[发明专利]一种自适应机器学习均衡方法及通信系统

说明书

本发明公开了一种自适应机器学习均衡方法及通信系统。本方法为：1)选取一基于高斯混合模型的均衡器并对其进行线下训练；2)发送端利用训练后的该均衡器对所要发送的数据段进行编码后经传输信道发送给接收端；3)接收端将接收的信号转化为数字信号并对其进行重采样、零均值标准化；然后对其中每一符号j，将该符号j及其前后L个符号所对应的标准化接收信号相拼接，作为该符号j的特征向量；4)接收端利用训练后的该均衡器对该符号j的特征向量进行处理，输出该符号j及其前后L个符号中各符号均衡后的判决结果；其中，每接收设定数量N_b的特征向量后，利用最近接收的N_b个特征向量对该均衡器进行在线训练更新，然后重复步骤2)～4)。

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基于机器学习均衡算法进行自适应参数调整的关键技术，具体涉及在借助线上自适应参数调整过程中引入滑动窗口和最大后验概率算法技术，以提高机器学习均衡算法的泛化性能、降低通信系统误码率的技术。

技术背景

近年来，随着互联网等信息科技的不断发展，互联网应用程序已经从简单的邮件收发、文本图片传输等基本需求发展到即时视频通信，在线视频观看，高速视频下载等高等需求。因此，上述需求的转变对于数据的传输提出了很高的要求。通信技术在人类信息时代中发挥着至关重要的作用，而在当今多种主流的通信当中，作为承载着主要干道通信的光纤通信对于数据传输速率大小具有决定性的作用。在经过多年技术的发展，光纤通信系统的传输速率已经能够达到每秒上百Tbit，使得上述高等需求的实现成为了可能。同样作为互联网，数据交换的中心和云计算服务的数据中心，光纤通信同样起到了不可忽视的作用。

为了不断满足高传输速率的需求，研究者们就提高通信系统的容量做了大量的研究工作，其中数字信号处理(DSP)技术能够有效地改善误码率(BER)性能，因此DSP技术是能有效提高通信系统传输速率的关键技术。然而目前普遍采用的传统均衡算法,例如前馈均衡(FFE)、判决反馈均衡(DFE)、最大似然序列估计(MLSE)，这些传统的均衡器都是依赖接收信号对信道进行建模，再借助均衡算法对发端发送过来的信号进行判断。上述DSP算法都是基于丰富的专家知识来设计的，并且MLSE在某些特定的信道模型下可以证明是最优的算法。然而，在实际系统中不仅仅存在码间串扰(ISI)等线性问题，往往还存在着许多非线性问题，例如非线性克尔效应，平方律检测等，传统的均衡器很难对这些非线性效应进行有效地均衡。因此为了进一步提高数据传输速率，许多研究人员提出了基于机器学习的均衡算法。由于机器学习具有强大的数据拟合能力，所以基于机器学习的均衡算法相比于传统均衡算法，能够达到更好的误码率性能。

本发明所描述的系统和所提出的技术，建立在使用机器学习算法对接收信号进行均衡的技术之上。当前已经提出的基于机器学习的均衡算法，其工作模式通常是采用线下的数据进行训练得到模型的参数，然后将训练好的模型进行线上均衡。然而，在实际的光通信系统中器件的温度会随着工作的时间的增加而产生变化，从而导致信道特性会发生变化。因此，信道发生变化时如何能够自适应地对模型进行调整仍然是个需要解决的难题。考虑到这一自适应调整模型的需求，本发明针对机器学习均衡算法提出了一类基于半监督学习的在线更新参数方案，同时不需要发端提供发送队列数据，同时加快模型在线微调的收敛速度，从而使得基于机器学习的均衡算法灵活性得到极大的提升。

发明内容