本發(fā)明屬于光通信，具體涉及一種基于遷移學習的光通信網(wǎng)絡自適應熵加載方法和裝置。

背景技術：

1、光通信技術作為現(xiàn)代通信網(wǎng)絡的重要組成部分，承載了大量的通信服務。隨著云計算、高清流媒體、生成式人工智能等新興數(shù)字信息業(yè)務的發(fā)展和各種移動設備的普及，光通信面臨更加復雜龐大的數(shù)據(jù)流量，給光通信網(wǎng)絡的資源配置及擴展在傳輸容量、傳輸速率和動態(tài)特性方面提出了更高的要求。同時，由于現(xiàn)有通信頻段擁擠，可用頻譜資源逐漸向高頻集中，光通信系統(tǒng)及網(wǎng)絡設備給高頻信號造成更顯著的頻率選擇性衰落，使傳輸性能下降，無法充分利用有限的帶寬資源。

2、自適應加載技術通過分析通信信道特性，在發(fā)送信號時根據(jù)信道狀態(tài)調整信號配置，能最大程度地利用頻譜資源，是提高通信速率的重要方法之一。經(jīng)典的自適應加載算法包括理論上可達到香農(nóng)極限的注水（water?filling）算法和主要分配調制格式及信號功率的比特功率加載（bit?and?power?loading,?bpl）算法，如chow算法、fischer算法和levin-campello算法等，在光通信中得到了廣泛的應用。近年來，得益于概率星座整形（probabilistic?constellation?shaping,?pcs）技術的出現(xiàn)，服從高斯分布的信源熵成為可能，更加貼近信道容量的自適應加載技術受到關注和研究。經(jīng)文獻檢索發(fā)現(xiàn)，論文“entropy-loading:?the?multi-carrier?constellation-shaping?for?colored-snroptical?channels（熵加載：用于彩色信噪比光通道的多載波星座整形）”，提出了基于注水算法和pcs技術的熵加載（entropy?loading）算法，實現(xiàn)了正交頻分復用（orthogonalfrequency?division?multiplexing,?ofdm）信號更加貼近香農(nóng)極限的容量提升。相似地，論文“uniform?entropy?loading?for?pre-coded?dmt?systems?in?fading?opticalchannel（均勻熵加載在衰落光通道中的預編碼dmt系統(tǒng)）”，提出了預均衡信噪比（signal-noise?ratio,?snr）的均勻熵加載算法，相比lc算法，實現(xiàn)了離散多音（discrete?multi-tone,?dmt）信號更好的網(wǎng)絡數(shù)據(jù)速率和峰均比。論文“entropy?allocation?optimizationfor?ps-ofdm?with?constellation?partitioning?based?modeling（基于星座劃分建模的ps-ofdm的熵分配優(yōu)化）”，提出了基于投影鏡像下降算法優(yōu)化的熵分配方案，與基于香農(nóng)極限的熵分配相比，為高snr的信道分配了更多的熵。

3、綜上所述，現(xiàn)有熵加載算法需要預測量光通信系統(tǒng)子信道的snr實現(xiàn)熵分配。然而，光通信網(wǎng)絡的信道變化更加動態(tài)且復雜，上述熵加載算法具有信道狀態(tài)依賴性，限制其在動態(tài)網(wǎng)絡中的應用。因此，有必要提供一種能應用于未知信道狀態(tài)光通信網(wǎng)絡的自適應熵加載方案。

技術實現(xiàn)思路

1、鑒于上述，本發(fā)明的目的是提供一種基于遷移學習的光通信網(wǎng)絡自適應熵加載方法和裝置，將傳統(tǒng)熵加載的熵分配過程用熵加載模型代替，根據(jù)接收信號預測逼近信道容量的熵。使用大量合成信號預訓練熵加載模型，結合遷移學習，使熵加載模型自適應地預測光通信網(wǎng)絡中未知信道響應的熵，降低現(xiàn)有熵加載算法對信道狀態(tài)的依賴，從而實現(xiàn)光通信網(wǎng)絡自適應的熵加載。

2、為實現(xiàn)上述發(fā)明目的，實施例提供的一種基于遷移學習的光通信網(wǎng)絡自適應熵加載方法，包括以下步驟：

3、熵加載模型搭建：搭建包含熵預測模塊和概率整形模塊的熵加載模型，其中，熵預測模塊用于基于信號特征預測逼近信道容量的熵，概率整形模塊用于采用概率幅度整形技術進行各子載波的熵分配，完成信號的熵加載；

4、合成信號生成及模型預訓練：通過仿真信道特性生成合成信號，并利用合成信號對熵加載模型進行預訓練優(yōu)化模型參數(shù)；

5、實驗信號生成及模型遷移學習：通過光通信網(wǎng)絡實驗采集實驗信號，并利用實驗信號對預訓練的熵加載模型進行遷移學習，實現(xiàn)參數(shù)微調；

6、自適應熵加載：利用參數(shù)微調后的熵加載模型預測未知信道響應的光通信網(wǎng)絡信號的熵，并采用概率幅度整形技術進行各子載波的熵分配，完成信號的熵加載。

7、優(yōu)選地，熵預測模塊采用深度神經(jīng)網(wǎng)絡。

8、優(yōu)選地，通過仿真信道特性生成合成信號，包括：

9、將串行比特序列轉換為并行比特序列，對并行比特序列進行正交幅度調制符號映射得到符號序列，對符號序列基于逆快速傅里葉變換生成離散多音調制信號并插入循環(huán)前綴后再轉換為串行序列，用于仿真信道傳輸；

10、通過對加性高斯白噪聲信道進行濾波，模擬頻率選擇性響應，仿真?zhèn)鬏旊x散多音調制信號得到頻譜不平坦的接收信號；

11、對接收信號進行串并轉換，去除并行序列的循環(huán)前綴，并通過快速傅里葉變換得到正交幅度調制符號，結合注水算法計算各子載波對應的熵，將正交幅度調制符號的同相正交分量和接收信號的平均snr作為信號特征，將熵作為特征標簽，組成合成信號。

12、優(yōu)選地，利用合成信號對熵加載模型進行預訓練優(yōu)化模型參數(shù)，包括：

13、將合成信號中的信號特征輸入至熵加載模型中預測逼近信道容量的熵，采用熵預測值與特征標簽之間的smooth-l1函數(shù)作為損失函數(shù)，并計算梯度和反向傳播來更新熵加載模型中熵預測模塊的網(wǎng)絡參數(shù)，實現(xiàn)模型的參數(shù)優(yōu)化。

14、優(yōu)選地，通過光通信網(wǎng)絡實驗采集實驗信號，包括：

15、通過在不同鏈路條件下傳輸不同頻率的離散多音調制信號的實驗來模擬光通信網(wǎng)絡的動態(tài)變化，并對實驗接收信號依次進行同步、信道均衡、快速傅里葉變換后，將正交幅度調制符號的同相正交分量和實驗接收信號的平均snr作為信號特征，將容量逼近的熵作為特征標簽，組成實驗信號。

16、優(yōu)選地，利用實驗信號對預訓練的熵加載模型進行遷移學習，實現(xiàn)參數(shù)微調，包括：

17、凍結預訓練的熵加載模型中熵預測模塊的網(wǎng)絡層參數(shù)，并新增一部分可訓練網(wǎng)絡層，在此基礎上，利用實驗信號對新增加的網(wǎng)絡層進行微調，實現(xiàn)遷移學習。

18、優(yōu)選地，利用參數(shù)微調后的熵加載模型預測未知信道響應的光通信網(wǎng)絡信號的熵，包括：

19、將未知信道響應的光通信網(wǎng)絡信號的信號特征輸入至熵加載模型的熵預測模塊中，預測信號的熵。

20、為實現(xiàn)上述發(fā)明目的，本發(fā)明實施例還提供了一種基于遷移學習的光通信網(wǎng)絡自適應熵加載裝置，包括：

21、熵加載模型搭建單元，其用于搭建包含熵預測模塊和概率整形模塊的熵加載模型，其中，熵預測模塊用于基于信號特征預測逼近信道容量的熵，概率整形模塊用于采用概率幅度整形技術進行各子載波的熵分配，完成信號的熵加載；

22、合成信號生成及模型預訓練單元，其用于通過仿真信道特性生成合成信號，并利用合成信號對熵加載模型進行預訓練優(yōu)化模型參數(shù)；

23、實驗信號生成及模型遷移學習單元：其用于通過光通信網(wǎng)絡實驗采集實驗信號，并利用實驗信號對預訓練的熵加載模型進行遷移學習，實現(xiàn)參數(shù)微調；

24、自適應熵加載單元，其利用參數(shù)微調后的熵加載模型預測未知信道響應的信號的熵，并采用概率幅度整形技術進行各子載波的熵分配，完成信號的熵加載。

25、為實現(xiàn)上述發(fā)明目的，實施例還提供了一種計算設備，包括存儲器和一個或多個處理器，所述存儲器中存儲有可執(zhí)行代碼，所述一個或多個處理器執(zhí)行所述可執(zhí)行代碼時，用于實現(xiàn)上述基于遷移學習的光通信網(wǎng)絡自適應熵加載方法。

26、為實現(xiàn)上述發(fā)明目的，實施例還提供了一種計算機可讀存儲介質，其上存儲有程序，該程序被處理器執(zhí)行時，實現(xiàn)上述基于遷移學習的光通信網(wǎng)絡自適應熵加載方法。

27、與現(xiàn)有技術相比，本發(fā)明具有的有益效果至少包括：

28、本發(fā)明構建了包含熵預測模塊和概率整形模塊的熵加載模型，其首先通過合成信號進行預訓練來優(yōu)化模型參數(shù)，然后在基于對光通信網(wǎng)絡模擬生成的實驗信號對預訓練后的模型進行遷移學習，以適應光通信網(wǎng)絡的信號特征，最后利用遷移學習后的熵加載模型預測未知信道響應的光通信網(wǎng)絡信號的熵，并采用概率幅度整形技術進行各子載波的熵分配，完成信號的熵加載。整個過程并不依賴網(wǎng)絡的信道狀態(tài)，?實現(xiàn)對未知信道狀態(tài)光通信網(wǎng)絡的自適應熵加載，提升在動態(tài)光通信網(wǎng)絡中的應用需求。