[发明专利]一种基于图神经网络的长距离无源光网络解调方法

说明书

本发明公开了一种基于图神经网络的长距离无源光网络解调方法，具体为：在数据发送端，将用户的发射比特序列映射成多维复数码字，然后经过叠加、OFDM调制、并串转换、上采样、滤波、上变频得到射频信号，电光调制后发射；在数据接收端，经过光电转换、下变频、滤波、下采样得到SCMA‑OFDM信号，通过引入图神经网络模型进行比特判决，得到原始比特数据信号。本发明有效地解决SCMA‑PON中的不确定收敛性和误差传递的影响，大幅增加系统容量和比特率，同时提高了接收机灵敏度。

技术领域

本发明属于无源光网络调制解调技术领域，尤其涉及一种基于图神经网络的长距离无源光网络解调方法。

背景技术

无源光网络(PON)最早在1987被英国电信公司提出的，由于其低成本、大带宽和抗干扰性强被业内广泛认可。是“最后一公里”入网用户缺少带宽的解决方案，在接入领域获得了广泛的研究和应用。一个典型的PON系统包括光线路终端(Optical Line Terminal,OLT)、光分配网络(Optical Distribution Network,ODN)和用户端的光网络单元(OpticalNetwork Unit,ONU)。

随着物联网的蓬勃发展和成倍增加的物联网接入设备，下一代PON应满足大容量和低功耗的特性。长距离PON在光接入网络的演进中慢慢引起了了服务提供商和研究人员的广泛关注，长距离PON由于有着更大的覆盖范围，对于覆盖相同距离来说所需要的中心局数量更加少，可以有效地降低成本并且简化网络层次。而目前考虑到应用层面，ITU-T定义基于时分复用的长距离PON为下一代无源光网络(NG-PON2)。然而当接入的速度达到100Gb/s以上时，由于色散的影响，常规的对数据包延迟敏感的TDM-PON遇到了严重的瓶颈，而已经存在的基于频域正交和码域正交的复用技术都必须在复用维度上保证信号的正交性，否则不同用户间信号无法正确分离差从而信号的检测。

近年来非正交多址技术作为一种新的多址技术，近年来引起了广泛的关注，稀疏码分多址是华为提出来的一种5G候选方案，是一种很有前途的扩容技术。SCMA通过将比特信息映射成非正交的多维复数码字，然后将各个维度加载到不同的资源块上传输，不仅可以实现大规模的用户接入，并且该实现方案中用户的接入具有较高的灵活性。已经有研究人员通过实验证明了SCMA-PON系统的可行性。然而对于SCMA来说由于每个资源块中存在多个用户的数据，故SCMA需要一种低复杂度高精度的多用户检测算法用于将用户信号检测。目前SCMA中用于多用户检测最多的是MPA消息传递算法。MPA是一种基于因子图的消息传递算法，MPA使用因子图分解将联合概率密度函数分解为很多个子函数的乘积，可以有效地将变量间的依赖分离，使得最后在保证性能接近最大似然估计的情况下，大幅度降低复杂度。然而由于在MPA中因子图不可避免的存在环，最终用户的码字概率不一定能收敛，并且由于多用户检测和信道均衡是两个分开的步骤，所以信道均衡的误差很容易就会影响MPA的性能，这种两阶段的方法使得SCMA-PON的性能极大程度上依赖信道条件和均衡算法。

近年来，机器学习技术由于其强大的认知能力在计算机视觉，语音识别和自然语言处理领域取得了重大成功，在光通信领域，也存在很多研究将不同的机器学习方法如支持向量机，贝叶斯估计，强化学习等技术用在光网络资源分配，光性能检测，信道估计等方面。图神经网络(GNN)是一种应用图域上的深度学习技术，可以处理具有非欧几里得数据的输入输出，对于图节点间依赖关系具有强大的建模能力，在社交网络，知识图谱甚至生命科学等各个领域中得到了广泛的应用。GNN可以捕捉到节点间相关信息的隐式依赖关系，并且通过概率迭代将概率信息更新到整个图，由于本质上还是学习算法，所以投入大量数据训练，GNN可以有效的学习到节点间的隐藏依赖关系，进而能较好的学习到接收端接收到的码字信息到比特概率的映射关系。

发明内容

为了可以有效地解决SCMA-PON中MPA算法的不确定收敛性和误差传递的影响。本发明提供一种基于图神经网络的长距离无源光网络解调方法。

本发明的一种基于图神经网络的长距离无源光网络解调方法，具体为：