專利名稱：一種信號損傷補償方法、裝置和光接收機的制作方法
技術領域：
本發(fā)明涉及通信領域，尤其涉及一種信號損傷補償方法、裝置和光接收機。
背景技術：
隨著高速互聯(lián)網(wǎng)的普及和多媒體業(yè)務的蓬勃發(fā)展，人們對以太網(wǎng)的帶寬和傳輸速 率有了更高的要求。從開始的2.5G到10G，再由IOG到40G。目前，IOG系統(tǒng)仍然是主流的 傳輸速率標準，但是40G與IOG并存，進而取代IOG的趨勢已經(jīng)不可逆轉(zhuǎn)。40G在很多國家 和地區(qū)已經(jīng)開始商用。但是，人們對帶寬的要求可以說是無止境的，100G的研究已經(jīng)成了目 前的熱點，很多業(yè)內(nèi)人士認為，100G將在未來的五年內(nèi)得到長足的發(fā)展并且實現(xiàn)商用。而這 些高速通信的載體只能是光纖。眾所周知，隨著通信速率的增加，各種傳輸碼型的信號在傳輸過程中受到更大 的損傷，如功率損傷，CD (Chromatic Dispersion，色度色散)，PMD (Polarization Mode Dispersion,偏振模色散)，非線性噪聲等等。光纖通信的主要目的就是得到高速的傳輸速 率和良好的傳輸性能。因此，對傳輸損傷的分析和研究也就成了現(xiàn)在的熱點之一。學術界和 工業(yè)界已經(jīng)提出了各種各樣的信號損傷補償方案，如用EDFA來增加功率，用色散補償光 纖來補償色散，用色散管理的方法來減小色散對系統(tǒng)傳輸性能的影響，用PMD預補償方案 來補償PMD，用濾波器來補償線性噪聲，用相位調(diào)制器來補償SPM(Selfphase modulation, 自相位調(diào)制)等等。在實現(xiàn)本發(fā)明過程中，發(fā)明人發(fā)現(xiàn)現(xiàn)有技術中至少存在如下問題現(xiàn)有技術的信 號損傷補償方案只能針對部分信號損傷進行補償，補償能力非常有限，尤其是對非線性損 傷的補償能力非常弱。

發(fā)明內(nèi)容
本發(fā)明實施例提供一種信號損傷補償方法、裝置和光接收機，能夠在不改變網(wǎng)絡 結(jié)構(gòu)的同時，對信號進行損傷補償。一方面，本發(fā)明實施例提供了一種信號損傷補償方法，所述方法包括在訓練模式 下，將訓練序列輸入神經(jīng)網(wǎng)絡，利用訓練序列信號對神經(jīng)網(wǎng)絡進行訓練，獲得神經(jīng)網(wǎng)絡在補 償模式下所需的權(quán)值；在補償模式下，根據(jù)訓練模式下獲得的權(quán)值，利用神經(jīng)網(wǎng)絡對傳輸?shù)?有效數(shù)據(jù)信號進行補償。另一方面，本發(fā)明實施例提供了一種信號損傷補償裝置，包括權(quán)值模塊和神經(jīng)網(wǎng) 絡模塊；權(quán)值模塊，用于在訓練模式下，確定神經(jīng)網(wǎng)絡模塊在補償模式下所需的權(quán)值；神經(jīng) 網(wǎng)絡模塊，用于在補償模式下，根據(jù)權(quán)值模塊在訓練模式下獲得的權(quán)值，對傳輸?shù)挠行?shù)據(jù) 信號進行補償。再一方面，本發(fā)明實施例提供了一種光接收機，包括相干接收裝置、數(shù)據(jù)恢復模 塊和如上述的信號損傷補償裝置；相干接收裝置，用于對接收到的調(diào)制光信號進行相干接 收處理，得到數(shù)字信號；信號損傷補償裝置，用于對數(shù)字信號進行處理，若數(shù)字信號為訓練
4序列信號，則進入訓練模式，確定在補償模式下進行信號損傷補償所需的權(quán)值；若數(shù)字信號 為傳輸?shù)挠行?shù)據(jù)信號，則進入補償模式，根據(jù)在訓練模式下獲得的權(quán)值，對傳輸?shù)挠行?shù) 據(jù)信號進行補償并輸出；數(shù)據(jù)恢復模塊，用于對信號損傷補償裝置輸出的信號進行處理，恢 復出發(fā)送端發(fā)送的有效數(shù)據(jù)。上述技術方案具有如下有益效果因為采用在訓練模式下，將訓練序列輸入神經(jīng) 網(wǎng)絡，利用訓練序列信號對神經(jīng)網(wǎng)絡進行訓練，獲得神經(jīng)網(wǎng)絡在補償模式下所需的權(quán)值；在 補償模式下，根據(jù)訓練模式下獲得的權(quán)值，利用神經(jīng)網(wǎng)絡對傳輸?shù)挠行?shù)據(jù)信號進行補償 的技術手段，所以達到了能夠在不改變網(wǎng)絡結(jié)構(gòu)的同時，對信號進行損傷補償，且方案結(jié)構(gòu) 簡單，還具有自適應能力的技術效果。


為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術中的技術方案，下面將對實施例或現(xiàn) 有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本 發(fā)明的一些實施例，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動性的前提下，還可 以根據(jù)這些附圖獲得其他的附圖。圖1為本發(fā)明實施例一種信號損傷補償方法流程圖；圖2為本發(fā)明實施例一種信號損傷補償裝置結(jié)構(gòu)示意圖；圖3為本發(fā)明實施例權(quán)值模塊結(jié)構(gòu)示意圖；圖4A為本發(fā)明實施例神經(jīng)網(wǎng)絡模塊結(jié)構(gòu)示意圖；圖4B為本發(fā)明實施例判斷模塊結(jié)構(gòu)示意圖；圖5為本發(fā)明實施例一種光接收機結(jié)構(gòu)示意圖；圖6為本發(fā)明實施例的又一種光接收機的結(jié)構(gòu)示意圖；圖7為本發(fā)明實施例一種模式識別模塊結(jié)構(gòu)示意圖；圖8為本發(fā)明實施例中神經(jīng)網(wǎng)絡模塊對應的神經(jīng)網(wǎng)絡的邏輯拓撲結(jié)構(gòu)示意圖；圖9為本發(fā)明實施例格雷碼映射關系圖。
具體實施例方式下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術方案進行清楚、完 整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例。基于 本發(fā)明中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他 實施例，都屬于本發(fā)明保護的范圍。本發(fā)明實施例提供一種信號損傷補償?shù)姆椒?，其方法流程圖如圖1所示，該方法 包括101、在訓練模式下，將訓練序列信號輸入神經(jīng)網(wǎng)絡，利用所述訓練序列信號對所 述神經(jīng)網(wǎng)絡進行訓練，獲得所述神經(jīng)網(wǎng)絡在補償模式下所需的權(quán)值；102、在補償模式下，根據(jù)訓練模式下獲得的所述權(quán)值，利用所述神經(jīng)網(wǎng)絡對傳輸 的有效數(shù)據(jù)信號進行補償。需要說明的是，發(fā)送端發(fā)送的信號分為訓練序列信號和有效數(shù)據(jù)信號，訓練序列 信號用于對接收端的神經(jīng)網(wǎng)絡進行訓練，有效數(shù)據(jù)信號承載有發(fā)送端發(fā)送給接收端的有效信息。神經(jīng)網(wǎng)絡是對人腦生物神經(jīng)網(wǎng)絡的簡化、抽象與模擬，是一種模仿人腦及功能的信息 處理系統(tǒng)，具有自學習、自組織、自適應能力，它的邏輯拓撲結(jié)構(gòu)包括輸入層、中間層(或 者稱之為隱層)和輸出層，各層神經(jīng)元僅與相鄰層神經(jīng)元之間相互全連接，同層內(nèi)神經(jīng)元 之間無連接。圖8給出了神經(jīng)網(wǎng)絡的一種示例，在該示例中神經(jīng)網(wǎng)絡中僅包含了一個中間層， 在其他的實施例中可以包含多個中間層。方法步驟101之前還可以進一步包括對輸入到神經(jīng)網(wǎng)絡的信號進行識別，若輸 入到神經(jīng)網(wǎng)絡的信號為訓練序列信號，則觸發(fā)神經(jīng)網(wǎng)絡進入訓練模式；若輸入到神經(jīng)網(wǎng)絡 的信號為傳輸?shù)挠行?shù)據(jù)信號，則觸發(fā)神經(jīng)網(wǎng)絡進入補償模式。利用訓練序列信號對神經(jīng)網(wǎng)絡進行訓練，獲得神經(jīng)網(wǎng)絡在補償模式下所需的權(quán) 值，具體可以包括禾_訓練序列信號對神經(jīng)網(wǎng)絡進行訓練，判斷訓練的結(jié)果是否符合期望 值，若符合，則將神經(jīng)網(wǎng)絡在訓練過程中所使用的權(quán)值作為神經(jīng)網(wǎng)絡在補償模式下所需的 權(quán)值；若不符合，則調(diào)整神經(jīng)網(wǎng)絡在訓練過程中所需的權(quán)值，直到神經(jīng)網(wǎng)絡輸出的訓練結(jié)果 符合期望值。權(quán)值可以包括神經(jīng)網(wǎng)絡在運算時所需的輸入層到中間層的權(quán)值和中間層到輸出 層的權(quán)值。在補償模式下，根據(jù)訓練模式下獲得的權(quán)值，利用神經(jīng)網(wǎng)絡對傳輸?shù)挠行?shù)據(jù)信 號進行補償，具體可以包括有效數(shù)據(jù)信號在用輸入層到中間層的權(quán)值加權(quán)后輸入到中間 層；中間層用第一傳遞函數(shù)對中間層的輸入信號進行處理后輸出；中間層的輸出信號在用 中間層到輸出層的權(quán)值加權(quán)后輸入到輸出層；輸出層根據(jù)第二傳遞函數(shù)對輸出層的輸入信 號進行處理并輸出，輸出層輸出的信號即為補償后的有效數(shù)據(jù)。其中，第一傳遞函數(shù)和第二傳遞函數(shù)，可以相同，也可以不相同。例如，在本實施例 中，第一傳遞函數(shù)為M= l/[l+exp(-U)]，U表示中間層的輸入信號，M表示中間層的輸出信 號；第二傳遞函數(shù)為F = 1/ [1+exp (-T) ]，T表示輸出層的輸入信號，F(xiàn)表示輸出層的輸出信 號。因為神經(jīng)網(wǎng)絡具有很強的自學習、自適應的能力，在其它的實施例中，第一傳遞函數(shù)和 第二傳遞函數(shù)還可以是其它形式的傳遞函數(shù)，只不過不同的傳遞函數(shù)會導致神經(jīng)網(wǎng)絡在訓 練過程中的訓練收斂速度不同。本發(fā)明實施例中，由于發(fā)送端發(fā)送的訓練序列信號和有效數(shù)據(jù)信號需要經(jīng)歷相同 的傳輸環(huán)境到達接收端，訓練序列信號受到的信號損傷和有效數(shù)據(jù)信號受到的信號損傷也 基本相同，接收端利用接收到的訓練序列信號對神經(jīng)網(wǎng)絡進行訓練(實際上也是對訓練序 列信號所經(jīng)歷的信號損傷進行補償?shù)倪^程)，當訓練的結(jié)果(即補償后的訓練序列信號) 符合期望值時所獲得的用于神經(jīng)網(wǎng)絡處理的各個權(quán)值，用于神經(jīng)網(wǎng)絡在補償模式下對有效 數(shù)據(jù)信號的處理過程中，也就實現(xiàn)了對有效數(shù)據(jù)信號在傳輸過程中所經(jīng)歷的信號損傷的補 償。并且，神經(jīng)網(wǎng)絡在訓練時是針對訓練序列信號所經(jīng)歷的所有信號損傷進行的處理，故在 補償模式下，神經(jīng)網(wǎng)絡根據(jù)在訓練模式下獲得的各個權(quán)值對有效數(shù)據(jù)信號所進行的處理， 也就能補償有效數(shù)據(jù)信號在傳輸過程中所經(jīng)歷的各種信號損傷。本發(fā)明實施例還提供一種信號損傷補償裝置，其結(jié)構(gòu)如圖2所示，該信號損傷補 償裝置包括權(quán)值模塊201和神經(jīng)網(wǎng)絡模塊202 ；權(quán)值模塊201，用于在訓練模式下，確定神 經(jīng)網(wǎng)絡模塊202在補償模式下所需的權(quán)值；神經(jīng)網(wǎng)絡模塊202，用于在補償模式下，根據(jù)權(quán)值模塊201在訓練模式下獲得的權(quán)值，對傳輸?shù)挠行?shù)據(jù)信號進行補償。上述信號損傷補償裝置進一步可以包括模式識別模塊203，用于對輸入到神經(jīng) 網(wǎng)絡模塊202的信號進行識別，若輸入到神經(jīng)網(wǎng)絡模塊202的信號為訓練序列信號，則觸發(fā) 權(quán)值模塊201和神經(jīng)網(wǎng)絡模塊202進入訓練模式；若輸入到神經(jīng)網(wǎng)絡模塊202的信號為傳 輸?shù)挠行?shù)據(jù)信號，則觸發(fā)神經(jīng)網(wǎng)絡模塊202進入補償模式。上述信號損傷補償裝置進一 步可以包括判斷模塊204，用于判斷神經(jīng)網(wǎng)絡模塊202在訓練模式下輸出的訓練結(jié)果是否 符合期望值，若不符合，則觸發(fā)權(quán)值模塊201更新用于神經(jīng)網(wǎng)絡模塊202進行運算所需的權(quán) 值。如圖3所示，為本發(fā)明實施例權(quán)值模塊結(jié)構(gòu)示意圖，權(quán)值模塊201包括第一權(quán)值 模塊，用于提供神經(jīng)網(wǎng)絡模塊202所需的輸入層到中間層的權(quán)值；第二權(quán)值模塊，用于提供 神經(jīng)網(wǎng)絡模塊202所需的中間層到輸出層的權(quán)值。權(quán)值模塊201還可以進一步地包括隨 機信號發(fā)生器，用于為第一權(quán)值模塊和第二權(quán)值模塊分別提供輸入層到中間層的初始權(quán)值 和中間層到輸出層的初始權(quán)值。如圖4A所示，為本發(fā)明實施例神經(jīng)網(wǎng)絡模塊結(jié)構(gòu)示意圖，神經(jīng)網(wǎng)絡模塊202包括 輸入層模塊，用于接收輸入到神經(jīng)網(wǎng)絡的信號，信號具體為訓練序列信號或者有效數(shù)據(jù)信 號；第一加權(quán)模塊，用于根據(jù)輸入層到中間層的權(quán)值對上述有效數(shù)據(jù)信號進行加權(quán)并輸出 到中間層；中間層模塊，用于根據(jù)第一傳遞函數(shù)對中間層的輸入信號進行處理并輸出；第 二加權(quán)模塊，用于根據(jù)中間層到輸出層的權(quán)值對中間層的輸出信號進行加權(quán)并輸出；輸出 層模塊，用于根據(jù)第二傳遞函數(shù)對輸出層的輸入信號進行處理并輸出。輸出層模塊輸出的 信號即為經(jīng)過補償后的有效數(shù)據(jù)信號。中間層模塊所使用的第一傳遞函數(shù)和輸出層模塊所使用的第二傳遞函數(shù)，可以相 同，也可以不相同。在一實施例中，第一傳遞函數(shù)為M= l/[l+exp(-U)]，U表示中間層的輸 入信號，M表示中間層的輸出信號；第二傳遞函數(shù)為F= l/[l+exp(-T)]，T表示輸出層的輸 入信號，F(xiàn)表示輸出層的輸出信號。在其它的實施例中，第一傳遞函數(shù)和第二傳遞函數(shù)可以 不同，還可以是其它的傳遞函數(shù)，本發(fā)明實施例不做限定。需要說明的是，神經(jīng)網(wǎng)絡模塊202對訓練序列信號的處理和對有效數(shù)據(jù)信號的處 理過程相同。如圖4B所示，為本發(fā)明實施例判斷模塊結(jié)構(gòu)示意圖，該判斷模塊204可以包括存 儲模塊、誤差計算模塊、誤差判斷模塊、閾值調(diào)節(jié)模塊。存儲模塊，用于存儲原始訓練序列信號，該原始訓練序列信號與發(fā)送端發(fā)送的訓 練列信號相同。誤差計算模塊，用于計算神經(jīng)網(wǎng)絡模塊202輸出的訓練結(jié)果與存儲模塊中存儲的 原始訓練序列信號之間的誤差。誤差判斷模塊，用于判斷誤差計算模塊計算得到的誤差是否大于預定的閾值；如 果大于預定的閾值，則產(chǎn)生更新觸發(fā)信號以觸發(fā)權(quán)值模塊201調(diào)整用于神經(jīng)網(wǎng)絡模塊202 所需的權(quán)值。針對圖3所示的權(quán)值模塊201，更新觸發(fā)信號觸發(fā)第一權(quán)值模塊和第二權(quán)值模 塊分別調(diào)整輸入層到中間層的權(quán)值和中間層到輸出層的權(quán)值。閾值調(diào)節(jié)模塊，用于調(diào)節(jié)誤差判斷模塊所依據(jù)的閾值。當希望神經(jīng)網(wǎng)絡的輸出高 精度的訓練結(jié)果時，則將上述閾值調(diào)小，反之亦然。
本發(fā)明實施例還提供一種光接收機，其結(jié)構(gòu)如圖5所示，可以包括相干接收裝置 51、數(shù)據(jù)恢復模塊53和圖2所示結(jié)構(gòu)的信號損傷補償裝置52 ；相干接收裝置51，用于對接 收到的調(diào)制光信號進行相干接收處理，得到復信號；信號損傷補償裝置52，用于對復信號 進行處理，若復信號為訓練序列信號，則進入訓練模式，確定在補償模式下進行信號損傷補 償所需的權(quán)值；若數(shù)字信號為傳輸?shù)挠行?shù)據(jù)信號，則進入補償模式，根據(jù)在訓練模式下獲 得的權(quán)值，對傳輸?shù)挠行?shù)據(jù)信號進行補償并輸出；數(shù)據(jù)恢復模塊53，用于對信號損傷補 償裝置52輸出的信號進行處理，恢復出發(fā)送端發(fā)送的有效數(shù)據(jù)。其中，相干接收裝置51和 數(shù)據(jù)恢復模塊53可以分別為現(xiàn)有技術中的相干接收裝置和數(shù)據(jù)恢復模塊。為了便于對本發(fā)明方案的理解，下面結(jié)合具體的實施例對本發(fā)明的信號損傷補償 的方案進行說明，但在實施本發(fā)明實施例時并不局限于以下實施例。在本發(fā)明的一實施例中，采用如圖6所示結(jié)構(gòu)的光接收機對發(fā)送端發(fā)送的 光信號進行處理，恢復出發(fā)送端發(fā)送的數(shù)據(jù)。假設發(fā)送端發(fā)送的光信號是采用星型 16QAM(16Quadrature Amplitude Modulation，十六進制正交幅度調(diào)制)調(diào)制方式所獲得 的，發(fā)送的光信號包括訓練序列信號和有效數(shù)據(jù)信號，其中訓練序列信號和有效數(shù)據(jù)信號 的解釋見前文實施例中的描述。在本實施例中，相干接收裝置51包括相干檢測模塊、模數(shù)轉(zhuǎn)換模塊。相干檢測模塊接收發(fā)送端發(fā)送的光信號，并將該光信號與本振光進行光學混頻， 然后對混頻后的光信號進行平衡探測得到模擬復信號的實部信號I (t)和虛部信號Q(t)。 其中，相干檢測模塊可以具體包括混頻器，用于將發(fā)送端發(fā)送的光信號和本振光進行光學 混頻；平衡接收機，用于對混頻器輸出的混頻后的光信號進行平衡探測得到模擬復信號的 實部信號I (t)和虛部信號Q (t)。模數(shù)轉(zhuǎn)換模塊對相干檢測模塊輸出的模擬復信號的實部信號I (t)和虛部信號 Q(t)分別進行模數(shù)轉(zhuǎn)換，得到數(shù)字復信號的實部信號I (η)和虛部信號Q(n)。模式識別模塊203對模數(shù)轉(zhuǎn)換模塊得到的數(shù)字復信號進行識別，若數(shù)字復信號為 訓練序列信號，則觸發(fā)權(quán)值模塊201和神經(jīng)網(wǎng)絡模塊202進入訓練模式；若數(shù)字復信號為有 效數(shù)據(jù)信號，則觸發(fā)神經(jīng)網(wǎng)絡模塊202進入補償模式。本發(fā)明實施例還提供一種模式識別模塊203，其結(jié)構(gòu)如圖7所示，包括判決模塊、 計數(shù)器、累加器、模2運算器、相與運算器。在對模式識別模塊203的各部分做介紹之前，先 對訓練序列信號做進一步的解釋。訓練序列信號是用于在接收端對神經(jīng)網(wǎng)絡進行訓練，是 發(fā)送端和接收端都相互協(xié)商好的已知數(shù)據(jù)，訓練序列信號具有特定的格式(和幀同步通訊 中的幀同步字符類似)，從而以區(qū)分訓練信號和有效數(shù)據(jù)信號。例如用連續(xù)16個“1”作為 訓練序列信號的開始，用連續(xù)16個“1”作為訓練序列信號的尾部。判決模塊對相干檢測模塊中輸出的數(shù)字復信號進行判決，判斷數(shù)字復信號表征的 信號“ 1，，還是信號“0”，如果是信號“ 1 ”，發(fā)送高電平給計數(shù)器，計數(shù)器加1，否則，計數(shù)器清 零。當出現(xiàn)連續(xù)16個“1”以后，計數(shù)器向累加器和相與運算模塊發(fā)送高電平，同時計數(shù)器 清零。累加器后接一個模2運算器，并將模2運算器輸出的結(jié)果和計數(shù)器的輸出在相與運 算中進行相與運算。當出現(xiàn)16個連“1”是奇數(shù)次時，相與運算器輸出信號“1”，則觸發(fā)權(quán) 值模塊201和神經(jīng)網(wǎng)絡模塊202進入訓練模式；當出現(xiàn)16個連“1”是偶數(shù)次時，相與運算 器輸出信號“0”，說明訓練模式結(jié)束，即觸發(fā)權(quán)值模塊201和神經(jīng)網(wǎng)絡模塊202進入補償模式。本實施例中神經(jīng)網(wǎng)絡模塊202對應的神經(jīng)網(wǎng)絡的邏輯拓撲結(jié)構(gòu)，如圖8所示。該 神經(jīng)網(wǎng)絡包括輸入層、中間層和輸出層，其中，本實施例中輸入層包括2個神經(jīng)元(A1、A2)、 中間層包括10個神經(jīng)元(B1、B2……B10)、輸出層包括2個神經(jīng)元(Cl、⑵。輸入層的每 個神經(jīng)元對中間層的每一個神經(jīng)元均需要有一個輸入，并且對每個中間層神經(jīng)元的輸入均 有一個加權(quán)值；中間層的每個神經(jīng)元對輸出層的每一個神經(jīng)元均需要有一個輸入，并且對 每個輸出層神經(jīng)元的輸入均有一個加權(quán)值。如圖8所示，輸入層的神經(jīng)元A1、A2分別接收相干接收裝置51輸出的數(shù)字復信號 的實部信號I (η)和Q (η)。然后神經(jīng)元Al將I (η)分別向中間層的10個神經(jīng)元(Β1、Β2…… Β10)輸出，在輸入到中間層的10個神經(jīng)元之前分別用ωη、ωΙ2……ωΙ9、ωΙ1(1對Ι(η)加 權(quán)；神經(jīng)元Α2在將Q(n)輸入到中間層的10個神經(jīng)元之前，分別用權(quán)值ω01、ω 2……ω 9、
進行加權(quán)。在本實施例中，具體的由神經(jīng)網(wǎng)絡模塊202中的第一加權(quán)模塊完成對輸 入到中間層神經(jīng)元的信號的加權(quán)，其中第一加權(quán)模塊在加權(quán)計算過程中所需的權(quán)值(如
ω Il > ω 2......ω 9、ω 10 ； ω01> ω02......WQ9> ω Q10)田 第一權(quán)值模塊提供。中間層神經(jīng)元的輸入為Uj = I (η) * ω IJ+Q (η) * ω Qj，其中j表示神經(jīng)元的序號，共有 十個神經(jīng)元(B1、B2……B10)；中間層神經(jīng)元采用非線性函數(shù)Mj = l/[l+exp(-Uj)]對其輸 入Uj進行處理，輸出為Μ」。在本實施例中，具體的由神經(jīng)網(wǎng)絡模塊202中的中間層模塊利 用上述非線性函數(shù)對中間層的輸入信號進行處理。中間層的每個神經(jīng)元將其處理得到的Mj輸出到輸出層的每個神經(jīng)元，在輸入到輸 出層的兩個神經(jīng)元(Cl、C2)之前，分別用權(quán)值Sn、S1Q、S21, S2q……S101, S10q進行加權(quán)，其中， S11用于對神經(jīng)元Bl輸入到神經(jīng)元Cl的M1進行加權(quán)，Siq用于對神經(jīng)元Bl輸入到神經(jīng)元C2 的M1進行加權(quán)，其他權(quán)值所表示的意義類似，不再一一解釋。在本實施例中，具體的由神經(jīng) 網(wǎng)絡模塊202中的第二加權(quán)模塊完成對中間層神經(jīng)元輸入到輸出層神經(jīng)元的信號的加權(quán)， 其中第二加權(quán)模塊在加權(quán)計算過程中所需的權(quán)值(如Sn、S1Q、S2I、S2Q……Sira、S1(IQ)由第二 權(quán)值模塊提供。輸出層的每個神經(jīng)元均接收到中間層10個神經(jīng)元輸出的經(jīng)過加權(quán)的信號，故輸出
層神經(jīng)元Cl的輸入為
權(quán)利要求
1.一種信號損傷補償方法，其特征在于，所述方法包括在訓練模式下，將訓練序列信號輸入神經(jīng)網(wǎng)絡，利用所述訓練序列信號對所述神經(jīng)網(wǎng) 絡進行訓練，獲得所述神經(jīng)網(wǎng)絡在補償模式下所需的權(quán)值；在補償模式下，根據(jù)訓練模式下獲得的所述權(quán)值，利用所述神經(jīng)網(wǎng)絡對傳輸?shù)挠行?shù) 據(jù)信號進行補償。
2.如權(quán)利要求1所述方法，其特征在于，所述方法還進一步包括對輸入到神經(jīng)網(wǎng)絡的信號進行識別，若所述輸入到神經(jīng)網(wǎng)絡的信號為訓練序列信號， 則觸發(fā)所述神經(jīng)網(wǎng)絡進入訓練模式；若所述輸入到神經(jīng)網(wǎng)絡的信號為傳輸?shù)挠行?shù)據(jù)信 號，則觸發(fā)所述神經(jīng)網(wǎng)絡進入補償模式。
3.如權(quán)利要求1所述的方法，其特征在于，所述利用所述訓練序列信號對所述神經(jīng)網(wǎng) 絡進行訓練，獲得所述神經(jīng)網(wǎng)絡在補償模式下所需的權(quán)值，具體包括利用所述訓練序列信號對所述神經(jīng)網(wǎng)絡進行訓練，判斷訓練的結(jié)果是否符合期望值， 若符合，則將所述神經(jīng)網(wǎng)絡在訓練過程中所使用的權(quán)值作為所述神經(jīng)網(wǎng)絡在補償模式下所 需的權(quán)值。
4.如權(quán)利要求1到3任一項所述的方法，其特征在于，所述權(quán)值包括所述神經(jīng)網(wǎng)絡在運 算時所需的輸入層到中間層的權(quán)值和中間層到輸出層的權(quán)值。
5.如權(quán)利4所述的方法，其特征在于，所述在補償模式下，根據(jù)訓練模式下獲得的所述 權(quán)值，利用所述神經(jīng)網(wǎng)絡對傳輸?shù)挠行?shù)據(jù)信號進行補償，具體包括所述有效數(shù)據(jù)信號在用所述輸入層到中間層的權(quán)值加權(quán)后輸入到中間層；所述中間層根據(jù)第一傳遞函數(shù)對中間層的輸入信號進行處理并輸出；中間層的輸出信號在用所述中間層到輸出層的權(quán)值加權(quán)后輸入到輸出層；所述輸出層根據(jù)第二傳遞函數(shù)對輸出層的輸入信號進行處理并輸出，所述輸出層的輸 出信號即為經(jīng)過補償后的有效數(shù)據(jù)信號。
6.如權(quán)利要求5所述的方法，其特征在于，所述第一傳遞函數(shù)為M=l/[l+exp (-U)]， U表示所述中間層的輸入信號，M表示所述中間層的輸出信號；所述第二傳遞函數(shù)為F= 1/ [l+exp(-T)]，T表示所述輸出層的輸入信號，F(xiàn)表示輸出層的輸出信號。
7.一種信號損傷補償裝置，其特征在于，包括權(quán)值模塊和神經(jīng)網(wǎng)絡模塊；所述權(quán)值模塊，用于在訓練模式下，確定所述神經(jīng)網(wǎng)絡模塊在補償模式下所需的權(quán)值；所述神經(jīng)網(wǎng)絡模塊，用于在補償模式下，根據(jù)所述權(quán)值模塊在訓練模式下獲得的所述 權(quán)值，對傳輸?shù)挠行?shù)據(jù)信號進行補償。
8.如權(quán)利要求7所述的裝置，其特征在于，進一步包括模式識別模塊，用于對輸入到所述神經(jīng)網(wǎng)絡模塊的信號進行識別，若輸入到所述神經(jīng) 網(wǎng)絡模塊的信號為訓練序列信號，則觸發(fā)所述權(quán)值模塊和所述神經(jīng)網(wǎng)絡模塊進入訓練模 式；若輸入到所述神經(jīng)網(wǎng)絡模塊的信號為傳輸?shù)挠行?shù)據(jù)信號，則觸發(fā)所述神經(jīng)網(wǎng)絡模塊 進入補償模式。
9.如權(quán)利要求7所述的裝置，其特征在于，進一步包括判斷模塊，用于判斷所述神經(jīng)網(wǎng)絡模塊在訓練模式下輸出的訓練結(jié)果是否符合期望 值，若不符合，則觸發(fā)所述權(quán)值模塊更新用于神經(jīng)網(wǎng)絡模塊進行運算所需的權(quán)值。
10.如權(quán)利要求7至9任一項所述的裝置，其特征在于，所述權(quán)值模塊包括第一權(quán)值模塊，用于提供所述神經(jīng)網(wǎng)絡模塊所需的輸入層到中間層的權(quán)值；第二權(quán)值模塊，用于提供所述神經(jīng)網(wǎng)絡模塊所需的中間層到輸出層的權(quán)值。
11.如權(quán)利要求10所述的裝置，其特征在于，所述神經(jīng)網(wǎng)絡模塊包括第一加權(quán)模塊，用于根據(jù)所述輸入層到中間層的權(quán)值對所述有效數(shù)據(jù)信號進行加權(quán)并 輸出到中間層；中間層模塊，用于根據(jù)第一傳遞函數(shù)對中間層的輸入信號進行處理并輸出；第二加權(quán)模塊，用于根據(jù)所述中間層到輸出層的權(quán)值對所述中間層的輸出信號進行加 權(quán)并輸出到輸出層；輸出層模塊，用于根據(jù)第二傳遞函數(shù)對輸出層的輸入信號進行處理并輸出，輸出層模 塊的輸出信號即為經(jīng)過補償后的有效數(shù)據(jù)信號。
12.一種光接收機，其特征在于，包括相干接收裝置、數(shù)據(jù)恢復模塊和如權(quán)利要求7所 述的信號損傷補償裝置；所述相干接收裝置，用于對接收到的調(diào)制光信號進行相干接收處理，得到數(shù)字信號；所述信號損傷補償裝置，用于對所述數(shù)字信號進行處理，若所述數(shù)字信號為訓練序列 信號，則進入訓練模式，確定在補償模式下進行信號損傷補償所需的權(quán)值；若所述數(shù)字信號 為傳輸?shù)挠行?shù)據(jù)信號，則進入補償模式，根據(jù)在訓練模式下獲得的所述權(quán)值，對所述傳輸 的有效數(shù)據(jù)信號進行補償并輸出；所述數(shù)據(jù)恢復模塊，用于對所述信號損傷補償裝置輸出的信號進行處理，恢復出發(fā)送 端發(fā)送的有效數(shù)據(jù)。
全文摘要
本發(fā)明實施例提供一種信號損傷補償方法、裝置和光接收機，上述方法包括在訓練模式下，將訓練序列信號輸入神經(jīng)網(wǎng)絡，利用所述訓練序列信號對所述神經(jīng)網(wǎng)絡進行訓練，獲得所述神經(jīng)網(wǎng)絡在補償模式下所需的權(quán)值；在補償模式下，根據(jù)訓練模式下獲得的所述權(quán)值，利用所述神經(jīng)網(wǎng)絡對傳輸?shù)挠行?shù)據(jù)信號進行補償。本發(fā)明實施例能夠在不改變網(wǎng)絡結(jié)構(gòu)的同時，對信號進行損傷補償，且方案結(jié)構(gòu)簡單，還具有自適應能力。
文檔編號H04B10/18GK102088319SQ200910252728
公開日2011年6月8日 申請日期2009年12月2日 優(yōu)先權(quán)日2009年12月2日
發(fā)明者劉琦, 張亮, 熊前進, 蘇翼凱 申請人:上海交通大學, 華為技術有限公司