基于神经网络均衡器的非线性损伤补偿系统及方法

1.本发明涉及光纤通信领域中的非线性补偿，尤其是涉及一种基于神经网络均衡器的非线性损伤补偿系统及方法。

背景技术：

2.随着带宽需求的增长与深度学习的不断发展，基于机器学习的均衡技术成为了光通信领域中的研究热点。人工神经网络(artificial neural network，ann)有望成为解决光纤通信系统非线性损伤问题的一种可行方法。
3.通过改善神经网络均衡器的结构可以进一步提高其补偿非线性损伤的性能。隐藏层的增加可以增强神经网络的非线性特性，卷积层的引入提高了神经网络的特征提取能力，循环结构使得神经网络具有了记忆性。循环神经网络(recurrent neural network，rnn)和长短时间记忆单元(long short-term memory，lstm)网络都有助于非线性均衡，但在长序列均衡中lstm的性能要优于普通的循环神经网络，门控循环单元(gateway recurrent units，gru)融合了lstm遗忘和选择性记忆操作，在复杂度降低25％左右的情况下实现了与lstm相近的性能。
4.但现有的基于上述网络的神经网络均衡器都只输出单符号，且大多采用滑动窗口法，而这些窗口就是神经网络模型的输入。由于相邻窗口有大量相同的数据，计算这些相似的输入会增加复杂度。
5.因此，如何通过神经网络均衡器实现光纤通信的非线性损失补偿，并降低计算复杂度，成为需要解决的技术问题。

技术实现要素：

6.本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于神经网络均衡器的非线性损伤补偿系统及方法。
7.本发明的目的可以通过以下技术方案来实现：
8.一种基于神经网络均衡器的非线性损伤补偿系统，所述的系统包括：
9.前置dsp处理模块，用于对接收端接收的光纤信号r
x
进行预处理后得到均衡器输入信号序列y；
10.分组截取模块，用于将均衡器输入信号序列y进行分组，得到均衡器输入信号序列片段集合g，其中每次截取时窗口滑动距离为输出符号数n
symbols
；
11.信号编码模块，用于将发送端信号序列x进行编码，每两个发送端信号点对应一个编码标签，得到编码后发送端信号序列xc；
12.信号对应模块，用于将编码后发送端信号序列xc中的每一个信号点与均衡器输入信号序列片段集合g进行一一对应，得到集合p；
13.乱序模块，用于将集合p进行打乱处理，得到乱序集合p
shuffled
；
14.分割模块，用于将乱序集合p
shuffled
进行分割，得到训练集p
train
与测试集p
test
；
15.多符号输出神经网络均衡器模块，用于使用训练集p
train
进行训练并回传损失函数，使用测试集p
test
进行测试，并使用测试集p
test
进行第二阶段训练并回传损失函数，以得到较好的神经网络参数，并对均衡器输入信号序列y进行均衡；
16.信号解码模块，用于将均衡器的输出值进行解码，并还原为比特序列，补偿非线性损伤。
17.进一步地，所述的均衡器输入信号序列片段集合g表示为：
[0018][0019][0020][0021]
其中，gk表示每组均衡器输入信号序列片段，n
windows
为每组信号序列片段gk的长度，n为发送端信号序列x的长度。
[0022]
进一步地，所述的多符号输出神经网络均衡器模块包括：
[0023]
lstm层，用于接收训练序列，并进行神经网络训练；
[0024]
全连接层，用于接收训练结果，得到多符号输出神经网络均衡器模块的输出值；
[0025]
损失函数子模块，用于反映均衡输出值与实际参考值之间的差别，衡量均衡效果。
[0026]
进一步地，所述的多符号输出神经网络均衡器模块的输入包括待均衡的信号序列与参考信号序列，输出包括均衡结果信号序列和损失值。
[0027]
进一步地，所述的损失函数表示为：
[0028][0029]
其中，p表示信源各符号的真实分布，q表示由神经网络训练后分类判决得出的非真实分布。
[0030]
一种采用所述的基于神经网络均衡器的非线性损伤补偿系统的方法，所述的方法包括以下步骤：
[0031]
1)发送信号序列并通过信道传输，经过前置dsp处理模块后得到均衡器输入信号序列y；
[0032]
2)使用分组截取模块对均衡器输入信号序列y进行分组，得到均衡器输入信号序列片段集合g；
[0033]
3)使用信号编码模块将发送端信号序列x中每两个信号点编码为一个标签，得到编码后发送端信号序列xc；
[0034]
4)使用信号对应模块将编码后发送端信号序列xc中的每一个信号点与均衡器输入信号序列片段集合g进行一一对应，得到集合p；
[0035]
5)使用乱序模块对集合p进行打乱处理，得到乱序集合p
shuffled
；
[0036]
6)使用分割模块对乱序集合p
shuffled
进行分割，得到训练集p
train
与测试集p
test
；
[0037]
7)使用训练集p
train
对多符号输出神经网络均衡器模块进行训练，比较均衡器输出
值与实际参考值并计算损失函数，将其回传以更新神经网络参数；
[0038]
8)使用测试集p
test
对多符号输出神经网络均衡器模块进行测试，比较均衡器输出值与实际参考值并计算损失函数，将损失函数值与步骤7)中进行比较，直至误码率收敛至理想值；
[0039]
9)使用测试集p
test
作为训练数据对多符号输出神经网络均衡器模块进行第二阶段的训练，比较均衡器输出值与实际参考值并计算损失函数，将其回传以更新神经网络参数，最终得到训练好的神经网络；
[0040]
10)使用训练好的神经网络，将实际传输得到的信号经过前置dsp处理模块后输入多符号输出神经网络均衡器模块，得到均衡结果，并通过信号解码模块进行解码，还原为比特序列，补偿非线性损伤。
[0041]
进一步地，所述的步骤3)具体为：信号编码模块将发送端信号序列x中每一对发送端信号点(xi，x
i+1
)对应于一个编码标签x
ck
，得到长度为发送端信号序列x的一半长度的编码后发送端信号序列xc。
[0042]
进一步地，所述的步骤10)中的解码具体为：信号解码模块将均衡好的信号序列中的每一个信号点解映射为两个符号的组合，并将解映射后的信号序列还原为比特序列。
[0043]
一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，其特征在于，所述处理器执行所述程序时实现如上所述的方法。
[0044]
一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如上所述的方法。
[0045]
与现有技术相比，本发明具有以下有益效果：
[0046]
一、本发明通过改进的多符号输出神经网络均衡器，实现了光纤通信时非线性损伤的有效补偿，克服了符号间干扰问题，有效的解决了单符号输出神经网络计算复杂度高的问题，降低了计算复杂度。
[0047]
二、本发明中用到的数据预处理操作，如分组截取，信号对齐等，也可用于其他常用均衡算法的数据预处理，如恒模算法(constant modulus algorithm，cma)，级联多模算法(cascaded multi-modulus algorithm，cmma)，volterra非线性均衡算法等；在应用场景上，本发明适用于长距离单载波相干光传输、短距离强度调制直接检测(im-dd)系统和光纤-无线(rof)系统等多种场景中的非线性均衡，具有较强的普适性。
附图说明
[0048]
图1为本发明的系统结构示意图；
[0049]
图2为本发明的方法流程示意图；
[0050]
图3为改进的多符号输出神经网络均衡器“数据预处理”部分的原理图；
[0051]
图4为lstm网络单元结构示意图；
[0052]
图5为全连接层网络结构示意图。
[0053]
图中标号所示为：
[0054]
1、前置dsp处理模块，2、分组截取模块，3、信号编码模块，4、信号对应模块，5、乱序模块，6、分割模块，7、多符号输出神经网络均衡器模块，8、信号解码模块，9、发送端信号序列x，10、信道与前置dsp操作，11、均衡器输入信号序列y，12、分组截取窗口数n
windows
，13、均
衡器输入信号序列片段集合g，14、编码操作，15、编码后发送端信号序列xc，16、信号对齐操作，17、集合p，18、乱序操作，19、乱序集合p
shuffled
，20、分割操作，21、训练集p
train
，22、测试集p
test
，23、上一细胞输出信息h
t-1
，24、当前细胞输入信息x
t
，25、上一时刻细胞状态c
t-1
，26、sigmoid激活函数，27、遗忘门，28、sigmoid激活函数，29、输入门，30、tanh激活函数，31、候选细胞状态32、当前时刻细胞状态c
t
，33、sigmoid激活函数，34、输出门，35、tanh激活函数，36、当前时刻输出h
t
，37、输入层，38、隐藏层，39、输出层。
具体实施方式
[0055]
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
[0056]
如图1所示，一种基于神经网络均衡器的非线性损伤补偿系统，所述的系统包括：
[0057]
前置dsp处理模块1，用于对接收端接收的光纤信号r
x
进行预处理后得到均衡器输入信号序列y 11；
[0058]
分组截取模块2，用于将均衡器输入信号序列y 11进行分组，得到均衡器输入信号序列片段集合g 13，其中每次截取时窗口滑动距离为输出符号数n
symbols
；
[0059]
所述的均衡器输入信号序列片段集合g 13表示为：
[0060][0061][0062][0063]
其中，gk表示每组均衡器输入信号序列片段，n
windows
为每组信号序列片段gk的长度，n为发送端信号序列x 9的长度；
[0064]
信号编码模块3，用于将发送端信号序列x 9进行编码，每两个发送端信号点对应一个编码标签，得到编码后发送端信号序列x
c 15；
[0065]
信号对应模块4，用于将编码后发送端信号序列x
c 15中的每一个信号点与均衡器输入信号序列片段集合g 13进行一一对应，得到集合p 17；
[0066]
乱序模块5，用于将集合p 17进行打乱处理，得到乱序集合p
shuffled 19；
[0067]
分割模块6，用于将乱序集合p
shuffled 19进行分割，得到训练集p
train 21与测试集p
test 22；
[0068]
多符号输出神经网络均衡器模块7，用于使用训练集p
train 21进行训练并回传损失函数，使用测试集p
test 22进行测试，并使用测试集p
test 22进行第二阶段训练并回传损失函数，以得到较好的神经网络参数，并对均衡器输入信号序列y 11进行均衡；
[0069]
所述的多符号输出神经网络均衡器模块7包括：
[0070]
lstm层，用于接收训练序列，并进行神经网络训练；
[0071]
全连接层，用于接收训练结果，得到多符号输出神经网络均衡器模块7的输出值；
[0072]
损失函数子模块，用于反映均衡输出值与实际参考值之间的差别，衡量均衡效果；
[0073]
所述的多符号输出神经网络均衡器模块7的输入包括待均衡的信号序列与参考信号序列，输出包括均衡结果信号序列和损失值；
[0074]
所述的损失函数表示为：
[0075][0076]
其中，p表示信源各符号的真实分布，q表示由神经网络训练后分类判决得出的非真实分布，通过最小化交叉熵损失可以达到提升神经网络判决符号和信源发送符号相似性的目的；
[0077]
信号解码模块8，用于将均衡器的输出值进行解码，并还原为比特序列，补偿非线性损伤。
[0078]
如图2所示，一种采用所述的基于神经网络均衡器的非线性损伤补偿系统的方法，所述的方法包括以下步骤：
[0079]
1)发送信号序列并通过信道传输，经过前置dsp处理模块1后得到均衡器输入信号序列y 11；
[0080]
2)使用分组截取模块2对均衡器输入信号序列y 11进行分组，得到均衡器输入信号序列片段集合g 13；
[0081]
3)使用信号编码模块3将发送端信号序列x 9中每两个信号点编码为一个标签，得到编码后发送端信号序列x
c 15；
[0082]
4)使用信号对应模块4将编码后发送端信号序列x
c 15中的每一个信号点与均衡器输入信号序列片段集合g 13进行一一对应，得到集合p17；
[0083]
5)使用乱序模块5对集合p 17进行打乱处理，得到乱序集合p
shuffled 19；
[0084]
6)使用分割模块6对乱序集合p
shuffled 19进行分割，得到训练集p
train 21与测试集p
test 22；
[0085]
7)使用训练集p
train 21对多符号输出神经网络均衡器模块7进行训练，比较均衡器输出值与实际参考值并计算损失函数，将其回传以更新神经网络参数；
[0086]
8)使用测试集p
test 22对多符号输出神经网络均衡器模块7进行测试，比较均衡器输出值与实际参考值并计算损失函数，将损失函数值与步骤7)中进行比较，直至误码率收敛至理想值；
[0087]
9)使用测试集p
test 22作为训练数据对多符号输出神经网络均衡器模块7进行第二阶段的训练，比较均衡器输出值与实际参考值并计算损失函数，将其回传以更新神经网络参数，最终得到训练好的神经网络；
[0088]
10)使用训练好的神经网络，将实际传输得到的信号经过前置dsp处理模块1后输入多符号输出神经网络均衡器模块7，得到均衡结果，并通过信号解码模块8进行解码，还原为比特序列，补偿非线性损伤。
[0089]
其中，步骤1)到步骤6)为数据预处理，步骤7)到步骤9)为训练，步骤10)为多符号输出神经网络均衡器模块7的使用。多符号输出神经网络均衡器模块7输出符号数可以根据具体情况合理选择。当使用交叉熵作为均衡和解映射的损失函数时，输出符号数的线性增
加会导致输出层长度的指数增加。此外，输出符号在序列中的位置越靠近边缘，其对应的有效抽头数就越少。因此，需要合理选择输出符号数。本实施例中以两个输出符号的多符号输出神经网络均衡器模块7为例。多符号输出神经网络均衡器模块7所用的神经网络种类根据具体情况可以有多种选择，如卷积神经网络(convolutional neural network，cnn)，深度神经网络(deep neural network，dnn)，循环神经网络(recurrent neural network，rnn)，长短时间记忆单元(long short-term memory，lstm)网络等，本实施例以lstm为例，具体工作原理如下所示：
[0090]
数据预处理，具体如下：
[0091]
如图3所示，接收端接收光纤信号r
x
经过前置dsp处理模块1，进行信道与前置dsp操作后得到均衡器输入信号序列y 11。通过分组借去模块2，设置分组截取窗口数n
windows 12，对均衡器输入信号序列y 11进行分组，即在完成同步操作后，将每一对发送端信号点(xi，x
i+1
)与均衡器输入信号序列y 11中的信号点对(yi，y
i+1
)对应起来，然后在该信号点对处分别向左右延展(n
windows
/2-1)个信号点，得到一个长度为n
windows
的均衡器输入序列片段gk。依次对各对信号点进行上述操作，每次截取时窗口滑动距离为输出符号数，即n
symbols
＝2，可以得到均衡器输入信号序列片段集合c 13：
[0092][0093][0094][0095]
发送端信号序列x 9，其长度为n，将发送端信号序列x 9通过编码操作14进行编码，每一对发送端信号点(xi，x
i+1
)对应一个编码标签x
ck
(对于pam4信号，两个符号对应于16种组合，即00对应于0，01对应于1，......，33对应于15)，得到编码后发送端信号序列x
c 15，其长度为n/2。进行信号对齐操作16，将编码得到的各信号点x
ck
与分组截取后的均衡器输入信号序列片段集gk进行一一对应，得到集合p17，在乱序模块5中将集合p 17中各个元素通过乱序操作18打乱，得到乱序集合p
shuffled 19。
[0096]
分割模块6对乱序集合p
shuffled 19进行分割操作20，得到训练集p
train 21与测试集p
test 22。
[0097]
训练，具体如下：
[0098]
训练部分中用于计算均衡器输出值与参考值之间差值的损失函数可以根据具体情况选择。当lstm同时用于均衡和解映射，该任务可转化为多分类问题，可以选择交叉熵作为损失函数；当lstm仅用于均衡，该任务可转化为拟合问题，可以选择均方误差函数作为损失函数。本实施例以交叉熵函数为例。
[0099]
如图4所示，将训练序列通过隐藏层神经元个数为101的lstm层，所述的lstm层包括遗忘门27、输入门29和输出门34。上一细胞输出信息h
t-1 23与当前细胞输入信息x
t 24在lstm网络中首先通过遗忘门27，由sigmoid激活函数28决定对上一时刻细胞状态c
t-1 25的遗忘程度。遗忘门27的输出f
t
为：
[0100]ft
＝σ(wf·
[h
t-1
，x
t
]+bf)
[0101]
其中，σ为sigmoid激活函数28，wf为遗忘门权值，bf为遗忘门偏置。
[0102]
输入门29通过sigmoid函数28决定需要添加到历史细胞状态中的新信息i
t
，通过tanh激活函数30产生候选细胞状态31，并对细胞状态进行更新，得到当前时刻细胞状态c
t 32，各步骤公式为：
[0103]it
＝σ(wi·
[h
t-1
，x
t
]+bi)
[0104][0105][0106]
输出门34决定当前时刻输出h
t
36，其公式为：
[0107]ot
＝σ(wo·
[h
t-1
，x
t
]+bo)
[0108]ht
＝o
t
*tanh(c
t
)
[0109]
在lstm网络中，各权值如wf、wi、wc、w0等，与各偏置bf、bi、bc、bo等都是可训练的变量。
[0110]
将数据预处理后得到的训练集p
train 21与测试集p
test 22用于lstm均衡器训练，整个训练过程分为两个阶段。
[0111]
第一阶段，取训练集p
train 21用于训练。将训练集p
train 21中的信号序列片段集输入神经网络中，经过lstm层后，数据被展平并送入全连接层。
[0112]
如图5所示，全连接层包括输入层37、隐藏层38和输出层39，其中隐藏层的神经元个数为101，隐藏层38的长度为84，输出层39的长度为16。将得到的输出值与参考值(训练集p
train 21中的发送端编码信号x
train
)进行比较，使用如下公式所示的交叉熵计算损失函数：
[0113][0114]
将计算得到的损失函数回传至神经网络中以更新其参数。给定测试周期c，对训练集p
train 21中所有参考值和均衡器输入序列对重复前面的训练过程，每重复c次，计算平均损失值同时使用测试集p
test 22中所有参考值和输入序列对重复上述步骤得到平均损失值(只计算损失值不更新权重)。不断迭代，对比和的下降情况，若在下降而不再下降，二者差距拉大，则说明此时的训练正走向过拟合，实际应用时的性能已达到收敛。调整神经网络各参数，观察对比和使均衡器在不出现严重过拟合的情况下训练，直至误码率性能(或损失值)大致收敛至理想的位置。至此，第一阶段的训练结束。
[0115]
为充分利用训练序列中的数据，进行第二阶段的训练，采用第一阶段已经确定神经网络参数，以测试集p
test 22作为训练数据送入多符号输出神经网络均衡器模块7进行训练。最终获得训练好的神经网络参数。
[0116]
多符号输出神经网络均衡器模块7的使用，具体如下：
[0117]
将待均衡的信号序列进行数据预处理后得到均衡器输入信号序列片段集，并将其
输入训练好的神经网络中，得到均衡器的输出值通过信号解码模块8将输出值进行解映射，即将均衡好的信号序列中的每一个信号点解映射为两个符号的组合(如对于pam4信号，将0解映射为00，1解映射为01，...，15解映射为33)，并将解映射后的信号序列还原为比特序列即可。
[0118]
该多符号输出神经网络，较传统非线性补偿算法能够获得一定的增益，较单符号输出神经网络能够有效降低其计算复杂度，且能够避免训练过程中的过拟合问题，对光纤通信系统中的非线性损伤有比较好的补偿效果。
[0119]
一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，其特征在于，所述处理器执行所述程序时实现如上所述的方法。
[0120]
一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如上所述的方法。
[0121]
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

技术特征：

1.一种基于神经网络均衡器的非线性损伤补偿系统，其特征在于，所述的系统包括：前置dsp处理模块(1)，用于对接收端接收的光纤信号r
x
进行预处理后得到均衡器输入信号序列y(11)；分组截取模块(2)，用于将均衡器输入信号序列y(11)进行分组，得到均衡器输入信号序列片段集合g(13)，其中每次截取时窗口滑动距离为输出符号数n
symbols
；信号编码模块(3)，用于将发送端信号序列x(9)进行编码，每两个发送端信号点对应一个编码标签，得到编码后发送端信号序列x
c
(15)；信号对应模块(4)，用于将编码后发送端信号序列x
c
(15)中的每一个信号点与均衡器输入信号序列片段集合g(13)进行一一对应，得到集合p(17)；乱序模块(5)，用于将集合p(17)进行打乱处理，得到乱序集合p
shuffled
(19)；分割模块(6)，用于将乱序集合p
shuffled
(19)进行分割，得到训练集p
train
(21)与测试集p
test
(22)；多符号输出神经网络均衡器模块(7)，用于使用训练集p
train
(21)进行训练并回传损失函数，使用测试集p
test
(22)进行测试，并使用测试集p
test
(22)进行第二阶段训练并回传损失函数，以得到较好的神经网络参数，并对均衡器输入信号序列y(11)进行均衡；信号解码模块(8)，用于将均衡器的输出值进行解码，并还原为比特序列，补偿非线性损伤。2.根据权利要求1所述的一种基于神经网络均衡器的非线性损伤补偿系统，其特征在于，所述的均衡器输入信号序列片段集合g(13)表示为：于，所述的均衡器输入信号序列片段集合g(13)表示为：其中，g
k
表示每组均衡器输入信号序列片段，n
windows
为每组信号序列片段g
k
的长度，n为发送端信号序列x(9)的长度。3.根据权利要求2所述的一种基于神经网络均衡器的非线性损伤补偿系统，其特征在于，所述的多符号输出神经网络均衡器模块(7)包括：lstm层，用于接收训练序列，并进行神经网络训练；全连接层，用于接收训练结果，得到多符号输出神经网络均衡器模块(7)的输出值；损失函数子模块，用于反映均衡输出值与实际参考值之间的差别，衡量均衡效果。4.根据权利要求3所述的一种基于神经网络均衡器的非线性损伤补偿系统，其特征在于，所述的多符号输出神经网络均衡器模块(7)的输入包括待均衡的信号序列与参考信号序列，输出包括均衡结果信号序列和损失值。5.根据权利要求4所述的一种基于神经网络均衡器的非线性损伤补偿系统，其特征在于，所述的损失函数表示为：
其中，p表示信源各符号的真实分布，q表示由神经网络训练后分类判决得出的非真实分布。6.一种采用权利要求1所述的基于神经网络均衡器的非线性损伤补偿系统的方法，其特征在于，所述的方法包括以下步骤：1)发送信号序列并通过信道传输，经过前置dsp处理模块(1)后得到均衡器输入信号序列y(11)；2)使用分组截取模块(2)对均衡器输入信号序列y(11)进行分组，得到均衡器输入信号序列片段集合g(13)；3)使用信号编码模块(3)将发送端信号序列x(9)中每两个信号点编码为一个标签，得到编码后发送端信号序列x
c
(15)；4)使用信号对应模块(4)将编码后发送端信号序列x
c
(15)中的每一个信号点与均衡器输入信号序列片段集合g(13)进行一一对应，得到集合p(17)；5)使用乱序模块(5)对集合p(17)进行打乱处理，得到乱序集合p
shuffled
(19)；6)使用分割模块(6)对乱序集合p
shuffled
(19)进行分割，得到训练集p
train
(21)与测试集p
test
(22)；7)使用训练集p
train
(21)对多符号输出神经网络均衡器模块(7)进行训练，比较均衡器输出值与实际参考值并计算损失函数，将其回传以更新神经网络参数；8)使用测试集p
test
(22)对多符号输出神经网络均衡器模块(7)进行测试，比较均衡器输出值与实际参考值并计算损失函数，将损失函数值与步骤7)中进行比较，直至误码率收敛至理想值；9)使用测试集p
test
(22)作为训练数据对多符号输出神经网络均衡器模块(7)进行第二阶段的训练，比较均衡器输出值与实际参考值并计算损失函数，将其回传以更新神经网络参数，最终得到训练好的神经网络；10)使用训练好的神经网络，将实际传输得到的信号经过前置dsp处理模块(1)后输入多符号输出神经网络均衡器模块(7)，得到均衡结果，并通过信号解码模块(8)进行解码，还原为比特序列，补偿非线性损伤。7.根据权利要求6所述的方法，其特征在于，所述的步骤3)具体为：信号编码模块(3)将发送端信号序列x(9)中每一对发送端信号点(x
i
,x
i+1
)对应于一个编码标签x
ck
，得到长度为发送端信号序列x(9)的一半长度的编码后发送端信号序列x
c
(15)。8.根据权利要求6所述的方法，其特征在于，所述的步骤10)中的解码具体为：信号解码模块(8)将均衡好的信号序列中的每一个信号点解映射为两个符号的组合，并将解映射后的信号序列还原为比特序列。9.一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求6～8中任一项所述的方法。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求6～8中任一项所述的方法。

技术总结

本发明涉及一种基于神经网络均衡器的非线性损伤补偿系统及方法，所述的系统包括：前置DSP处理模块，预处理，得到均衡器输入信号序列；分组截取模块，用于得到均衡器输入信号序列片段集合；信号编码模块，编码，得到编码后发送端信号序列；信号对应模块，将编码后发送端信号序列与均衡器输入信号序列片段集合进行对应得到集合；乱序模块，打乱集合得到乱序集合；分割模块，分割乱序集合得到训练集与测试集；多符号输出神经网络均衡器模块，进行训练并回传损失函数，对均衡器输入信号序列进行均衡；信号解码模块，解码均衡器的输出值，还原为比特序列。与现有技术相比，本发明具有补偿非线性损失、降低计算复杂度、普适性强等优点。普适性强等优点。普适性强等优点。