CN103178900A - 基于支持向量机的相干光通信系统非线性损伤消除装置 - Google Patents

Abstract

本发明提供了相干光通信系统中的一种基于支持向量机的光纤非线性损伤消除装置。该装置包括：色散补偿单元，用于补偿接收信号所受到的光纤色散；支持向量机阵列单元，通过多个支持向量机根据不同分类准则对接收符号进行二元分类处理；支持向量机训练单元，通过一定的训练序列，确定装置中使用的每个支持向量机的分类超平面；逻辑处理单元，对各支持向量机分类结果进行逻辑运算获得信号对应的类型符；符号判决单元，根据所述的信号类型符解码成信号对应的二进制序列。本发明利用支持向量机的非线性分类特性来消除信号所受到的光纤非线性损伤，无需知道光纤的非线性特征，在确保非线性损伤消除效果的同时，处理复杂度仅由少量的支持向量个数决定。

Description

基于支持向量机的相干光通信系统非线性损伤消除装置

技术领域

本发明涉及光通信领域，更具体的说，涉及相干光通信系统中，利用支持向量机（SVM）的非线性二元分类特性来消除接收信号所受到光纤非线性损伤的装置。

背景技术

光纤通信系统中，相干检测接收与直接检测接收相比，相干接收的方式能够允许所传输的信息被编码在光载波的多个自由度上，包括幅度、相位以及偏振态。因此，相干光通信系统能够允许系统采用更高阶的调制格式，来提高系统的频谱利用率。然而随着调制阶数的上升，为获得较高的信噪比（SNR）也就意味着需要更大发射功率，而光纤中传输功率的增加，则信号在传输过程中所受到的由光纤Kerr效应引起的非线性损伤就更为显著。

图1为典型的单信道QAM调制的相干光通信系统。如图1所示，在发射端，伪随机二进制序列生成器101产生二进制序列以后，经过102进行符号映射，根据调制阶数，将一定长度的二进制信息转换为其对应的十进制符号。然后通过103对映射后的符号进行脉冲成型，105进行脉冲串并变换后，将调制符号加载到IQ调制器106的两个马赫·曾德调制器上（MZM）进行I路和Q路的调制。在106中为了完成IQ调制，其中一个MZM调制后的光信号需额外增加一个90度的相位延迟。激光器104发出的连续光作为IQ调制的光载波。

在将调制后的光信号耦合到光纤中进行传输前，通过前置放大器107来提高光信号的入纤功率。整个光纤传输链路由N段级联的单模光纤108和掺饵光纤放大器（EDFA）110构成。在接收端进行光电转换之前，信号先经过光滤波器109消除一定噪声，然后在90度混频器111中与本地振荡光112进行混频，111输出后的四路光信号经过两个平衡光电探测器113将光信号转换为电信号。至此，如图1所示的S_I和S_Q即为解调以后的I路电信号和Q路电信号。经过114对接收得到的I路和Q路电信号进行两倍采样以后，再利用数字信号处理（DSP）模块115对信号所受到的各类损伤进行数字补偿。

对于链路中包含色散补偿光纤的系统，则应该在108与110之间增加色散补偿光纤（DCF）。图1为单信道非偏振复用的系统，而对于QAM调制的WDM系统，或是偏振复用系统，均可以在图1所示系统的基础上，进行相应的扩展。

光信号在光纤链路中的传输过程，可以表示为如图2所示的对称分步傅里叶算法的模型结构。如图2所示，在每个光纤跨段中，将光纤对信号的线性效应与非线性效应的影响分成N_steps步进行模拟，而在每步模拟中，将信号所受到的光纤的线性效应和非线性效应分离出来单独进行考虑。每步模拟中包含两次线性效应202、204，而非线性效应的模拟203则放置在两次线性效应之间。202与204中的线性作用算子D包含信号受到的衰减与色散效应，而203中的非线性作用算子N包含信号所受到的由于光线Kerr效应引起的非线性效应。在两个光纤跨段之间利用一个放大倍数为G的放大器205对信号进行放大，同时在206处加入相应放大噪声n(t)。

根据所述信号在光纤中传输过程的模型，数字反向传输（DBP）算法成为一种通过数字信号处理手段，来补偿信号受到色散与非线性损伤的直观而有效方法。DBP算法中，在接收端每个传输符号经过两倍采样后，通过DSP算法模拟一个与信号正向传输相对称的虚拟光纤链路。其中，虚拟光纤链路中设置的与线性算子

和非线性算子

中相关的参数与实际传输系统中光纤的参数数值相同，而符号相反。DBP算法对信号所受损伤的补偿效果，与补偿过程中所采用的样值点个数、每个光纤跨段内补偿步长的细分程度均有关系。

虽然DBP算法能够同时对信号所受到的色散与非线性损伤进行补偿，然而对信号的色散补偿需要在频域进行操作，而非线性的补偿则在时域进行操作，因此使用DBP算法进行补偿的过程中，需要通过FFT/IFFT预算进行大量的时域与频域之间的变换。其复杂度是对DBP算法进行使用的主要障碍之一。另外，由于DBP算法是基于信号块的，因此，接收端需要缓存一定数量的信号才能进行处理，这使得DBP算法不能直接用于进行接收信号的实时处理。

发明内容

本发明实施例的目的在于提供一种利用支持向量机（SVM）的非线性分类特性构建而成的相干光通信系统非线性损伤消除装置。此装置在对信号进行电域色散补偿后，通过多个SVM对接收信号按照不同的分类准则进行二元分类，最终根据对二元分类结果进行逻辑运算后对信号进行判决。此装置在保证必要的非线性补偿效果的同时，使得信号非线性损伤的补偿计算复杂度得到大幅度的降低。

根据本发明实施例提供的基于支持向量机的相干光通信系统非线性损伤消除装置，该装置包括：

（1）色散补偿单元，用于补偿接收信号所受到的光纤色散。

（2）支持向量机阵列单元，各SVM根据不同的分类准则，以及待处理信号所提供的分类特征，对经过色散补偿后的信号进行二元分类处理，并输出各SVM对信号分类的结果。

（3）支持向量机训练单元，在各SVM对信号进行分类之前，通过一定数量的训练序列，来确定所述装置中每个支持向量机所对应的分类超平面。

（4）逻辑处理单元，通过对SVM阵列单元所生成的各分类结果，进行逻辑运算得到信号对应的类型符。

（5）符号判决单元，根据所述的信号类型符，将待处理信号解码成对应的二进制序列。

在本发明实施例中，对于相干光通信系统中接收到的高阶调制信号，在使用此装置进行信号光纤非线性损伤的消除之前，首先通过一定数量的训练序列来确定装置中使用到的各个SVM进行信号二元分类的分类超平面。其中，训练序列通过相干光系统发射端经过光纤链路传输到接收端，接收端的信号样值即包含了光纤相应的损伤信息。以接收端信号样值的特征作为训练SVM的特征向量，同时接收端存储了训练序列对于此装置中的每个SVM分类策略的二元类属。

由上述可知，训练序列在通过色散补偿单元处理后，信号包含了完整的光纤非线性相移及链路中光放大器的自发辐射噪声，通过SVM非线性分类的方法来消除光纤的非线性损伤，接收端不必了解整个光纤链路的非线性及噪声的作用过程。其次，支持向量机阵列单元中各SVM的二元分类超平面最终仅由训练序列中的少部分信号特征向量（称为支持向量）及其类属来确定，因此构成分类超平面的参数较少，使得对后续未知信号光纤非线性损伤的处理复杂度降低。

根据本发明中整个装置的结构，其中支持向量机阵列单元的各个SVM是并行对当前待处理信号按各自不同的二元分类策略进行分类，并且一旦各SVM分类面确定后，即能实时地处理待处理信号，因此本发明装置支持实时信号处理。

参照后文的说明和附图，以及对本发明的实施方式的详细公开，阐述了本发明的其他特点及优点，应该理解本发明的实施例仅作为示例来提供，在所附权利要求的精神和条款的范围内，本发明的实时方式包括许多改变、修改和等同。

附图说明

图1是典型的单信道QAM调制的相干光通信系统；

图2是光纤对称分步傅里叶算法的模型结构；

图3是本发明在接收端对信号进行光纤色散及非线性补偿的结构示意图；

图4是本发明时域FIR滤波器实现光纤色散补偿的结构图；

图5是本发明实施例中各SVM使用软边界策略进行二元分类的示意图；

图6是本发明实施例对于16QAM调制信号各个星座点的类型的分配方案；

图7是本发明实施例对图3中各个SVM进行训练后，所得各SVM的二元分界面及相应的边界；

图8是本发明实施例中图3逻辑处理单元305的结果示意图。

具体实施方式

下面将结合附图对本发明的实施方式进行详细描述。所阐述的实施方式仅作为示例性说明，不是对本发明的限制。为了使本领域的技术人员能够容易地理解本发明的原理和实施方式，本发明的实施方式以16QAM调制的相干光通信系统的非线性损伤消除为例进行说明。但应该注意的是，本发明的实时方式适用于不同调制格式的相干光通信系统，而不局限于本实施例中介绍的调制方式。

图3为本发明在接收端对信号进行光纤色散及非线性补偿的结构示意图。该装置包括：信号接收端301，色散补偿单元302，支持向量机训练单元303，支持向量机阵列单元304，逻辑处理单元305及符号判决单元306。其中，接收端经过光电解调及采样后的电信号由301进入整个补偿装置。色散补偿单元302对接收到的信号首先进行电域的色散补偿，色散补偿过程在本实施例中每个信号使用两倍采样后的样值进行操作，如果增加在色散补偿中过采样的倍数，补偿效果能够得到进一步的提升，而色散补偿相应的复杂度也将随之增加。为了使本发明所阐释的装置能够对接收信号进行实时处理，图1中的色散补偿单元302使用时域滤波器的方法来实现。

图4为使用时域FIR滤波器实现光纤色散补偿的结构图。进行补偿的信号由输入端口401进入此FIR滤波器。在对当前传输的第n个信号样值进行补偿处理时，最终补偿结果为此样值及其之前N-1个样值的加权平均和。图4中的402、403、404和405为N个单位延迟器。而406中的N个抽头的权值系数ω₁，ω₂，…，ω_N由下面的式子确定：

${\mathrm{\ω}}_k=\sqrt{\frac{\mathrm{ic}{T}^2}{{\mathrm{D\λ}}^{2}z}}\·\exp (-\frac{{\mathrm{\πcT}}^2}{{\mathrm{D\λ}}^{2}z}{k}^2)---\left(1\right)$

其中，系数各个抽头序号k的取值范围为

抽头个数可由下面的式子来计算：

上述公式（1）和（2）中D为光纤色散系数，c为光速，λ为进行补偿处理的光载波的波长，z为信号经过光纤链路传输的长度，T为补偿中两个信号样值间的采样时间间隔。N个样值与406中的权值相乘后，再通过407进行求和操作，最终由408输出的信号数值是对此刻进行色散补偿后的样值。在进行时域FIR滤波器补偿信号所受的色散时，应当注意对于采样序列的初始部分，算法假定其之前的数据均为0，进而导致开始部分的色散不能完全补偿。因此，在补偿中采样序列的前面一段数据应该仅用于填充补偿滤波器的N-1个延迟单元使用，而有用传输信息样值应该在此序列之后。

图3中的支持向量机阵列单元304，其中包含SVM的个数为

K表示相干光通信系统中，调制信号星座点的个数。在本实施例中，使用16-QAM调制，因此K为16，此阵列单元包含的SVM的个数N_svm为4。而图3中的支持向量机训练单元303则通过一定的训练序列，同时根据304中各SVM对16个星座点的二元分类策略，来确定每个SVM的模型。

在进行SVM训练及对待处理信号进行二元分类的过程中，每个信号使用一个最佳样值点即可。即当两倍采样的信号样值在经过302进行色散补偿后，再对每个信号的两个样值点降采样一倍来做后续的非线性损伤消除。图5为本实施例中各SVM使用软边界策略进行二元分类的示意图。SVM的二元分类边界的目的在于使得两个类型最大限度地被分开。并且图5中的二元分界面可以定义为下面的式子：

$f\left(\stackrel{\→}{v}\right)={\stackrel{\→}{\mathrm{\ω}}}^T\·\stackrel{\→}{v}+b---\left(3\right)$

其中，向量

和常量b为分类超平面的参数，而向量

为待处理数据的特征向量，在此实施例中为二维向量，其分量分别为16QAM复信号的实部和虚部。如果在训练过程中，分类超平面将图5中的训练序列的正类×和负类○完全正确分开（即正类完全在分界面的上方，而负类完全在分界面的下方），则所有训练样本的特征向量到此分界面的距离为：

${\mathrm{\γ}}_k=\frac{{|\stackrel{\→}{\mathrm{\ω}}}^T\·{\stackrel{\→}{v}}_k+b|}{\left|\right|\stackrel{\→}{\mathrm{\ω}}\left|\right|}=\frac{y_k\·f\left({\stackrel{\→}{v}}_k\right)}{\left|\right|\stackrel{\→}{\mathrm{\ω}}\left|\right|}---\left(4\right)$

其中，y_k∈{+1,-1}为训练样值特征向量

对应的类型标识，即当

为正类时，y_k＝+1，否则y_k＝-1。由（4）式可知，当

和b同时放大或缩小相同的比例时，γ_k的大小不会受到影响。因此，将距离图5中分界面最近的

到分界面的距离定义为1，则如果要使得两个类型尽可能地被分开（即使得边界最大化），那么最大化γ_k等同于最小化

训练SVM的过程等效于找到使得最小的分界面的参数

和b：

$\underset{\stackrel{\→}{\mathrm{\ω}},b}{\arg \min }\frac{1}{2}{\left|\right|\stackrel{\→}{\mathrm{\ω}}\left|\right|}^2---\left(5a\right)$

s.t. $y_k\·({\stackrel{\→}{\mathrm{\ω}}}^T\·{\stackrel{\→}{v}}_k+b)\≥1,k=\mathrm{1,2},...,L---\left(5b\right)$

其中，L为训练此SVM使用的训练序列的长度。然而，当信号在传输的过程中受到自发辐射（ASE）噪声的影响后，星座点之间会有一定的交叠部分。如果根据（5a）和（5b）的二次规划策略来对信号进行二次优化，则最终由训练序列得到的分界面会过于复杂，同时对于后续具有随机噪声的待处理信号样值，这样的分界面普适性较差。因此在训练阶段，通过对每个训练样本定义一个松弛变量ξ及惩罚因子C来定义软边界分类的策略。当某训练样本落在本类型边界及其以内时，ξ＝0；当某训练样本落在边界及分界面之间时，0＜ξ≤1；当某训练样本落到分界面另一侧而被误分时，ξ＞0。并且对于上述后两种情况，

则（5a）及（5b）描述的二次优化问题转化为：

$\underset{\stackrel{\→}{\mathrm{\ω}},b}{\arg \min }\frac{1}{2}{\left|\right|\stackrel{\→}{\mathrm{\ω}}\left|\right|}^2+C\underset{k=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\ξ}}_k---\left(6a\right)$

s.t. $y_k\·({\stackrel{\→}{\mathrm{\ω}}}^T\·{\stackrel{\→}{v}}_k+b)\≥1-{\mathrm{\ξ}}_k---\left(6b\right)$

ξ_k≥0,k＝1,2,…,L(6c)

为了便于进行数字域处理，上述（6a）到（6c）所描述的二次规划问题，可以通过转化成为其对偶形式的二次规划问题来进行求解：

$\underset{\stackrel{\→}{a}}{\arg \max }:\underset{i=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\α}}_i-\frac{1}{2}\underset{i=1,j=1}{\overset{L}{\mathrm{\Σ}}}{y}_1\·y_j\·{\mathrm{\α}}_i\·{\mathrm{\α}}_j\·k({\stackrel{\→}{v}}_i,{\stackrel{\→}{v}}_j)---\left(7a\right)$

s.t.0≤α_i≤C,i＝1,2,…,L                           (7b)

$\underset{i=1}{\overset{L}{\mathrm{\Σ}}}{\mathrm{\α}}_i{y}_j=0---\left(7c\right)$

其中，α为拉格朗日算子，κ(·)为SVM所使用的核函数，在此实施例中，使用高斯核函数：

$k({\stackrel{\→}{v}}_i,{\stackrel{\→}{v}}_j)=\exp (-\frac{\left|\right|{\stackrel{\→}{v}}_i-{{\stackrel{\→}{v}}_j\left|\right|}^2}{2{\mathrm{\σ}}^2})---\left(8\right)$

由式（7a）到（7c）得到拉格朗日向量

后，再结合训练序列的中满足使得（7a）中α_i＞0的训练样本特征向量v_i（这些特征向量被称为SVM的支持向量，并且其数量仅是整个训练集中的一小部分），变可得到支持向量机的分界面：

$\left(\stackrel{\→}{v}\right)\underset{k\∈V}{\mathrm{\Σ}}{\mathrm{\α}}_k^{\left(i\right)}\·y_k^{\left(i\right)}\·\⟨\stackrel{\→}{v},{\stackrel{\→}{v}}_k^{\left(i\right)}\⟩+b---\left(9\right)$

其中，V为经过训练后SVM的支持向量的集合。当训练结束后，通过判断式（9）的符号来对未知的符号进行二次分类。

对于此实施例中对16QAM信号样值点进行4次SVM的二元分类时，每个SVM的分类模型均由训练序列根据式（7a）到（7c）及相应的分类策略来确定。对于图3中支持向量机阵列单元304中每个SVM，都要将经过302色散补偿后的率属于16个星座点的信号样值进行二元分类。因此，16个信号星座点要进行4次两类划分（即对于每个SVM，将接收到的信号样值中率属某8个星座点的分为正类，而率属于其他8个星座点的分为负类）。对于图3中304的每个SVM对应16个星座点的正负类划分可以按照下述公式进行：

其中，和

分别为第i个SVM对于16QAM调制星座图16个星座点的正类集合与负类集合的划分。其中S∈{1,2,…,16}为16个星座点的类型集合（即将16个星座点看做16个类型，分别以1到16的十进制序号进行标记）。则图3中支持向量机阵列单元304根据式（10a）和（10b）对于16QAM调制星座点的二元划分为： $C_1^{+}=\left\{\mathrm{2,4,6,8,10,12,14,16}\right\};$ $C_1^{-}=\left\{\mathrm{1,3,5,7.9.11.13.15}\right\};$ $C_2^{+}=\left\{\mathrm{3,4,7,8,11,12,15,16}\right\};$ $C_2^{-}=\{\mathrm{1,2},5,\mathrm{6,9,10,13,14}\};$ $C_3^{+}=\left\{\mathrm{5,6,7,8,13,14,15,16}\right\};$ $C_3^{-}=\left\{\mathrm{1,2,3,4,9,10,11,12}\right\};$ $C_4^{+}=\left\{\mathrm{9,10,11,12,13,14,15,16}\right\};$ $C_4^{-}=\left\{\mathrm{1,2,3,4,5,6,7,8,9}\right\}.$ 接收上述各SVM对16QAM星座图二类划分的准则，及16QAM信号星座图的特性，为使得最终各SVM的二元分类的分界面尽可能地简单，图6给出了对于16QAM调制信号各个星座点16个类型的分配方案。同时，为了使得最终处理后的信号误码率尽可能低，16QAM信号还采用了格雷编码的技术。

根据上述对本实施例具体实施方式的描述，在训练SVM的过程中，相关光通信系统将一定的训练序列经过16QAM调制后，经过光纤链路传送到发射端。而训练序列中每个调制符号的均按照图6分配一个具体的类型标签，并且所有训练样本的类型标签均存储于接收端。当接收端对训练序列进行光电解调后，首先进行两倍采样，同时通过图4所示的色散补偿结构对信号样值进行色散补偿。接着，在对补偿后的信号样值将采样一倍，然后将每个符号的信号样值的实部和虚部取出来作为训练SVM的特征向量，而对于第i个SVM，此训练序列所对应的正类为训练样本类型标签在中的样本，负类为训练样本类型标签在

中的样本。图3中的支持向量机训练单元通过对式（7a）到（7c）的二次规划问题的求解，得到式（9）中支持向量机分界面的函数，完成了对图3中支持向量机阵列单元304中各个SVM的训练。图7为通过训练序列对图3中各个SVM进行训练后，所得各SVM的二元分界面及相应的边界。

当图3中支持向量机阵列单元304训练结束后，每个SVM根据所得的分界面，对于未知信号样值进行二元分类分类：

${\hat{c}}^{\left(i\right)}=\mathrm{sign}\left[f_i\left(\stackrel{\→}{v}\right)\right]=\mathrm{sign}\{\underset{k\∈V}{\mathrm{\Σ}}{\mathrm{\α}}_k^{\left(i\right)}\·y_k^{\left(i\right)}\·\⟨\stackrel{\→}{v},{\stackrel{\→}{v}}_k^{\left(i\right)}\⟩+b\}---\left(11\right)$

其中，为第i个SVM经过训练得到的分界面函数，sign[·]为符号函数，

为待分类的信号样值特征向量（其两个分量分别为信号样值的实部和虚部）。通过4个SVM对信号样值特征向量

按照图7所示分类方式进行分类后，每个SVM对于

的分类结果输入图3逻辑处理单元305进行逻辑运算。图8为此发明中逻辑处理单元的结果示意图。根据图8所示的逻辑运算，对4个SVM的分类结果进行逻辑运算可表示为：

$\hat{c}=1+\underset{i=1}{\overset{4}{\mathrm{\Σ}}}({\hat{c}}^{\left(i\right)}+1)2^{i-2}---\left(12\right)$

其中，

为式（11）中第i个SVM对

进行二元分类后的结果。经过逻辑处理单元获得的结果

为最终对

所分配的类型标签。经过逻辑处理单元后，最终将此类型标签传到图3所示的符号判决单元306进行符号判决，获得最终的二进制信息。在进行符号判决的过程中，此实施例将根据由式（12）所得到的

的类型标识，及图6所示的16QAM星座编码及类型分配策略进行符号判决与解码。例如当由（12）计算得到的

为1时，则将此处理的符号样值解码为0010。

通过本实施例可知，此基于支持向量机的光纤非线性损伤消除装置，通过训练序列对4个SVM进行训练，不必知道光纤链路中非线性效应对信号所造成损伤的具体特性，即可获得如图7所示的对于光纤非线性损伤后，信号星座图进行二元分类的精确边界。并且当SVM训练结束后，对于未知的信号样值点即可通过本装置进行实时处理。同时此装置的对于色散的补偿复杂度由抽头系数的数量决定，而对光纤非线性的消除计算复杂度，由于每个SVM的分界面仅仅由少量的支持向量确定，因此复杂度主要由各SVM的支持向量个数，及逻辑处理单元的少量加法和乘法运算决定。相比常用于补偿光纤色散及非线性的DBP算法，此装置不仅大幅度地降低了计算复杂度，同时也具有实现信号实时处理的优势。

Claims (8)

1.一种基于支持向量机（SVM）的光纤非线性损伤消除装置，更具体的说，此发明通过利用若干个SVM对相干光通信系统接收后的电信号进行非线性二元分类处理，来实现信号所受光纤非线性损伤的消除，所述装置组成结构包括：

（1）色散补偿单元，用于补偿接收信号所受到的光纤色散；

（2）支持向量机阵列单元，各SVM根据不同的分类准则，以及待处理信号所提供的分类特征，对经色散补偿后的信号进行二元分类处理，并输出各SVM对信号分类的结果；

（3）支持向量机训练单元，在各SVM对信号进行分类之前，通过一定数量的训练序列，来确定所述装置中每个支持向量机所对应的分类超平面；

（4）逻辑处理单元，通过对SVM阵列单元所生成的各分类结果，进行逻辑运算得到信号对应的类型符；

（5）符号判决单元，根据所述的信号类型符，将待处理信号解码成对应的二进制序列。

2.根据权利要求1所述装置，其特征在于，所述支持向量机阵列单元包括的SVM个数为

其中，K表示相干光通信系统中，调制信号星座点个数（如QPSK相干光通信系统，K为4；16-QAM相干光通信系统，K为16）；

为上取整操作；所述N_svm个SVM根据不同的分类准则，在信号经过色散补偿处理以后，对信号进行N_svm次并行二元分类处理，并且第i个SVM分类结果输出为 ${\hat{c}}^{\left(i\right)}\∈\{+1,-1\}.$

3.根据权利要求2所述的装置，其特征在于，所述每个支持向量机采用如下公式对接收信号进行二元非线性分类处理：

${\hat{c}}^{\left(i\right)}=\mathrm{sign}\{\underset{k\∈V_i}{\mathrm{\Σ}}{\mathrm{\α}}_k^{\left(i\right)}\·y_k^{\left(i\right)}\·k(v,v_k^{\left(i\right)})+b_i\};$

其中，v为待进行二元分类处理的信号特征向量；sign{·}为符号函数；V_i为第i个SVM的支持向量集合；和

为V_i中第k个支持向量的拉格朗日算子，类型标记和特征向量；κ(·)为SVM中使用的核函数，此发明中所使用的是高斯核函数；b_i为第i个SVM的阈值参数。

4.根据权利要求3所述的方法，其特征在于，所述待处理信号的特征向量v，及SVM的支持向量的特征向量

的构造过程中，以接收端电信号的实部和虚部作为向量v和

的两个元素。

5.根据权利要求1所述的装置，其特征在于，所述支持向量机的训练单元在进行接收信号光纤非线性损伤消除之前，利用N_T个训练数据（信号经过传输后的）来对所述的N_svm个SVM进行训练，得到每个SVM在进行二元分类过程中所利用到的支持向量集V_i，拉格朗日算子

及阈值参数b_i。

6.根据权利要求5所述的装置，其特征在于，所述支持向量机训练单元在对所述的N_svm个SVM中的第i个进行训练时，将K个信号星座点的训练集按如下公式划分成其对应的正类

和负类

其中，S∈{1,2,…,K}为K个信号星座点所赋予的类型标识；i∈{1,2,…,N_svm}为对N_svm个SVM分配的序号；mod{a,b}为求a对b的模；为下取整操作；在对所述的K个信号星座点进行类型标识分配时，以使星座点在进行正负类划分后的分界面最简单为原则。

7.根据权利要求1所述的装置，其特征在于，所述逻辑处理单元对N_svm个SVM对信号进行二元分类后结果根据如下公式进行逻辑运算：

$\hat{c}=\underset{i=1}{\overset{N_{\mathrm{svm}}}{\mathrm{\Σ}}}({\hat{c}}^{\left(i\right)}+1)\·2^{i-2}+1;$

其中，

为利用所述第i个SVM进行对色散补偿后的信号进行二元分类后所得到的结果；N_svm个SVM分类结果经过逻辑运算最终得到的

为信号经过处理后所对应的类型符号。

8.根据权利要求1所述装置，其特征在于，所述符号判决单元根据接收信号经过逻辑运算后得到的类型符号

及所述的K个信号星座点的类型标识的具体方案，最终将信号的类型符号

映射成为信号所对应的二进制比特序列。

Images