专利摘要

专利摘要

本发明公开了一种基于卷积循环自动编码器的并行光模数转换系统和方法，系统包括并行光模数转换器模块、数字信号处理器模块和卷积循环自动编码器模块；用两种失配程度的一类信号训练后，卷积循环自动编码器模块能够学习到并行光模数转换器模块的系统特征也即时间失配，并将失配信号映射为系统无失配状态下的高质量的数字信号；而且两种失配程度的一类信号训练后的卷积循环自动编码器模块，能够实现对多种失配程度的多类信号失配补偿。本发明可广泛应用于提升并行光模数转换器性能，对需要实现高频、大带宽、高精度采样的当代信息处理系统如微波光子雷达和光通信等系统的性能提升和能力拓展具有重要意义。

权利要求

1.一种基于卷积循环自动编码器的并行光模数转换系统，其特征在于：系统包括并行光模数转换器模块(1)、数字信号处理器模块(2)和卷积循环自动编码器模块(3)；所述并行光模数转换器模块(1)的输出端与所述数字信号处理器模块(2)的输入端相连，所述数字信号处理器模块(2)的输出端与所述卷积循环自动编码器模块(3)的输入端相连；

所述并行光模数转换器模块(1)包括用来产生光源的激光器、产生微波信号的微波源、将微波信号调制到光上的电光转换、将单路光信号转换为多路并行信号的串转并、调节各个通道延时的可调延时线、实现将光信号转换为电信号的光电转换和将模拟的电信号转换为数字信号的电模数转换器；所述并行 光模数转换器模块(1)通过并行通道，将激光源的微波信号转换输出为多个并行的数字信号；

所述数字信号处理器模块(2)对所述并行光模数转换器模块(1)输出的数字信号进行通道交织、数据分段预处理操作，向卷积循环自动编码器模块(3)输出失配信号；

所述卷积循环自动编码器模块 (3)包括卷积神经网络、循环神经网络以及自动编码器；卷积神经网络从数据中提取高维、抽象特征，循环神经网络用于处理数据中的时序关系，自动编码器利用编码解码结构提取数据中的关键特征；所述卷积循环自动编码器模块(3)接收数字信号处理器模块(2)传送的失配信号进行训练获得训练后的卷积循环自动编码器，实现对多种失配程度的多类信号失配补偿。

2.根据权利要求1所述的并行光模数转换系统，其特征在于：所述并行光模数转换器模块(1)为具有多个结构相同、延时不同的多路并行通道的光模数转换器。

3.根据权利要求1所述的并行光模数转换系统，其特征在于：所述并行光模数转换器模块(1)中的串转并为波分复用器或双平衡输出调制器。

4.根据权利要求1所述的并行光模数转换系统，其特征在于：所述并行光模数转换器模块(1)中的电模数转换器为数据采集板卡或示波器。

5.根据权利要求1所述的并行光模数转换系统，其特征在于：所述数字信号处理器模块(2)为FPGA或DSP。

6.根据权利要求1所述的并行光模数转换系统，其特征在于：用两种失配程度的一类信号训练后，所述卷积循环自动编码器模块(3)能够学习到并行光模数转换器模块(1)的系统特征、也即时间失配，并将失配信号映射为系统无失配状态下的高质量数字信号；而且用两种失配程度的一类信号训练后的卷积循环自动编码器模块(3)，能够实现对多种失配程度的多类信号失配补偿。

7.采用权利要求1-6任一项所述转换系统进行光模数转换的方法，其特征在于，该方法包括如下步骤：

1)训练阶段：

当所述并行光模数转换器模块(1)处于两种不同程度失配情况下，微波信号通过所述并行光模数转换器模块(1)中的电光转换调制到光上，所述并行光模数转换器模块(1)的多路并行输出经所述数字信号处理器模块(2)交织分段预处理后，获得两组不同程度失配的信号；将得到的失配信号作为所述卷积循环自动编码器模块(3)的训练集，利用优化算法对所述卷积循环自动编码器模块(3)进行训练，使所述卷积循环自动编码器模块(3)能够学到并行光模数转换器模块(1)的系统特征也即时间失配，从而能够对失配信号进行补偿，以输出高质量的不含失配成分的数字信号；

2)应用阶段：

微波信号输入所述并行光模数转换器模块(1)后经所述数字信号处理器模块(2)交织分段预处理后转化为失配信号，失配信号输入训练阶段训练好的所述卷积循环自动编码器模块(3)，网络输出不含失配成分的高质量的数字信号。

说明书

技术领域

本发明属于光信号处理技术和深度学习技术，尤其涉及一种基于卷积循环自动编码器的并行光模数转换系统和方法。

背景技术

随着信息技术的发展，通信，雷达，电子对抗等当代信息处理系统领域所使用的电磁信号通常具有高频段大带宽特性。为了将这些高频、大带宽模拟信号变换至数字域处理，通常需要采用模数转换器进行模数转换。电模数转换器虽然具有量化精度高和工作状态稳定等优势，但是受限于时间抖动和电器件带宽，它们无法对高频大带宽的模拟信号进行数字化。光模数转换器利用光的大带宽优势能够实现超高采样率和超宽带接收。光采样电量化的光模数转换器兼有光的大带宽和电的高精度量化优势，因而被广泛研究与应用。为了降低电模数转换器的采样率以及光电转换器的带宽，光模数转换器通常采用并行结构。然而，由于多个并行通道之间通常存在硬件偏差，如各个通道的物理长度不一致，所以系统的多路输出交织后得到的信号中含有频率为fs/2-f的失配成分，其中fs为光模数转换系统的采样率，f为被采样信号的频率。因此，并行结构的光模数转换器的性能受各个并行通道间硬件偏差影响。例如，在一个全光相干雷达系统中，光子接收端(光模数转换器)的四个通道间不同的延时限制了系统的无杂散动态范围[Ghelfi,P.,Laghezza,F.,Scotti,F.et al.Afully photonics-based coherent radar system.Nature vol.507,pp.341-345，2014]。

自2012年卷积神经网络大大提升了图片识别准确率，人们开始重新重视深度神经网络，深度学习成为研究热点，其相关技术迅速发展。近年来，各种新颖的深度学习网络架构如循环神经网络、生成对抗网络、时间卷积网络不断提出，各种优化算法如随机梯度下降算法不断改良，各种激活函数如Relu、Sigmoid、Tanh不断探索。这为深度学习的能力和应用拓展提供了很好的支撑。根据“神经网络逼近理论”[Arteaga,C.,Marrero,I.Approximation by neural networks with weights varying on a finite set ofdirections.Neural Netw.,Vol.46,pp.299-305,2013]，多层神经网络可以逼近任意函数。深度学习的应用已从最初的计算机视觉、语音识别领域等延拓到医学诊断、游戏、光学系统设计、移动通信等诸多领域。深度学习技术成为补偿并行光模数转换器中各个并行通道之间失配的一种潜在方法。该方法有望通过端到端的构建光模数转换系统输出的数字信号和系统理想输出信号之间的函数映射实现失配补偿，从而获得不含失配成分的高质量数字信号。相较于通过复杂算法先评估后校正失配量的传统方法，该方法简单、高效。之前的工作虽然通过使用残差神经网络对并行光模数转换系统中的时间失配实现了补偿[Xu,S.etal.Deep-learning-powered photonic analog-to-digital conversion.LightSci.Appl.Vol.8,no.66，2019]，然而残差网络只对训练过的失配程度的信号有效，对未训练的失配程度的信号无效。根据机器学习中“天下没有免费午餐”理论[Wolpert,D.H.,Macready,W.G.No free lunch theorems for optimization.IEEET.Evolut.Comput.Vol.1,pp,67-82,1997],所有的神经网络都有一定的输入有效域，不同网络具有不同程度的能力。这种能力的差异取决于网络的架构选择和网络中的超参数如学习率、网络层数、每层神经元个数设置。当前大多数网络只能通过训练学习到每组数据本身的一些个体特征，而不能获得数据组中隐藏的共同特征和潜在的本质规律。因此，大多数网络对具有训练集之外特征的信号是没有效果的。如果网络要实现对某种失配程度的数据有效，则需要用相应的失配程度的数据训练网络。因此若要利用上述的残差网络对多种程度失配的信号失配补偿，则需要使用相应程度失配的信号训练残差网络。在这种情况下，网络的数据集将非常大，数据集的收集将非常繁琐笨重。

发明内容

为了克服现有技术的不足，本发明的目的在于提供一种基于卷积循环自动编码器的并行光模数转换系统和方法，其能解决上述问题。

设计原理：一种新颖的深度神经网络，该网络基于光模数转换系统特征学习，能够学到并补偿系统中的时间失配，实现高性能的并行光模数转换系统；具体通过训练卷积循环自动编码器，使其实现通道失配与无通道失配下的并行光模数转换系统输出之间的函数映射。通道失配的并行光模数转换系统输出的失配信号输入训练后的卷积循环自动编码器后，信号中的失配成分被移除，因而微波信号经过基于卷积循环自动编码器的并行光模数转换系统后转换为高质量的数字信号。

技术方案：本发明的目的采用以下技术方案实现。

一种基于卷积循环自动编码器的并行光模数转换系统，系统包括并行光模数转换器模块、数字信号处理器模块和卷积循环自动编码器模块；所述并行光模数转换器模块的输出端与所述数字信号处理器模块的输入端相连，所述数字信号处理器模块的输出端与所述卷积循环自动编码器模块的输入端相连。

所述并行光模数转换器模块包括用来产生光源的激光器、产生微波信号的微波源、将微波信号调制到光上的电光转换、将单路光信号转换为多路并行信号的串转并、调节各个通道延时的可调延时线、实现将光信号转换为电信号的光电转换和将模拟的电信号转换为数字信号的电模数转换器；所述光模数转换器模块通过并行通道，将激光源的微波信号转换输出为多个并行的数字信号。

所述数字信号处理器模块对所述并行光模数转换器模块输出的数字信号进行通道交织、数据分段预处理操作，向卷积循环自动编码器模块输出失配信号。

所述卷积循环自动编码器包括卷积神经网络、循环神经网络以及自动编码器；卷积神经网络从数据中提取高维、抽象特征，循环神经网络用于处理数据中的时序关系，自动编码器利用编码解码结构提取数据中的关键特征；所述卷积循环自动编码器模块接收数字信号处理器模块传送的失配信号进行训练获得训练后的数字信号，实现对多种失配程度的多类信号失配补偿。

优选的，所述并行光模数转换器模块为具有多个结构相同、延时不同的多路并行通道的光模数转换器

优选的，用两种失配程度的一类信号训练后，所述卷积循环自动编码器模块能够学习到并行光模数转换器模块的系统特征、也即时间失配，并将失配信号映射为系统无失配状态下的高质量数字信号；而且用两种失配程度的一类信号训练后的卷积循环自动编码器模块，能够实现对多种失配程度的多类信号失配补偿。

采用上述转换系统进行光模数转换的方法，该方法包括如下步骤：

1)训练阶段：

当所述并行光模数转换器模块处于两种不同程度失配情况下，微波信号通过所述并行光模数转换器模块中的电光转换调制到光上，所述并行光模数转换器模块的多路并行输出经所述数字信号处理器模块交织分段预处理后，获得两组不同程度失配的信号；将得到的失配信号作为所述卷积循环自动编码器模块的训练集，利用优化算法对所述卷积循环自动编码器模块进行训练，使所述卷积循环自动编码器模块能够学到并行光模数转换器模块的系统特征也即时间失配，从而能够对失配信号进行补偿，以输出高质量的不含失配成分的数字信号；

2)应用阶段：

微波信号输入所述并行光模数转换器模块后经所述数字信号处理器模块交织分段预处理后转化为数字信号，数字信号输入训练阶段训练好的所述卷积循环自动编码器模块，网络输出不含失配成分的高质量的数字信号。

相比现有技术，本发明的有益效果在于：

1、采用卷积循环自动编码器对并行光模数转换器的系统缺陷也即时间失配进行学习和校正。基于卷积循环自动编码器的并行模数转换系统将不受各个并行通道间的硬件偏差的影响，输出高质量的数字信号。

2、卷积循环自动编码器是一种基于系统特征学习的端到端、简单、快速、高效、有泛化能力的失配补偿方法。

3、用两种程度失配的一类信号对卷积循环自动编码器训练，训练后的卷积循环自动编码器能够对多种程度失配的多类信号失配补偿。

附图说明

图1为本发明基于卷积循环自动编码器的并行光模数转换系统架构和实施例结构示意图；

图2为并行光模数转换器结构示意图；

图3为卷积循环自动编码器实施例结构示意图；

图4为并行光模数转换器以及基于卷积循环自动编码器的并行光模数转换系统的性能演示图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

参见图1-图3，一种基于卷积循环自动编码器的并行光模数转换系统，其特征在于：系统包括并行光模数转换器模块1、数字信号处理器模块2和卷积循环自动编码器模块3。

连接关系：并行光模数转换器模块1的输出端与所述数字信号处理器模块2的输入端相连，所述数字信号处理器模块2的输出端与所述卷积循环自动编码器模块3的输入端相连。其构建过程分为训练阶段和应用阶段两个阶段。其中在训练阶段，所述并行光模数转换器模块1多组输出经所述数字信号处理器模块2预处理后对所述的卷积循环自动编码器模块3进行训练，使其能够实现对所述的并行光模数转换器模块1的输出失配补偿。应用阶段，所述的并行光模数转换器模块1输出的失配信号输入训练阶段训练好的所述的卷积循环自动编码器模块3，获得高质量的不含失配成分的数字信号。所述的并行光模数转换器模块1的结构示意图如图2所示。在实施例中，所述的并行光模数转换器模块1采用并行解复用结构的采样率为20GSa/s的双通道并行光模数转换器装置。在系统中，激光器作为光源，微波源产生的宽带微波信号经过电光转换后被调制到光脉冲串上，然后光脉冲串经过串转并分为多个子脉冲进入并行通道，各并行通道的子脉冲经过光电转换后转化为电信号，再经电模数转换器转换为数字信号。在光电转换之前，可以通过调节各个并行通道的可调延时线来改变通道延时，使所述的并行光模数转换器模块1处于通道失配和无通道失配状态。

所述的数字信号处理器模块2对所述的并行光模数转换器模块1输出的数字信号进行通道交织、数据分段预处理操作。数字信号处理器模块2的输出用来训练所述的卷积循环自动编码器模块3。

其中，并行光模数转换器模块1包括用来产生光源的激光器、产生微波信号的微波源、将微波信号调制到光上的电光转换、将单路光信号转换为多路并行信号的串转并、调节各个通道延时的可调延时线、实现将光信号转换为电信号的光电转换和将模拟的电信号转换为数字信号的电模数转换器；所述光模数转换器模块1通过并行通道，将激光源的微波信号转换输出为多个并行的数字信号。

其中，所述数字信号处理器模块2对所述并行光模数转换器模块1输出的数字信号进行通道交织、数据分段预处理操作，向卷积循环自动编码器模块3输出失配信号。

其中，所述卷积循环自动编码器3包括卷积神经网络、循环神经网络以及自动编码器；卷积神经网络从数据中提取高维、抽象特征，循环神经网络用于处理数据中的时序关系，自动编码器利用编码解码结构提取数据中的关键特征；所述卷积循环自动编码器模块3接收数字信号处理器模块2传送的失配信号进行训练获得训练后的数字信号，实现对多种失配程度的多类信号失配补偿。

具体的，参见图3，所述的卷积循环自动编码器模块3的结构示意图，所述的卷积循环自动编码器模块3包括输入层、四层卷积神经网络层、两层池化层、一层循环神经网络层、三层反卷积神经网络层和输出层，其中第四卷积神经网络层和循环神经网络层以及循环神经网络层与第一层反卷积神经网络层分别实现编码和解码功能，形成自动编码器结构。用在实施例中并行光模数转换器模块1中的串转并为双平衡输出调制器，可调延时线为数字可调延时线，电模数转换器为示波器。用在实施例中所述的数字信号处理器模块2和卷积循环自动编码器模块3在个人电脑中实施。

进一步的，所述并行光模数转换器模块1为具有多个结构相同、延时不同的多路并行通道的光模数转换器。

进一步的，所述并行光模数转换器模块1中的串转并为波分复用器或双平衡输出调制器。

进一步的，所述并行光模数转换器模块1中的电模数转换器为数据采集板卡或示波器。

进一步的，所述数字信号处理器模块2为FPGA或DSP。

进一步的，用两种失配程度的一类信号训练后，所述卷积循环自动编码器模块3能够学习到并行光模数转换器模块1的系统特征、也即时间失配，并将数字信号映射为系统无失配状态下的高质量数字信号；而且用两种失配程度的一类信号训练后的卷积循环自动编码器模块3，能够实现对多种失配程度的多类信号失配补偿。

采用上述系统的转换方法，即构建过程中的两个阶段的模块连接和模块功能描述如下。

训练阶段：

第一，微波源任意产生一组宽带线性频率调制信号，该信号通过所述的并行光模数转换器模块1中的光电转换后被调制到光上；调节所述的并行光模数转换器模块1中各个并行通道的数字可调延时线，当系统输出的多路并行信号在所述的数字信号处理器模块2中交织后其频谱中不含失配成分，可以认为所述的并行光模数转换器模块1各通道之间不存在硬件偏差，也即系统处于0ps失配状态。第二，微波源产生的3000组频率在2.0-3.3GHz以及3000组频率在7.0-8.3GHz的宽带线性频率调制信号输入0ps失配状态下的所述的并行光模数转换器模块1，多路并行输出在所述的数字信号处理器模块2中交织和分段后，获得0ps失配的线性频率调制信号。其中所述的数字信号处理器模块2中的分段操作具体为将交织后长度为20000个点的信号分为200段，每段100个点。第三，通过调节所述的并行光模数转换器模块1中的某路通道的数字可调延时线，增加某路通道延时量35ps和57ps。第四，微波源产生上述相同的3000组频率在2.0-3.3GHz以及3000组频率在7.0-8.3GHz的宽带线性频率调制信号，这些信号输入失配程度为35ps和57ps的所述的光模数转换器模块1中的光电转换后被调制到光上，所述的光模数转换器模块1的多路并行输出在所述的数字信号处理器模块2中交织和分段后，获得了35ps和57ps失配的线性频率调制信号。第五，将上述0ps失配的线性频率调制信号作为35ps和57ps失配的线性频率调制信号的网络参考。第六，35ps和57ps失配的线性频率调制信号输入所述的卷积循环自动编码器模块3，选择Adam优化算法下降网络输入和网络参考之间的绝对误差，优化算法的学习率取0.001。在20000次迭代过程中，网络参数不断被调整，误差最终收敛至0.003，因而所述的卷积循环自动编码器模块3学到了所述的并行光模数转换器模块1中的系统特征也即时间失配，并且能够补偿失配，输出不含失配成分的高质量的数字信号。

应用阶段：

微波源产生宽带线性频率调制信号或其它类型信号如Costas频率调制信号，信号输入其它失配状态下的所述的并行光模数转换器模块1。多路数字信号在所述的数字信号处理器模块2中交织、分段后输入训练好的所述的卷积循环自动编码器模块3，网络输出无失配成分的高质量的数字信号。

图4为并行光模数转换器以及基于卷积循环自动编码器的并行光模数转换器的性能演示图。其中a和b分别为在各个并行通道之间失配量为92ps时，线性频率调制信号输入并行光模数转换器以及输入基于卷积循环自动编码器的并行光模数转换系统后输出的频谱图；c和d为各个并行通道之间失配量为127ps时，Costas频率调制信号输入并行光模数转换器以及输入基于卷积循环自动编码器的并行光模数转换系统后输出的频谱图。可见卷积循环自动编码器能够有效的补偿时间失配，基于卷积循环自动编码器的并行光模数转换系统输出高质量的数字信号。

本发明可广泛应用于提升并行光模数转换器性能，对需要实现高频、大带宽、高精度采样的当代信息处理系统如微波光子雷达和光通信等系统的性能提升和能力拓展具有重要意义。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

基于卷积循环自动编码器的并行光模数转换系统和方法专利购买费用说明

Q：办理专利转让的流程及所需资料

A：专利权人变更需要办理著录项目变更手续，有代理机构的，变更手续应当由代理机构办理。

1：专利变更应当使用专利局统一制作的“著录项目变更申报书”提出。

2：按规定缴纳著录项目变更手续费。

3：同时提交相关证明文件原件。

4：专利权转移的，变更后的专利权人委托新专利代理机构的，应当提交变更后的全体专利申请人签字或者盖章的委托书。

Q:专利著录项目变更费用如何缴交

A：（1）直接到国家知识产权局受理大厅收费窗口缴纳,（2）通过代办处缴纳，（3）通过邮局或者银行汇款,更多缴纳方式

Q：专利转让变更，多久能出结果

A：著录项目变更请求书递交后，一般1-2个月左右就会收到通知，国家知识产权局会下达《转让手续合格通知书》。