一种光学ADC数字域均衡方法及装置

一种光学adc数字域均衡方法及装置
技术领域
1.本发明属于光电子技术领域，特别提出一种光学adc数字域均衡方法及装置。


背景技术：

2.光学adc利用高速超短光脉串冲对信号进行光采样，光采样的速率可以高达数十ghz甚至数百ghz；并且超短光脉冲的时间抖动可以减少到数十fs，能够克服电学adc在高采样率下工作时由于较大时间抖动造成的孔径噪声，从而提供更高的有效比特位数。
3.光采样电量化光学adc系统是一种最常用的光学adc架构，图1给出了光采样电量化光学adc系统的结构示意图。图1中，由一个超短脉冲源发出高重复频率的光脉冲串与待转换的电信号一起进入光学adc系统的马赫-曾德电光调制器中进行调制，调制后的脉冲串幅度上的起伏就代表了待转换电信号的强度变化。被调制的光脉冲串经过一个光解复用器后被分解成低速的、时间交织的若干并行通道。这里的光解复用器可以是时分解复用器，也可以是波分解复用器。对于每一个通道，低速的光脉冲被该通道中的光电探测器转换为电信号，随后该电信号会被该通道中一个电学adc量化为数字信号，其中每个通道中电学adc的采样率和较低速率光脉冲的重复速率一致。其中，光学adc系统通道的数量为2n个，n为正整数。每个通道电学adc的采样率为f hz，则超短脉冲源的重复速率和光学adc系统的整体采样率均为为2nf hz。例如在图1中，n＝2，则光学adc共有4个通道。每个通道电学adc的采样率为5ghz，则超短脉冲源需要产生重复速率为20ghz的光脉冲串，光学adc整体的采样率也是20ghz。
4.在光采样电量化光学adc系统输出所有通道的数字信号量化数据后，需要进行数字信号的均衡和不同通道间的数据融合。在图1所示光学adc系统中，光脉冲需要通过一个马赫-曾德电光调制器把外部高速的待转化电信号调制到高速光脉冲串上，而由于马赫-曾德电光调制器电信号输入强度和光信号输出强度之间不是线性关系，这种马赫-曾德电光调制器内在的非线性特性会影响光学adc的量化准确性。另外图1所示光学adc系统中，每个低速处理通道都会引入各种噪声，例如光放大器的放大的自发辐射噪声、散粒噪声和热噪声等，这些噪声都会引起量化结果准确性的降低。
5.通过对各通道量化后的数字信号进行均衡处理，能够减弱调制器非线性和各种噪声的影响，从而获得有效位数更高的采样量化结果。目前，有学者利用人工智能神经网络来进行光采样电量化光学adc中的数字域均衡(见文献“deep-learning-powered photonic analog-to-digital conversion”，light:science&applications，issue 8,article66,2019)。这一工作利用一个残差卷积神经网络对各通道的非线性进行了矫正。残差卷积神经网络的一个问题是利用大量的卷积核来匹配时间序列上局部的序列变化，但这种卷积核的数量即使再多也不可能穷尽所有时间序列变化的组合，对于不同波形的适应能力受到限制；其次，每个卷积核大小有限，只能覆盖很短的时间范围，如果需要兼顾大时间跨度的信号相关性，需要累计多个卷积层，不同层次之间的计算是串行的，这种结构不能充分利用当代gpu的并行计算能力。


技术实现要素：

6.本发明的目的是为克服已有技术的不足之处，提出一种光学adc数字域均衡方法和装置。本发明可降低光采样电量化光学adc系统中调制器非线性和噪声对量化准确度的影响，波形适用范围广泛、计算并行度高，具有较高的应用价值。
7.本发明第一方面实施例提出一种光学adc数字域均衡方法，包括：
8.将设定频率和幅度的正弦波电信号输入光采样电量化光学adc系统，所述系统输出每个通道的数字信号采样序列；
9.将所述每个通道的数字信号采样序列输入预设的基于自注意力的光学adc均衡网络，所述网络输出该通道均衡后的数字信号采样序列。
10.在本发明的一个具体实施例中，所述基于自注意力的光学adc均衡网络包括依次连接的一个输入子层、k个相同的自注意力子网络层和一个输出子层；其中，每个所述自注意力子网络层包括依次连接的一个多头自注意力子层和一个全连接子层，第一自注意力子网络层的多头自注意力子层连接所述输入子层，第k个自注意力子网络层的全连接层连接所述输出子层。
11.在本发明的一个具体实施例中，所述输入子层用于对输入的单个通道的数字信号采样序列进行输入编码和位置编码，以输出对应的带有位置信息的向量序列。
12.在本发明的一个具体实施例中，所述方法还包括：
13.当任一通道数字信号采样序列进入输入子层后，首先以该通道采样序列中各采样点为中心滑动选取设定长度的序列片段作为对应该采样点的短时间片向量；其中，该通道数字信号采样序列的采样点数为p，短时间片向量的长度为2r+1，r为正整数，则该通道采样序列共生成p-2r个短时间片向量；从p-2r个短时间片向量中，随机选取其中连续n个短时间片向量，其中n小于等于p-2r；
14.将维度为2r+1的所述n个短时间片向量输入到所述输入子层中的一个全连接神经网络中，该全连接网络网络输出n个维度为d的短时间片编码向量，其中d大于2r+1；
15.输入子层按照下式对所述n个短时间片向量分别进行位置编码，以得到n个维度为d的位置编码向量：
16.pe
(t,2i)
＝sin(t/10000
2i/d
)
17.pe
(t,2i+1)
＝cos(t/10000
2i/d
)
ꢀꢀꢀꢀ
(1)
18.其中，t表示第t个短时间片向量，2i和2i+1分别表示短时间片编码向量中的第2i和第2i+1个维度；
19.将所述短时间片编码向量与对应的位置编码向量相加，生成n个维度为d的向量序列输出到所述自注意力子网络层中。
20.在本发明的一个具体实施例中，所述多头自注意力子层由多个自注意力单元并行构成；
21.其中，每个自注意力单元首先通过三个矩阵将任一输入向量x转化为对应的3个向量，分别记为q,k,v：
22.q＝wqx
23.k＝wkx
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
24.v＝wvx
25.其中，wq,wk,wv分别是行数为dk、列数为d的矩阵；
26.根据式(2)，自注意力单元将n个输入向量x转化为n个对应的q,k,v向量；
27.对于第t个q向量q
t
，计算第j个k向量kj与q
t
的内积，1≤t,j≤n：
[0028][0029]
计算输入向量序列[x1,x2,...x
t
,...xn]中第t个时刻的输入向量x
t
中所有位置k向量与q
t
的内积，共得到n个内积值；将该n个内积值通过softmax函数得到经过归一化后的内积序列[a
t,1
',a
t,2
',...a
t,1
',...a
t,n
']，内积序列中的每一个值都是一个介于0与1之间的数，序列中所有值相加和为1，其中a
t
'
,j
代表第j个时刻对应的向量对第t时刻向量的影响程度；
[0030]
将该内积序列作为权重分别乘对应的k向量，最后相加计算第t个时刻对应的输出向量：
[0031][0032]
计算得到每个时刻的输出向量后，将该自注意力单元的所有时刻对应的输出向量组成输出向量序列[x1',x2',...x
t
',...xn']。
[0033]
在本发明的一个具体实施例中，所述方法还包括：当所述多头自注意力子层包括m个自注意力单元时，将输入向量序列[x1,x2,...x
t
,...xn]复制到m个自注意力单元中，共得到m个输出向量序列，其中，每个自注意力单元的wq,wk,wv不同，第j个自注意力单元输出向量序列为1≤j≤m，为第j个自注意力单元输出向量序列中第t个时刻的输出向量；
[0034]
将m个输出向量序列中第t个时刻的输出向量进行维度拼接合并处理，生成一个维度为mdk的向量并输入至多头自注意力子层中一个具有mdk个输入d个输出的全连接网络中，获得一个维度为d的输出向量y
t
，最终得到多头自注意力子层的输出向量序列[y1,y2,...y
t
,...yn]。
[0035]
在本发明的一个具体实施例中，在所述将所述每个通道的数字信号采样序列输入预设的基于自注意力的光学adc均衡网络之前，所述方法还包括：
[0036]
训练所述基于自注意力的光学adc均衡网络；
[0037]
所述训练所述基于自注意力的光学adc均衡网络，包括：
[0038]
1)构建训练集，具体包括：
[0039]
随机产生任意频率和幅度的正弦波电信号并输入所述光学adc系统；每改变一次正弦波的频率和幅度，在所述光学adc系统各通道的电学adc输出处采集输出的数字信号，每次采集得到2n个不同通道的数字信号采样序列组成一本训练样本，该样本中每个通道的采样数据包含p个在时间上均匀分布的采样点，则一个训练样本为由2n个通道、每个通道p个采样点的数字信号组成的原始采样数据序列；
[0040]
对每个通道的采样数据利用标准正弦波进行最小二乘法拟合，利用拟合得到的标准正弦波计算每个采样点对应的理想采样数值，将每个通道的p个理想采样数值组成的序列作为该通道对应的训练标签，则每个训练样本共得到2n个训练标签；
[0041]
将不同频率和幅度的正弦波电信号对应的训练样本及其训练标签组成训练集；
[0042]
2)构建所述基于自注意力的光学adc均衡网络；
[0043]
3)利用所述训练集中的训练样本及对应的训练标签训练所述基于自注意力的光学adc均衡网络，得到训练完毕的所述基于自注意力的光学adc均衡网络。
[0044]
本发明第二方面实施例提出一种光学adc数字域均衡装置，包括：
[0045]
采样模块，用于将设定频率和幅度的正弦波电信号输入光采样电量化光学adc系统，所述系统输出每个通道的数字信号采样序列；
[0046]
均衡模块，用于将所述每个通道的数字信号采样序列输入预设的基于自注意力的光学adc均衡网络，所述网络输出该通道均衡后的数字信号采样序列。
[0047]
本发明第三方面实施例提出一种电子设备，包括：
[0048]
至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；
[0049]
其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被设置为用于执行上述一种光学adc数字域均衡方法。
[0050]
本发明第四方面实施例提出一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行上述一种光学adc数字域均衡方法。
[0051]
本发明的特点及有益效果：
[0052]
1)本发明提供了基于连续时间短片段的人工神经网络输入数据结构，不仅能够匹配自注意力网络对输入数据结构的要求，而且能够利用时间短片段内不同数据点之间的相关性进行降噪声处理。
[0053]
2)本发明利用基于自注意力的人工神经网络进行光采样电量化光学adc系统单通道数字域均衡，该种神经网络结构能对处于长时间窗口内的所有采样片段之间的关联性进行同时计算；不仅适用波形的频率范围更广，并且能够充分利用现代gpu的并行计算能力，缩减计算时间。
[0054]
3)利用本发明可以有效降低光采样电量化光学adc系统中由于非线性和噪声带来的量化准确度下降的影响，具有较高的应用价值。
附图说明
[0055]
图1是本发明实施例中一种光采样电量化光学adc系统结构示意图；
[0056]
图2为本发明实施例中一种光学adc数字域均衡方法的整体流程图；
[0057]
图3是本发明一个具体实施例中基于自注意力的光学adc均衡网络结构示意图；
[0058]
图4是本发明一个具体实施例中基于自注意力的光学adc均衡网络的输入子层的工作原理图；
[0059]
图5是本发明一个具体实施例中基于自注意力的光学adc均衡网络的输入子层中短时间片向量的产生方法原理图；
[0060]
图6是本发明一个具体实施例中自注意力单元计算第t个时刻输出向量的流程图；
[0061]
图7(a)是本发明一个具体实施例中一个自注意力单元的原理示意图；
[0062]
图7(b)是本发明一个具体实施例中具有m个的自注意力单元的多头自注意力子层的原理示意图
具体实施方式
[0063]
本发明提出一种光学adc数字域均衡方法及装置，下面结合附图及具体实施例进一步详细说明如下。
[0064]
本发明第一方面实施例提出一种光学adc数字域均衡方法，包括：
[0065]
将设定频率和幅度的正弦波电信号输入光采样电量化光学adc系统，所述系统输出每个通道的数字信号采样序列；
[0066]
将所述每个通道的数字信号采样序列输入预设的基于自注意力的光学adc均衡网络，所述网络输出该通道均衡后的数字信号采样序列。
[0067]
在本发明的一个具体实施例中，所述一种光学adc数字域均衡方法，通过一个基于自注意力的光学adc均衡网络对光采样电量化光学adc系统中每个通道内获得的数字信号进行均衡，消除光学adc系统中调制器非线性和各种噪声对量化准确度的影响，该方法整体流程如图2所示，分为训练阶段和测试阶段，包括以下步骤：
[0068]
1)训练阶段；
[0069]
1-1)构建训练集；
[0070]
本实施例中，搭建一个如图1所示的光学adc系统，该系统包含2n个通道，n为正整数；利用随机产生的不同频率和幅度的正弦波作为待转化电信号调制超短脉冲串，每改变一次正弦波的频率和幅度，在光学adc系统各通道的电学adc输出处采集输出的数字信号，每次采集可得到2n个不同通道的数字信号量化数据组成一个训练样本。本实施例中采集到的量化数据是正整数，其最大变化范围取决于电学adc的量化位数，例如10位的电学adc，采集到的数值在0-1023之间变化，如果是8位的，就在0-255之间变化。本发明一个具体实施例用的是10位的电学adc，因此获得的是0-1023之间的正整数)，该样本中每个通道的采样数据包含p个在时间上均匀分布的采样点，因此本实施例的一个训练样本为由2n个通道、每个通道p个采样点的数字信号组成的原始采样数据序列。对每个通道的采样数据利用标准正弦波进行最小二乘法拟合，利用拟合所得到的标准正弦波表达式计算每个采样点对应的理想采样数值，将任一训练样本中每个通道的p个理想采样数值组成的序列作为该样本中该通道对应的训练标签，则一个训练样本共生成2n个训练标签以分别对应不同的通道。将不同频率和幅度的正弦波电信号对应的训练样本及其训练标签组成训练集；
[0071]
本发明实施例推荐的训练样本数不小于5000个，每个样本中每个通道包含的采样点数(p)为300个。p的值也可以选用其他数值，当p增加时网络训练过程会变得缓慢，p减少时通常均衡效果会减弱。通道数量根据具体系统可变化，常用的为4个或者8个。
[0072]
1-2)构建基于自注意力(self-attention)的光学adc均衡网络：
[0073]
自注意力机制是人工神经网络技术领域所发展的一种原理，在语音及图像处理方面都获得了成功，其具体原理及实现方法见文献(“attention is all you need”,arxiv,1706.03762)。本发明实施例利用自注意力机制，根据光学adc的实际数据特性设计了一种基于自注意力的光学adc均衡网络。
[0074]
图3为本发明实施例中所述基于自注意力的光学adc均衡网络的结构示意图。如图3所示，该网络包括依次连接的一个输入子层、k个相同的自注意力子网络层和一个输出子层；其中，每个自注意力子网络层包括依次连接的一个多头自注意力子层和一个全连接子层，第一个自注意力子网络层的多头自注意力子层连接输入子层，第k个自注意力子网络层
的全连接层连接输出子层；k通常取大于等于4的整数。
[0075]
将采样获得的每个样本中的单个通道的数字信号采样序列作为一个输入序列输入至所述网络的输入子层中，所述输入子层实现对所述单通道数字信号采样序列的输入编码和位置编码，输出带有位置信息的向量序列，该序列中的每个位置上是一个维度为2r+1的向量。将这一序列作为输入进入之后的自注意力子网络层，在经过k个自注意力子网络层后获得的输出序列(该序列中每个位置上也是一个维度为2r+1的向量，序列中向量的数量和自注意力子网络层输入序列中向量的数量相同)，这个输出序列再作为输入进入到输出子层中，输出子层获得的输出即是该单通道数字信号采样序列经过均衡后的数字信号采样序列。
[0076]
本实施例中，利用该网络对每个样本的2n个单通道序列进行处理，得到对应的2n个输出序列。
[0077]
图4给出了本发明一个具体实施例中输入子层的工作原理图。本实施例中，当1维包含p采样点的单通道数字信号采样序列进入输入子层后，首先以该单通道序列中各采样点为中心滑动选取设定长度的序列片段作为对应该采样点的短时间片向量，从而可提取该设定长度的多个短时间片向量。
[0078]
进一步地，图5给出了本发明一个具体实施例中输入子层中短时间片向量的产生方法的原理示意图。本实施例中，短时间片向量的长度为2r+1，r为正整数，例如可以为3,5,7等奇数。如图5所示，图5中每一行代表单通道获得的数字信号采样序列，将样本中单通道对应的采样时间序列[s1,s2,s3,....s
t
,....s
p
]依次做时间上的平移，共做2r+1次。对于第t个短时间片，选取以第t各采样点为中心，总长度为2r+1的序列片段[s
t-r
,s
t-r+1
,...s
t-1
,s
t
,s
t+1
,...,s
t+r
]作为一个短时间片向量。单通道采样序列的前r个采样点和倒数r个采样点都不存在以对应采样点为中心的完整的短时间片段，因此舍去，只保留中间的短时间片向量，则单通道采样序列共可生成p-2r个短时间片向量。在这p-2r个短时间片向量中，随机保留其中连续的n个短时间片向量，其中n小于等于p-2r。本发明一个具体实施例中取r＝2，形成维度为2r+1＝5的短时间片向量，p-2r＝290，本实施例只保留n＝256个这样的时间片向量。
[0079]
如图4所示，在输入子层中，将提取到的连续n个短时间片向量输入到一个全连接神经网络中，全连接神经网络输入维度为2r+1,输出维度为d。需要注意的是，n个短时间片向量分别输入全连接网络中，该全连接网络网络输出n个维度为d的短时间片编码向量。本实施例中d要求是一个大于2r+1的整数。在本发明的一个具体实施例中取d＝20。
[0080]
输入子层还需要做的是实现位置编码。本实施例中位置编码按照式(1)计算：
[0081]
pe
(t,2i)
＝sin(t/10000
2i/d
)
[0082]
pe
(t,2i+1)
＝cos(t/10000
2i/d
)
ꢀꢀꢀꢀ
(1)
[0083]
其中，t表示第t个短时间片向量，2i和2i+1分别表示短时间片编码向量中的第2i和第2i+1个维度，分别对应偶数和奇数维度，在本实施例中，由于d＝20，因此2i取值为2,4,6,8..20；2i+1取值为1,3,5,7...19。由此得到n个维度同样为d的位置编码向量。最后把短时间片编码向量与对应的位置编码向量相加，生成n个维度为d的向量序列输入到自注意力子网络层中。
[0084]
进一步地，每个自注意力子网络层的核心是一个多头自注意力子层，每一个多头自注意力子层又由数个自注意力单元并行合成。
[0085]
图6给出了本发明一个具体实施例中如何计算一个自注意力单元第t个时刻输出向量的流程示意图。如图6所示，自注意力单元首先通过三个矩阵将输入向量x转化为对应的3个向量，分别记为q,k,v。
[0086]
其中：
[0087]
q＝wqx
[0088]
k＝wkx
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0089]
v＝wvx
[0090]
其中，wq,wk,wv分别是行数为dk、列数为d的三个不同的矩阵，其矩阵元是网络通过训练获得的参数。本实施例中d和dk均设置为20。利用式(2)，可将n个输入向量x转化为n个对应的q,k,v向量。其中，对于第t个q向量q
t
,计算第j个k向量kj与q
t
的内积，1≤t,j≤n：
[0091][0092]
计算输入向量序列[x1,x2,...x
t
,...xn]中第t个时刻的输入向量中所有位置k向量与q
t
的内积，共得到n个内积值；将这n个内积值送入softmax函数中，输出经过归一化后的内积序列[a
t,1
',a
t,2
',...a
t,1
',...a
t,n
']，内积序列中的每一个值都是一个介于0与1之间的小数，序列中所有值相加和为1，因此每个值都代表一个权重，其中a
t
'
,j
代表第j个时刻对应的向量对第t时刻向量的注意或者说影响程度。用这一内积序列作为权重分别乘对应的k向量，最后相加计算出第t个时刻对应的输出向量：
[0093][0094]
对每个时刻重复上述运算，即可获得该自注意力单元的所有位置对应的输出向量组成输出向量序列[x1',x2',...x
t
',...xn']。图7(a)是本发明一个具体实施例中一个自注意力单元的原理示意图，在图7(a)中，将输入向量序列[x1,x2,...x
t
,...xn]通过如图6所示的计算流程，即可转化为输出向量序列[x1',x2',...x
t
',...xn']。
[0095]
本实施例中采用多个自注意力单元来获取不同的输出向量序列，以表达不同的注意内容。图7(b)是本发明一个具体实施例中一个具有m个的自注意力单元的多头自注意力子层的原理示意图。将输入向量序列[x1,x2,...x
t
,...xn]拷贝到m个不同的自注意力单元结构中，每个自注意力单元的不同点在于wq,wk,wv不同。由此共输出m个输出向量序列，其中图7(b)中第j个自注意力单元输出向量序列为1≤j≤m，为第j个自注意力单元输出向量序列中第t个时刻的输出向量。需要说明的是，每个自注意力单元输出向量的计算方法与前面所述完全相同，不同之处在于每个自注意力单元中计算q,k,v时所采用的矩阵wq,wk,wv中的矩阵元不同，这些矩阵元都是人工神经网络需要通过训练获得的参数。
[0096]
将m个输出向量序列中第t个时刻的输出向量进行维度拼接合并处理，生成一个维度为mdk的向量，随后将这个向量输入至多头自注意力子层中一个具有mdk个输入d个输出的全连接网络中，获得一个维度为d的输出向量y
t
。对各输出向量序列中对应同一时刻的各输出向量进行同样的操作，最终获得多头自注意力子层的输出向量序列[y1,y2,...y
t
,...yn]。
[0097]
需要说明的是，图3中全连接子层的输入为d维向量，输出也是d维向量。，这样便于不同自注意力子网络层之间的连接。
[0098]
图3中输出子层采用一个输入维度为d、输出维度为1的人工神经网络，本实施例中
输出层采用了一个三层全连接层的设计，中间隐藏层的维度分别为20,50,20。对最后一个自注意力子网络输出的每个向量利用同一个输出子层进行运算，可以获得均衡后的采样序列。
[0099]
1-3)利用步骤1-1)的训练集训练步骤1-2)构建的网络，得到训练完毕的基于自注意力的光学adc均衡网络。
[0100]
本实施例中，对于训练集所获得的每个样本，将2n个通道的数字信号采样序列作为输入送入如图3所示的网络中，网络输出各通道均衡后的采样序列，每个通道的采样序列以对应的训练标签作为目标，损失函数选为均方误差。计算各通道均衡后的采样序列与对应训练标签之间的均方误差，通过误差的反向传输训练并更新网络参数。上述过程一直重复直到误差不再系统性减小停止训练，整个过程大约需要～107epoch。在训练过程中，如果发现损失函数值降不下来，需要做超参数调整，然后重新训练网络参数。
[0101]
训练完成后，得到训练完毕的基于自注意力的光学adc均衡网络。
[0102]
2)测试阶段。
[0103]
2-1)获取测试样本。
[0104]
本实施例中，测试样本利用训练时采用的光学adc系统获取，测试样本的格式要求与训练样本相同。
[0105]
将设定频率和幅度的正弦波电信号输入光学adc系统，光学adc系统输出该正弦波电信号对应的2n个通道的数字信号采样序列作为测试样本，其中每个通道电学adc的采样率为f hz，每个通道输出的数字信号采样序列包含p个采样点。
[0106]
2-2)将步骤2-1)得到的测试样本输入步骤1)训练完毕的基于自注意力的光学adc均衡网络，在该网络输出处获得各通道均衡后的数字信号采样序列。
[0107]
进一步地，本实施例中可将拟合正弦波计算得到的每个采样点处理想值分别与均衡前后每个采样点值求差，如果均衡后的差值系统性小于均衡前的差值，则证明本实施例的均衡网络能够起到降低噪声和减小非线性影响的效果。
[0108]
在本发明的一个具体实施例中，利用一个重复速率为20ghz的超短脉冲光源，搭建了4路、单信道采样率为5ghz的光学adc系统，采用时分解复用器结构采集了大量的实验数据。实验采用频率和幅度不同的正弦波作为待测信号，利用已知的正弦波频率和幅度生成正弦波作为训练标签。将数据分成了训练集和测试集，其中训练集包含5000组数据，测试集包含1000组数据。对本发明实施例所述方法进行了参数训练和测试。测试结果表明本发明实施例所提供的基于自注意力的光学adc均衡网络结构具有抑制噪声、去调制器非线性的能力。
[0109]
为实现上述实施例，本发明第二方面实施例提出一种光学adc数字域均衡装置，包括：
[0110]
采样模块，用于将设定频率和幅度的正弦波电信号输入光采样电量化光学adc系统，所述系统输出每个通道的数字信号采样序列；
[0111]
均衡模块，用于将所述每个通道的数字信号采样序列输入预设的基于自注意力的光学adc均衡网络，所述网络输出该通道均衡后的数字信号采样序列。
[0112]
需要说明的是，前述对一种光学adc数字域均衡方法的实施例解释说明也适用于本实施例的一种光学adc数字域均衡装置，在此不再赘述。根据本发明实施例提出的一种光
学adc数字域均衡装置，通过将设定频率和幅度的正弦波电信号输入光采样电量化光学adc系统，所述系统输出每个通道的数字信号采样序列；将所述每个通道的数字信号采样序列输入预设的基于自注意力的光学adc均衡网络，所述网络输出该通道均衡后的数字信号采样序列。由此可实现降低光采样电量化光学adc系统中调制器非线性和噪声对量化准确度的影响，波形适用范围广泛、计算并行度高，具有较高的应用价值。
[0113]
为实现上述实施例，本发明第三方面实施例提出一种电子设备，包括：
[0114]
至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；
[0115]
其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被设置为用于执行上述一种光学adc数字域均衡方法。
[0116]
为实现上述实施例，本发明第四方面实施例提出一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行上述一种光学adc数字域均衡方法。
[0117]
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
[0118]
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备执行上述实施例的一种光学adc数字域均衡方法。
[0119]
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0120]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0121]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本技术的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0122]
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本技术的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本技术的实施例所属技术领域的技术人员所理解。
[0123]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。
[0124]
应当理解，本技术的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0125]
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
[0126]
此外，在本技术各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模
块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
[0127]
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本技术的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本技术的限制，本领域的普通技术人员在本技术的范围内可以对上述实施例进行变化、修改、替换和变型。

技术特征：
1.一种光学adc数字域均衡方法，其特征在于，包括：将设定频率和幅度的正弦波电信号输入光采样电量化光学adc系统，所述系统输出每个通道的数字信号采样序列；将所述每个通道的数字信号采样序列输入预设的基于自注意力的光学adc均衡网络，所述网络输出该通道均衡后的数字信号采样序列。2.根据权利要求1所述的方法，其特征在于，所述基于自注意力的光学adc均衡网络包括依次连接的一个输入子层、k个相同的自注意力子网络层和一个输出子层；其中，每个所述自注意力子网络层包括依次连接的一个多头自注意力子层和一个全连接子层，第一自注意力子网络层的多头自注意力子层连接所述输入子层，第k个自注意力子网络层的全连接层连接所述输出子层。3.根据权利要求2所述的方法，其特征在于，所述输入子层用于对输入的单个通道的数字信号采样序列进行输入编码和位置编码，以输出对应的带有位置信息的向量序列。4.根据权利要求3所述的方法，其特征在于，所述方法还包括：当任一通道数字信号采样序列进入输入子层后，首先以该通道采样序列中各采样点为中心滑动选取设定长度的序列片段作为对应该采样点的短时间片向量；其中，该通道数字信号采样序列的采样点数为p，短时间片向量的长度为2r+1，r为正整数，则该通道采样序列共生成p-2r个短时间片向量；从p-2r个短时间片向量中，随机选取其中连续n个短时间片向量，其中n小于等于p-2r；将维度为2r+1的所述n个短时间片向量输入到所述输入子层中的一个全连接神经网络中，该全连接网络网络输出n个维度为d的短时间片编码向量，其中d大于2r+1；输入子层按照下式对所述n个短时间片向量分别进行位置编码，以得到n个维度为d的位置编码向量：pe
(t,2i)
＝sin(t/10000
2i/d
)pe
(t,2i+1)
＝cos(t/10000
2i/d
) (1)其中，t表示第t个短时间片向量，2i和2i+1分别表示短时间片编码向量中的第2i和第2i+1个维度；将所述短时间片编码向量与对应的位置编码向量相加，生成n个维度为d的向量序列输出到所述自注意力子网络层中。5.根据权利要求4所述的方法，其特征在于，所述多头自注意力子层由多个自注意力单元并行构成；其中，每个自注意力单元首先通过三个矩阵将任一输入向量x转化为对应的3个向量，分别记为q,k,v：其中，w
q
,w
k
,wv分别是行数为d
k
、列数为d的矩阵；根据式(2)，自注意力单元将n个输入向量x转化为n个对应的q,k,v向量；对于第t个q向量q
t
，计算第j个k向量k
j
与q
t
的内积，1≤t,j≤n：
计算输入向量序列[x1,x2,...x
t
,...x
n
]中第t个时刻的输入向量x
t
中所有位置k向量与q
t
的内积，共得到n个内积值；将该n个内积值通过softmax函数得到经过归一化后的内积序列[a
t,1
',a
t,2
',...a
t,1
',...a
t,n
']，内积序列中的每一个值都是一个介于0与1之间的数，序列中所有值相加和为1，其中a
′
t,j
代表第j个时刻对应的向量对第t时刻向量的影响程度；将该内积序列作为权重分别乘对应的k向量，最后相加计算第t个时刻对应的输出向量：计算得到每个时刻的输出向量后，将该自注意力单元的所有时刻对应的输出向量组成输出向量序列[x1',x2',...x
t
',...x
n
']。6.根据权利要求5所述的方法，其特征在于，所述方法还包括：当所述多头自注意力子层包括m个自注意力单元时，将输入向量序列[x1,x2,...x
t
,...x
n
]复制到m个自注意力单元中，共得到m个输出向量序列，其中，每个自注意力单元的w
q
,w
k
,wv不同，第j个自注意力单元输出向量序列为1≤j≤m，为第j个自注意力单元输出向量序列中第t个时刻的输出向量；将m个输出向量序列中第t个时刻的输出向量进行维度拼接合并处理，生成一个维度为md
k
的向量并输入至多头自注意力子层中一个具有md
k
个输入d个输出的全连接网络中，获得一个维度为d的输出向量y
t
，最终得到多头自注意力子层的输出向量序列[y1,y2,...y
t
,...y
n
]。7.根据权利要求6所述的方法，其特征在于，在所述将所述每个通道的数字信号采样序列输入预设的基于自注意力的光学adc均衡网络之前，所述方法还包括：训练所述基于自注意力的光学adc均衡网络；所述训练所述基于自注意力的光学adc均衡网络，包括：1)构建训练集，具体包括：随机产生任意频率和幅度的正弦波电信号并输入所述光学adc系统；每改变一次正弦波的频率和幅度，在所述光学adc系统各通道的电学adc输出处采集输出的数字信号，每次采集得到2
n
个不同通道的数字信号采样序列组成一本训练样本，该样本中每个通道的采样数据包含p个在时间上均匀分布的采样点，则一个训练样本为由2
n
个通道、每个通道p个采样点的数字信号组成的原始采样数据序列；对每个通道的采样数据利用标准正弦波进行最小二乘法拟合，利用拟合得到的标准正弦波计算每个采样点对应的理想采样数值，将每个通道的p个理想采样数值组成的序列作为该通道对应的训练标签，则每个训练样本共得到2
n
个训练标签；将不同频率和幅度的正弦波电信号对应的训练样本及其训练标签组成训练集；2)构建所述基于自注意力的光学adc均衡网络；3)利用所述训练集中的训练样本及对应的训练标签训练所述基于自注意力的光学adc均衡网络，得到训练完毕的所述基于自注意力的光学adc均衡网络。8.一种光学adc数字域均衡装置，其特征在于，包括：采样模块，用于将设定频率和幅度的正弦波电信号输入光采样电量化光学adc系统，所
述系统输出每个通道的数字信号采样序列；均衡模块，用于将所述每个通道的数字信号采样序列输入预设的基于自注意力的光学adc均衡网络，所述网络输出该通道均衡后的数字信号采样序列。9.一种电子设备，其特征在于，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被设置为用于执行上述权利要求1-7任一项所述的方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行权利要求1-7任一项所述的方法。

技术总结
本发明提出一种光学ADC数字域均衡方法及装置，属于光电子技术领域。其中，所述方法包括：将设定频率和幅度的正弦波电信号输入光采样电量化光学ADC系统，所述系统输出每个通道的数字信号采样序列；将所述每个通道的数字信号采样序列输入预设的基于自注意力的光学ADC均衡网络，所述网络输出该通道均衡后的数字信号采样序列。本发明可降低光采样电量化光学ADC系统中调制器非线性和噪声对量化准确度的影响，波形适用范围广泛、计算并行度高，具有较高的应用价值。高的应用价值。高的应用价值。


技术研发人员：霍力 娄采云
受保护的技术使用者：清华大学
技术研发日：2023.06.13
技术公布日：2023/10/7