基于自适应级联经验模态分解的降噪方法、系统及设备

    公开(公告)号:CN116743269A

    公开(公告)日:2023-09-12

    申请号:CN202310370251.8

    申请日:2023-04-10

    Abstract: 本发明公开一种基于自适应级联经验模态分解的降噪方法、系统及设备,涉及光纤通信领域,该方法主要包括根据经过经验模态分解得到的信号分量和自适应多段线性重构系数函数,确定每个信号分量的线性重构系数,进而得到初始降噪信号;根据初始降噪信号的误差值确定自适应多段线性重构系数函数的参数更新量;根据初始降噪信号和自适应相位线性重构系数函数,确定每个相位分量的线性重构系数,得到不同幅值序号下的复值信号;根据各个复值信号的误差,确定自适应相位线性重构系数函数的参数更新量;当全部参数更新量均小于设定阈值时,对不同幅值序号下的复值信号进行组合并输出,否则返回最初步骤。本发明能够解决光传输信号在接收端面临的噪声问题。

    基于Wide&Deep-CNN的光纤非线性均衡方法

    公开(公告)号:CN116366165A

    公开(公告)日:2023-06-30

    申请号:CN202211537436.5

    申请日:2022-12-01

    Abstract: 本发明公开的基于Wide&Deep‑CNN的光纤非线性均衡方法,属于光纤通信技术领域。本发明实现方法为:构建每个M‑QAM信号的第一特征序列和第二特征图谱,构建训练数据集;构建基于Wide&Deep‑CNN模型的非线性均衡模型,第一特征序列作为Wide&Deep‑CNN模型中Wide网络子模型的输入特征序列,第二特征图谱作为Wide&Deep‑CNN模型中Deep‑CNN子模型的输入特征图谱;利用训练数据集对Wide&Deep‑CNN模型进行训练;将每个待非线性均衡的M‑QAM信号的特征输入到训练好的Wide&Deep‑CNN模型,输出得到每个M‑QAM信号的预测标签;将输出的预测标签结果作为M‑QAM信号所对应的类别,得到M‑QAM信号的非线性均衡结果,显著改善M‑QAM信号的质量,通过M‑QAM星座符号解映射,得到相对应二进制数据,实现高准确度的数据恢复,降低误比特率,提升相干光通信系统的传输性能。

Patent Agency Ranking