一种基于自进化优化BP神经网络的非线性均衡补偿方法

技术领域

本发明属于通信领域，涉及相干光传输系统的DSP信号处理，具体涉及一种基于自进化优化BP神经网络的非线性均衡补偿方法。

背景技术

相干光通信理论产生自上世纪80年代，由于相干光通信能够节省光带宽资源，提高光纤传输效率，因此目前的骨干网长距传输往往选择相干光通信。随着智能电视、人工智能、物联网等新兴技术的研究和发展，催生出了譬如直播、8K电视、自动驾驶等网络新业务，这些业务的开展需要依托大流量的数据传输，极大地增加了光纤骨干网的压力。因此，光纤通信系统的未来需要结合各种新型调制格式，以大容量、高速率和长距离为导向，并在信道传输中不断减少损伤和非线性效应等为目标，不断提升传输容量和质量。

另一方面，在光纤通信系统中，会有很多因素限制信号在光纤中的传输，譬如光纤损耗、色散、器件非线性响应等，目前对这些效应有很多的DSP补偿算法，譬如沃尔泰拉滤波器、光相位共轭、后向数字传播算法等，但是这些DSP处理算法的建立基于复杂的物理模型和数学模型的分析，在譬如后向数字传播算法中，需要用到分步傅里叶（SSF）方法，计算量大，成本高，因此很难运用到实际的光纤传输通道中。

现有相干光传输系统中，利用激光器产生一束激光，然后通过分束器（PBS）来获得两个方向上的正交光，分别在光上进行调制，调制后两束偏振信号通过合束器（PBC）合成一束双偏振信号光，经过放大器放大后在光纤中进行传输。在接收端对光信号进行相干接收，需要进行的DSP信号处理包括色散补偿、匹配滤波、频偏及相位补偿、解偏振复用等线性效应，以往补偿往往使用人工干预或者盲均衡等方式，补偿效果较差。

发明内容

本发明提出一种基于自进化优化BP神经网络的非线性均衡补偿方法，对光传输信道中的非线性效应进行模拟和补偿，提升光纤传输的距离和容量。

本发明所采用的技术方案为：

一种基于自进化优化BP神经网络的非线性均衡补偿方法，包括如下步骤：

步骤1、确定BP神经网络的拓扑结构；

步骤2、给权值和阈值分别赋[-1,1]的随机数；

步骤3、根据随机赋值得到的BP神经网络的初始权值和阈值，用相干光传输系统的输入数据作为BP神经网络的输入层数据

步骤4、通过自进化算法，搜寻BP神经网络的一组适应度最高的权值和阈值，该自进化算法为BP神经网络的训练误差；

首先，计算初始权值和阈值的适应度，适应度的计算公式为：该组权值和阈值在BP神经网络中训练得到的训练误差；然后，基于轮盘赌算法，即基于适应度比例的选择策略，随机选取两组权值和阈值放进BP神经网络中计算，并剔除两组权值和阈值中相关程度较低的数值；接着，通过交叉操作将第

步骤5、通过自进化算法得到一组适应度最高的权值和阈值后，放进BP神经网络里进行最终的训练，若满足训练精度要求，则训练成功；若低于迭代次数要求，则将该阈值和权值进一步通过自进化算法进行演化，直到训练精度达到要求，获得最佳权值和阈值。

进一步地，步骤1中，BP神经网络的拓扑结构中，输入层为1层，中间隐藏层为5层，输出层为1层。

进一步地，步骤2中，随机数通过matlab中的rand函数生成。

进一步地，步骤3中，编码格式为将数字的每一位数都进行二进制编码，并按十进制的数字顺序进行排列，形成一组新的二进制编码。

进一步地，步骤4中，交叉操作中，交叉概率为0.3，即每次运算有30%的几率将第

进一步地，步骤5中，训练数据包括输入端的传输信号的光载波强度和输出端的人工均衡的最优化值，训练数据为2000组并贴上对应的标签，其中，1900组作为训练集，剩下的100组作为验证集；训练迭代次数设置为100次。

本发明的有益效果在于：

本发明不需要复杂的建模过程，自进化BP神经网络的运算速度极快（收敛速度快，对非线性效应损伤的处理速度快）、训练后的准确率高，方案成本低、效果好，能保障相干光通信信号的稳定性，做到精准补偿。

附图说明

图1为本发明中自进化优化BP神经网络示意图。

具体实施方式

下面结合附图对本发明的基于自进化优化BP神经网络的非线性均衡补偿方法作进一步地详细说明。

如图1所示，一种基于自进化优化BP神经网络的非线性均衡补偿方法，包括如下步骤：

步骤1、确定BP神经网络的拓扑结构。BP神经网络的拓扑结构中，输入层为1层，中间隐藏层为5层，输出层为1层，BP神经网络结构为1-5-1，共有1×5+5=10个权值，5+1=6个阈值，所以自进化算法的个体编码长度为10+6=16个。

步骤2、给权值和阈值分别赋[-1,1]的随机数，随机数通过matlab中的rand函数生成。

步骤3、根据随机赋值得到的BP神经网络的初始权值和阈值，用相干光传输系统的输入数据作为BP神经网络的输入层数据

步骤4、通过自进化算法，搜寻BP神经网络的一组适应度最高的权值和阈值，该自进化算法为BP神经网络的训练误差。

首先，计算初始权值和阈值的适应度，适应度的计算公式为：该组权值和阈值在BP神经网络中训练得到的训练误差。然后，基于轮盘赌算法，即基于适应度比例的选择策略，随机选取两组权值和阈值放进BP神经网络中计算，并剔除两组权值和阈值中相关程度较低的数值。接着，通过交叉操作将第

本实施例，交叉操作中，交叉概率为0.3，即每次运算有30%的几率将第

步骤5、通过自进化算法得到一组适应度最高的权值和阈值后，放进BP神经网络里进行最终的训练，若满足训练精度要求，则训练成功。若低于训练精度要求，则将该阈值和权值进一步通过自进化算法进行演化，直到训练精度达到要求，获得最佳权值和阈值。

神经网络的输入端为传输信号的光载波强度，输出端为人工均衡的最优化值，训练数据共有2000组（训练数据选择16QAM以及64QAM下覆盖-10dB~-20dB的情况）并贴上对应的标签，其中，1900组作为训练集，剩下的100组作为验证集。训练迭代次数设置为100次。通过GPU进行神经网络的训练，得到相应的相干光补偿的神经网络结构。

以WDM系统为例，先对信号进行编码整形处理，然后在真实信道中进行传输后通过示波器读取波形信息，将信号输出，得到一系列的数据值。在输入到BP神经网络之前，先对输入信号和输出数据统一进行标准化处理，确定好BP神经网络的权值和阈值后进行训练，训练后将误差传输给自进化算法进行适应度计算，得到满足条件后的权值和阈值后，将新的权值和阈值传输给BP神经网络并进行训练。经过100次迭代后，将最佳神经网络的权值和阈值输出，得到训练好的神经网络。这种非线性均衡算法结合自进化算法优化后的BP神经网络结构，训练效果更好，对非线性效应损伤的处理速度更快，能进一步保障相干光通信信号的稳定性，做到精准补偿。经过训练的准确度可以达到97%，预测结果表明，基于自适应算法的BP神经网络可以精准补偿信号的非线性效应。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术方法范围内，可轻易想到的替换或变换方法，都应该涵盖在本发明的保护范围之内。