CN105515650B - 基于光谱特征的光信号调制格式识别方法 - Google Patents

Abstract

本发明涉及一种基于信号光谱特征的调制格式识别方法和系统，该系统包括光放大器(OA)，光谱仪(OSA)和数字信号处理(DSP)系统。待识别光信号首先进入所述OA放大到一定功率后注入OSA中，对OSA输出的光谱进行中心频率估算，并以中心频率为基准，截取±100GHz频率范围内的光信号光谱，通过主成分分析(PCA)算法模块提取光谱样本的特征向量，将特征向量输入经过预先训练的支持向量机(SVM)算法识别模块确定待测光信号的调制格式和速率。本发明工作无需任何先验信息，适用于开关调制和高级调制格式信号，无需利用高速探测器，对信号传输损伤容限大，具有结构简单，适用范围广的优点。

Description

基于光谱特征的光信号调制格式识别方法

技术领域

本发明涉及光纤通信，光信号的调制解调和数字信号处理技术领域。

背景技术

随着光通信技术发展，光通信网络中存在着越来越多不同速率和调制格式的光信号以满足不同的数据传输业务的需求。最常用的包括开关键控(OOK)、光双二进制(ODB)、二进制相移键控(BPSK)、正交相移键控(QPSK)、十六进制正交幅度调制(16QAM)等格式的光信号。另一方面光信号常用的速率包括2.5Gbps，10Gbps、40Gbps和100Gbps等等。不同的调制格式的光信号存在不同的优势，适用于不同的场景。一般而言低级调制格式适用于信噪比较低的场景，而高级调制格式适合于高速、高容量传输系统。包含各种类型光信号的光网络称为异构光网络，此类光网络的监测、管理，以及终端节点处光信号的接收都需要首先识别出信号的波特率和调制格式等信息。这些识别技术需要在复杂环境，有噪声干扰和信道损伤的条件下，不依赖于其它的先验知识，确定光信号的调制格式和速率等调制参数，为信号的进一步分析、处理和解调提供依据。

目前提出的调制识别方法的基本框架包括三个部分：信号预处理部分、提取特征参数部分和分类识别部分。信号预处理包括频率下变频、同相(I)和正交(Q)分量分离、载频估计、符号速率估计等，它为下一步的特征提取做准备。特征提取是从预处理后的信中提取信号的时域或变换域特征参数。时域特征包括瞬时幅度、瞬时频率、瞬时相位；变换域特征包括功率谱、谱相关函数、时频分布及其它统计参数。按照提取的信号特征的不同，可对信号调制识别方法进行分类。常用的分类算法包括最大似然方法、特征识别方法、基于星座图方法、决策论方法、基于人工神经网络(ANN)方法、基于支持向量机方法等。

光信号调制格式的识别相对于无线信号的识别起步较晚。与无线信号不同的是光信号传输过程中由于光纤介质的色散(CD)会发生严重的脉冲展宽，长距离传输时这种展宽甚至可以覆盖相邻数百甚至数千个符号。此外偏振模色散(PMD)还会导致信号偏振方向的发生随机变化和相互耦合。CD和PMD失真会导致在信号预处理部分信号I/Q分量和波形瞬时特征难以被直接提取。此外由于光信号调制速率一般10G～100G波特以上，远远高于无线电射频信号，对于光探测器的带宽，模数转换(ADC)和数字信号处理(DSP)器件速率的要求极高，很难采用无线信号识别中使用的复杂的识别算法，必须采用更为简单有效的识别方法。

目前已经提出光信号调制格式的识别主要是基于异步幅度直方图特征，基于全光非线性器件，基于数字相干光接收机和基于信号光谱特征。基于异步幅度直方图的识别方法是利用低于信号速率的异步采样获得信号幅度大小分布直方图情况，再利用ANN对其特征进行识别。此方法对六种常用光调制格式，包括一些高级调制格式都能较好的自动识别，但其对光纤色度色散(CD)和偏振模色散(PMD)损伤的容限较小，限制了其实用性。基于全光非线性器件的识别方法是利用非线性效应中的四波混频(FWM)效应提供的非线性功率传输函数(NPTF)对信号波形随色散的变化进行检测，获取其变化曲线，进而将所述曲线与已知调制格式的曲线样本进行匹配从而识别信号调制格式的。该方法的优点是对信号速率无限制，系统结构简单，缺点是器件体积较大，功耗较高，工作波段受限。基于数字相干光接收机的识别方法是通过提取信号的I/Q分量获取信号幅度，相位信息，进而得到信号星座图从而识别光信号，这种方法适用范围广，具有很强的抗CD和PMD损伤的能力，但是系统结构复杂，成本极高，依赖于高速光电转换器件，存在速率受限的问题。

发明内容

本发明所要解决的技术问题是提出一种基于光谱特征的光信号调制格式识别方法，它具有对CD，PMD损伤容限大，工作波段宽，结构简单，对信号速率无限制等优点。

为解决上述技术问题，本发明提出来一种基于光谱特征的光信号调制格式识别方法，包括以下步骤：

在首次识别光信号前，对主成分分析(PCA)算法模块和支持向量机(SVM)算法识别模块执行至少一次训练程序，得到训练后的PCA模块和SVM模块，所述PCA模块具有用于提取特征向量的转换矩阵，所述SVM模块具有用于识别信号的最佳预测分类模型；

开始测量时，待识别光信号首先进入所述放大器被放大到一定功率后输入所述光谱仪，所述光谱仪测量得到信号光谱，所述数字信号处理系统对所述光谱仪输出的光谱进行中心频率估算，以中心频率为基准，截取±100GHz频率范围内的光信号光谱，然后将信号光谱表征为一组按频率值大小顺序排列的信号光功率值数组；

所述数字信号处理系统将测量得到的信号光功率值数组输入所述训练后的PCA模块，所述训练后的PCA模块提取光谱样本的特征向量，将特征向量输入所述训练后的SVM模块，所述SVM模块结合训练得到的最佳预测分类模型识别待测光信号类型，给出光信号调制格式和速率。

所述对PCA和SVM模块执行一次训练程序，包括：测量所有需要识别的具有不同速率，不同调制格式光信号的光谱，将光谱数据表征为一组按频率值顺序排列的光功率大小数组，进而利用采集得到的训练样本对PCA模块和SVM模块进行训练。

可优选的，所述光谱仪包括基于衍射光栅的光谱仪，或基于受激布里渊散射效应的超高分辨率光谱仪，后者能够提高信号光谱更多信息，提高识别率。

本发明工作无需任何先验信息，适用于开关调制和高级调制格式信号，无需利用高速探测器，对信号传输损伤容限大，工作波段宽，适用范围广，准确率可以达到95％以上。

附图说明

图1为部分比特率-调制格式组合的光信号的光谱。

图2为光调制器偏置误差对光谱的影响对照图。

图3为光调制器调制深度对光谱的影响对照图。

图4为光信噪比(OSNR)对光谱的影响对照图。

图5为光谱分辨率对NRZ-OOK信号光谱的影响对照图。

图6为本发明具体实施的调试格式识别系统结构示意图。

图7为DSP识别系统流程图。

图8为偏置误差对识别结果准确率的影响。

图9为调制深度对识别结果准确率的影响。

具体实施方式

对于不同的调制格式和速率的光信号，其光谱存在一定差异，如图1所示。OOK信号的光谱均具有明显的线状谱，线状谱之间的频率间隔与信号的比特率成正比，67％RZ-OOK信号的光谱载波频率处由于载波抑制因而没有线状谱；对于同一种波特率-格式组合信号，占空比不同导致光谱主瓣展宽不一样，占空比越小，主瓣宽度越大；而同一占空比和比特率的BPSK和QPSK信号虽然形状一样，但由于两者每个码元携带的比特数不一样，实际波特率不一样，由于光谱展宽与波特率成正比，因此两者光谱展宽有较大区别，相同比特率和占空比的BPSK信号光谱宽度是QPSK信号的2倍。

值得说明的是在光信号的调制过程中由于调制器性能缺陷，噪声干扰以及OSA分辨率较低会使得光谱出现畸变，因此必须确定主要畸变类型，并对PSA模块和SVM模块进行相应的训练，以保证较高的识别率。信号光谱的主要畸变来源于以下四个方面。

1)光调制偏置电压误差。出现该误差时，码元“0”和“1”之间的幅度或相位跳变过程不再是对称的。对于相位调制信号，原本因为对称相位调制而消失的线状谱会由于相位调制不对称而重新出现；对于非相位调制信号，偏置会使得原有线状谱的强度降低。如图2所示，当偏置误差为30％时，OOK信号的线状谱强度出现明显下降；BPSK信号的光谱则出现了一定强度的线状谱，但是中心位置的强度很小，当偏置误差继续加大时，中心频率处也会有明显的线状谱。

2)光调制器调制深度不够。对于相位调制信号如BPSK，此时的光谱出现一定强度的线状谱，且调制深度越小，线状谱越强；对于强度调制信号，影响较小。图3是理想的无损伤光谱与调制深度为70％的信号的光谱的对比。可以看出，调制深度对相位调制信号光谱的影响与偏置误差略有不同，表现为中心频率处的线状谱强度更强。

3)光信噪比(OSNR)对信号的影响主要是光谱中功率较小的频率分量被噪声频谱“淹没”，如旁瓣与主瓣相邻的地方，当OSNR更低时，旁瓣也有可能会被“淹没”，对线状谱等信息没有明显影响，如图4。

4)光谱仪的分辨率不够。如图5所示，当光谱仪分辨率下降后原来的强度较高的线状谱被展宽为强度较弱尖峰，同时主瓣与旁瓣之间的分隔变得模糊，从而使得不同信号光谱之间的差异变小。对于低速光信号其光谱宽带本身较窄，必须采用高分辨率光谱仪才能提取光谱特性进行识别。

如图6所示的调制格式识别系统包括：光放大器(OA)1，光谱仪(OSA)2和数字信号处理(DSP)系统。待识别光信号首先进入所述OA放大到一定功率后注入OSA中，对OSA输出的光谱进行中心频率估算，并以中心频率为基准，截取±100GHz频率范围内的光信号光谱。不同调制格式光信号光谱存在一定差异，通过主成分分析(PCA)算法模块--PCA模块3提取光谱样本的特征向量，将特征向量输入经过预先训练的SVM模块4，结合训练得到的最佳预测分类模型识别待测光信号类型，给出光信号格式和速率。

图7展示了详细的算法流程图，具体步骤如下：

在首次识别前执行一次训练程序，即事先测量所有需要识别的，具有不同畸变的光信号的光谱。将光谱数据表征为一组按频率值大小顺序排列的信号光功率值数组，截取以中心频率为基准，±100GHz频率范围内的光谱数据，并进行归一化，进而利用采集得到的所有信号的光谱数组训练PCA得到主成分提取转换系数矩阵，利用转换矩阵提取所有样本的特征向量，然后用特征向量训练SVM模块，得到最佳预测分类模型。

待识别光信号首先进入所述OA放大到一定功率后输入OSA，OSA测量得到信号光谱，DSP系统对OSA输出的光谱进行中心频率估算，以中心频率为基准，截取±100GHz频率范围内的光信号光谱数组。

DSP系统将数组输入PCA模块，PCA模块提取光谱样本的特征向量，将特征向量输入支持向量机SVM模块，支持向量机SVM模块结合训练得到的最佳预测分类模型识别待测光信号类型，给出类别标签，根据类别标签得到输入光信号的调制格式和速率。。

根据上述理论解释，使用PCA和SVM进行调制格式识别最重要的就是保证样本数据能覆盖尽可能多的光谱畸变，并且每一种畸变都需要有一定数量的样本，使得训练出来的模型能在一定的损伤范围内对待测光信号有较高的识别准确率。因而，建立一个较为完备的光谱数据库显得尤为重要。根据前面的论述，对信号光谱影响较大的损伤有光调制器偏置误差、光调制器调制深度、OSNR等。仅选取对光谱特征影响明显的损伤，覆盖了常见的损伤范围。OSNR变化范围是10～41dB(间隔1dB)，光调制器调制深度变化范围是100％～80％(间隔5％)，光调制器偏置误差变化范围是0～20％(间隔5％)。

图8给出了识别结果。图中识别准确率指的是所有测试样本的平均识别准确率。可以看出，偏置误差越大，识别准确率越低。主要原因是偏置误差变大时，OOK等强度调制信号的线状谱强度下降，而相位调制信号出现线状谱且逐渐增强，二者差异变小，引发SVM误判。OSNR较大时识别准确率也有提升。

图9显示，随着调制深度越高，损伤越小，识别准确率越高。以上结果表明，系统总体的准确率可以达到95％以上。说明此格式识别方法是有效的，同时能应对目前考虑到的各种损伤带来的影响。

最后所应说明的是，以上具体实施方式仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (3)

1.一种基于光谱特征的光信号调制格式识别方法，包括以下步骤：

在首次识别光信号前，对主成分分析(PCA)算法模块和支持向量机(SVM)算法识别模块执行至少一次训练程序，得到训练后的PCA模块和SVM模块，所述PCA模块具有提取特征向量的转换矩阵，所述SVM模块具有用于识别信号的最佳预测分类模型；

开始光信号识别时，待识别光信号首先进入光放大器(OA)被放大到一定功率后输入光谱仪，所述光谱仪测量得到信号光谱，数字信号处理系统对所述光谱仪输出的光谱进行中心频率估算，以中心频率为基准，截取±100GHz频率范围内的光信号光谱，然后将信号光谱表征为一组按频率值大小顺序排列的信号光功率值数组；

所述数字信号处理系统将测量得到的信号光功率值数组输入所述训练后的PCA模块，所述训练后的PCA模块提取光谱样本的特征向量，将特征向量输入所述训练后的SVM模块，所述SVM模块结合训练得到的最佳预测分类模型识别待测光信号类型，给出光信号调制格式和速率。

2.根据权利要求1所述的基于光谱特征的光信号调制格式识别方法，其特征在于，所述对PCA算法模块和SVM算法识别模块执行至少一次训练程序，包括：测量所有需要识别的具有不同速率，不同调制格式光信号的光谱，将光谱数据表征为一组按频率值顺序排列的光功率大小数组，进而利用采集得到的训练样本对PCA模块和SVM模块进行训练。

3.根据权利要求1或2所述的基于光谱特征的光信号调制格式识别方法，其特征在于，所述光谱仪包括基于衍射光栅的光谱仪，或基于受激布里渊散射效应的超高分辨率光谱仪，后者能够提高系统的识别概率。