具体实施方式

下面将参考附图中所示出的若干示例性实施例来描述本公开的原理和精神。应当理解，描述这些具体的实施例仅是为了使本领域的技术人员能够更好地理解并实现本公开，而并非以任何方式限制本公开的范围。

如本文所使用的，术语“包括”及其类似用语应当理解为开放性包含，即“包括但不限于”。术语“基于”应当理解为“至少部分地基于”。术语“一个实施例”或“该实施例”应当理解为“至少一个实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。

如本文所使用的，术语“确定”涵盖各种各样的动作。例如，“确定”可以包括运算、计算、处理、导出、调查、查找(例如，在表格、数据库或另一数据结构中查找)、查明等。此外，“确定”可以包括接收(例如，接收信息)、访问(例如，访问存储器中的数据)等。此外，“确定”可以包括解析、选择、选取、建立等。

本文使用的术语“电路”是指以下的一项或多项：(a)仅硬件电路实现方式(诸如仅模拟和/或数字电路的实现方式)；以及(b)硬件电路和软件的组合，诸如(如果适用)：(i)模拟和/或数字硬件电路与软件/固件的组合，以及(ii)硬件处理器的任意部分与软件(包括一起工作以使得诸如OLT或其他计算设备等装置执行各种功能的数字信号处理器、软件和存储器)；以及(c)硬件电路和/或处理器，诸如微处理器或者微处理器的一部分，其要求软件(例如固件)用于操作，但是在不需要软件用于操作时可以没有软件。

电路的定义适用于此术语在本申请中(包括任意权利要求中)的所有使用场景。作为另一示例，在此使用的术语“电路”也覆盖仅硬件电路或处理器(或多个处理器)、或者硬件电路或处理器的一部分、或者其随附软件或固件的实现方式。例如，如果适用于特定权利要求元素，术语“电路”还覆盖基带集成电路或处理器集成电路或者OLT或其他计算设备中的类似的集成电路。

在此使用的术语“神经网络(NN)”例如可以被理解为机器学习模型该模型能够从训练数据中学习到相应的输入与输出之间的关联，从而在训练完成后基于训练得到的参数集对给定的输入进行处理以生成对应的输出。“神经网络”有时也可以被称为“学习网络”、“学习模型”、“网络”或“模型”。这些术语在本文中可互换地使用。

图1是本公开描述的实施例可以在其中被实现的通信系统100的示意图。如图1所示，该通信系统100包括光线路终端(OLT)110和光网络单元(ONU)120-1和120-2(在下文中可以统称为ONU 120)。如图所示，在OLT 110和ONU 120之间能够进行通信。例如，在OLT 110和ONU 120之间，能够通过从ONU 120至OLT 110的上行链路的进行数据传输，也能够进行从OLT 110至ONU 120之间的下行链路进行数据传输。应理解，尽管在图1中示出了两个ONU120，在通信系统100中，也可以包括任意数目个ONU 120。

从图1中可以看出，OLT 110包括信号处理设备112，该信号处理设备例如是基于NN的信号处理装置。在这里描述的通信系统100中，对于多个ONU 120的情况而言，所有的ONU120都可以共享OLT 110处的信号处理装置。

如上文所述，针对50G(+)无源光网络(PON)的20km范围内的PON规模的信号质量管理进行了大量的讨论和研究。前馈均衡器(FFE)、判决反馈均衡器(DFE)、Volterra均衡器以及各种类型的机器学习(ML)都已被认真考虑用于信号均衡，而NN被证明是功能最强大且具有足够敏捷性的。基于NN的机器学习能够提取和学习特定传输信道中的某些特征并且以监督的方式对其进行补偿。以此方式，在OLT处能够将经由ONU至OLT的上行链路而接收到的畸变信号恢复成原始信号，并且确定畸变信号和原始信号的关联关系，从而提高传输可靠性。

针对目前讨论的高速无源光网络(G.HSP)的标准化这一问题，已经知道，多种因素之间的相互作用会导致信号质量的下降。这些因素例如包括模糊的信道响应(又称非高斯和选择性频谱响应)、带宽不足、光纤色散以及设备和光纤的强度相关的非线性响应等。这些与信道损耗有关的问题被视作在G.HSP的标准化进程中的一个层面的问题。

另一个层面的问题在于，从不同的ONU到OLT的上行链路信道的不一致性。例如，针对单个ONU的信号均衡仅对特定的端到端传输链路有效，并且因此缺乏通用性。以图1为例，针对在从ONU 120-1至OLT的上行链路信道上传输的信号序列的信号均衡可能无法适用于在从ONU 120-2至OLT的上行链路信道上传输的信号序列，例如由于从ONU 120-1至OLT的上行链路信道和从ONU 120-2至OLT的上行链路信道具有不同的信道特性。

因此为了正确处理上述问题，理想的OLT均衡器不仅必须能够各种信道损耗，而且应当基于通用或通用NN的均衡器来使用一组通用的均衡配置照顾到多个ONU(通常为64个ONU)至OLT的上行链路信道之间的差异。

鉴于此，本公开的实施例提供一种用于无源光网络的通信方法。通过本公开的实施例，OLT能够从在不同ONU与OLT之间的上行链路信道上传输的信号中提取出针对每个信道的特征参数，从而能够基于信道的特征参数训练基于NN的信号处理设备，使得信号处理设备能够适用于网络中的所有ONU。以此方式，不仅可以消除复杂的信道损害，还能够解决针对不同ONU的畸变信号恢复的通用性问题。

图2示出了根据本公开的实施例的通信方法200的流程图。在一些实施例中，方法200可以由OLT 110来实现，例如可以由OLT 110的信号处理设备112来实现。在其他实施例中，方法200也可以由独立于OLT 110的计算设备来实现。为了便于讨论，将结合图1来讨论方法200。

在通信系统100中例如包括预定数目个ONU，例如可以包括32个或64个ONU。针对任意一个ONU，OLT可以经由与该ONU之间的上行链路信道接收信号序列。

在210，OLT 110接收在从ONU 120到OLT 110的上行链路信道上接收畸变信号序列。该畸变信号序列由来自ONU 120的原始信号序列在该上行链路信道上的传输过程中畸变而产生。

导致原始信号序列发生畸变的原因，如上文已经提到的，例如可以包括模糊的信道响应、带宽不足、光纤色散以及与设备和光纤的强度相关的非线性响应等因素。由于这些因素所导致的畸变将在OLT 110中进行处理，以恢复原始信号序列。

在220，OLT 110将畸变信号序列进行编码化。该编码化操作旨在从畸变信号序列中确定用于表征从ONU 120到OLT 110的上行链路信道的属性的特征参数。该特征参数例如可以包括上行链路信道的带宽、上行链路信道的中心波长或用于承载所述上行链路信道的光纤长度中的至少一项。

在一些实施例中，可以从畸变信号序列中获取一个或多个信号参考参数，该信号参考参数例如可以是畸变信号序列的电压幅值和畸变信号序列的功率等。在对畸变信号序列的进行编码化操作的过程中，OLT 110可以对至少一个信号参考参数进行统计来生成直方图。OLT 110通过对直方图进行编码确定为用于表征从ONU 120到OLT 110的上行链路信道的属性的特征参数。

在一些实施例中，OLT 110可以对畸变信号序列进行离散傅里叶变换，以通过对经变换的畸变信号序列进行编码来确定为用于表征从ONU 120到OLT 110的上行链路信道的属性的特征参数。

在230，OLT 110基于畸变信号序列和所确定的特征参数，确定该畸变信号序列和原始信号序列之间的关联关系，以用于恢复原始信号序列。在此使用的术语“关联关系”可以被理解为上文所述的用于信号处理的神经网络的输入与输出之间的关联。

在一些实施例中，OLT 110可以通过特征参数来确定畸变信号序列在上行链路信道的传输中所经历的畸变程度。该畸变程度例如可以改变在神经网络中的训练层的节点的权重或偏移，通过将畸变信号序列和特征参数作为输入而被输入到神经网络，该训练层能够根据特征参数所反映的畸变程度将畸变信号序列恢复成原始信号序列。因此OLT 110可以进而基于畸变信号序列和原始信号序列之间的偏差确定畸变信号序列和原始信号序列之间的关联关系。

在一些实施例中，OLT 110还可以在从ONU 120到OLT 110的上行链路信道上接收另一畸变信号序列，该另一畸变信号序列由另一原始信号序列在不同于原先的上行链路信道的其他上行链路信道上的传输过程中畸变而产生。OLT 110可以根据表征其他上行链路信道的特征参数和另一畸变信号序列更新关联关系。例如，表征其他上行链路信道的特征参数与另一畸变信号序列一起作为神经网络的输入，之前确定的关联关系可以在这一过程中被更新，从而使得OLT 110可以基于更新的关联关系将另一畸变信号序列恢复成另一原始信号序列。

在上文中描述的从畸变信号序列中确定特征参数以及基于特征参数和畸变信号序列确定关联关系，以将畸变信号序列恢复成原始信号序列的过程例如可以通过在图3A至图3C中示出的实例而被更好的理解。

图3A至图3C示出了本公开的某些实施例来实施信号处理的示意图。以下结合图3A至图3C进一步详细阐述使用用于信号处理的神经网络、根据在结合图2示出的方法来对畸变信号进行恢复的原理和过程。

图3A示出了由在图3B中ONU 120-1发送的、经过从ONU 120-1到OLT 110的上行链路信道而发生畸变的畸变信号序列的示例曲线301。在图3B中，OLT 110可以通过其信号处理设备112将光信号转换成电信号，以对信号进行量化。在转换之后，该畸变信号序列可以被提供至信号均衡器130中，以将该畸变信号序列恢复成原始信号序列。

该信号均衡器130可以被包括在OLT 110内部，例如可以被集成在信号处理设备112中。此外，该信号均衡器130也可以被实施成独立的部件，但是由该信号处理设备112来控制。

信号处理设备112可以对于接收到的畸变信号序列进行采样。多个采样点可以作为采样畸变信号序列被输入至信号均衡器130中的神经网络330的输入层331。多个采样畸变信号序列例如可以通过在图3A中的曲线上选取多个时间点的畸变信号序列来实现。该时刻例如可以是在t时刻，t-1时刻，t-2时刻，t-3时刻或t-1时刻，t-2时刻，t-3时刻，t-4时刻等。各个时间点的采样畸变信号序列可以分别被输入到输入层331相应节点处。

信号均衡器130还可以包括编码器310。经由信号处理设备112转换后的电信号，也即畸变信号序列可以被输入到编码器310。在一些实施例中，编码器310可以包括存储器320。该存储器320例如可以存储经由从ONU 120-1到OLT 110的上行链路信道发送到ONU120多个畸变信号序列突发(burst)。该存储器320例如还可以存储经由从其他不同于ONU120-1的ONU(例如图1中的ONU 120-2)发来的畸变信号序列。

编码器310例如可以是基于NN的编码器。编码器310的输入311可以是畸变信号序列、畸变信号序列的变型或与畸变信号序列相关联的一些参数，而输出则是表征上行链路信道的属性的特征参数。该编码器310的神经网络可以被视作畸变信号序列和上行链路信道的属性之间的关联关系。在该编码器310的神经网络的训练层312中的各个节点的权重可以被预先设定，并在训练过程中基于输入和输出被微调。

以来自ONU 120-1的一个或多个畸变信号序列突发为例，如上文已经提及的，可以从该畸变信号序列中确定至少一个信号参考参数。该信号参考参数例如可以是信号序列的电压幅值或功率。可以通过对至少一个信号参考参数进行统计来生成直方图。例如该直方图的纵轴可以表示电压幅值或功率的水平。在一些实施例中，该直方图作为编码器310的神经网络的输入311而被输入到编码器310的神经网络的训练层312。

此外，可以对畸变信号序列进行傅里叶变换，并将经变换的畸变信号序列作为编码器310的神经网络的输入311。因此，在一些实施例中，经变换的畸变信号序列被输入到编码器310的神经网络的训练层312。

由此，可以在编码器310的神经网络的输出层332得到表征上行链路信道的属性的特征参数或特征码。该编码器310的神经网络的输出层332可以被视作信号均衡器130中的神经网络330的输入层332。

由此，神经网络330的接收来自输入层331和332的输入，其分别为畸变信号序列的采样和基于畸变信号序列得到的表征上行链路信道的属性的特征参数。这些输入被馈送到神经网络330的训练层334。尽管在图3B中的神经网络330仅仅具有一层训练层334。应当理解，神经网络330也可以包括其他适当数目的训练层。

神经网络330中的训练层334可以通过上述输入，即畸变信号序列的采样和特征参数对现有的训练模型进行训练。现有的训练模型中例如可以包括来自其他ONU的历史的训练参数样本。对于一个ONU可能需要几十或几百个样本序列。因为在一个无源光网络中通常有32或64个ONU。为了训练通用的神经网络，数据库将选择覆盖所有现有ONU数据的完整数据集。

在训练过程中，神经网络330可以调用在数据库中的历史训练参数样本。接着，神经网络330结合历史训练参数样本、ONU 120-1发送的畸变信号序列的采样以及特征参数对该神经网络模型进行重新训练。该训练过程可以理解为利用特征参数来调整神经网络模型中的节点的权重，以畸变信号序列的采样进行加权，从而将畸变信号序列的采样收敛成原始信号序列的采样，进而得到原始信号序列。利用利用特征参数来调整神经网络模型中的节点的权重的过程可以被理解为对畸变信号序列和原始信号序列之间的关联关系进行校准。

该原始信号序列可以通过神经网络330的输出层335被输出。经恢复的原始信号序列可以通过图3C中的曲线302来表示。经过来自ONU 120-1的训练参数重新得到的神经网络模型将作为更新后的神经网络模型来使用。

类似地，同样可以根据来自从其他ONU到OLT的不同上行链路信道的畸变信号序列和表征相应的上行链路信道的特征参数来对神经网络330进行训练，以得到能够适用于所有ONU或所有上行链路信道信号均衡器。

对于来自同一上行链路信道的畸变信号序列，一旦表征该上行链路信道的特征参数已经被确定，该特征参数可以被存储在存储器320中。当再次从该上行链路信道接收畸变信号序列时，不再训练该特征参数，而是从存储器320中被直接调用。

在此，基于NN的编码器可以被视作是信号均衡器130中的神经网络330的子神经网络。通过基于统计特征得到的直方图或经变换的畸变信号序列来训练编码器320和提取信道固有的非显表达式的特征值或特征值组，并以此特征值或特征值组通过神经网络330来指导OLT区分并对不同ONU提供定制化的均衡。由于编码器320的参数是全局训练的，所以在神经网络330训练完成之后，OLT区分ONU和提供定制化均衡时，不需要再改变编码器320的参数配置，只需将对应ONU的统计特征输入编码器320或直接提供预训练好的特征值给随后的神经网络330。因此，这种由编码器320提供ONU识别和神经网络330提供通用的均衡服务的的均衡方法和装置能使得OLT在不修改NN参数的前提下能对不同的ONU提供最适的信号均衡服务。

在下文中，将结合图4和图5来说明基于预训练好的用于表征畸变信号序列的特征参数来实现信号均衡的示例。

图4示出了根据本公开的某些实施例来实施信号处理的示意图。如图4所示，在接收到来自ONU 120-1的畸变信号序列后，经采样的畸变信号序列和从存储器320中直接调用的特征参数能够分别经由输入层331和332被输入到神经网络330的训练层334，从而将畸变信号序列恢复成原始信号序列并通过输出层335输出。该神经网络330中的信号均衡过程与结合图3B所描述的方式类似，故在此不再赘述。

图5示出了根据本公开的某些实施例来实施信号处理的示意图。图5示出了接收来自多个不同ONU的畸变信号序列的示例。同样，一旦通信系统100中的所有ONU都向OLT 110发送过信号，则在OLT 110的编码器310的存储器320中可以存储表征从这些ONU 120到OLT110的每个上行链路信道的属性的特征参数。针对来自多个ONU，例如图5中示出的ONU 120-1和ONU 120-2的畸变信号序列的一个或多个突发，存储器320可以调用相应的特征码或特征参数来进行畸变信号序列的恢复。

以此方式，不仅可以消除复杂的信道损害带来的信号畸变，还能够提供一种通用信号均衡器来解决针对不同ONU的畸变信号恢复的通用性问题。

图6示出了使用根据本公开的实施例所得到的示例性的实验结果的示意图。模拟环境被建立以测试本公开的实施例的量化增益。模拟环境的配置在下表中被示出。

表1：模拟环境的配置

如图6所示，相较于采用其他两种均衡方式所恢复的原始信号(参见601和602)，根据本公开的方案得到的原始信号603具有更低的误码率。

在本公开中提出一种用于PON的上行链路信道的特征编码器嵌套的NN均衡器(EN-NNE)。借助嵌入式特征编码器子神经网络，EN-NNE可以利用统计数据进行深度特征提取并对其进行编码，以帮助信号均衡器的神经网络进行信号均衡。该解决方案能够在未来的50G+的PON的上行链路信道的OLT中使用，以统一均衡具有不同响应的所有ONU的信号质量下降。

图7是适合于实现本公开的实施例的设备700的简化框图。可以提供设备700以实现通信设备，例如如图1所示OLT 110，ONU 120-1以及ONU 120-2。如图所示，设备700包括一个或多个处理器710，一个或多个存储器740被耦合到处理器710，并且一个或多个发射器和/或接收器(TX/RX)740被耦合到处理器710。

TX/RX 740用于双向通信。TX/RX 740具有至少一个天线以便于通信。通信接口可以表示与其他网络元件通信所必需的任何接口。

处理器710可以是适合于本地技术网络的任何类型，并且可以包括但不限于通用计算机、专用计算机、微控制器、数字信号控制器(DSP)、以及基于控制器的多核控制器架构中的一个或多个。设备700可以具有多个处理器，例如专用集成电路芯片，其在时间上从属于与主处理器同步的时钟。

存储器720可以包括一个或多个非易失性存储器和一个或多个易失性存储器。非易失性存储器的示例包括但不限于只读存储器(ROM)724，可擦除可编程只读存储器(EPROM)，闪存，硬盘，光盘(CD)，数字视频盘(DVD)和其他磁存储和/或光存储。易失性存储器的示例包括但不限于随机存取存储器(RAM)722和不会在断电持续时间中持续的其他易失性存储器。

计算机程序730包括由关联处理器710执行的计算机可执行指令。程序730可以存储在ROM 720中。处理器710可以通过将程序730加载到RAM 720中来执行任何合适的动作和处理。

可以借助于程序730来实现本公开的实施例，使得设备700可以执行如参考图2至5所讨论的本公开的任何过程。本公开的实施例还可以通过硬件或通过软件和硬件的组合来实现。

在一些实施例中，程序730可以有形地包含在计算机可读介质中，该计算机可读介质可以包括在设备700中(诸如在存储器720中)或者可以由设备700访问的其他存储设备。可以将程序730从计算机可读介质加载到RAM 722以供执行。计算机可读介质可以包括任何类型的有形非易失性存储器，例如ROM，EPROM，闪存，硬盘，CD，DVD等。图8示出了CD或DVD形式的计算机可读介质800的示例。计算机可读介质上存储有程序730。

通常，本公开的各种实施例可以以硬件或专用电路，软件，逻辑或其任何组合来实现。一些方面可以用硬件实现，而其他方面可以用固件或软件实现，其可以由控制器，微处理器或其他计算设备执行。虽然本公开的实施例的各个方面被示出并描述为框图，流程图或使用一些其他图示表示，但是应当理解，本文描述的框，装置，系统，技术或方法可以实现为，如非限制性示例，硬件，软件，固件，专用电路或逻辑，通用硬件或控制器或其他计算设备，或其某种组合。

本公开还提供有形地存储在非暂时性计算机可读存储介质上的至少一个计算机程序产品。该计算机程序产品包括计算机可执行指令，例如包括在程序模块中的指令，其在目标的真实或虚拟处理器上的设备中执行，以执行如上参考图2所述的方法200。通常，程序模块包括执行特定任务或实现特定抽象数据类型的例程，程序，库，对象，类，组件，数据结构等。在各种实施例中，可以根据需要在程序模块之间组合或分割程序模块的功能。用于程序模块的机器可执行指令可以在本地或分布式设备内执行。在分布式设备中，程序模块可以位于本地和远程存储介质中。

用于实现本公开的方法的计算机程序代码可以用一种或多种编程语言编写。这些计算机程序代码可以提供给通用计算机、专用计算机或其他可编程的数据处理装置的处理器，使得程序代码在被计算机或其他可编程的数据处理装置执行的时候，引起在流程图和/或框图中规定的功能/操作被实施。程序代码可以完全在计算机上、部分在计算机上、作为独立的软件包、部分在计算机上且部分在远程计算机上或完全在远程计算机或服务器上执行。

在本公开的上下文中，计算机程序代码或者相关数据可以由任意适当载体承载，以使得设备、装置或者处理器能够执行上文描述的各种处理和操作。载体的示例包括信号、计算机可读介质、等等。信号的示例可以包括电、光、无线电、声音或其它形式的传播信号，诸如载波、红外信号等。

计算机可读介质可以是包含或存储用于或有关于指令执行系统、装置或设备的程序的任何有形介质。计算机可读介质可以是计算机可读信号介质或计算机可读存储介质。计算机可读介质可以包括但不限于电子的、磁的、光学的、电磁的、红外的或半导体系统、装置或设备，或其任意合适的组合。计算机可读存储介质的更详细示例包括带有一根或多根导线的电气连接、便携式计算机磁盘、硬盘、随机存储存取器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪存)、光存储设备、磁存储设备，或其任意合适的组合。

此外，尽管在附图中以特定顺序描述了本公开的方法的操作，但是这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，流程图中描绘的步骤可以改变执行顺序。附加地或备选地，可以省略某些步骤，将多个步骤组合为一个步骤执行，和/或将一个步骤分解为多个步骤执行。还应当注意，根据本公开的两个或更多装置的特征和功能可以在一个装置中具体化。反之，上文描述的一个装置的特征和功能可以进一步划分为由多个装置来具体化。

虽然已经参考若干具体实施例描述了本公开，但是应当理解，本公开不限于所公开的具体实施例。本公开旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等效布置。