-
公开(公告)号：CN110505020A
公开(公告)日：2019-11-26
申请号：CN201910634777.6
申请日：2019-07-15
Applicant: 电子科技大学
Abstract: 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。
-
公开(公告)号：CN110324091B
公开(公告)日：2022-05-03
申请号：CN201910521326.1
申请日：2019-06-17
Applicant: 电子科技大学
IPC: H04B10/61
Abstract: 本发明提供一种基于函数链神经网络的非线性均衡器，将函数链神经网络改进并重构为一个等效的复数单层感知机非线性均衡器。由于函数链神经网络映射过程的随机性，为了使特征提取更为充分，我们对于经过高维非线性的映射得到的特征基础上再次进行高维随机映射。最后输入到单层感知机的特征包括最初的输入特征、第一级映射特征、第二级映射特征，将这些特征以列的形式增广为新的输入矩阵，再根据网络权重得到输出信号。本发明计算复杂度低，且达到深度神经网络层次的对信号非线性损伤的均衡效果。
-
公开(公告)号：CN110505020B
公开(公告)日：2022-03-15
申请号：CN201910634777.6
申请日：2019-07-15
Applicant: 电子科技大学
Abstract: 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。
-
公开(公告)号：CN110324091A
公开(公告)日：2019-10-11
申请号：CN201910521326.1
申请日：2019-06-17
Applicant: 电子科技大学
IPC: H04B10/61
Abstract: 本发明提供一种基于函数链神经网络的非线性均衡器，将函数链神经网络改进并重构为一个等效的复数单层感知机非线性均衡器。由于函数链神经网络映射过程的随机性，为了使特征提取更为充分，我们对于经过高维非线性的映射得到的特征基础上再次进行高维随机映射。最后输入到单层感知机的特征包括最初的输入特征、第一级映射特征、第二级映射特征，将这些特征以列的形式增广为新的输入矩阵，再根据网络权重得到输出信号。本发明计算复杂度低，且达到深度神经网络层次的对信号非线性损伤的均衡效果。
-
-
-
Search Results
4
records
(took 0.016 seconds)
