阅读说明：本技术 盲检测模型优化 (Blind detection model optimization ) 是由 A·A·哈桑 于 2020-03-24 设计创作，主要内容包括：在一些示例中公开了用于盲检测模型优化的方法、系统、光学设备和机器可读介质。接收器可以监控一个或多个优化度量以确定优化度量是否满足优化条件。一旦观察到优化条件,系统就可以执行盲检测模型优化而不使用发射器的训练序列。也就是说,使用发射器发送的正常数据来优化检测模型。(Methods, systems, optical devices, and machine-readable media for blind detection model optimization are disclosed in some examples. The receiver may monitor one or more optimization metrics to determine whether the optimization metrics satisfy an optimization condition. Once the optimization conditions are observed, the system can perform blind detection model optimization without using the training sequence of the transmitter. That is, the detection model is optimized using normal data sent by the transmitter.)

具体实施方式

图1图示了根据本公开的一些示例的以光纤系统100的形式的简化的光通信系统的组件。数据流105可以包括由处理电路110处理的由更高网络层产生的二进制数据。处理电路110可以以一种或多种方式处理数据流105的数据以准备用于传输。由处理电路110执行的示例处理操作包括应用一个或多个纠错码(ECC)、压缩算法、加密算法等。由处理电路110变换的数据然后作为控制信号传递到光源115。光源115通过根据调制方案依据输入数据选择性地开启和关闭光源来调制数据。例如，在简单的调制方案中，每个位可以在预定的时间段(例如，时隙)期间传输。在特定时隙期间，如果来自输入数据的当前位是‘1’，则在该时隙期间可以开启光源，并且如果来自输入数据的当前位是‘0’，则在该时隙期间可以关闭光源。可以使用其他更复杂的调制方案，例如幅度、相位或偏振调制。在一些示例中，可以在正弦波上调制光。

由光源产生的光然后通过光通信路径传播到接收器。光通信路径是光源从发射光源到接收传感器所采取的路径。该路径可以通过一种或多种介质，例如单根光纤、空气等。在图1的示例中，光通信路径穿过单根光纤120。在介质是空气的示例中，光通信路径可以是发射光源和接收器处的传感器的对准。

接收器包括光电检测器125和处理电路130。光电检测器125收集在检测时间段内检测到的光子数量的计数，该检测时间段对应于数据流105的单个位被传输的时间量。基于光子计数，光电检测器产生数据流，然后将数据流输入到处理电路130，该处理电路应用与处理电路110应用以产生数据流135的操作的逆操作。目标是在使数据流135与数据流105匹配的同时，将数据流105尽可能快地传输到接收器。

如已经指出的，WDM可以用于优化光通信路径的使用。诸如幅度调制(AM)和数字域功率分复用(DDPDM)等其他技术也增加了介质的带宽。将清楚地表明，这些技术都没有充分利用介质中可用的整个带宽，并且在某些情况下，这些技术存在不希望有的缺点。例如，这些技术都不允许具有两个不同光源的两个不同发射器以相同波长并通过与接收器相同的通信路径(例如，光纤)同时传输。此外，用于对每个流进行位分配的决策区域对于这些技术中的每个位组合(对应于检测到的位组合的光子计数区域)是相等的。这些对称决策区域在不同发射器具有略微不同的功率电平的情况下存在困难。最后，对于DDPDM，使用的解码、解调和干扰消除非常复杂，并且需要大量处理资源。例如，DDPDM在接收器处对同一信号进行多次解调和再调制。这增加了设备成本和/或解码时间。

另一种技术，由Amer Hassan和Edward Giaimo(代理人案卷编号1777.C02US1)在与本申请同日提交的共同未决申请“Power Switching for Systems ImplementingThroughput Improvements for Optical Communications”中描述的光功率电平调制(OPLM)，其全部条款通过引用被并入本文，允许使用以具有相同波长的不同功率电平传输的不同光源通过相同光通信路径(例如，相同光纤)传输多个数据流。OPLM技术可以与多种调制方案相结合，例如简单的调制方案，在这种方案中，光源开启以发送‘1’并关闭以发送‘0’，以及更复杂的方案，例如AM、DDPDM、WDM等等。在OPLM系统中，对应于每个流的每个光源以相同的频率并且在相同的光通信路径上使用不同的功率电平进行传输。接收器通过将一个或多个检测模型应用于在接收器处观察到的光子计数以确定每个流的可能位分配来对每个流的数据进行解复用。

由于每个光源以不同的功率电平发射，因此单独激活的第一光源、单独激活的第二光源或共同激活的二者产生在接收器处检测到的不同光子计数。泊松分布形式的检测模型(或其他检测模型)可以基于这些光子计数来计算每个光源被激活的概率。这可用于为每个流分配位值。因此，可以利用诸如泊松分布的检测模型来解复用流。例如，考虑具有两个数据流和两个光源的系统，使用这样的调制方案，即，其中光源激活用位流中的‘1’进行信号通知，而光源关闭用位流中的‘0’进行信号通知。在该系统中，第一模型可以指示第一光源开启而第二光源关闭的概率——这对应于‘1’和‘0’的位组合。第二模型可以指示第二光源开启而第一光源关闭的概率光源——这对应于‘0’和‘1’的位组合。第三模型可以指示两个光源都被激活的概率并且因此对应于‘1’和‘1’的位组合。

结果，来自多个光源的多个数据流可以在单个光链路上发送，该光链路可以是单个链路上单个通道的带宽的两倍、三倍、四倍或更多倍。此外，可以避免其他技术的问题。例如，每个位组合的决策区域(例如，泊松分布)可能与其他位组合的决策区域(例如，图3中曲线下的面积)不同。这允许有不同功率电平的光源。此外，与DDPDM不同，检测非常简单。此外，由于可以使用多个光源，因此系统可以同一通信路径(例如，同一光纤)上支持多个用户。

图2图示了根据本公开的一些示例的在对数据进行解复用中由接收器执行的OPLM方法200。在操作210，接收器可以确定在预定时间段期间观察到的光子的光子计数。预定时间段可以是一段时间(例如，时隙)，在此期间，发射器和接收器被同步以传输位流的一个或多个位(例如，分组的位)。在操作215，接收器使用光子计数和第一检测模型确定对应于数据的第一流的第一光源以第一功率电平开启并且对应于数据的第二流的第二光源关闭的第一概率。在操作220，接收器使用光子计数和第二检测模型确定对应于数据的第一流的第一光源关闭并且对应于数据的第二流的第二光源以第二功率电平开启的第二概率。在操作225，接收器使用光子计数和第三检测模型确定第一光源以第一功率电平开启并且第二光源以第二功率电平开启的第三概率。

检测模型可以是泊松概率分布、机器学习模型(例如，神经网络、回归模型、聚类模型、决策树)等。例如，如上所述，第一光源单独以第一功率电平发射，第二光源单独以第二功率电平发射，并且第一和第二光源一起发射可以产生撞击接收器的不同平均数量的光子。因此，光源的特定组合导致那些光子撞击接收器的概率可以使用泊松分布建模。这些泊松分布可用作检测模型。

在操作230，系统可以基于第一概率、第二概率和第三概率确定数据的第一流和数据的第二流的位值。例如，可以选择产生最高概率值的模型并且可以将对应于该模型的位值分配给位流。如上所述，检测模型可以对应于各种数据流的位值。在一些示例中，可以通过将光子计数与预定最小阈值进行比较来确定两个位流的‘0’的值(例如，在操作215、220和225之前或在操作230期间)。在其他示例中，可以针对两个位流的‘0’值使用单独的模型。方法200用于两个光源和两个位流，但可以应用于具有额外位流的额外光源。在其他示例中，单个模型可以输出位分配。

OPLM系统解决了光通信中有效带宽利用的技术问题，而没有上述先前方法的缺点。例如，该方法允许使用单个光源传输多个数据流或使用多个光源传输多个数据流。在本公开中，来自多个光源的任何干扰由使用任何此类干扰训练的检测模型来解释。此外，由于模型可能具有不相等的决策区域的概率，因此使用具有不同功率电平的不同光源不会像与AM和DDPDM那样造成问题。此外，这些模型可能会随着时间的推移进行调整以将老化的发射器电路考虑在内。与DDPDM相反，本公开不需要通过进行连续干扰消除来重新调制接收信号。相反，本公开利用特定位组合的平均光子计数。由于所公开的检测模型是相对简单的概率分布，因此，数据流的解码和解复用的过程可以使用相对简单、便宜和快速的硬件和/或软件来解复用输入，而不需要更复杂的硬件，例如使用连续干扰消除的方法所需要的那些更复杂的硬件。

OPLM使用训练序列来确定检测模型。例如，通过指示每个光源单独激活，并与其他光源组合来确定每个组合的平均光子计数。平均光子计数可用于构建检测模型，例如泊松概率模型，或训练有监督或无监督的机器学习模型。在操作期间，在传输时隙期间观察到的光子计数被提交给每个检测模型并且可以选择具有最高概率的检测模型。对应于该检测模型的位分配可以被分配为每个特定流的位。

虽然这适用于初始设置模型，但是介质的改变例如光纤的改变、光源的功率输出随时间的改变或其他因素可能导致对位进行解复用中的错误。定期重新运行训练序列可以纠正这些错误，但可能会在重新运行训练序列时导致数据传输延迟。

在一些示例中公开了用于盲检测模型优化的方法、系统、光学设备和机器可读介质。接收器可以监控一个或多个优化度量以确定优化度量是否满足优化条件。一旦观察到优化条件，系统就可以执行盲检测模型优化而不与发射器使用训练序列。也就是说，使用发射器发送的正常数据优化检测模型。例如，如果优化条件是错误阈值并且如果由ECC确定的错误率超过错误阈值，则系统可以开始检测模型优化。该系统可以保存观察到的数据集，该观察到的数据集包括多组光子计数和解复用的位组合和/或由ECC确定的校正位组合。该观察到的数据集可以包括正确解复用和不正确解复用的数据二者。该观察集可用于调整检测模型以降低错误率。例如，可以调整检测模型的中值和/或范围以产生观察集中的最低错误率。

图3图示了根据本公开的一些示例的位错误和对三个检测模型的后续盲决策优化300。在图3的示例中，检测模型是泊松概率曲线，x轴为光子计数，而y轴为合成概率。在图3的示例中，一种简单的调制方案与OPLM结合使用，由此光源在特定时隙关闭以传输零并激活以传输1。其他调制方案可以与OPLM结合使用以实现更高的数据速率。原始检测模型320、325和330中的每一个的位组合显示在平分每个模型的垂直线的顶部。

在图3的示例中，接收光子计数340(由垂直线表示)。根据原始检测模型320、325和330，由于原始检测模型325产生的概率最高(由表示光子计数340的垂直线与概率模型相交所示)，这被解复用为0、1的位组合。如果随后的ECC校验表明存在错误，则可以更新错误度量。如果错误度量超过阈值(例如，观察到优化条件)，则系统可以基于观察到的数据集优化模型。

在图3的示例中，假设观察到的数据集中只有一个样本光子计数340，不正确的位分配0 1和正确的位分配(由ECC确定)1,1,系统可能会尝试并且优化原始检测模型320、325和330以纠正错误。例如，原始检测模型320、325和330可以在图上向左移动以产生更新的检测模型321、326和331。使用更新的检测模型321、326和331，模型331现在是返回光子计数340的最高概率的模型，并且因此新的位分配将是1,1，根据ECC这是正确的。随后的解调尝试将利用更新的检测模型。

对于基于泊松分布的检测模型，为了更新检测模型，系统可以基于观察到的数据集中的数据的光子计数来计算新的检测模型。例如，对于由ECC数据确定的每个位组合，观察到的光子计数可以被平均以确定该位组合的新泊松分布。例如，如果观察到的数据如下表所示：

光子计数	实际位值(如ECC确定的)
		0	(0,0)
30	(0,1)
		45	(0,1)
17	(0,1)
		33	(0,1)
50	(1,0)
		55	(1,0)
67	(1,0)
		88	(1,0)
115	(1,1)
		122	(1,1)
137	(1,1)

每个位组合的新平均光子计数如下：

位组合	平均光子计数
		(0,0)	0
(0,1)	31.25
		(1,0)	65
(1,1)	124.6

在一些示例中，模型可以完全由来自观察到的数据的观察光子计数数据代替。在其他示例中，最初构建模型时来自训练过程运行的光子计数可以与观察到的数据组合以形成新模型。在这些示例中，可以以基于观察到的训练数据的新近程度，以权衡其对新检测模型的贡献的方式组合训练数据。例如，对于泊松分布模型，接收器可以使用以下公式：

新的平均光子计数

＝((1—x)*训练平均光子计数)+((x)

*观察到的平均光子计数)

其中0<x<1

如所指出的，x可以基于自训练发生以来经过的时间。在其他示例中，x可以基于优化度量。例如，x可能取决于错误率，使得错误率越高，x越高，并且接收器在计算新模型时对旧模型的依赖就越少(因为它表明训练数据不太可靠)。

对于非泊松分布的检测模型，例如机器学习模型，系统可以通过使用先前观察到的数据和训练数据二者重新训练模型或通过利用增量学习方法在不忘记先前获得的知识的情况下获取新知识来应用观察到的数据以更新模型。后一种示例算法是用于受监督的神经网络的Learn++算法。

图4示出了根据本公开的一些示例的盲更新检测模型的方法400的示例。在操作410，接收器解复用数据的第一和第二流。例如，通过执行图2的操作。如前所述，对于每个预定时间段，光子计数由撞击接收器的光子检测器的观察到的光子确定。光子计数提交给一个或多个检测模型。例如，对于由处于两个不同功率电平的两个光源产生的两个流，第一检测模型可以提供光子计数是由以第一功率电平单独激活的第一光源产生的概率，第二检测模型可以提供光子计数由以第二功率电平单独激活的第二光源产生的概率，并且第三检测模型可以提供光子计数由以第一和第二功率电平激活的第一和第二光源二者产生的概率。在一些示例中，第四检测模型可以提供光子计数不是由光源被激活所产生的概率。在其他示例中，如果光子计数低于最小光子计数，则可以确定在该时间段期间可能没有光源被激活。在一些示例中，模型可以是泊松概率。

如前所述，每个检测模型可以与每个数据流的特定位分配相关联。在简单的调制方案中，其中，光源被激活为它传输的位流发出信号‘1’并且光源关闭为它传输的位流发出信号‘0’：第一检测模型可以对应于对于与第一光源对应的第一流为1和对于与第二光源对应的第二流为0的位分配，第二检测模型可以对应于对于与第二光源对应的第二流为1和对于与第一光源对应的第一流为0的位分配，第三检测模型可以对应于对于每个流为1的位分配。在一些示例中，选择在给定观察到的光子计数的情况下具有最高概率的模型并且利用对应于该模型的位分配来向位流分配位。

在操作415，可以识别、计算、更新或以其他方式确定优化度量。例如，数据的第一和第二流可以应用纠错码(ECC)方案。示例ECC方案包括卷积码、分组码、里德-所罗门码、汉明码、Turbo码、低密度奇偶校验码(LDPC)等。这些ECC方案可能不仅能够检测错误，还能够纠正数据中的一个或多个错误。在一些示例中，优化度量可以是错误率，例如具有可纠正或不可纠正ECC错误的解码数据的百分比。由于两个流都应用了ECC，因此度量可以是组合的ECC错误率，或每个单独流单独的错误率。

在操作417，接收器将优化度量与优化条件进行比较以确定优化度量是否匹配优化条件。例如，如果错误率超过错误阈值。如果优化度量与优化条件不匹配(例如，错误率未超过阈值)，则流程继续回到对数据进行解复用。如果优化度量确实匹配优化条件(例如，错误率超过阈值)，则流程进行到操作420。在一些示例中，优化条件可以是逐位调整的单个错误。

在操作420，可以更新检测模型中的一个或多个。例如，可以基于观察到的数据集来更新检测模型。观察到的数据集可以包括接收到的光子计数和对应的实际位分配，该对应的实际位分配是从对在解复用期间确定的预测位分配执行的纠错操作导出的。例如，当没有ECC错误时，系统可以存储接收到的光子计数和由光子计数产生的相关联的位分配。当存在ECC错误时，错误位可以被纠正，并且系统可以存储接收到的光子计数和相关联的的纠正位分配。

如前所述，可以通过使用泊松分布检测模型的观察到的数据计算新的平均光子计数来更新模型。在其他示例中，可以通过对模型进行一个或多个调整来更新模型——例如，移动模型的中值或分布。在一些示例中，可以进行多次随机移位，并且然后用观察集检查以查看观察集上的错误率是否会降低。在观察集上产生最小错误率的随机移位可用作更新的模型。在检测模型是机器学习模型的示例中，可以通过使用观察集和/或训练数据集重新训练模型或利用增量学习算法以更新机器学习模型(例如神经网络模型和其他受监督的机器学习模型)的模型来更新模型。

在其他示例中，不是存储观察到的数据，而是可以保持每个校正位(由ECC确定的)分配的运行平均光子计数。因此，平均光子计数和位分配(由ECC确定的)被添加到该特定位分配的运行平均光子计数中，并且该模型立即用该特定平均光子计数更新。这允许位分配对不断变化的条件做出快速反应。在一些示例中，平均光子计数的变化可以应用于所有检测模型，但在其他示例中，它可以仅应用于与ECC校正的位分配相对应的检测模型。

在模型是机器学习算法的示例中，每个校正的位组合和相关联的光子计数可以被馈送到增量学习算法以在逐位的基础上更新模型。

在一些示例中，如果ECC错误不可纠正，则部分数据可能丢失并且可能发起重传序列。在某些示例中，不可纠正的ECC错误可能不会用于优化模型。在一些示例中，不可纠正的ECC错误可能仍被计入优化度量中，并作为模型是否被优化的因素。在其他示例中，如果不可纠正的ECC错误的数量或比率超过阈值，则接收器可以发起新的训练序列。

现在转向图5，示出了根据本公开的一些示例的更新检测模型的方法500。方法500适用于泊松检测模型。在操作510，根据观察到的数据和/或训练数据确定第一检测模型的平均光子计数。例如，如果第一检测模型对应于第一流为1和第二流为0的位分配，则来自任何观察到的数据(和/或训练数据)的对应于任何ECC校正的1,0位分配的光子计数可以相加并除以样本数以确定平均光子计数。在一些示例中，来自一个或多个先前训练阶段的光子计数(或平均光子计数)也可用于计算更新的检测模型。在操作515，新的平均光子计数用于确定更新的第一检测模型。例如，泊松检测模型可由以下等式给出：

等式1：

在操作520，根据观察到的数据和/或训练数据确定第二检测模型的平均光子计数。例如，如果第二检测模型对应于对于第二流为1和对于第一流为0的位分配，则可以将来自任何观察到的数据的与由任何ECC校正的0,1位分配相对应的光子计数相加并除以样本数以确定平均光子计数。在一些示例中，来自一个或多个先前训练阶段的光子计数(或平均光子计数)也可用于计算更新的检测模型。在操作525，新的平均光子计数用于确定更新的第二检测模型。例如，上面显示的等式1。

在操作530，根据观察到的数据和/或训练数据确定第三检测模型的平均光子计数。例如，如果第三检测模型对应于对于第二流为1和对于第一流为1的位分配，则可以对来自任何观察到的数据中的与由任何ECC校正的1,1位分配相对应的光子计数相加并除以样本数以确定平均光子计数。在一些示例中，来自一个或多个先前训练阶段的光子计数(或平均光子计数)也可用于计算更新的检测模型。在操作535，新的平均光子计数用于确定更新的第二检测模型。例如，上面示出的等式1。

在一些示例中，接收器可以在那些示例中使用附加检测模型(例如，对于0，0)，也可以更新那些检测模型。图5示出了方法500的示例，其中所有检测模型都被更新，但是在其他示例中，并非所有检测模型都可以被更新。例如，优化度量和条件可能特定于特定位组合。在这些示例中，仅可以更新具有其中优化度量与优化标准匹配的位组合的模型。

如前所述，可以利用校正的位分配值来计算对模型的更新。校正的位分配可以由应用于每个流的ECC来确定。每个流的ECC可以独立于另一个流。即，应用于第一流的ECC可以不同于应用于第二流的ECC，等等。

观察到的数据集可以保留特定的时间段。例如，预定数量的最近接收的数据集可以被存储并用于调整检测模型。在其他示例中，接收器可以单独存储每个模型的观察到的数据。因此，例如，第一检测模型可以具有缓冲器，其用于存储与关联于第一检测模型的位组合对应的观察到的数据，第二检测模型可以具有缓冲器，其用于存储与关联于第二检测模型的位组合对应的观察到的数据，等等。一旦缓冲区已满，最旧的观察到的数据可能会被删除并替换为新的观察到的数据等等。这确保了观察到的数据不受对应于单个检测模型的数据的支配，并为计算所有检测模型提供了广泛的基础。

示例发射器和接收器

现在转向图6，示出了根据本公开的一些示例的用于增加光纤带宽的系统600的示意图。第一发射器605可以包括处理电路610以转换数据流以准备它在光纤上传输。示例操作包括应用ECC、加密、调制操作等。转换后的位用作用于控制器620的信号以指示光源615选择性地打开或关闭以根据调制方案来表示转换后的位流。例如，通过响应于位流中的‘1’打开光源615并响应于位流中的‘0’关闭光源。控制器620可以基于在分配的功率电平分配方案中指示的功率电平和基于功率电平分配方案的当前阶段来设置光源615的功率。功率电平分配方案是用于协调跨两个或更多个发射器的不同功率电平的任何公式或计划。例如，发射器可以使哪个发射器以特定功率电平发射交替。功率电平分配方案可以分为一个或多个阶段。阶段指定功率电平分配方案的单元，其中由该方案服务的每个发射器在定义的持续时间或直到定义的事件发生之前被分配功率电平。持续时间可以是基于时间的、基于数据长度的(例如，定义的时隙数量)等。在一些示例中，接收器使用的检测模型可以特定于功率电平分配方案的当前阶段。功率电平分配方案可以由一个或多个数据结构来描述。例如，公式、表格、图表或其他指标。在使用改变功率的调制方案的情况下，功率电平可以是特定时隙上的平均功率电平。哪个功率电平分配方案是活动的以及哪个阶段是活动的指示可以存储在功率电平分配方案存储665中。

光源615在光通信路径上传输光，该光通信路径可以通过诸如光纤的介质到接收器。示例光源可以包括LED或LASER光源。控制器620和处理电路610可以是通用处理器或者可以是被配置为实现本文描述的技术的专门设计的电路。功率电平分配方案存储665可以是闪存、只读存储器(ROM)或其他暂时性或非暂时性存储。

发射器605和650可以是收发器，因为它们可以具有相关联的接收器，例如接收器625、658。功率电平分配方案可以由接收器660(其也可以是收发器)通过与第二发射器650达成一致等来进行分配。分配的功率电平分配方案可以是存储在功率电平分配方案存储665中的预定分配方案库中的一个。在一些示例中，分配的功率电平分配方案可以基于分配方案库中的方案，但针对通信会话中涉及的特定发射器和接收器中的一个或多个进行了修改。在其他示例中，分配的功率电平分配方案可以是针对特定通信会话定制的。功率电平分配方案存储665可以存储特定分配方案、特定分配方案的选择、使用中的任何定制、当前阶段等。

接收器625可以是光纤接收器，但也可以是诸如WiFi接收器、蓝牙接收器、以太网接收器等的带外接收器。接收器625可以从接收器660接收指令，该指令被传递到控制器以在接收器的模型训练期间开启或关闭光源615。

第二发射器650可以包括与第一发射器605类似的组件。例如，控制器654、光源656、处理电路652、接收器658、功率电平分配方案存储670等。在一些示例中，如果第一发射器605和第二发射器650在同一设备中，则第一发射器605和第二发射器650之间可以共享一个或多个组件。另外，第一发射器605和第二发射器650可以以多个不同波长在光缆上将多个数据流发送到接收器660。因此，第一发射器605和第二发射器650可以利用本发明的两种技术通过改变功率电平在同一光纤上同时发送多个数据流，而且还发送使用不同波长的多个数据流。

图7示出了根据本公开的一些示例的接收器700的示意图。例如，接收器700可以是作为收发器660的一部分的示例接收器。接收器700可以包括光电检测器705，其对在预定时间段(例如，一个时隙)内通过诸如光纤的光通信路径接收的光子进行检测和/或计数。光子计数被传递到控制器710。控制器710可以利用存储在模型存储735中的一个或多个检测模型来确定位流中的各个位。例如，模型可以包括一个或多个泊松分布，其可以返回光子计数对应于每个流的一个或多个特定位组合的概率。可以基于当前功率电平分配方案的当前阶段来选择要使用的特定检测模型。当前阶段和/或选择的功率电平分配方案可以存储在功率电平分配方案存储740中。

例如，考虑一个简单的功率电平分配方案，其中两个光源在同一波长上同时跨同一通信路径(例如，光纤)传输。功率电平分配方案交替使用对应于两个不同数据流的两个光源中的哪一个在高功率电平上逐位激活。在第一位，流1是高功率光源，流2是低功率光源。在传输第一位的时间段内接收到的光子计数被提交到第一检测模型集，该第一检测模型集包括经过训练以检测第一光源以高功率激活(第二光源关闭)、第二光源以低功率激活(第一光源关闭)并且都以各自指定的功率激活的模型。返回最高分数(例如，检测概率)的检测模型用于为位流分配值。例如，如果训练检测模型以检测高功率激活的第一光源(第二光源关闭)返回最高概率，则将‘1’分配给与第一光源对应的位流，并且零分配给对应于第二光源的位流(例如，基于调制方案，其中‘1’由光源的激活指示并且‘0’由光源关闭指示)。

在第二阶段，流1是低功率光源，流2是高功率光源。在第二位将被传输的时间段内接收到的光子计数被提交给第二检测模型集，该第二检测模型集包括训练用于检测第一光源以低功率激活(没有激活第二光源)的模型)、第二光源以高功率激活(没有激活第一光源)并且都以它们各自指定的功率发射‘1’的模型。返回最高分数(例如，检测概率)的检测模型用于为位流分配值。例如，如果训练检测模型以检测低功率激活的第一光源(没有激活第二设备)返回最高概率，则将‘1’分配给与第一光源对应的位流，并且零分配给与第二光源对应的位流。

由控制器确定的每个位流然后分别传递到处理电路715和720，它们对位流进行解码，并执行各种操作(例如图6中的发射器的处理电路610和652所执行的操作的逆操作)并将位流输出到更高级别的层(例如物理层、传输层或其他网络层)。示例逆操作可以包括使用ECC检测和纠正错误。当处理电路715、720解码ECC时，正确的位分配和光子计数被存储在观察到的数据存储区745中。随着解复用操作的进行，模型更新器755监视一个或多个优化度量并将这些优化度量与存储在的优化条件数据存储区760中的一个或多个优化条件进行比较。优化条件可以由管理员预先确定(并通过一个或多个用户界面输入到优化条件中)、由系统设计者输入、等等。如果优化度量满足优化条件，则模型更新器可以利用观察到的数据存储区745中的观察到的数据来更新模型存储735中的检测模型。在以逐位方式优化模型的示例中，模型更新器755不断更新模型735。

校准组件725可以最初训练模型并且可以包括模型训练组件730，模型训练组件730可以指示发射器(通过发射器750)发射各种测试数据序列。可以使用由光检测器705观察到的光子计数来构建模型。例如，通过使用平均光子计数来创建模型，或者通过将光子计数提交给训练模块，例如图8的训练组件810。

在一些示例中，控制器710还可以选择和控制功率电平分配方案。例如，通过与发射器通信来选择和/或定制一个方案。这可以在与发射器的通信会话之前和/或在通信会话期间周期性地发生。在其他示例中，在发射器就功率电平分配方案达成一致的情况下，控制器710接收指示哪个功率电平分配方案是活动的消息。控制器可以通过向和/或来自一个或多个发射器的消息传递(例如，对于基于QoS的方法或修改)、基于从最后阶段开始的经过时间等来确定当前阶段。

图8示出了根据本公开的一些示例的示例机器学习组件800。机器学习组件800可以全部或部分地由模型训练组件730和/或模型更新器755实现。机器学习组件800可以包括训练组件810和预测组件820。在一些示例中，训练组件810可以通过与预测组件820不同的设备来实现。在这些示例中，模型880(例如，检测模型)可以在第一台机器上创建，然后发送到第二台机器。

机器学习组件800利用训练组件810和预测组件820。训练组件810将特征数据830输入到特征确定组件850中。特征数据830可以是光子计数、阶段等。在一些示例中，特征数据可以明确地标记有每个流的位分配、当前发射的光源、当前正在发射的光源发射所处的功率电平等。例如，特征数据可以是或包括来自观察到的数据集的数据。

特征确定组件850从特征数据830确定特征向量860的一个或多个特征。特征向量860的特征是一组信息输入并且是被确定为预测每个流的位分配的信息。被选择以包含在特征向量860中的特征可以是所有特征数据830，或者在一些示例中，可以是所有特征数据830的子集。在为特征向量860选择的特征是特征数据830的子集的示例中，可以利用特征数据830被包括在特征向量中的预定列表。机器学习算法870可以利用特征向量860(连同任何适用的标签)来产生一个或多个检测模型或其他模型880。

在预测组件820中，当前特征数据890(例如，光子计数)可以被输入到特征确定组件895。特征确定组件895可以确定相同的特征集合或不同的特征集合作为特征确定组件850。在一些示例中，特征确定组件850和895是相同组件或相同组件的不同实例。特征确定组件895产生特征向量897，其被输入到模型880中以确定诸如位分配、阶段、功率电平分配方案等结果899。

训练组件810可以以离线方式操作以训练模型880。然而，预测组件820可以被设计为以在线方式操作。应当注意，模型880可以通过额外的训练和/或用户反馈定期更新。例如，观察到的数据集可用于重新训练或更新模型880。

机器学习算法870可以从许多不同的潜在监督或非监督机器学习算法中选择。监督学习算法的示例包括人工神经网络、卷积神经网络、贝叶斯网络、基于实例的学习、支持向量机、决策树(例如，迭代二分法3、C4.5、分类和回归树(CART)、卡方自动交互检测器(CHAID)等)、随机森林、线性分类器、二次分类器、k-最近邻、线性回归、逻辑回归、支持向量机、感知器和隐马尔可夫模型。无监督学习算法的示例包括期望最大化算法、矢量量化和信息瓶颈方法。无监督模型可能没有训练组件810。在一些示例中，模型880可以基于检测到的光子确定每个流的位。在其他示例中，模型880可以为发送特定位的每个流产生分数或概率。

如上所述，机器学习模型还可用于选择功率电平分配方案。在这些示例中，特征数据830、890可以是预测适当功率电平分配方案的信息。上面讨论的特征可以用作特征数据830、890——例如功率预算、发射器特性、接收器特性等。结果899可以是功率电平分配方案的排序和/或选择。

这里使用的调制方案已经相对简单(开启或关闭以表示‘1’或‘0’)。在其他示例中，可以使用不同的调制方案。例如，如果光源和接收器有能力，则除了这里描述的技术之外，还可以利用WDM、相移调制、幅度调制和其他高级调制形式。例如，多个位流可以被分成多个波长——其中每个波长可以具有使用这里公开的方法发送的多个数据流。类似地，对于功率调制，本发明的功率分配方案可以向每个发射器分配多个功率电平——其中每个功率电平是特定的位组合。因此，第一发射器可被分配功率电平1、2和3(以分别指示‘01’、‘10’和‘11’位)，而第二发射器可被分配功率电平4、5和6(以指示‘01’、‘10’和‘11’位)。在该示例中，系统可以分配功率电平，使得每个功率电平组合的平均光子计数足够不同，使得概率分布相距足够远，从而错误率低。

图18示出了示例机器900的框图，本文讨论的任何一种或多种技术(例如，方法)可以在该示例机器上执行。在替代实施例中，机器900可以作为独立设备操作或者可以连接(例如，联网)到其他机器。在联网部署中，机器900可以在服务器-客户端网络环境中以服务器机器、客户端机器或两者的能力操作。在一个示例中，机器900可以充当对等(P2P)(或其他分布式)网络环境中的对等机器。机器900可以是个人电脑(PC)、平板电脑、机顶盒(STB)、个人数字助理(PDA)、移动电话、智能手机、web工具、网络路由器、交换机或桥接器，或任何能够执行指定了该机器要采取的行动的指令(顺序或其他)的机器。机器900可以实现这里公开的发射器和/或接收器。此外，机器900可以包括本文公开的发射器和/或接收器。机器900可以实施本文公开的任何方法。此外，虽然仅示出了一台机器，但术语“机器”也应被视为包括单独或联合执行一组(或多组)指令以执行本文中讨论的任何一种或多种方法的机器的任何集合，例如云计算、软件即服务(SaaS)、其他计算机集群配置。

如本文所述，示例可包括逻辑或多个组件、组件或机制，或可对其进行操作。组件是能够执行指定操作的有形实体(例如，硬件)并且可以以某种方式配置或布置。在一个示例中，电路可以以指定的方式布置(例如，在内部或相对于诸如其他电路之类的外部实体)作为组件。在一个示例中，一个或多个计算机系统(例如，独立的、客户端或服务器计算机系统)或一个或多个硬件处理器的全部或部分可以由固件或软件(例如，指令、应用部分或应用)配置为执行指定操作的组件。在示例中，软件可以驻留在机器可读介质上。在一个示例中，软件在由组件的底层硬件执行时使硬件执行指定的操作。

因此，术语“组件”被理解为涵盖有形实体，是物理构造、具体配置(例如，硬连线)或临时(例如，暂时)配置(例如，编程)成以指定的方式操作或执行此处描述的任何操作的部分或全部的实体。考虑临时配置组件的示例，不需要在任何时刻实例化每个组件。例如，在组件包括使用软件配置的通用硬件处理器的情况下，通用硬件处理器可以在不同时间被配置为各自不同的组件。软件可以相应地配置硬件处理器，例如，以在一个时间实例构成特定组件并在不同时间实例构成不同组件。

机器(例如，计算机系统)900可以包括硬件处理器902(例如，中央处理单元(CPU)、图形处理单元(GPU)、硬件处理器核、或它们的任何组合)、主存储器904和静态存储器906，其中一些或全部可以通过互连(例如，总线)908相互通信。机器900还可以包括显示单元910、字母数字输入设备912(例如，键盘)、以及用户界面(UI)导航设备914(例如，鼠标)。在示例中，显示单元910、输入设备912和UI导航设备914可以是触摸屏显示器。机器900可以另外包括存储设备(例如，驱动单元)916、信号产生设备918(例如，扬声器)、网络接口设备920和一个或多个传感器921，例如全球定位系统(GPS)传感器、指南针、加速度计或其他传感器。机器900可以包括输出控制器928，例如串行(例如，通用串行总线(USB)、并行或其他有线或无线(例如，红外线(IR)、近场通信(NFC)等)连接以通信或控制一个或多个外围设备(例如，打印机、读卡器等)。

存储设备916可以包括机器可读介质922，在其上存储一组或多组数据结构或指令924(例如，软件)，这些数据结构或指令924(例如，软件)体现本文描述的技术或功能中的任何一个或多个或被本文描述的技术或功能中的任何一个或多个使用。指令924还可以在机器900执行期间完全或至少部分地驻留在主存储器904内、静态存储器906内或硬件处理器902内。在示例中，硬件处理器902、主存储器904、静态存储器906或存储设备916中的一个或任何组合可以构成机器可读介质。

虽然机器可读介质922被示为单个介质，但术语“机器可读介质”可以包括被配置为存储一条或更多条指令924的单个介质或多个介质(例如，集中式或分布式数据库，和/或关联高速缓存和服务器)。

术语“机器可读介质”可以包括能够存储、编码或携带由机器1800执行的指令并且使得机器900执行本公开的技术中的任何一个或多个或者能够存储、编码或携带由此类指令使用或与此类指令相关联的数据结构的任何介质。非限制性机器可读介质示例可以包括固态存储器以及光学和磁性介质。机器可读介质的具体示例可以包括：非易失性存储器，例如半导体存储设备(例如，电可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM))和闪存设备；磁盘，例如内置硬盘和可移动磁盘；磁光盘；随机存取存储器(RAM)；固态硬盘(SSD)；以及CD-ROM和DVD-ROM磁盘。在一些示例中，机器可读介质可以包括非暂时性机器可读介质。在一些示例中，机器可读介质可以包括不是瞬时传播信号的机器可读介质。

指令924可以进一步使用传输介质经由网络接口设备920在通信网络926上发送或接收。机器900可以使用多种传输协议(例如，帧中继、网际协议(IP)、传输控制协议(TCP)、用户数据报协议(UDP)、超文本传输协议(HTTP)等)中的任一种与一个或多个其他机器进行通信。示例通信网络可以包括局域网(LAN)、广域网(WAN)、分组数据网络(例如，因特网)、移动电话网络(例如，蜂窝网络)、普通老式电话(POTS)网络、和无线数据网络(例如，电气和电子工程师协会(IEEE)802.11标准系列，称为IEEE 802.16标准系列，称为)，IEEE 802.15.4标准系列，长期演进(LTE)标准系列、通用移动电信系统(UMTS)标准系列、对等(P2P)网络等。在一个示例中，网络接口设备920可以包括一个或多个物理插孔(例如，以太网、同轴或电话插孔)或一个或多个天线以连接到通信网络926。在一个示例中，网络接口设备920可以包括多个天线以使用单输入多输出(SIMO)、多输入多输出(MIMO)或多输入单输出(MISO)技术中的至少一种进行无线通信。在一些示例中，网络接口设备920可以使用多用户MIMO技术进行无线通信。

其他注意事项和示例

示例l是一种通过光通信路径接收数据的方法，该方法包括：使用多个检测模型对通过所述光通信路径接收的数据的第一和第二流解复用；确定与所述解复用操作的输出相对应的优化度量是否匹配优化条件；以及响应于确定对应于所述解复用操作的输出的优化度量与所述优化条件匹配，基于观察到的数据集更新所述多个检测模型中的至少一个，所述观察到的数据集包括接收到的光子计数和由对解复用操作期间确定的位分配执行的纠错操作确定的对应的实际位分配。

在示例2中，示例1的主题包括，其中所述优化度量是基于纠错码(ECC)确定的错误率，并且所述优化条件是错误率阈值。

在示例3中，示例2的主题包括，其中错误率阈值是单个错误。

在示例4中，示例1-3的主题包括，其中第一流由第一光源以第一功率电平传输，而所述第二流由第二光源以第二功率电平传输，第一流和第二流在相同的频率上同时传输。

在示例5中，示例1-4的主题包括，其中检测模型是泊松概率模型。

在示例6中，示例1-5的主题包括，其中更新多个检测模型中的至少一个包括根据与对应于多个检测模型中的至少一个的实际位分配匹配的观察到的数据集中的数据的平均光子计数计算泊松分布。

在示例7中，示例1-6的主题包括，其中使用多个检测模型对通过光通信路径接收的数据的第一流和数据的第二流进行解复用包括：将在时隙期间使用光子检测器检测到的光子的计数提交给多个检测模型；并且为与多个检测模型中返回最高概率的检测模型相对应的第一和第二流选择位分配。

在示例8中，示例1-7的主题包括使用纠错码(ECC)确定通过解复用产生的第一位分配中的错误；并将产生的第一位分配的光子计数和基于ECC的校正位分配保存为观察到的数据集的一部分。

在示例9中，示例1-8的主题包括，其中更新多个检测模型中的至少一个包括在不使用训练序列的情况下更新多个检测模型中的至少一个。

在示例10中，示例1-9的主题包括，其中更新多个检测模型中的至少一个包括使用观察到的数据集和在训练操作期间收集的训练数据的训练数据集重新训练多个检测模型中的至少一个。

在示例11中，示例1-10的主题包括，其中更新多个检测模型中的至少一个包括在增量学习算法中应用观察到的数据集以产生多个检测模型中的更新的至少一个检测模型。

在示例12中，示例1-11的主题包括，其中纠错操作使用ECC。

示例13是一种用于通过光通信路径接收数据的设备，该设备包括：处理器；包括指令的存储器，当由所述处理器执行时，该指令使所述设备执行包括以下操作的操作：使用多个检测模型对通过所述光通信路径接收的数据的第一和第二流解复用；确定与所述解复用操作的输出相对应的优化度量是否匹配优化条件；以及响应于确定对应于解复用操作的输出的优化度量与优化条件匹配，基于观察到的数据集更新所述多个检测模型中的至少一个，所述观察到的数据集包括接收到的光子计数以及由对解复用操作期间确定的位分配执行的纠错操作确定的相对应的实际位分配。

在示例14中，示例13的主题包括，其中优化度量是基于纠错码(ECC)确定的错误率并且优化条件是错误率阈值。

在示例15中，示例14的主题包括，其中错误率阈值是单个错误。

在示例16中，示例13-15的主题包括，其中第一流由第一光源以第一功率电平传输，而所述第二流由第二光源以第二功率电平传输，第一流和第二流在相同的频率上同时传输。

在示例17中，示例13-16的主题包括，其中检测模型是泊松概率模型。

在示例18中，示例13-17的主题包括，其中更新所述多个检测模型中的所述至少一个的操作包括根据与对应于所述多个检测模型中的至少一个的实际位分配匹配的所述观察到的数据集中的数据的平均光子计数来计算泊松分布。

在示例19中，示例13-18的主题包括，其中使用多个检测模型对通过所述光通信路径接收的数据的第一和第二流进行解复用的操作包括：将在时隙期间使用光子检测器检测到的光子计数提交给所述多个检测模型；以及为所述多个检测模型中的与返回最高概率的检测模型相对应的第一流和第二流选择位分配。

在示例20中，示例13-19的主题包括，其中所述操作还包括：使用纠错码(ECC)确定通过所述解复用产生的第一位分配中的错误；以及将产生第一位分配的光子计数和基于ECC的校正位分配保存为观察到的数据集的一部分。

在示例21中，示例13-20的主题包括，其中更新所述多个检测模型中的至少一个的所述操作包括在不使用训练序列的情况下更新所述多个检测模型中的所述至少一个。

在示例22中，示例13-21的主题包括，其中更新所述多个检测模型中的至少一个的操作包括使用所述观察到的数据集和在训练操作期间收集的训练数据的训练数据集重新训练所述多个检测模型中的至少一个。

在示例23中，示例13-22的主题包括，其中更新所述多个检测模型中的至少一个的操作包括在增量学习算法中应用所述观察到的数据集以产生所述多个检测模型中的更新的至少一个。

在示例24中，示例13-23的主题包括，其中纠错操作使用ECC。

示例25是一种机器可读介质，包括用于通过光通信路径接收数据的指令，该指令在被执行时使机器执行包括以下操作的操作：使用多个检测模型对通过光通信路径接收到的数据的第一流和第二流解复用；确定与解复用操作的输出相对应的优化度量是否匹配优化条件；并且响应于确定对应于解复用操作的输出的优化度量与优化条件匹配，基于观察到的数据集更新多个检测模型中的至少一个，观察到的数据集包括接收到的光子计数和由对解复用操作期间确定的位分配执行的纠错操作确定的对应的实际位分配。

在示例26中，示例25的主题包括，其中优化度量是基于纠错码(ECC)确定的错误率并且优化条件是错误率阈值。

在示例27中，示例26的主题包括，其中错误率阈值是单个错误。

在示例28中，示例25-27的主题包括，其中第一流由第一光源以第一功率电平传输，第二流由第二光源以第二功率电平传输，第一流和第二流在相同的频率上同时传输。

在示例29中，示例25-28的主题包括，其中检测模型是泊松概率模型。

在示例30中，示例25-29的主题包括，其中更新多个检测模型中的至少一个的操作包括根据与对应于所述多个检测模型中的至少一个的实际位分配匹配的观察到的数据集中的数据的平均光子计数来计算泊松分布。

在示例31中，示例25-30的主题包括，其中使用多个检测模型对通过光通信路径接收的数据的第一流和数据的第二流进行解复用的操作包括：将在时隙期间使用光子检测器检测到的光子计数提交给多个检测模型；并且为所述多个检测模型中的与返回最高概率的检测模型相对应的第一流和第二流选择位分配。

在示例32中，示例25-31的主题包括，其中所述操作还包括：使用纠错码(ECC)确定通过解复用产生的第一位分配中的错误；并将产生第一位分配的光子计数和基于ECC的校正位分配保存为观察到的数据集的一部分。

在示例33中，示例25-32的主题包括，其中更新多个检测模型中的至少一个的操作包括在不使用训练序列的情况下更新多个检测模型中的至少一个。

在示例34中，示例25-33的主题包括，其中更新多个检测模型中的至少一个的操作包括使用观察到的数据集和在训练操作期间收集的训练数据的训练数据集重新训练多个检测模型中的至少一个。

在示例35中，示例25-34的主题包括，其中更新多个检测模型中的至少一个的操作包括在增量学习算法中应用观察到的数据集以产生所述多个检测模型中的更新的至少一个检测模型。

在示例36中，示例25-35的主题包括，其中纠错操作使用ECC。

示例37是一种用于通过光通信路径接收数据的设备，该设备包括：用于使用多个检测模型对通过光通信路径接收的数据的第一流和数据的第二流进行解复用的单元；用于确定与解复用操作的输出相对应的优化度量是否匹配优化条件的单元；并且响应于确定对应于解复用操作的输出的优化度量匹配优化条件，用于基于观察到的数据集更新多个检测模型中的至少一个的单元，观察到的数据集包括接收到的光子计数和由对在解复用操作期间确定的位分配执行的纠错操作确定的对应的实际位分配。

在示例38中，示例37的主题包括，其中优化度量是基于纠错码(ECC)确定的错误率并且优化条件是错误率阈值。

在示例39中，示例38的主题包括，其中错误率阈值是单个错误。

在示例40中，示例37-39的主题包括，其中第一流由第一光源以第一功率电平传输，第二流由第二光源以第二功率电平传输，第一流和第二流在相同的频率上同时传输。

在示例41中，示例37-40的主题包括，其中检测模型是泊松概率模型。

在示例42中，示例37-41的主题包括，其中用于更新多个检测模型中的至少一个的单元包括用于根据与对应于所述多个检测模型中的至少一个的实际位分配匹配的观察到的数据集中的数据的平均光子计数来计算泊松分布的单元。

在示例43中，示例37-42的主题包括，其中用于使用多个检测模型对通过光通信路径接收的数据的第一流和数据的第二流进行解复用的单元包括：用于将在时隙期间使用光子检测器检测到的光子计数提交给所述多个检测模型的单元；以及用于为所述多个检测模型中的与返回最高概率的检测模型相对应的第一流和第二流选择位分配的单元。

在示例44中，示例37-43的主题包括用于确定通过使用纠错码(ECC)的解复用产生的第一位分配中的错误的单元；以及用于将产生第一位分配的光子计数和基于ECC的校正位分配保存为观察到的数据集的一部分的单元。

在示例45中，示例37-44的主题包括，其中用于更新多个检测模型中的至少一个的单元包括用于在不使用训练序列的情况下更新多个检测模型中的至少一个的单元。

在示例46中，示例37-45的主题包括，其中用于更新多个检测模型中的至少一个的单元包括用于使用所述观察到的数据集和在训练操作期间收集的训练数据的训练数据集重新训练所述多个检测模型中的至少一个的单元。

在示例47中，示例37-46的主题包括，其中用于更新多个检测模型中的至少一个的单元包括用于在增量学习算法中应用观察到的数据集以产生所述多个检测模型中的更新的至少一个的单元。

在示例48中，示例37-47的主题包括，其中纠错操作使用ECC。

示例49是包括指令的至少一个机器可读介质，当由处理电路执行时，该指令使处理电路执行操作以实现示例1-48中的任一个。

示例50是包括用于实施示例1-48中的任一个的单元的装备。

示例51是实施示例1-48中的任一个的系统。

示例52是实施示例1-48中任一个的方法。