一种基于人工智能的光纤太赫兹通信系统优化方法

1.一种基于人工智能的光纤太赫兹通信系统优化方法，其特征在于，包括下列步骤：训练阶段步骤：步骤a1，发射端随机生成发射符号序列，经全链路光纤太赫兹信道后，在接收端得到接收符号序列；以发射符号序列和接收符号序列为训练数据，训练一个基于剪枝神经网络的均衡器；步骤a2，基于发射符号序列和均衡后符号序列训练一个基于混合密度网络的均衡后信道模型；其中，均衡后信道模型用于输出描述均衡后信道条件概率分布 的组成参数，以实现对 的拟合；均衡后符号序列为：将发射符号序列输入训练好的基于剪枝神经网络的均衡器，基于其输出得到均衡后符号序列；步骤a3，同时训练发送端的星座整形器和接收端的解映射器，其中，星座整形器和解映射器均为基于神经网络的网络模型；星座整形器包括几何整形器和概率整形器，用于生成四维几何和概率星座表，以对发送端比特序列整形得到四维频域发射符号序列x；将四维频域发射符号序列x输入训练好的均衡后信道模型得到四维频域接收符号序列 再将四维频域接收符号序列 输入解映射器，以获取对应的比特序列估计 部署阶段步骤：步骤b1，训练好的星座整形器生成星座表，用于对发送端的信息比特序列进行整形，得到四维频域发射符号序列x；步骤b2，四维频域发射符号序列x通过与步骤a1中相同的全链路光纤太赫兹信道，在接收端得到对应的接收符号序列，再将该接收符号序列送入训练好的基于剪枝神经网络的均衡器中，得到均衡后接收符号序列；步骤b3，均衡后接收符号序列经解映射器得到接收信息比特序列估计。 2.如权利要求1所述的方法，其特征在于，步骤a1中，发射端随机生成发射符号序列，经全链路光纤太赫兹信道后，在接收端得到接收符号序列包括：(a1.1)发射端生成服从均匀概率分布的随机符号序列，串并转换后得到两路独立数据，分别通过正交频分复用OFDM调制、脉冲成型后上变频中心频率到f s ，得到两路独立的双边带OFDM信号；(a1.2)两路独立的双边带OFDM信号分别为两个工作在推挽模式的马赫-曾德儿调制器MZM提供驱动输入，以调制单模激光器生成的连续波长光载波，得到两路双边带光信号，其中，单模激光器的工作频率为f c ；通过两个光滤波器分别提取两路双边带光信号的左右边带，通过光功率合路器得到独立边带ISB光信号；(a1.3)将ISB光信号送入单模光纤中传输，在光纤链路的接收端经过掺铒光纤放大器放大后与一个工作频率为f c+t 的单模激光器生成的连续波长光载波合路，得到的合路信号通过单载流子光电二极管转换成中心频率为f t 的ISB太赫兹信号；(a1.4)ISB太赫兹信号经太赫兹天线辐射到自由空间中，在太赫兹链路的接收端，本地射频源经过多次倍频后与接收到的太赫兹信号混频，将ISB太赫兹信号转换为ISB基带信号，然后通过一个功率分配器得到两路等功率ISB基带信号，再通过两个滤波器分离独立的左右边带；(a1.5)两个独立的左右边带分别经中心频率下变频、脉冲成型和OFDM解调后得到接收符号序列。 3.如权利要求1所述的方法，其特征在于，基于剪枝神经网络的均衡器包括多层感知层，剪枝神经网络的均衡器的输入层的神经元数量为输入的发射符号序列的子载波数的两倍。 4.如权利要求3所述的方法，其特征在于，基于剪枝神经网络的均衡器采用双支路异构形式，一路为包括若干层线性层的线性支路，另一路为包括若干层带有非线性激活函数的线性层的非线性支路，且两条支路的层数相同；其中，线性支路和非线性支路的第一隐藏层的各神经元仅与当前神经元所表征的子载波邻近的输入层的子载波对应的神经元之间存在连接；线性支路和非线性支路从第二层起，相邻层的神经元之间仅与表征同一子集子载波的神经元间存在连接；将基于剪枝神经网络的均衡器的输入数据送入自注意力层中学习线性支路的自注意力权重，并对线性支路输出的每一子载波的输出结果进行加权后，再与非线性支路输出的对应子载波的输出结果相加，得到基于剪枝神经网络的均衡器的输出。 5.如权利要求4所述的方法，其特征在于，线性支路和非线性支路的每一网络层在运算时的权重为该网络层的权重W与对应的掩码矩阵W m 的点乘；其中，线性支路和非线性支路的首层的掩码矩阵W m 基于子载波数N sub 和子载波间干扰ICI长度N ICI 确定，0表示当前位置的子载波不受干扰，1表示当前位置的子载波受干扰，且每一行的元素1的数量为：2×N ICI +2；线性支路和非线性支路从第二层开始，其运算时的掩码矩阵W m 为块对角矩阵。 6.如权利要求1至5任一项所述的方法，其特征在于，基于剪枝神经网络的均衡器在训练时以均方误差作为损失函数。 7.如权利要求1所述的方法，其特征在于，均衡后信道模型的第一隐藏层的各神经元仅与当前神经元所表征的子载波邻近的输入层的子载波对应的神经元之间存在连接，且从第二层起，相邻层的神经元之间仅与表征同一子集的子载波的神经元间存在连接。 8.如权利要求1所述的方法，其特征在于，均衡后信道模型在训练时选取负对数似然函数作为其损失函数。 9.如权利要求1所述的方法，其特征在于，步骤a3中，同时训练发送端的星座整形器和接收端的解映射器时，所配置的星座整形器的训练算法框架包括几何整形器、概率整形器、对称象限约束层、功率归一化层、Softmax函数层和采样器；其中，几何整形器用于将顺序one-hot符号表到四维空间中第一象限的未归一化星座表 的映射，其中 表示符号对应的比特序列；概率整形器用于完成一个任意指定常数到对应于 的一组非标准化对数概率 的映射；对称象限约束层用于对 和 执行镜像操作，得到完整的四维未归一化星座表 和对应非标准化对数概率 Softmax函数层用于对对称象限约束层输出的 执行Softmax操作，得到四维星座图的概率分布 功率归一化层基于概率分布 对对称象限约束层输出的 进行功率归一化操作，得到四维几何整形星座表 采样器按概率分布 进行采用得到one-hot符号序列，再与四维几何整形星座表 相乘得四维频域发射符号序列x；当满足预置的训练收敛条件时，基于当前得到的四维几何整形星座表 和非标准化对数概率 得到训练好的星座整形器。 10.如权利要求1或9所述的方法，其特征在于，步骤a3中，同时训练发送端的星座整形器和接收端的解映射器时，以最大化广义互信息作为训练的优化目标。