[发明专利]一种自适应通信系统神经网络均衡方法

说明书

本发明提出一种自适应通信系统神经网络均衡方法，考虑到在实际通信场景下器件和信道特性随时间变化这一自适应调整的需求，借助机器学习当中的半监督学习算法，通过设计损失函数来加快模型微调的收敛速度，从而使得基于神经网络的均衡算法灵活性得到极大提升，在信道条件发生变化的情况下通过调整模型来维持较低的误码率。本发明涉及的算法完全不需要发端提供训练序列，而是类似于判决反馈模式，将现有模型的判决作为对应符号的标签，在此基础上设计合适的半监督损失函数并进行学习。

技术领域

本发明属于通信技术领域，涉及新型通信系统中针对神经网络均衡算法进行自适应参数调整的关键技术，具体涉及在借助判决反馈模式进行参数调整的过程中引入数据增强和虚拟对抗训练的技术，以提高神经网络均衡算法的泛化性能，降低通信系统误码率。

背景技术

近年来，随着新兴科技的不断发展，互联网已与人类生活紧密结合在一起。人们对互联网的诉求也远远超越了原先简单的邮件收发、文本图片传送等，取而代之的是随时随地高质量的视频通信、视频下载等高端需求。作为人类通向信息化时代的主要手段，通信技术在人类文明进一步发展的过程中发挥着至关重要的作用。举例来说，在多种主流的通信方式当中，光纤通信承担了主干道与高速公路的角色。经过数十年的发展，光纤通信系统的通信容量已经达到每秒上百Tbit，引领当今社会进入信息时代。作为互联网、云计算和人工智能技术基础设施的数据中心网络，则更离不开光纤通信技术。

为了不断提高通信系统的容量，研究者们做了大量的工作，其中新型的数字信号处理(DSP)技术(主要是新型均衡算法)是改善误码率(BER)性能、提高通信系统传输速率的关键。目前普遍使用的传统均衡算法包括前馈均衡(FFE)、判决反馈均衡(DFE)、最大似然序列估计(MLSE)，这些方法借助接收信号和给定的模型，判断发端发送的符号。上述DSP算法都是基于丰富的专家知识来设计的，在某些特定的信道模型下可以证明是最优的算法。然而，实际系统中存在多种非线性效应(如调制非线性和平方律检测)，很难借助传统的DSP技术进行均衡。针对这一问题，许多研究人员提出了基于神经网络的均衡算法。由于采用了更加复杂、表达能力更为强大的神经网络模型，新型均衡算法相比于传统方法，达到更好的误码率性能。

然而，当前已经提出的基于神经网络的均衡算法，依赖于充足的线下训练，通信系统上线后，信道发生变化时如何自适应地对模型进行调整仍然是一个难题。

发明内容

本发明针对上述问题，借助机器学习当中的半监督学习算法，针对神经网络均衡器提出了一种普适的自适应参数调整方法，考虑到在实际通信场景下器件和信道特性随时间变化这一自适应调整的需求，本方法针对神经网络均衡算法提出了一种基于半监督学习的在线更新神经网络均衡器参数方案，通过设计损失函数来加快模型微调的收敛速度，从而使得基于神经网络的均衡算法灵活性得到极大提升，在信道条件发生变化的情况下通过调整模型来维持较低的误码率。本发明涉及的算法完全不需要发端提供训练序列，而是类似于判决反馈模式，将现有模型的判决作为对应符号的标签，在此基础上设计合适的半监督损失函数并进行学习。

本发明提出的一种自适应通信系统神经网络均衡方法，包括以下步骤：

1)对于任何一个基于神经网络的均衡器(不论其具体结构如何，是否涉及卷积层或循环层)，首先需要在初始的训练集上进行线下训练。线下训练完成后，得到神经网络模型。通信系统上线，此后的均衡和参数调整均在线进行，初始的训练集被抛弃。

2)通信系统上线后，发送端对所要发送的数据段进行编码，同时持续地发送信号；信号经过信道传输，波形发生畸变；接收端用相应器件(如光电二极管)接收，将物理信号转化为电信号，再经过模数转换，变为数字信号，从而可以方便地在计算机内部进行数字信号处理的相关操作。

3)在接收端对电信号进行重采样、零均值标准化，得到接收信号序列；对于某一个符号，将这一符号及其前后L个符号(共2L+1个符号)所对应的接收信号相拼接，作为这一个符号的输入特征向量。