[发明专利]可实现智能信号处理的高速高精度光模数转换装置和方法

说明书

本专利发明提出一种可实现智能信号处理的高速高精度光模数转换装置，利用深度学习技术的学习能力，对高速光模数转换系统的非线性响应和通道失配效应的进行学习，最优化的配置了深度网络参数，能够实时、有效地消除非线性失真、通道失配失真对于光模数转换系统性能的恶化，有效提高光模数转换系统的性能指标。另一方面，利用深度学习技术的归纳推断能力，可以实现输入信号的智能信号处理，为用户提供满足要求的数字信号。这对于提升微波光子雷达和光通信系统等需要高采样速率、高时间精度、高采样精度的微波光子系统的性能，同时提升此类系统在复杂情况下的信号处理能力具有十分重要的作用。

技术领域

本发明涉及光子信息处理领域，具体是一种可实现智能信号处理的高速高精度光模数转换装置和转换方法。

背景技术

模数转换器(以下简称ADC)是一种将模拟输入信号转化为可由计算机表示的数字信号的工具，是连接模拟世界与计算机信号处理的桥梁，是信号存储、传输、处理的基础。电子学领域对ADC的研究发展迅速，近几十年来，电子学模数转换器(以下简称EADC)向着高采样率高精度的方向取得了长足的发展。国际上商用的EADC芯片已经可以达到采样率30GS/s，有效位数5.5的性能。但是由于电子学技术固有的处理带宽窄、时间抖动大和传输损耗大的缺陷，想要进一步突破采样率和采样精度的限制已经十分困难。必须研究新的手段来完成大带宽超高采样率和高精度的模数转换。

光模数转换器(以下简称PADC)作为ADC技术的进一步发展，可以利用光子学的超大带宽、超低时间抖动、低传输损耗的特点，突破EADC技术带来的限制，可以实现更高采样速率更高采样精度的模数转换功能(GeorgeValley,“Photonic analog-to-digitalconverter,”Optics Express,vol.15,no.5,pp.1955～1982,2007)。目前，在已经提出的多种PADC方案中，最受关注的是光采样电量化的架构，这种架构不仅利用了光子学大带宽、低抖动的优势，还结合了电子学成熟的量化能力，有效突破了电子瓶颈。目前国际上报道的PADC系统已经可以突破40GS/s的采样速率，并且有效位数能够达到7～8bit(G.Yang,W.Zou,L.Yu,K.Wu,and J.Chen,“Compensation of multi-channel mismatches in high-speed high-resolution photonic analog-to-digital converter,”Opt.Expressvol.24,pp.24074)。但是，在PADC架构中，光子采样门是必不可少的由电到光的关键器件，此器件带有的非线性响应将对PADC性能的提升造成限制；另外PADC架构中多通道化的实现也会引发通道失配，也限制了PADC的性能提升。

近几年，深度学习作为一种能够有效实现人工智能的技术而受到了广泛的关注。为了进一步开发人工智能的潜力，研究者们利用深度学习技术构建智能算法架构，以实现能以与人类智能相似的方式作出反应的智能机器。大多数深度学习算法使用神经网络架构，大量的神经网络隐藏层提高了整个结构的复杂度，也为智能算法实现更复杂的功能提供了可能。目前，深度学习技术已经广泛应用于自动驾驶、工业自动化、人机交互、图像识别、智能语音等相关领域。并且众多的研究者也在深度学习技术的前沿不断探索，在信号重构方面，特别是噪声去除方面，深度学习技术以其噪声类型适应性，去噪结果准确性，以及大量样本适用性的优势，被广泛使用在图片去噪、去文字、去马赛克领域(JunyuanXie,LinliXu,Enhong Chen,“Image denoising and inpainting with deep neuralnetwork,”on International Conference on Neural Information ProcessingSystems,341～349,2012)。若将深度学习应用到PADC系统中，将有效地提升PADC系统的性能，特别是消除非线性和通道失配带来的限制，实现满足更高需求的高速高精度模数转换系统。另外，深度学习的智能性又为我们提供了一种在PADC中可实现的智能信号处理能力，利用这种能力，可以实现对多样信号的智能识别、智能处理等功能。