7594224 光送受信装置、光通信方法及びコンピュータープログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2024-11-26

(45)【発行日】2024-12-04

(54)【発明の名称】光送受信装置、光通信方法及びコンピュータープログラム

(51)【国際特許分類】

   H04B 10/61 20130101AFI20241127BHJP

【ＦＩ】

H04B10/61

【請求項の数】 6

(21)【出願番号】P 2023568880

(86)(22)【出願日】2021-12-22

(86)【国際出願番号】 JP2021047580

(87)【国際公開番号】W WO2023119487

(87)【国際公開日】2023-06-29

【審査請求日】2024-04-25

(73)【特許権者】

【識別番号】000004226

【氏名又は名称】日本電信電話株式会社

(74)【代理人】

【識別番号】110001634

【氏名又は名称】弁理士法人志賀国際特許事務所

(72)【発明者】

【氏名】松浦 暁彦

(72)【発明者】

【氏名】桑原 昭一郎

(72)【発明者】

【氏名】木坂 由明

【審査官】鴨川 学

(56)【参考文献】

【文献】特開２０１７－１６３４８５（ＪＰ，Ａ）

【文献】特開平９－２１４５７８（ＪＰ，Ａ）

【文献】特開２０２１－３４８１６（ＪＰ，Ａ）

【文献】特開平１０－１３６０４６（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｈ０４Ｂ １０／６１

(57)【特許請求の範囲】

【請求項1】

受信された光信号について多値信号のシンボル判定を行い、前記シンボル判定の結果に基づいてデータを復元する受信シンボル判定部を備え、
前記受信シンボル判定部は、第１層から第Ｍ層（Ｍは１以上の整数）の領域選択層と、１層の領域判定層と、を備え、
第ｍ層（ｍは１以上Ｍ以下の整数）の領域選択層は、第ｍ－１層の領域選択層での領域分割数（ｍ＝１の場合は“１”）と同数の領域選択回路を備え、
第ｍ層の領域選択回路は、受信された前記多値信号について、層の段数（１からＭ）に応じて複数の領域の中から、受信された前記多値信号のシンボルが属する領域を機械学習の結果に基づいて選択し、選択された領域に応じて次の層へ出力し、
前記第ｍ層の領域選択回路は、前記第ｍ－１層の領域選択回路で選択された領域に応じた領域選択回路が処理を行い、
前記領域判定層は第Ｍ層の領域選択層での領域選択回路の出力数の総数に応じた領域判定回路を備え、
前記領域判定回路は、第Ｍ層の領域選択層から受信された前記多値信号のシンボルが属する領域を機械学習の結果に基づいて選択し、選択された領域に応じて前記多値信号のシンボルを示す判定結果を出力する、光送受信装置。

【請求項2】

前記領域選択回路及び前記領域判定回路は、トレーニングモードで動作する場合には、受信された前記多値信号と、前記多値信号が有するシンボルを示す正解ラベルと、を用いて機械学習を行うことで、受信された多値信号に応じて前記複数の領域からどの領域を選択するか学習し、
前記領域選択回路及び前記領域判定回路は、データ判定モードで動作する場合には、受信された前記多値信号について、前記トレーニングモードで得られた学習結果に基づいて前記領域を選択する、請求項１に記載の光送受信装置。

【請求項3】

前記領域選択回路及び前記領域判定回路における前記機械学習は、ニューラルネットワークを用いた機械学習であり、前記領域選択回路及び前記領域判定回路は、前記シンボルを複数の領域のうちいずれか一つに分類する、請求項１又は２に記載の光送受信装置。

【請求項4】

前記領域選択回路及び前記領域判定回路における前記機械学習は、サポートベクトルマシンを用いた機械学習であり、１対他方式の機械学習により、前記領域選択回路及び前記領域判定回路は、前記シンボルを複数の領域のうちいずれか一つに分類する、請求項１又は２に記載の光送受信装置。

【請求項5】

受信された光信号について多値信号のシンボル判定を行い、前記シンボル判定の結果に基づいてデータを復元する受信シンボル判定部を備え、
前記受信シンボル判定部は、第１層から第Ｍ層（Ｍは１以上の整数）の領域選択層と、１層の領域判定層と、を備え、
第ｍ層（ｍは１以上Ｍ以下の整数）の領域選択層は、第ｍ－１層の領域選択層での領域分割数（ｍ＝１の場合は“１”）と同数の領域選択回路を備え、
前記領域判定層は第Ｍ層の領域選択層での領域選択回路の出力数の総数に応じた領域判定回路を備える光通信装置において、
第ｍ層の領域選択回路が、受信された前記多値信号について、層の段数（１からＭ）に応じて複数の領域の中から、受信された前記多値信号のシンボルが属する領域を機械学習の結果に基づいて選択し、選択された領域に応じて次の層へ出力するステップと、
前記領域判定回路が、第Ｍ層の領域選択層から受信された前記多値信号のシンボルが属する領域を機械学習の結果に基づいて選択し、選択された領域に応じて前記多値信号のシンボルを示す判定結果を出力するステップと、を有し、
前記第ｍ層の領域選択回路は、前記第ｍ－１層の領域選択回路で選択された領域に応じた領域選択回路が処理を行う、光通信方法。

【請求項6】

請求項１から４のいずれか一項に記載の光送受信装置としてコンピューターを機能させるためのコンピュータープログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、光送受信装置、光通信方法及びコンピュータープログラムの技術に関する。

【背景技術】

【0002】

光通信分野において、デジタルコヒーレント技術を用いた大容量多値光通信が広く導入されつつある（例えば非特許文献１）。デジタルコヒーレント技術は、無線通信の要素技術を光通信に適用したものである。デジタルコヒーレント技術では、伝送路に光ファイバを使用するという光通信特有の条件により、光ファイバの持つ各種分散や非線形特性の影響を受ける。そのため、受信波形が歪むという問題がある。

【0003】

このような問題に対して、機械学習を適用し歪みを補償する方法が検討されている（例えば非特許文献２、非特許文献３）。１６ＱＡＭや６４ＱＡＭなどの多値信号を受信判定するには、多クラス分類が必要となる。そのため、多値数が増えるにしたがって機械学習回路の内部変数が増大し計算時間が長くなりやすい。非特許文献２及び非特許文献３では、機械学習にサポートベクトルマシン（以下「ＳＶＭ」という。）を用い、使用されるＳＶＭ回路の個数を少なくする方式が使用されている。

【0004】

図１２は、ＳＶＭ回路を用いた従来の回路構成例を示す図である。図１３は、１６ＱＡＭにおける信号点配列の例を示す図である。なお、図１２及び図１３は、非特許文献２から引用した図面である。以下の説明では、信号点０～１５から成る１６ＱＡＭ信号を判定する構成を例に説明する。信号点０～１５を２進数で表現すると００００～１１１１の４ビットで表現できる。図１３の信号点配列の場合、上位２ビットがｘ軸方向、下位２ビットがｙ軸方向の位置を示す。

【0005】

まず、上位２ビットについて考える。上位２ビットの中で、上位ビットが“０”か“１”かにより信号点を分けると、二つの領域に分けられる。そこで、これをＳＶＭで２分類する。次に、上位２ビットの中で下位ビットが“０”か“１”かにより信号点を分けると、同様に二つの領域に分けられる。そこで、これをＳＶＭで２分類する。ｙ軸についても同様の処理を行う。その結果、ｘ及びｙの両軸で合計４つのＳＶＭ分類器を使えば１６信号点が判定できる。

【先行技術文献】

【非特許文献】

【0006】

【文献】S. Tsukamoto et al., OFC2005, PDP29.

【文献】M. Li et al., IEEE Photon. J., vol. 5, no. 6, 2013.

【文献】Y. Han et al., IEEE Photon. J, vol6, no. 5, 2014.

【発明の概要】

【発明が解決しようとする課題】

【0007】

しかしながら、機械学習回路の数を減らすことができたとしても、個々の機械学習回路における計算量については考慮されていなかった。そのため、計算実行時間が増大するという問題があった。

【0008】

上記事情に鑑み、本発明は、受信された光信号について多値信号のシンボル判定をより少ない計算時間で実現することができる技術の提供を目的としている。

【課題を解決するための手段】

【0009】

本発明の一態様は、受信された光信号について多値信号のシンボル判定を行い、前記シンボル判定の結果に基づいてデータを復元する受信シンボル判定部を備え、前記受信シンボル判定部は、第１層から第Ｍ層（Ｍは１以上の整数）の領域選択層と、１層の領域判定層と、を備え、第ｍ層（ｍは１以上Ｍ以下の整数）の領域選択層は、第ｍ－１層の領域選択層での領域分割数（ｍ＝１の場合は“１”）と同数の領域選択回路を備え、第ｍ層の領域選択回路は、受信された前記多値信号について、層の段数（１からＭ）に応じて複数の領域の中から、受信された前記多値信号のシンボルが属する領域を機械学習の結果に基づいて選択し、選択された領域に応じて次の層へ出力し、前記第ｍ層の領域選択回路は、前記第ｍ－１層の領域選択回路で選択された領域に応じた領域選択回路が処理を行い、前記領域判定層は第Ｍ層の領域選択層での領域選択回路の出力数の総数に応じた領域判定回路を備え、前記領域判定回路は、第Ｍ層の領域選択層から受信された前記多値信号のシンボルが属する領域を機械学習の結果に基づいて選択し、選択された領域に応じて前記多値信号のシンボルを示す判定結果を出力する、光送受信装置である。

【0010】

本発明の一態様は、受信された光信号について多値信号のシンボル判定を行い、前記シンボル判定の結果に基づいてデータを復元する受信シンボル判定部を備え、前記受信シンボル判定部は、第１層から第Ｍ層（Ｍは１以上の整数）の領域選択層と、１層の領域判定層と、を備え、第ｍ層（ｍは１以上Ｍ以下の整数）の領域選択層は、第ｍ－１層の領域選択層での領域分割数（ｍ＝１の場合は“１”）と同数の領域選択回路を備え、前記領域判定層は第Ｍ層の領域選択層での領域選択回路の出力数の総数に応じた領域判定回路を備える光通信装置において、第ｍ層の領域選択回路が、受信された前記多値信号について、層の段数（１からＭ）に応じて複数の領域の中から、受信された前記多値信号のシンボルが属する領域を機械学習の結果に基づいて選択し、選択された領域に応じて次の層へ出力するステップと、前記領域判定回路が、第Ｍ層の領域選択層から受信された前記多値信号のシンボルが属する領域を機械学習の結果に基づいて選択し、選択された領域に応じて前記多値信号のシンボルを示す判定結果を出力するステップと、を有し、前記第ｍ層の領域選択回路は、前記第ｍ－１層の領域選択回路で選択された領域に応じた領域選択回路が処理を行う、光通信方法である。

【0011】

本発明の一態様は、上記の光送受信装置としてコンピューターを機能させるためのコンピュータープログラムである。

【発明の効果】

【0012】

本発明により、受信された光信号について多値信号のシンボル判定をより少ない計算時間で実現することが可能となる。

【図面の簡単な説明】

【0013】

【図1】本発明の光通信システム１００のシステム構成例を示す図である。

【図2】送信信号選択部１２１の詳細な構成例を示す図である。

【図3】受信シンボル判定部２１２の詳細な構成例を示す図である。

【図4】判定部２１２２の詳細な構成例を示す図である。

【図5】領域選択回路４１の具体的な構成例を示す図である。

【図6】ＳＶＭを用いた領域判定回路５１および４１２の構成例を示す図である。

【図7】ＮＮを用いた領域判定回路５１および４１２の構成例を示す図である。

【図8】２分岐の領域選択回路４１を３層組み合わせて１６ＱＡＭ信号を判定する構成例を示す図である。

【図9】２分岐の領域選択回路４１を３層組み合わせて１６ＱＡＭ信号を判定する構成の処理の概略を示す図である。

【図10】ＳＶＭの原理を示す図である。

【図11】シミュレーション結果を示す図である。

【図12】ＳＶＭ回路を用いた従来の回路構成例を示す図である。

【図13】１６ＱＡＭにおける信号点配列の例を示す図である。

【発明を実施するための形態】

【0014】

本発明の実施形態について、図面を参照して詳細に説明する。
図１は、本発明の光通信システム１００のシステム構成例を示す図である。光通信システム１００は、送信装置１０、受信装置２０及び制御装置３０を備える。

【0015】

送信装置１０は、多重装置１１及び光変調装置１２を備える。光変調装置１２は、送信信号選択部１２１及び光変調部１２２を備える。送信装置１０の多重装置１１には、不図示の複数の端末装置から送信された光データ信号が入力される。多重装置１１は、入力された複数の光データ信号を多重することで光多重データ信号を生成し、光変調装置１２に出力する。光変調装置１２の送信信号選択部１２１は、制御装置３０の制御に応じて、光多重データ信号及びトレーニング信号のいずれか一方を光変調部１２２に出力する。光変調部１２２は、送信信号選択部１２１から出力された光信号を変調して送信する。

【0016】

受信装置２０は、光復調装置２１及び分離装置２２を備える。光復調装置２１は、分散補償部２１１及び受信シンボル判定部２１２を備える。受信装置２０は、送信装置１０から送信された光信号を受信する。分散補償部２１１は、受信された光信号について分散補償処理やＸ－Ｙ偏波分離などの変調の次元分離処理を行う。受信シンボル判定部２１２は、分散補償部２１１から出力された光信号についてシンボル判定を行い、判定結果を分離装置２２に出力する。受信シンボル判定部２１２は、受信シンボルをデジタルデータに復元する。受信シンボル判定部２１２は、復元データ値を、対向する送信装置１０内の多重装置１１と対をなす分離装置２２に送出する。受信シンボル判定部２１２は、シンボル判定を行うに際して、予め実施された機械学習の結果を用いる。分離装置２２は、判定結果に応じた信号を宛先に応じた方路へ出力する。

【0017】

制御装置３０は、受信シンボル判定部２１２において機械学習を行うモード（以下「トレーニングモード」という。）か、機械学習の結果を用いて通信を行うモード（以下「データ判定モード」という。）か、について制御する。制御装置３０は、例えばトレーニングモードとして光通信システム１００を動作させる場合には、トレーニング制御信号を送信信号選択部１２１及び受信シンボル判定部２１２に出力する。トレーニング制御信号には、トレーニングモードとして通信することを示す情報と、トレーニング信号としてどのようなシンボルの信号が送信されるかを示す情報と、が含まれる。制御装置３０は、図１に示されるように送信装置１０及び受信装置２０とは異なる装置として構成されてもよいし、送信装置１０の一部として構成されてもよいし、受信装置２０の一部として構成されてもよい。

【0018】

図２は、送信信号選択部１２１の詳細な構成例を示す図である。送信信号選択部１２１は、トレーニング制御回路１２１１及び選択スイッチ１２１２を備える。トレーニング制御回路１２１１は、制御装置３０から送信されたトレーニング制御信号を受信する。トレーニング制御回路１２１１は、受信されたトレーニング制御信号が示すシンボルの信号（以下「トレーニング信号」という。）を選択スイッチ１２１２に出力する。また、トレーニング制御回路１２１１は、トレーニング制御信号を受信した際には、トレーニング信号を出力することを示す選択制御信号を選択スイッチ１２１２に出力する。

【0019】

選択スイッチ１２１２は、トレーニング信号及びデータ信号のいずれか一つ又は両方を入力する。選択スイッチ１２１２は、トレーニング信号とデータ信号とを切り替えて送出する機能を持つ。選択スイッチ１２１２は、トレーニング信号とデータ信号とのうち、選択制御信号が示す方の信号を送出する。

【0020】

図３は、受信シンボル判定部２１２の詳細な構成例を示す図である。受信シンボル判定部２１２は、トレーニング制御回路２１２１及び判定部２１２２を備える。トレーニング制御回路２１２１は、制御装置３０から送信されたトレーニング制御信号を受信する。トレーニング制御回路２１２１は、受信されたトレーニング制御信号が示すシンボルの情報を含むトレーニング制御信号を判定部２１２２に出力する。

【0021】

判定部２１２２は、トレーニング制御信号が受信された場合（トレーニングモードである場合）には、分散補償部２１１から出力されたデータ信号と、トレーニング制御信号が示すシンボルのパターンを示す情報と、を教師データとして用いて機械学習を行う。すなわち、判定部２１２２は、分散補償部２１１から出力されたデータ信号のパターンが、トレーニング信号が示すパターンであるという前提で学習処理を行う。判定部２１２２は、この学習処理において、非線形歪みの補償パラメータを学習する。判定部２１２２は、トレーニング制御信号が受信されない場合（データ判定モードである場合）には、分散補償部２１１から出力されたデータ信号について機械学習の結果に基づいて非線形歪み補償を行ってシンボル判定を行う。判定部２１２２は、判定結果に基づいて復元データ値を出力する。

【0022】

図４は、判定部２１２２の詳細な構成例を示す図である。機械学習のトレーニングモードでは、送信信号選択部１２１からトレーニング信号を送信中であることと、送信中のトレーニング信号のパターンと、が受信装置２０にトレーニング制御信号として通知される。受信装置２０内のトレーニング制御回路２１２１は、トレーニング信号のパターンにしたがって正解ラベルを生成する。

【0023】

判定部２１２２は、複数の領域選択層４０と、領域判定層５０と、多重化回路６０と、を備える。図４の例では、領域選択層４０はＮ層設けられている。ここで、Ｎは２以上の整数値である。各領域選択層４０は、１又は複数の領域選択回路４１を備える。第１層の領域選択層４０＿１は、１つの領域選択回路４１を備える。第２層～第Ｎ層の各領域選択層４０は、各一つ前段の領域選択層４０の領域選択回路４１における出力数の総数に応じた領域選択回路４１を備える。領域判定層５０は、複数の領域判定回路５１を備える。

【0024】

各領域選択回路４１と各領域判定回路５１には、トレーニング制御信号として正解ラベルが入力される。領域選択回路４１は、受信シンボルを正解ラベルに従って分類するように機械学習回路の内部変数を設定する。領域選択回路４１は、正解ラベルに従って次の領域選択層４０の該当する領域選択回路４１に受信シンボルを出力する。次の領域選択層４０においても同様に、領域選択回路４１は、機械学習回路の内部変数を設定し、次の領域選択層の該当する領域選択回路４１に受信シンボルを出力する。

【0025】

判定部２１２２の階層数と各領域選択回路４１の分岐数は、最終層にあたる領域判定層５０において各領域判定回路５１の判定の結果、各領域に含まれるシンボルが１種類となるように予め設定される。このようにトレーニング用のデータ信号を次々と入力して、すべてのパスの学習を行うことで、全ての領域選択回路４１及び領域判定回路５１が備える機械学習回路の内部のノード状態を学習し決定する。

【0026】

データ判定モードでは、最初の領域選択層４０＿１の領域選択回路４１において受信シンボルを受信し、機械学習結果に従って領域選択を行う。領域選択回路４１は、次の領域選択層４０（４０＿２）の該当する領域選択回路４１に受信シンボルを出力する。領域選択層４０＿２においても同様に、領域選択回路４１は機械学習結果に従って次の領域選択層４０（４０＿３）の該当する領域選択回路４１に受信シンボルを出力する。最終層にあたる領域判定層５０の出力では、シンボルは１種類に定まる。多重化回路６０には、領域判定層５０のいずれか一つの領域判定回路５１からのみ判定結果が結線を介して入力される。結線の番号は最後に判定を行った領域を示す。その結線からの入力値は最後の判定結果を示す。結線の番号と判定結果とに基づいて、受信シンボルが表すデータ値が一意に定まる。多重化回路６０は、そのデータ値を復元データ値として出力する。

【0027】

次に、各層における処理についてさらに説明する。
第１層の領域選択層４０＿１は、１個の領域選択回路４１を備える。データ判定モードにおいては、領域選択回路４１は、機械学習結果を用いることで受信シンボルをＬ（１，１）個の領域のうちいずれか一つに分類する。領域選択回路４１は、該当する領域を担当する次層（第２層）の領域選択回路４１のみに受信シンボルをそのまま出力する。ここでＬ（ｍ，ｎ）は第ｍ層を構成する第ｎ個目の領域選択回路の出力接続数とする。また第ｍ層からの総出力接続数をＬＳ（ｍ）とすると、以下の式１が成り立つ。

【0028】

【数1】

【0029】

第２層の領域選択層４０＿２は、Ｌ（１，１）個の領域選択回路４１を備える。これらの複数の領域選択回路４１のうち、第１層から受信シンボルの入力があった領域選択回路４１のみが動作する。例えば、第２層ｎ番目の領域選択回路４１のみに入力があった場合、その領域選択回路４１は、機械学習結果を用いることで受信シンボルをＬ（２，ｎ）個の領域のうちいずれか一つに分類する。領域選択回路４１は、該当する領域を担当する次層（第３層）の領域選択回路４１にのみ受信シンボルをそのまま出力する。

【0030】

以下同様に、受信シンボルを順次次の層に送りながら領域選択が進められ、第Ｍ層では以下の式２が成り立つ。

【0031】

【数2】

【0032】

第Ｍ層の領域選択層４０＿Ｍの出力は、領域判定層５０に入力される。領域判定層５０はＬＳ（Ｍ）個の領域判定回路５１を備える。第Ｍ層の領域選択層４０＿Ｍから受信シンボルの入力があった領域判定回路５１のみが動作する。ｎ番目の領域判定回路５１のみに入力があった場合、領域判定回路５１は、機械学習結果を用いることで受信シンボルをＬ（ｘ，ｎ）個の領域のうちいずれか一つに分類し、判定結果のみを後段の多重化回路６０に出力する。ここで領域判定層５０を表す記号を“ｘ”とした。

【0033】

多重化回路６０は、入力のあった領域判定回路５１の位置（番号）とその値から、一意に定まる復元データ値を出力する。

【0034】

上述した各層の領域選択回路４１及び領域判定回路５１は、ニューラルネットワークを用いた機械学習により受信シンボルをＬ（ｍ，ｎ）個の領域のうちいずれか一つに分類するように構成されてもよい。上述した各層の領域選択回路４１及び領域判定回路５１は、サポートベクトルマシンを用いた１対他方式の機械学習により受信シンボルをＬ（ｍ，ｎ）個の領域のうちいずれか一つに分類するように構成されてもよい。なお、ｍ及びｎはいずれも１以上の整数を示す。

【0035】

図５は、領域選択回路４１の具体的な構成例を示す図である。領域選択回路４１は、２分岐回路４１１、領域判定回路４１２及び１ｘｎｓスイッチ４１３を備える。２分岐回路４１１は、トレーニング信号又はデータ信号を２分岐し、一方を領域判定回路４１２へ、他方を１ｘｎｓスイッチ４１３へ出力する。領域判定回路４１２は機械学習回路である。ｎｓ＝Ｌ（ｍ，ｎ）である。

【0036】

まずトレーニングモードにおける動作について説明する。領域判定回路４１２は、トレーニング制御信号に基づいて、入力信号がトレーニング信号であるかデータ信号であるかを識別する。入力信号がトレーニング信号である場合、トレーニング制御信号に基づいて正解ラベルも通知される。領域判定回路４１２は、ニューラルネットワーク（以下「ＮＮ」という。）やＳＶＭ等を用いた機械学習による学習を行う。また、領域判定回路４１２は、トレーニング制御信号に従って、入力信号を後段の層（領域選択層４０又は領域判定層５０）のどの領域選択回路４１又は領域判定回路５１へ出力するかを決定する。領域判定回路４１２は、決定にしたがって、１ｘｎｓスイッチ４１３へ制御信号を出力する。

【0037】

次にデータ判定モードにおける動作について説明する。領域判定回路４１２は、予め行われた機械学習の学習結果に基づいて、入力信号を後段の層（領域選択層４０又は領域判定層５０）のどの領域選択回路４１又は領域判定回路５１へ出力するかを決定する。領域判定回路４１２は、決定にしたがって、１ｘｎｓスイッチ４１３へ制御信号を出力する。１ｘｎｓスイッチ４１３は、領域判定回路４１２の出力に応じて、受信シンボルの出力先を１～ｎｓのうちいずれか一つに切り替える。

【0038】

図６は、ＳＶＭを用いた領域判定回路５１の構成例を示す図である。領域判定回路５１は、領域選択回路４１の一部（領域判定回路４１２）を構成するものであるとともに、領域判定層５０でも使用される。領域判定回路５１には、トレーニング信号又はデータ信号が入力される。領域判定回路５１はＳＶＭ回路５１１を備える。領域判定回路５１は、１個のＳＶＭ回路５１１そのものとして構成されてもよい。領域判定回路５１は、複数個のＳＶＭ回路５１１の総当たり判定回路として構成されてもよい。

【0039】

トレーニング制御信号により、入力信号がトレーニング信号であるかデータ信号であるかが指定される。入力信号がトレーニング信号である場合には、その正解ラベルも同時に通知される。この場合、ＳＶＭ回路５１１は、トレーニング信号及び正解ラベルを用いて、ＳＶＭによる機械学習を行う。入力信号がデータ信号である場合、機械学習の結果を用いた判定を行い、判定結果を出力する。領域判定回路５１が領域選択回路４１の一部（領域判定回路４１２）である場合は、判定結果は１ｘｎｓスイッチ４１３の制御信号として使用される。

【0040】

図７は、ＮＮを用いた領域判定回路５１の構成例を示す図である。領域判定回路５１は、領域選択回路４１の一部（領域判定回路４１２）を構成するものであるとともに、領域判定層５０でも使用される。領域判定回路５１には、トレーニング信号又はデータ信号が入力される。領域判定回路５１はＮＮ回路５１２を備える。領域判定回路５１は、１個のＮＮ回路５１２そのものとして構成されてもよい。

【0041】

トレーニング制御信号により、入力信号がトレーニング信号であるかデータ信号であるかが指定される。入力信号がトレーニング信号である場合には、その正解ラベルも同時に通知される。この場合、ＮＮ回路５１２は、トレーニング信号及び正解ラベルを用いて、ＮＮによる機械学習を行う。入力信号がデータ信号である場合、機械学習の結果を用いた判定を行い、判定結果を出力する。領域判定回路５１が領域選択回路４１の一部（領域判定回路４１２）である場合は、判定結果は１ｘｎｓスイッチ４１３の制御信号として使用される。

【0042】

図８は、２分岐の領域選択回路４１を３層組み合わせて１６ＱＡＭ信号を判定する構成例を示す図である。図９は、２分岐の領域選択回路４１を３層組み合わせて１６ＱＡＭ信号を判定する構成の処理の概略を示す図である。領域選択層４０＿１では、図９の第１層に示されるように、１６ＱＡＭコンスタレーションを左右２つの領域に分け、機械学習のトレーニングが行われる。

【0043】

領域選択層４０＿２では、図９の第２層に示されるように、左右各々の領域を上下に分けて機械学習のトレーニングが行われる。以下同様に、領域が１６分割されるまでこのような領域分割が繰り返される。すなわち、図８の具体例では、全ての領域選択回路４１においてＬ（ｍ，ｎ）＝２と設定され、且つ、全ての領域判定回路５１においてＬ（ｘ，ｎ）＝２と設定されている。また、領域判定回路５１は、サポートベクトルマシンを用いた１対１方式の機械学習により受信シンボルを２個の領域のうちいずれか一つに分類する。

【0044】

本実施形態では、必要な機械学習回路数（領域判定回路４１２及び領域判定回路５１の数）は１５個となり、従来方式で必要な４個と比べると機械学習回路数は増加する。しかし、個々の機械学習回路の内部変数が減少するため、全体での内部変数の数は同程度となる。一方、トレーニング（機械学習処理）を終了してシンボルの判定を行う際には、例えば第１層（領域選択層４０＿１）で受信シンボルが右側の領域に属すると判定されると、それ以降の計算では左側の領域の演算は行われない。このため、従来方式と比べて演算量及び計算実行時間を減らすことができる。この例では領域２分割を繰り返すように仮定したが、２分割以上の多分割でも良いし、階層ごとに分割数が異なっても良い。同じ階層内の異なる領域において分割数が異なっても良い。

【0045】

図１０は、ＳＶＭの原理を示す図である。○で示す受信シンボルと△で示す受信シンボルとを、できるだけ低い謝り率で判別できるような境界線を引きたい。ＳＶＭの機械学習のトレーニング時には、境界線から○、△各々の領域の内側にマージン領域が設定される。そして、各々の領域から見てマージン領域の外側にある受信シンボルのみが判定に使用される。以下この受信シンボルをサポートベクトルと呼ぶ。マージン領域の内側にある受信シンボルは、判定には使用されない。このため、トレーニング時において、マージン領域の外側にある受信シンボルの数を減らせば、データ判定時の演算量を減らすことができる。このような処理が行われることで、判定に当たって無視できる行列係数が増加するため、パラメータが減少し、データ判定時の演算量を減らすことができる。ＮＮの場合は、内部変数のうち０に近いものをあえて削除することで、データ判定時の演算量を減らすことができる。

【0046】

図１１は、シミュレーション結果を示す図である。図中の既存方式は、従来技術による非線形補償である。提案方式１は、図８にて説明した領域分割手順により１層につき２分割ずつの非線形補償を行なったものである。提案方式２はＳＶＭを用いた総当たり方式により１層につき４分割ずつの非線形補償を行なったものである。１６ＱＡＭ、６４ＱＡＭ、２５６ＱＡＭの３つのパターンにてシミュレーションを行ない、１シンボルの判定が完了するまでに演算に使用するＳＶの総数をカウントし、その平均値を算出した。同時にＱ値についても確認した。ＳＶＭのカーネル関数にはＲＢＦカーネルを使用し、ハイパーパラメーターはシミュレーション条件毎にＳＶ数が最小となる最適値に設定している。非線形歪みについてはＱＡＭ信号の各々のシンボル点をその強度に比例して平均１０度回転させることにより模擬している。いずれの条件でもＳＶ数の減少とＱ値の上昇が認められ、本提案の効果が確認できる。

【0047】

本実施形態における各回路は、ＣＰＵ（Central Processing Unit）等のプロセッサーとメモリーとを用いて構成されてもよい。本実施形態における各回路の全て又は一部は、ＡＳＩＣ（Application Specific Integrated Circuit）やＰＬＤ（Programmable Logic Device）やＦＰＧＡ（Field Programmable Gate Array）等のハードウェアを用いて実現されても良い。上記のプログラムは、コンピューター読み取り可能な記録媒体に記録されても良い。コンピューター読み取り可能な記録媒体とは、例えばフレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ－ＲＯＭ、半導体記憶装置（例えばＳＳＤ：Solid State Drive）等の可搬媒体、コンピューターシステムに内蔵されるハードディスクや半導体記憶装置等の記憶装置である。上記のプログラムは、電気通信回線を介して送信されてもよい。

【0048】

以上、この発明の実施形態について図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計等も含まれる。

【産業上の利用可能性】

【0049】

本発明は、光通信に適用可能である。

【符号の説明】

【0050】

１００…光通信システム、１０…送信装置、１１…多重装置、１２…光変調装置、１２１…送信信号選択部、１２２…光変調部、２０…受信装置、２１…光復調装置、２２…分離装置、２１１…分散補償部、２１２…受信シンボル判定部、３０…制御装置、１２１１…トレーニング制御回路、１２１２…選択スイッチ、２１２１…トレーニング制御回路、２１２２…判定部、４０…領域選択層、４１…領域選択回路、５０…領域判定層、５１…領域判定回路、６０…多重化回路、４１１…２分岐回路、４１２…領域判定回路、４１３…１ｘｎｓスイッチ、５１１…ＳＶＭ回路、５１２…ＮＮ回路

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】