公开(公告)号：CN116667931A

公开(公告)日：2023-08-29

申请号：CN202310629685.5

申请日：2023-05-31

Applicant: 西南交通大学

Inventor： 闫连山 ,  何星辰 ,  蒋林 ,  易安林 ,  潘炜 ,  罗斌

IPC: H04B10/2543 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明公开了一种基于多输入库普曼算子的低复杂度非线性补偿方法，具体为：首先基于光纤传输实验平台进行传输实验，从实时示波器中采集实验数据构建训练集；随后利用神经网络构建神经算子；最后利用训练数据对多输入库普曼神经算子的权重参数进行迭代更新以完成对数字反向传播算法的逼近。本发明与数字反向传播算法相比，省去了大量迭代步骤，大大提升了计算效率；并且实现了12000km的非线性补偿，能够应对由不同的链路参数所带来的非线性效应的变化，不需要针对不同的传输场景而多次重复训练。

公开(公告)号：CN119210593A

公开(公告)日：2024-12-27

申请号：CN202411392695.2

申请日：2024-10-08

Applicant: 西南交通大学

Inventor： 闫连山 ,  何星辰 ,  蒋林 ,  易安林 ,  潘炜 ,  罗斌

IPC: H04B10/2507 ,  H04B10/516 ,  H04J14/02

Abstract: 本发明公开了一种基于神经网络的沃尔泰拉级数非线性补偿方法，具体为：将沃尔泰拉积分核用于初始化神经网络的权重，从而通过训练实现准确高效的非线性补偿；首先基于光纤传输实验平台进行传输实验，从实时示波器中采集实验数据构建训练集；随后根据链路参数计算沃尔泰拉积分核，并将其用于神经网络的权重初始化，最后利用训练数据对神经网络的权重参数进行迭代更新以提升非线性补偿性能。本发明本发明与数字反向传播算法相比，省去了大量迭代步骤，实现了单步补偿，大大提升了计算效率。在12000km的传输实验中，以更低的计算复杂度和计算时延实现了优于数字反向传播算法的补偿性能。

公开(公告)号：CN114499723B

公开(公告)日：2023-01-06

申请号：CN202210083438.5

申请日：2022-01-25

Applicant: 西南交通大学

Inventor： 闫连山 ,  何星辰 ,  蒋林 ,  易安林 ,  潘炜 ,  罗斌

IPC: H04B17/391 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于傅立叶神经算子的光纤信道快速建模方法，具体为：首先基于传统的分步傅立叶算法建立长距离光信号传输仿真系统，获取由输入信号与各跨段的输出信号组成的训练对；随后利用神经网络构建傅立叶神经算子；最后利用训练数据对傅立叶神经算子的权重参数进行迭代更新以完成对映射的逼近。本发明与传统的光纤信道建模方法相比，省去了大量迭代步骤，大大提升了计算效率；同时与现有的深度学习方法相比，将建模精度提升了一个数量级，并且实现了1000km以上的长距离建模，并且克服了传统人工神经网络泛化性能不足的问题，能够应对由不同的发射功率所带来的非线性效应的变化；不需要针对不同的传输场景而多次重复训练。

公开(公告)号：CN114499723A

公开(公告)日：2022-05-13

申请号：CN202210083438.5

申请日：2022-01-25

Applicant: 西南交通大学

Inventor： 闫连山 ,  何星辰 ,  蒋林 ,  易安林 ,  潘炜 ,  罗斌

IPC: H04B17/391 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于傅立叶神经算子的光纤信道快速建模方法，具体为：首先基于传统的分步傅立叶算法建立长距离光信号传输仿真系统，获取由输入信号与各跨段的输出信号组成的训练对；随后利用神经网络构建傅立叶神经算子；最后利用训练数据对傅立叶神经算子的权重参数进行迭代更新以完成对映射的逼近。本发明与传统的光纤信道建模方法相比，省去了大量迭代步骤，大大提升了计算效率；同时与现有的深度学习方法相比，将建模精度提升了一个数量级，并且实现了1000km以上的长距离建模，并且克服了传统人工神经网络泛化性能不足的问题，能够应对由不同的发射功率所带来的非线性效应的变化；不需要针对不同的传输场景而多次重复训练。