130来对其进行训练。下面将会结合图5和图6,来具体描述数据预处理和数据构造过程。在训练过程中,OLT 110可以采用当前已经或将来开发的任何机器学习算法来执行训练。本公开的实施例在此方面不受限制。
除了当前请求连接的ONU 120之外,可能还有一个或多个其他ONU 120已经接入OLT 110。在训练NN均衡器130时,OLT 110也获取从这些ONU 120接收到的训练信号,并且将这些ONU 120的训练信号以及它们的标识信息一起应用到NN均衡器130,以执行网络训练。
对于先前已接入光通信***100的ONU 120,对其训练信号的获取可以采用多种方式。在一些实施例中,为了减小开销,OLT 110可以预先存储从已经从这些ONU 120接收到的全部训练信号或部分训练信号。例如,在先前这些ONU 120接入OLT 110时,OLT 110可能已经执行过一次对NN均衡器130的训练过程,从而已经从这些ONU 120接收到训练信号并且这些训练信号存储到存储***240中。
在一些实施例中,如果要针对新接入的ONU 120来训练NN均衡器130,OLT 110可以向已经连接的一个或多个其他ONU 120发送对需要其全部训练信号或部分训练信号的请求,并且从ONU 120接收训练信号。
针对先前被分配有标识信息的ONU 120,在其原始标识信息与被重新分配的标识信息不同的情况下,可以利用重新分配的标识信息来对NN均衡器130进行训练。在一些实施例中,例如由于通信距离排序的结果未发生改变,或者没有基于距离来分配标识信息等原因,ONU 120的标识信息不发生改变,在这种情况下,可以利用原始分配的标识信息来对NN均衡器130进行训练。
图5示出了根据本公开的一些示例实施例的数据预处理操作的示意图。为了便于讨论,将结合图2来进行讨论。数据预处理操作可以涉及图2中示出的OLT 110和ONU 120,ONU 120可以是光通信网络110中的任意ONU 120。数据预处理操作具体地涉及OLT 110中的预处理模块210,图5中的操作500为OLT 110中的预处理模块210的细化框图。预处理模块210可以用于对从ONU 120接收到的训练信号或数据信号进行预处理。
为便于讨论,以NN均衡器130的训练过程为例进行描述,NN均衡器的应用阶段的数据预处理过程同理。在一些实施例中,来自ONU 120的训练信号可以由PD检测到,并且由ADC进行采样。具体地,如框510所示,从ADC接收到的训练信号可以被重新采样以得到经重新采样的训练信号。如框512所示,经重新采样的训练信号可以被执行同步过程以匹配由ONU120发送的原始训练信号,从而可以得到经同步的训练信号。如框514所示,经同步的训练信号可以被执行数据构造过程。
根据一些实施例,可以基于ONU 120的标识信息来执行数据构造过程,关于如何进行数据构造的详细信息将在下文参考图6进行详细讨论。如框516所示,OLT 110可以对经构造的训练信号执行加扰过程。具体地,可以分别针对所有ONU 120中的每个ONU 120的经构造的信号数据分别任取一列数据元素,并且将所有取得的数据列进行混排,以得到经加扰的数据。在一些实施例中,经加扰的数据可以被提供给NN均衡器130进行训练,以获得经训练的NN均衡器130。该经训练的NN均衡器130可以被存储以用于后续的信号传输过程,从而可以对接收到的数据信号执行均衡过程以得到均衡后的数据信号。
下面结合图6来详细说明如何基于标识信息来执行数据构造。图6示出了根据本公开的一些示例实施例的基于标识信息进行数据构造的数据结构的示意图。
为便于讨论,简化前期数据预处理过程,假定直接对ONU 120的训练信号执行数据构造过程,以将训练信号与标识信息联合地进行构造。在时间维度上,来自ONU 120的训练信号被采样为如下训练数据序列:sn(t),sn(t-1),sn(t-2),…,sn(t-k),其中角标n标识第n个ONU 120,k表示第k个采样时间。构造器将sn(t),sn(t-1),sn(t-2),…,sn(t-k)输入到矩阵的第一列,并且将经延迟的训练序列sn(t-1),sn(t-2),sn(t-3),…,s1(t-k-1)输入到矩阵的第二列。以此方式,可以针对每个ONU 120生成经初步构造的训练数据的矩阵。
基于该经初步构造的训练数据的矩阵并且基于标识信息,可以执行数据构造过程。在一些实施例中,标识信息可以被附加到该矩阵中。具体地,在一些实施例中,ONU 120的标识信息(n)可以被放置在矩阵的每一列的结尾。在一些实施例中,ONU 120的标识信息(n)可以被分别放置在矩阵的每一列的第一个元素的位置。在一些实施例中,ONU 120的标识信息(n)可以被分别放置在矩阵的每一列的相同的某个中间元素的位置。在一些实施例中,ONU 120的标识信息(n)可以被分别放置在矩阵的每一列不同的某些中间位置的位置。本公开的实施例对此不做限制。
再次参考回图4,通过训练过程,NN均衡器130可以被训练为能够处理后续从ONU120接收到的信号,以从接收到的信号中减少或消除在传输过程中引入的失真干扰等,从而恢复出原始的信号。
在连接到OLT 110后,在通信过程中,ONU 120可以在与OLT 110的通信信道上,将数据信号传输420给OLT 110,并且OLT 110可以从ONU 120接收422数据信号。在一些实施例中,如果ONU 120先前从OLT 110接收到所分配的与信道均衡相关的标识信息,ONU 120可以将数据信号与标识信息相关联地传输420给OLT 110。在一些实施例中,ONU 120可以仅将数据信号传输给OLT 110。在这种情况下,OLT 110可以在从ONU 120接收到数据信号后,通过预先存储的对应关系来确定分配给该ONU 120的标识信息。
在从ONU 120接收到数据信号后,OLT 110可以将数据信号和对应ONU 120的标识信息应用424到经训练的NN均衡器130,作为NN均衡器130的输入。经训练的NN均衡器130可以对接收到的数据信号执行信道均衡,以获得均衡后的数据信号。
作为一个具体示例,下面参考图7来描述在一些实施例中OLT110与ONU 120之间的交互以及各自执行的操作,从而更好理解本公开的信道均衡过程。图7示出的设备之间的光通信过程700可以被认为是图4的交互图的一些实施例。图7的流程700可以涉及图1中示出的OLT 110和ONU 120。ONU 120可以是光通信网络110中的任意ONU 120。
在框722,ONU 120接通电源,从而可以向OLT 110发起连接请求。在框702,OLT 110可以对来自ONU 120的连接请求进行监测,从而可以及时地获取ONU 120的接入信息。
在框704,OLT 110检测请求连接的ONU 120是否被分配有标识信息。如果ONU 120已经被分配有标识信息,例如如果ONU 120的连接请求中包含有所分配的标识信息,则在框706,OLT 110配置该ONU 120的标识信息。例如,将所分配的标识信息与来自该ONU 120的训练信号或数据信号一起构造出NN均衡器130的输入。在框708,OLT 110基于标识信息,并且利用训练后的NN均衡器130来对从该ONU 120接收到的数据信号执行信道均衡,从而输出均衡后的数据信号。
如果在框704确定请求连接的ONU 120未被分配有标识信息,在框712,OLT 110向ONU 120传输测距请求。在从OLT 110接收到测距请求后,在框724,ONU 120向OLT 110传输测距信号。OLT 110可以基于测距信号来确定ONU 120的通信信道的通信距离。OLT 110可以基于多个ONU 120的通信距离对多个ONU 120进行排序,从而在框714,向ONU 120分配标识信息。OLT 110可以向ONU 120传输716所分配的标识信息。在ONU 120侧,在框726,ONU 120存储从OLT 110接收到的标识信息,以用于后续的信号传输。
在OLT 110侧,在框718,OLT 110可以基于ONU 120的训练信号和标识信息来对NN均衡器130进行训练。训练后的NN均衡器130可以用于在框708处用于实现对数据信号的信道均衡。
下面参考图8至图9来讨论根据本公开的一些实施例的信道均衡与已有方案的信道均衡的仿真实例的性能比较。在该仿真实例中,假设光通信网络中被配置有到OLT 110具有不同通信距离的五个ONU120,为便于描述,简记为ONU 120-1、ONU 120-2、ONU 120-3、ONU120-4和ONU 120-5。
为了比较根据本公开的一些实施例的方案与已有方案的性能分析,还利用了根据已有方案[1]和已有方案[2]实现的两个NN均衡器进行相关仿真。在已有方案[1]中,除了输入端仅删除了标识信息部分,其神经网络参数的设定与本方案相同。在已有方案[2]中,子神经网络的输入为通过从个体ONU 120接收到的数据而生成的以幅度直方图形式的波形统计信息。
图8示出了根据本公开的一些示例实施例的利用所提出的均衡方案与一种已有均衡方案(已有方案[1])的性能对比图,其中横轴表示接收到的光功率(dBm),纵轴表示比特错误率(BER)。图中的实线分别表示针对ONU 120-1至ONU 120-5中的每个ONU 120,采用所提出的方案的BER随接收到的光功率的变化。图中的虚线表示针对ONU 120-1至ONU 120-5中的每个ONU 120,采用已有方案[1]的BER随接收到的光功率的变化。
通过对比同一ONU 120的实线和虚线可以看出,与采用已有方案[1]相比,在标识信息的辅助训练下,根据本公开所提出的方案的示例实现针对ONU 120-1至ONU 120-5中的每个ONU 120均表现出优于采用已有方案[1]的性能,即实现了较低BER。
图9示出了根据本公开的一些示例实施例的提出的均衡方案与另一已有均衡方案(已有方案[2])的性能对比图,其中横轴表示接收到的光功率(dBm),纵轴表示比特错误概率(BER)。图中的实线分别表示针对ONU 120-1至ONU 120-5中的每个ONU 120,采用所提出的方案的BER随接收到的光功率的变化。图中的虚线表示针对ONU 120-1至ONU 120-5中的每个ONU 120,采用已有方案[2]的BER随接收到的光功率的变化。
通过对比同一ONU 120的实线和虚线可以看出,针对ONU 120-1至ONU 120-5中的每个ONU 120,根据本公开所提出的方案的示例实现与采用已有方案[2]的示例实现具有相似的BER性能,但根据本公开所提出的方案的示例实现采用的NN均衡器结构较为简单,因此计算复杂度较低从而收敛时间较短。此外,根据本公开所提出的方案的示例实现不需要生成信号波形统计直方图,也即,与采用已有方案[2]的示例实现相比,节省了用于生成信号波形统计直方图所需的更多的信号开销和预处理时间。
图10示出了根据本公开的一些示例实施例的在第一设备处实现的方法1000的流程图。第一设备例如可以是图1的OLT 110。
如图10所示,在框1010,第一设备确定请求连接的第二设备(例如,ONU 120)是否被分配有标识信息。
如果确定第二设备未被分配有标识信息,在框1020,第一设备向第二设备分配标识信息,标识信息用于在第二设备和与第一设备连接的至少一个其他设备之中标识第二设备。
在框1030,第一设备在与第二设备的通信信道上从第二设备接收训练信号。
在框1040,第一设备至少通过将接收到的训练信号和标识信息应用到神经网络均衡器来训练神经网络均衡器,该神经网络均衡器被配置为对从第二设备和至少一个其他设备接收到的信号执行信道均衡。
在一些实施例中,方法1000还包括:向第二设备传输标识信息。
在一些实施例中,向第二设备分配标识信息包括:确定第二设备和至少一个其他设备各自与第一设备的通信信道的通信距离;基于所确定的通信距离,对第二设备和至少一个其他设备进行排序;以及基于排序的结果来向第二设备分配标识信息。
在一些实施例中,在至少一个其他设备先前被分配有各自的标识信息的情况下,方法1000还包括:基于排序的结果,向至少一个其他设备重新分配各自的标识信息;以及如果重新分配给至少一个其他设备的标识信息不同于先前分配的标识信息,向至少一个其他设备传输重新分配的标识信息。
在一些实施例中,训练神经网络均衡器还包括:获得在与至少一个其他设备的相应通信信道上从至少一个其他设备接收到的另外的训练信号;以及还将接收到的另外的训练信号和分配给至少一个其他设备的标识信息应用到神经网络,以训练神经网络均衡器。
在一些实施例中,方法1000还包括:在通信信道上从第二设备接收数据信号;以及将数据信号和标识信息应用到经训练的神经网络均衡器,以获得由神经网络均衡器输出的均衡后的数据信号。
在一些实施例中,接收数据信号包括:从第二设备接收与标识信息相关联地传输的数据信号。
在一些实施例中,第一设备包括光线路终端,并且第二设备和至少一个其他设备包括光网络单元。
图11示出了根据本公开的一些示例实施例的在第二设备处实现的方法1100的流程图。第二设备例如可以是图1的ONU 120。
如图11所示,在框1110,第二设备向第一设备(例如,OLT 110)传输连接请求。
在框1120,第二设备从第一设备接收标识信息,标识信息用于在第二设备和与第一设备连接的至少一个其他设备之中标识第二设备。
在框1130,在与第一设备的通信信道上,第二设备将数据信号与标识信息相关联地传输给第一设备,由第一设备接收到的数据信号和标识信息被应用到经训练的神经网络均衡器,神经网络均衡器被配置为对从第二设备和至少一个其他设备接收到的信号执行信道均衡。
图12是适合于实现本公开的实施例的设备1200的简化框图。可以提供设备1200以实现通信设备,例如如图1所示OLT 110以及ONU120。如图所示,设备1200包括一个或多个处理器1210,一个或多个存储器1240被耦合到处理器1210,并且一个或多个发射器和/或接收器(TX/RX)1240被耦合到处理器1210。
TX/RX 1240用于双向通信。TX/RX 1240具有至少一个天线以便于通信。通信接口可以表示与其他网络元件通信所必需的任何接口。
处理器1210可以是适合于本地技术网络的任何类型,并且可以包括但不限于通用计算机、专用计算机、微控制器、数字信号控制器(DSP)、以及基于控制器的多核控制器架构中的一个或多个。设备1200可以具有多个处理器,例如专用集成电路芯片,其在时间上从属于与主处理器同步的时钟。
存储器1220可以包括一个或多个非易失性存储器和一个或多个易失性存储器。非易失性存储器的示例包括但不限于只读存储器(ROM)1224,可擦除可编程只读存储器(EPROM),闪存,硬盘,光盘(CD),数字视频盘(DVD)和其他磁存储和/或光存储。易失性存储器的示例包括但不限于随机存取存储器(RAM)1222和不会在断电持续时间中持续的其他易失性存储器。
计算机程序1230包括由关联处理器1210执行的计算机可执行指令。程序1230可以存储在ROM 1220中。处理器1210可以通过将程序1230加载到RAM 1220中来执行任何合适的动作和处理。
可以借助于程序1230来实现本公开的实施例,使得设备1200可以执行如参考图4至图7所讨论的本公开的任何过程。本公开的实施例还可以通过硬件或通过软件和硬件的组合来实现。
在一些示例实施例中,程序1230可以有形地包含在计算机可读介质中,该计算机可读介质可以包括在设备1200中(诸如在存储器1220中)或者可以由设备1200访问的其他存储设备。可以将程序1230从计算机可读介质加载到RAM 1222以供执行。计算机可读介质可以包括任何类型的有形非易失性存储器,例如ROM,EPROM,闪存,硬盘,CD,DVD等。图13示出了CD或DVD形式的计算机可读介质的示例。计算机可读介质上存储有程序1230。
通常,本公开的各种实施例可以以硬件或专用电路,软件,逻辑或其任何组合来实现。一些方面可以用硬件实现,而其他方面可以用固件或软件实现,其可以由控制器,微处理器或其他计算设备执行。虽然本公开的实施例的各个方面被示出并描述为框图,流程图或使用一些其他图示表示,但是应当理解,本文描述的框,装置,***,技术或方法可以实现为,如非限制性示例,硬件,软件,固件,专用电路或逻辑,通用硬件或控制器或其他计算设备,或其某种组合。
本公开还提供有形地存储在非暂时性计算机可读存储介质上的至少一个计算机程序产品。该计算机程序产品包括计算机可执行指令,例如包括在程序模块中的指令,其在目标的真实或虚拟处理器上的设备中执行,以执行如上参考图10和图11所述的方法1000和1100。通常,程序模块包括执行特定任务或实现特定抽象数据类型的例程,程序,库,对象,类,组件,数据结构等。在各种实施例中,可以根据需要在程序模块之间组合或分割程序模块的功能。用于程序模块的机器可执行指令可以在本地或分布式设备内执行。在分布式设备中,程序模块可以位于本地和远程存储介质中。
用于实现本公开的方法的计算机程序代码可以用一种或多种编程语言编写。这些计算机程序代码可以提供给通用计算机、专用计算机或其他可编程的数据处理装置的处理器,使得程序代码在被计算机或其他可编程的数据处理装置执行的时候,引起在流程图和/或框图中规定的功能/操作被实施。程序代码可以完全在计算机上、部分在计算机上、作为独立的软件包、部分在计算机上且部分在远程计算机上或完全在远程计算机或服务器上执行。
在本公开的上下文中,计算机程序代码或者相关数据可以由任意适当载体承载,以使得设备、装置或者处理器能够执行上文描述的各种处理和操作。载体的示例包括信号、计算机可读介质、等等。信号的示例可以包括电、光、无线电、声音或其它形式的传播信号,诸如载波、红外信号等。
计算机可读介质可以是包含或存储用于或有关于指令执行***、装置或设备的程序的任何有形介质。计算机可读介质可以是计算机可读信号介质或计算机可读存储介质。计算机可读介质可以包括但不限于电子的、磁的、光学的、电磁的、红外的或半导体***、装置或设备,或其任意合适的组合。计算机可读存储介质的更详细示例包括带有一根或多根导线的电气连接、便携式计算机磁盘、硬盘、随机存储存取器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪存)、光存储设备、磁存储设备,或其任意合适的组合。
此外,尽管在附图中以特定顺序描述了本公开的方法的操作,但是这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。相反,流程图中描绘的步骤可以改变执行顺序。附加地或备选地,可以省略某些步骤,将多个步骤组合为一个步骤执行,和/或将一个步骤分解为多个步骤执行。还应当注意,根据本公开的两个或更多装置的特征和功能可以在一个装置中具体化。反之,上文描述的一个装置的特征和功能可以进一步划分为由多个装置来具体化。
虽然已经参考若干具体实施例描述了本公开,但是应当理解,本公开不限于所公开的具体实施例。本公开旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等效布置。
Claims (22)
1.一种用于信道均衡的方法,包括:
在第一设备处,确定请求连接的第二设备是否被分配有标识信息;
如果确定第二设备未被分配有标识信息,向所述第二设备分配标识信息,所述标识信息用于在所述第二设备和与所述第一设备连接的至少一个其他设备之中标识所述第二设备;
在与所述第二设备的通信信道上从所述第二设备接收训练信号;以及
至少通过将接收到的所述训练信号和所述标识信息应用到神经网络均衡器,来训练所述神经网络均衡器,所述神经网络均衡器被配置为对从所述第二设备和所述至少一个其他设备接收到的信号执行信道均衡。
2.根据权利要求1所述的方法,还包括:
向所述第二设备传输所述标识信息。
3.根据权利要求1所述的方法,其中向所述第二设备分配所述标识信息包括:
确定所述第二设备和所述至少一个其他设备各自与所述第一设备的通信信道的通信距离;
基于所确定的通信距离,对所述第二设备和所述至少一个其他设备进行排序;以及
基于所述排序的结果来向所述第二设备分配所述标识信息。
4.根据权利要求3所述的方法,其中所述至少一个其他设备先前被分配有各自的标识信息,所述方法还包括:
基于所述排序的结果,向所述至少一个其他设备重新分配各自的标识信息;以及
如果重新分配给所述至少一个其他设备的标识信息不同于先前分配的标识信息,向所述至少一个其他设备传输重新分配的所述标识信息。
5.根据权利要求1所述的方法,其中训练所述神经网络均衡器还包括:
获得在与所述至少一个其他设备的相应通信信道上从所述至少一个其他设备接收到的另外的训练信号;以及
还将接收到的所述另外的训练信号和分配给所述至少一个其他设备的标识信息应用到所述神经网络均衡器。
6.根据权利要求1所述的方法,还包括:
在所述通信信道上从所述第二设备接收数据信号;以及
将所述数据信号和所述标识信息应用到经训练的所述神经网络均衡器,以获得由所述神经网络均衡器输出的均衡后的数据信号。
7.根据权利要求6所述的方法,其中接收所述数据信号包括:
从所述第二设备接收与所述标识信息相关联地传输的所述数据信号。
8.根据权利要求1至7中任一项所述的方法,其中所述第一设备包括光线路终端,并且所述第二设备和所述至少一个其他设备包括光网络单元。
9.一种用于信道均衡的方法,包括:
在第二设备处向第一设备传输连接请求;
从所述第一设备接收标识信息,所述标识信息用于在所述第二设备和与所述第一设备连接的至少一个其他设备之中标识所述第二设备;以及
在与所述第一设备的通信信道上,将数据信号与所述标识信息相关联地传输给所述第一设备,由所述第一设备接收到的所述数据信号和所述标识信息被应用到经训练的神经网络均衡器,所述神经网络均衡器被配置为对从所述第二设备和所述至少一个其他设备接收到的信号执行信道均衡。
10.一种用于通信的第一设备,包括:
至少一个处理器;以及
与所述至少一个处理器耦合的至少一个存储器,所述至少一个存储器包含有存储于其中的指令,所述至少一个存储器和所述指令进一步被配置为与所述至少一个处理器一起使得所述第一设备:
确定请求连接的第二设备是否被分配有标识信息;
如果确定第二设备未被分配有标识信息,向所述第二设备分配标识信息,所述标识信息用于在所述第二设备和与所述第一设备连接的至少一个其他设备之中标识所述第二设备;
在与所述第二设备的通信信道上从所述第二设备接收训练信号;以及
至少通过将接收到的所述训练信号和所述标识信息应用到神经网络均衡器,来训练所述神经网络均衡器,所述神经网络均衡器被配置为对从所述第二设备和所述至少一个其他设备接收到的信号执行信道均衡。
11.根据权利要求10所述的第一设备,其中所述至少一个存储器和所述指令进一步被配置为与所述至少一个处理器一起使得所述第一设备:
向所述第二设备传输所述标识信息。
12.根据权利要求10所述的第一设备,其中向所述第二设备分配所述标识信息包括使得所述至少一个存储器和所述指令进一步被配置为与所述至少一个处理器一起使得所述第一设备:
确定所述第二设备和所述至少一个其他设备各自与所述第一设备的通信信道的通信距离;
基于所确定的通信距离,对所述第二设备和所述至少一个其他设备进行排序;以及
基于所述排序的结果来向所述第二设备分配所述标识信息。
13.根据权利要求12所述的第一设备,其中所述至少一个其他设备先前被分配有各自的标识信息,所述至少一个存储器和所述指令进一步被配置为与所述至少一个处理器一起使得所述第一设备:
基于所述排序的结果,向所述至少一个其他设备重新分配各自的标识信息;以及
如果重新分配给所述至少一个其他设备的标识信息不同于先前分配的标识信息,向所述至少一个其他设备传输重新分配的所述标识信息。
14.根据权利要求10所述的第一设备,其中训练所述神经网络均衡器还包括使得所述至少一个存储器和所述指令进一步被配置为与所述至少一个处理器一起使得所述第一设备:
获得在与所述至少一个其他设备的相应通信信道上从所述至少一个其他设备接收到的另外的训练信号;以及
还将接收到的所述另外的训练信号和分配给所述至少一个其他设备的标识信息应用到所述神经网络均衡器。
15.根据权利要求10所述的第一设备,其中所述至少一个存储器和所述指令进一步被配置为与所述至少一个处理器一起使得所述第一设备:
在所述通信信道上从所述第二设备接收数据信号;以及
将所述数据信号和所述标识信息应用到经训练的所述神经网络均衡器,以获得由所述神经网络均衡器输出的均衡后的数据信号。
16.根据权利要求15所述的第一设备,其中接收所述数据信号包括使得所述至少一个存储器和所述指令进一步被配置为与所述至少一个处理器一起使得所述第一设备:
从所述第二设备接收与所述标识信息相关联地传输的所述数据信号。
17.根据权利要求10至16中任一项所述的第一设备,其中所述第一设备包括光线路终端,并且所述第二设备和所述至少一个其他设备包括光网络单元。
18.一种用于通信的第二设备,包括:
至少一个处理器;以及
与所述至少一个处理器耦合的至少一个存储器,所述至少一个存储器包含有存储于其中的指令,所述至少一个存储器和所述指令进一步被配置为与所述至少一个处理器一起使得所述第二设备:
向第一设备传输连接请求;
从所述第一设备接收标识信息,所述标识信息用于在所述第二设备和与所述第一设备连接的至少一个其他设备之中标识所述第二设备;以及
在与所述第一设备的通信信道上,将数据信号与所述标识信息相关联地传输给所述第一设备,由所述第一设备接收到的所述数据信号和所述标识信息被应用到经训练的神经网络均衡器,所述神经网络均衡器被配置为对从所述第二设备和所述至少一个其他设备接收到的信号执行信道均衡。
19.一种用于通信的第一装置,包括:
用于确定请求连接的第二装置是否被分配有标识信息的部件;
用于在确定第二装置未被分配有标识信息的情况下向所述第二装置分配标识信息的部件,所述标识信息用于在所述第二装置和与所述第一装置连接的至少一个其他装置之中标识所述第二装置;
用于在与所述第二装置的通信信道上从所述第二装置接收训练信号的部件;以及
用于至少通过将接收到的所述训练信号和所述标识信息应用到神经网络均衡器来训练所述神经网络均衡器的部件,所述神经网络均衡器被配置为对从所述第二装置和所述至少一个其他装置接收到的信号执行信道均衡。
20.一种用于通信的第二装置,包括:
用于向第一装置传输连接请求的部件;
用于从所述第一装置接收标识信息的部件,所述标识信息用于在所述第二装置和与所述第一装置连接的至少一个其他装置之中标识所述第二装置;以及
用于在与所述第一装置的通信信道上将数据信号与所述标识信息相关联地传输给所述第一装置的部件,由所述第一装置接收到的所述数据信号和所述标识信息被应用到经训练的神经网络均衡器,所述神经网络均衡器被配置为对从所述第二装置和所述至少一个其他装置接收到的信号执行信道均衡。
21.一种计算机可读介质,所述计算机可读介质上存储有指令,当所述指令在被至少一个处理单元执行时,使得至少一个处理单元被配置为执行根据权利要求1至8中任一项所述的方法。
22.一种计算机可读介质,所述计算机可读介质上存储有指令,当所述指令在被至少一个处理单元执行时,使得至少一个处理单元被配置为执行根据权利要求9所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110529704.8A CN115347955B (zh) | 2021-05-14 | 2021-05-14 | 用于信道均衡的方法、设备、装置和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110529704.8A CN115347955B (zh) | 2021-05-14 | 2021-05-14 | 用于信道均衡的方法、设备、装置和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115347955A true CN115347955A (zh) | 2022-11-15 |
CN115347955B CN115347955B (zh) | 2023-11-24 |
Family
ID=83946533
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110529704.8A Active CN115347955B (zh) | 2021-05-14 | 2021-05-14 | 用于信道均衡的方法、设备、装置和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115347955B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106209687A (zh) * | 2016-07-12 | 2016-12-07 | 重庆邮电大学 | 一种混合复用pon全局资源高效分配方法 |
CN109076269A (zh) * | 2016-06-30 | 2018-12-21 | 华为技术有限公司 | 一种通道训练的方法、装置及*** |
CN110213678A (zh) * | 2018-02-28 | 2019-09-06 | 上海诺基亚贝尔股份有限公司 | 无源光网络中的通信方法、设备和计算机可读介质 |
WO2019191099A1 (en) * | 2018-03-26 | 2019-10-03 | Zte Corporation | Non-linear adaptive neural network equalizer in optical communication |
CN110611536A (zh) * | 2018-06-14 | 2019-12-24 | 上海诺基亚贝尔股份有限公司 | 光网络单元、光通信方法和计算机可读介质 |
WO2019242534A1 (zh) * | 2018-06-19 | 2019-12-26 | 中兴通讯股份有限公司 | 链路均衡参数训练控制电路及方法 |
CN111093123A (zh) * | 2019-12-09 | 2020-05-01 | 华中科技大学 | 一种基于复合神经网络的灵活光网络时域均衡方法及*** |
US20200302299A1 (en) * | 2019-03-22 | 2020-09-24 | Qualcomm Incorporated | Systems and Methods of Cross Layer Rescaling for Improved Quantization Performance |
CN111901047A (zh) * | 2020-06-19 | 2020-11-06 | 烽火通信科技股份有限公司 | 一种高速突发信号的快速均衡方法与装置 |
US20200366399A1 (en) * | 2019-05-16 | 2020-11-19 | Electronics And Telecommunications Research Institute | Method and apparatus for wavelength allocation for bidirectional optical access |
CN112243166A (zh) * | 2019-07-19 | 2021-01-19 | 上海诺基亚贝尔股份有限公司 | 用于光通信的方法、设备、装置和计算机可读介质 |
EP3799437A1 (en) * | 2019-09-24 | 2021-03-31 | Microsoft Technology Licensing, LLC | Communication in a switching network |
CN112714369A (zh) * | 2019-10-25 | 2021-04-27 | 上海诺基亚贝尔股份有限公司 | 用于光通信的方法、设备、装置和计算机可读介质 |
-
2021
- 2021-05-14 CN CN202110529704.8A patent/CN115347955B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109076269A (zh) * | 2016-06-30 | 2018-12-21 | 华为技术有限公司 | 一种通道训练的方法、装置及*** |
CN106209687A (zh) * | 2016-07-12 | 2016-12-07 | 重庆邮电大学 | 一种混合复用pon全局资源高效分配方法 |
CN110213678A (zh) * | 2018-02-28 | 2019-09-06 | 上海诺基亚贝尔股份有限公司 | 无源光网络中的通信方法、设备和计算机可读介质 |
WO2019191099A1 (en) * | 2018-03-26 | 2019-10-03 | Zte Corporation | Non-linear adaptive neural network equalizer in optical communication |
CN110611536A (zh) * | 2018-06-14 | 2019-12-24 | 上海诺基亚贝尔股份有限公司 | 光网络单元、光通信方法和计算机可读介质 |
WO2019242534A1 (zh) * | 2018-06-19 | 2019-12-26 | 中兴通讯股份有限公司 | 链路均衡参数训练控制电路及方法 |
US20200302299A1 (en) * | 2019-03-22 | 2020-09-24 | Qualcomm Incorporated | Systems and Methods of Cross Layer Rescaling for Improved Quantization Performance |
US20200366399A1 (en) * | 2019-05-16 | 2020-11-19 | Electronics And Telecommunications Research Institute | Method and apparatus for wavelength allocation for bidirectional optical access |
CN112243166A (zh) * | 2019-07-19 | 2021-01-19 | 上海诺基亚贝尔股份有限公司 | 用于光通信的方法、设备、装置和计算机可读介质 |
US20210021346A1 (en) * | 2019-07-19 | 2021-01-21 | Nokia Solutions And Networks Oy | Method, device, apparatus for optical communication and computer readable storage medium |
EP3799437A1 (en) * | 2019-09-24 | 2021-03-31 | Microsoft Technology Licensing, LLC | Communication in a switching network |
CN112714369A (zh) * | 2019-10-25 | 2021-04-27 | 上海诺基亚贝尔股份有限公司 | 用于光通信的方法、设备、装置和计算机可读介质 |
CN111093123A (zh) * | 2019-12-09 | 2020-05-01 | 华中科技大学 | 一种基于复合神经网络的灵活光网络时域均衡方法及*** |
CN111901047A (zh) * | 2020-06-19 | 2020-11-06 | 烽火通信科技股份有限公司 | 一种高速突发信号的快速均衡方法与装置 |
Non-Patent Citations (2)
Title |
---|
丁欢;王永刚;: "通信中的盲均衡技术", 现代电子技术, no. 11 * |
吕志胜;赖惠成;: "一种新的CMA神经网络均衡器", 计算机工程与应用, no. 11 * |
Also Published As
Publication number | Publication date |
---|---|
CN115347955B (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112243166B (zh) | 用于光通信的方法、设备、装置和计算机可读介质 | |
US20220239371A1 (en) | Methods, devices, apparatuses, and medium for optical communication | |
Lun et al. | Soft failure identification for long-haul optical communication systems based on one-dimensional convolutional neural network | |
CN111970050B (zh) | 一种基于异常检测的联合监测调制格式和光信噪比的*** | |
CN108123908A (zh) | 一种用于ng-pon的改进svm均衡方法及*** | |
US20170187452A1 (en) | Method and apparatus for processing upstream data anomaly | |
CN103731205A (zh) | 一种光网络单元自动化测试方法 | |
Rahman et al. | Modeling and performance analysis of free space optical communication system | |
CN113067786B (zh) | 用于均衡信号的设备、方法、装置及计算机可读介质 | |
US20160048475A1 (en) | Method, Apparatus, and System for Configuring High-Speed Serial Bus Parameter | |
US6965736B1 (en) | Method for monitoring the transmission quality of an optical transmission system, in particular of an optical wavelength-division multiplex network | |
Yi et al. | Neural network-based equalization in high-speed PONs | |
Deligiannidis et al. | Performance and complexity evaluation of recurrent neural network models for fibre nonlinear equalization in digital coherent systems | |
US11632182B2 (en) | Real-time detection of interfering device | |
CN115347955B (zh) | 用于信道均衡的方法、设备、装置和介质 | |
CN110611536B (zh) | 光网络单元、光通信方法和计算机可读介质 | |
US9467758B2 (en) | Testing system and method | |
CN112543070B (zh) | 信道特性的在线提取 | |
Tanimura et al. | OSNR estimation providing self-confidence level as auxiliary output from neural networks | |
CN112714084B (zh) | 用于光通信的设备、方法和计算机可读存储介质 | |
CN112714369B (zh) | 用于光通信的方法、设备、装置和计算机可读介质 | |
Shahkarami et al. | Efficient deep learning of nonlinear fiber-optic communications using a convolutional recurrent neural network | |
US20220103260A1 (en) | Devices, methods, apparatuses and computer readable storage media for optical communication | |
Gao et al. | Joint baud-rate and modulation format identification based on asynchronous delay-tap plots analyzer by using convolutional neural network | |
CN112242871B (zh) | 用于光通信的方法、设备和计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |