[发明专利]基于迁移学习的光非线性均衡方法

摘要

本发明提供一种基于迁移学习的光非线性均衡方法，通过迁移学习将训练好的初始化神经网络参数迁移至各个信道的神经网络中，辅助各个信道快速的建立其神经网络均衡器，从而实现快速的建模，降低资源开销，如更少的新的训练数据，更少的迭代补偿。同时，一旦信道状态发生变化，如光功率、传输距离等发生变化，非线性相位噪声相应改变，此时，如果各个信道分别进行再训练也将对应着巨大的开销。此时，通过初始化神经网络参数的迁移，再补充少量新的数据，实现快速的神经网络重新建模，再将更新的参数迁移至各个信道下进行更新，这将提高对信道变化的响应能力。本发明提高了不同信道下的非线性均衡效率，保持对光纤非线性较高的容忍性。

主权项

1.基于迁移学习的光非线性均衡方法，其特征在于，包括以下步骤：/n接收机将经解复用的各信道上的信号输入至数字信号处理器DSP进行处理；/nDSP中各信道上的信号经特征提取后，输入至对应该信道的神经网络中，通过该神经网络得到非线性均衡参数后，完成对该信道上的信号的非线性均衡；/n其中，各信道的神经网络的训练方法为：/n1)从每个信道随机提取信号数据构成数据样本集，其中训练数据占70％，测试数据占30％。再将训练数据输入至DSP中的一个初始化神经网络进行训练得到初始化的神经网络参数，接着用测试数据进行网络性能的测试与验证；/n2)初始化神经网络将初始化的神经网络参数迁移到每个信道的神经网络中，再从各信道提取少量信号数据输入至该信道的神经网络进行训练得到优化的神经网络参数；所述少量为小于初始化神经网络所需训练数据的二分之一；/n当光纤信道模型发生变化时，发生变化的信道的神经网络的训练方法为：初始化神经网络将初始化的神经网络参数迁移到发生变化的信道的神经网络中，再从该信道提取一半以下新的信号数据输入至该信道的神经网络进行训练得到变化后的神经网络参数。/n