ОЦЕНКА ПАРАМЕТРОВ ГЛАЗКОВОЙ ДИАГРАММЫ ПО ПЕРЕХОДНОЙ И АМПЛИТУДНО-ЧАСТОТНОЙ ХАРАКТЕРИСТИКАМ С ИСПОЛЬЗОВАНИЕМ НЕЙРОННОЙ СЕТИ

Исследована возможность оценки ширины и высоты глазка глазковой диаграммы (ГД) с применением искусственных нейронных сетей (ИНС). С этой целью выполнено моделирование более 750 примеров каналов связи с различными передаточными функциями. Для каждого примера сформирована ГД путем свертки случайной последовательности импульсов с импульсной характеристикой канала и измерены ее параметры. Полученные результаты использованы для обучения ИНС, входными переменными которых являются параметры переходной характеристики: длительность задержки, длительность фронта, величина выброса и длительность колебательного процесса, а также значение АЧХ на частоте, равной половине тактовой частоты. Для каждого оцениваемого параметра отобрано несколько ИНС для разных поддиапазонов входных переменных. Среднеквадратическая погрешность оценки искомых параметров ГД с помощью этих ИНС составляет 2 — 4%. Коэффициент корреляции оценок и известных значений более 0,98. При этом достигается значительный выигрыш в затратах времени на расчет по сравнению с получением значений ширины и высоты глазка путем моделирования ГД. Изложенный метод может использоваться в процессе оптимизации характеристик канала связи в случаях, когда параметры ГД входят в целевую функцию.

1. Прокис Дж. Цифровая связь. Пер. с англ. / Под ред. Д.Д. Кловского. – М.: Радио и связь, 2000. – 800 с.

2. Рекомендация ITU-T G.957. Оптические интерфейсы для оборудования и систем, относящихся к синхронной цифровой иерархии. 2006.

3. OFSTP-4. Optical Eye Pattern Measurement Procedure, TIA/EIA-526-4, 1993.

4. Дьяконов В.П. Современная аппаратура тестирования и контроля сверхскоростных систем и линий связи // Беспроводные технологии, 2010, №4, C.52-59.

5. Leib H., Pasupathi S. Digital transmission performance of standard analog filters. // IEEE Transaction on Communications. Vol.40, Iss.1, Jan,1992. P. 42 – 50.

6. Torres-Ferrera P., Ferrero V., Valvo M., Gaudino R. Impact of the overall electrical filter shaping in next-generation 25G and 50G PON. // URL: https://arxiv.org/ pdf/1801.08584, 25 Jan. 2018.

7. Хайкин С. Нейронные сети: полный курс. 2-е изд., испр. : Пер. с англ. – М.: ООО «И.Д. Вильямс». 2006. - 1104 с.

8. Ambasana N., Anand G, Mutnury B., Gope D. Application of artificial neural networks for eye-height/width prediction from S-parameters. // 2014 IEEE 23rd Conference on Electrical Performance of Electronic Packaging and Systems. 26-29 Oct. 2014.

9. Ambasana N., Anand G, Mutnury B., Gope D. Eye height/width prediction from S-parameters using learning-based models. // IEEE Transactions on Components, Packaging and Manufacturing Technology. Vol.6, Iss.6, June 2016, P. 873-885.

10. Ambasana N., Anand G, Mutnury B., Gope D. Eye height/width prediction from S-parameters using learning-based models. // IEEE Transactions on Components, Packaging and Manufacturing Technology. Vol.6, Iss.6, June 2016, P. 873-885.

11. Lu T., Wu K., Yang Zh., Sun J. High-speed channel modeling with deep neural networks for signal integrity analysis. // URL: https://research.google.com/pubs/archive/46433.pdf.

12. Смирнов А.В. Оптимальные по Парето аппроксимации передаточных функций электрических фильтров // Актуальные проблемы гуманитарных и естественных наук. 2015. №05 (76). Часть 1, С.74-78.

13. Смирнов А.В. Метод поиска оптимальных дробно-чебышевских аппроксимаций АЧХ // Журнал радиоэлектроники [электронный журнал]. 2018. №3. URL: http://jre.cplire.ru /jre/mar18/7/text.pdf

14. URL: http://www.mathwork.com.