CN107707494B - 用于64-qam相干光通信系统的光纤非线性均衡方法 - Google Patents

用于64-qam相干光通信系统的光纤非线性均衡方法 Download PDF

Info

Publication number
CN107707494B
CN107707494B CN201710936433.1A CN201710936433A CN107707494B CN 107707494 B CN107707494 B CN 107707494B CN 201710936433 A CN201710936433 A CN 201710936433A CN 107707494 B CN107707494 B CN 107707494B
Authority
CN
China
Prior art keywords
data set
data
qam
clusters
level data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710936433.1A
Other languages
English (en)
Other versions
CN107707494A (zh
Inventor
高明义
张俊峰
陈伟
沈纲祥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou University
Original Assignee
Suzhou University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Suzhou University filed Critical Suzhou University
Priority to CN201710936433.1A priority Critical patent/CN107707494B/zh
Publication of CN107707494A publication Critical patent/CN107707494A/zh
Priority to PCT/CN2018/086413 priority patent/WO2019071947A1/zh
Application granted granted Critical
Publication of CN107707494B publication Critical patent/CN107707494B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
    • H04B10/60—Receivers
    • H04B10/61—Coherent receivers
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
    • H04L25/03006—Arrangements for removing intersymbol interference
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/32—Carrier systems characterised by combinations of two or more of the types covered by groups H04L27/02, H04L27/10, H04L27/18 or H04L27/26
    • H04L27/34—Amplitude- and phase-modulated carrier systems, e.g. quadrature-amplitude modulated carrier systems
    • H04L27/38—Demodulator circuits; Receiver circuits
    • H04L27/3818—Demodulator circuits; Receiver circuits using coherent demodulation, i.e. using one or more nominally phase synchronous carriers

Abstract

本发明公开了一种用于64‑QAM相干光通信系统的光纤非线性均衡方法，对接收到的64‑QAM数据进行处理，包括：将接收到的数据集设置为第一级数据集，计算每个数据点的密度参数，设定阈值，选择密度参数超过指定阈值的数据作为第二级数据集；对第二级数据集点进行解调，划分为64个簇，并获得64个质心；根据获得的质心，将第二级数据集中的数据根据最近的欧式距离分类到相应簇中，用64个获得的新簇群的质心来更新；将第一级数据集根据最近的欧式距离分配到相应的簇群中，获得分类后的64个簇，计算获得各簇的最优质心。本发明在不需要迭代的前提下，能够快速和准确地选取出K‑means聚类的全局最优质心，很好地降低了光纤中Kerr非线性的影响，得到的误码率性能比之前没处理的性能要高半个数量级。

Description

用于64-QAM相干光通信系统的光纤非线性均衡方法
技术领域
本发明涉及相干光数据通信，具体涉及用于相干光通信系统的光纤非线性均衡方法。
背景技术
为了满足网络流量上升的需求，已经广泛应用了诸如M进制相移键控（M-PSK）和M进制正交幅度调制（M-QAM）等具有高频谱效率的高阶调制信号，以增加传输容量。这些信号在传输系统中极易受到各种噪声的影响，并且通常需要较高的信噪比来获得所需的误比特率（BER）。此外，高功率信号对于足够的信噪比是必不可少的。然而，一旦这些高功率信号被发射到光纤中，kerr效应引起的非线性损伤将是不可避免的。因此，光纤中的kerr非线性限制了长距离相干光通信系统中的高阶调制信号性能。
为了补偿光纤非线性，已经提出了许多数字信号处理（DSP）算法，如数字反向传播（DBP），人工神经网络（ANN）和支持向量机（SVM）。 DBP利用数字域中的反向传播算法，基于分步傅立叶方法（SSFM）求解光纤链路的反向非线性薛定方程，并从接收信号中计算发射信号。虽然基于DBP的光纤非线性补偿技术是有效的，但在实际操作过程中，大量的迭代形成了很高的复杂度。作为机器学习均衡技术，SVM具有突出的性质，但SVM的训练复杂度高度依赖于数据集的大小，例如：对于16-正交幅度调制（QAM）信号和64-QAM信号，分别需要4和6个SVM。因此，随着调制阶数的增加，将涉及更多的支持向量和更长的训练序列。此外，在SVM中，二次规划用于通过计算m阶矩阵来求解支持向量（m是样本数量）。对于较大的数据样本，存储和计算较大矩阵将需要更长的时间。因此，大规模的训练样本总会导致SVM的实施时间更长。另外，ANN也与SVM有相似的问题：学习时间太长，有时学习的目的无法实现。因此，研究新的均衡技术对于降低计算复杂度和低数据冗余度以减轻光纤非线性引起的信号损伤来说是非常重要的。
为解决以上问题，本申请考虑引入K-means算法。与上述减轻光纤非线性DSP算法相比，K-means算法具有更简单的结构，其计算复杂度较低的优势。但是在数据处理的过程中存在以下问题：
1. 在传统的K-means算法中，聚类结果对初始质心很敏感，找到合适的初始质心的概率特别低。作为K-means聚类方法的第一步，同时也是很重要的一步，如果对质心的选取不是数据集中的准确位置，那么对于聚类方法获得的结果，由于初始质心选择的随机性，往往出现聚类结果不令人满意的情况。
2. 随着输入质心k的增加，也就是要分类簇的个数增加，k-means聚类算法很容易陷入局部最优的困境，这是因为k-means算法中的准则函数是非凸平方误差评估函数，这推动了算法偏离全局最优解的搜索范围。例如：一个16QAM的数据块上要分16个簇，（在QAM调制格式中，QPSK信号要分4个簇，16QAM信号要分16个簇，64QAM信号要分64个簇，依次类推），按照目前的聚类方法随机选择64个点作为初始质心, 那么64 个初始点正好落在64 个类的集群上的概率是极低的。而要在一个64QAM的信号中准确快速地找到64个簇的质心，采用现有技术的方法是很难实现的。
3. 作为通信系统后端的信号处理过程来说，信号处理的算法一定要计算复杂度小，运行时间短。但是k-means聚类算法是一个迭代算法，在每次迭代中，k-means算法都需要计算每个数据点与所有中心点之间的距离，最后当标准测度函数开始收敛时才结束，这无疑消耗了大量的计算资源和时间，特别是对于海量的通信数据流来说是很致命的。
综上所述，目前传统的K-means聚类方法，采用随机选取初始质心的方法进行聚类，在聚类过程中，反复迭代最终收敛消耗了大量的时间，随着分类簇的个数增加，K-means聚类算法很难得到全局最优的质心。这些问题使得K-means 聚类方法难以在通信系统的数据处理过程中被应用。
发明内容
本发明的发明目的是提供一种用于64-QAM相干光通信系统的光纤非线性均衡方法，通过降低计算复杂度和低数据冗余度来减轻光纤非线性引起的信号损伤，以提高相干光通信系统的误码率性能。
为达到上述发明目的，本发明采用的技术方案是：一种用于64-QAM相干光通信系统的光纤非线性均衡方法，对接收到的64-QAM数据进行处理，包括以下步骤：
(1) 将接收到的64-QAM数据集设置为第一级数据集， k的最大值为64，用于表示64-QAM数据的64个质心数；
(2) 计算第一级数据集中每个数据点的密度参数dd(k)：
Figure DEST_PATH_IMAGE001
其中，
Figure 100002_DEST_PATH_IMAGE002
式中，函数range是数据点的数值范围，x和y分别表示64-QAM数据的实部和虚部，i代表数据集中的点， i是1到N的整数，N是数据集中数据点的个数；
(3) 设定阈值, 将获得的第一级数据集根据密度函数值dd（k）进行筛选，选择dd（k）超过指定阈值的数据作为第二级数据集；
(4) 对第二级数据集点用解调函数对64-QAM星座图信号进行信号恢复，将获取的十进制数据0-63作为标签附加到对应数据；基于标签，将第二级数据集划分为64个簇，并且将这些簇群进行平均以获得64个质心Ci ；
(5) 根据获得的质心Ci，将第二级数据集中的数据根据最近的欧式距离分类到相应簇中，以得到标签Y1st，用64个获得的新簇群的质心来更新Ci；
(6) 将第一级数据集根据最近的欧式距离分配到相应的簇群中，获得分类后的64个簇，计算获得各簇的最优质心，输出最后的标签Y2st。
上述技术方案中，步骤(3)中所述阈值的设定使得所有数据点中在阈值范围内的点数为总数的60%～70%。
优选地，步骤(3)中所述阈值的设定使得所有数据点中在阈值范围内的点数为总数的2/3。
优选的技术方案，步骤(3)中设定的阈值为90。
上述技术方案中，接收的64-QAM数据点的实部和虚部的数值范围为[-10,10]。
由于上述技术方案运用，本发明与现有技术相比具有下列优点：
1、本发明在对相干光通信数据的处理过程中，采用了全新的盲K-means算法，首先利用密度函数来提供高质量的初始簇并减轻了噪声的影响，其次结合解调函数的方法可以近似区分这些高质量的64个簇，最后使用两阶段质心跟踪技术精准地确定全局的最优64个质心，由此，在不需要迭代的前提下，能够快速和准确地选取出K-means 聚类的全局最优质心，大大降低K-means 聚类质心对聚类结果的影响，并且利用这些全局最优的质心进行64个簇的聚类，聚类结果很好地降低了光纤中Kerr非线性的影响，得到的误码率性能比之前没处理的性能要高半个数量级。
2、本发明利用数据对象的密度参数来实现盲64个质心跟踪，所提出的盲质心跟踪方法具有以下优点：（1）可以快速定位质心的位置，显着提高集群跟踪效果簇的质量；（2）可以大大降低计算复杂度，不需要任何迭代计算；（3）特别适用于高速光通信系统中的大规模数据集。
附图说明
图1 是本发明实施例的装置设置图；
图2 是对简单的QPSK信号进行的盲K-means算法聚类示意图；
图3 是实施例实验盲K-means算法的流程图；
图4 是实施例实现的盲K-means算法的64QAM信号聚类效果图；
图5是传输80KM光纤后盲k-means算法的实验结果图。
具体实施方式
下面结合附图及实施例对本发明作进一步描述：
实施例一：参见图1所示，为本发明实施例的装置设置图，对获取的64-QAM数据，采用盲K-means算法进行处理，获取最优质心，实现数据解码。
参见附图3，一种用于64-QAM相干光通信系统的光纤非线性均衡方法，首先利用密度函数对64-QAM数据集进行抽样得到样本集，利用64-QAM解调函数对样本集进行解调形成64个簇，将其质心作为初始质心，根据初始质性进行K-means聚类，获得一组簇群，计算新的簇群的质心，得到最优质心，再进行K-means聚类，得到最终结果。
经典的K-means算法属于无监督算法的类，主要取决于初始的聚类中心，并且容易收敛到局部最优的质心。随着质心k值的增大，经典K-means算法将更难找到全局最优质心。在64-QAM相干光通信系统中，需要64个质心。因此，本实施例提供了一种盲K-means算法，其中最关键的一步是准确定位64个质心。
由于64QAM系统上分类的簇很多，不易观看，本实施例中先用一个简单QPSK星座为例来说明所提出的方法的原理，图2所示为盲质心算法的QPSK信号跟踪方法的流程图。首先，使用具有广泛分散的星座点和旋转相位的QPSK信号通过放大器自发辐射噪声（ASE）和光纤非线性作为原始信号来模拟失真信号，如图2（a）所示。其次，定义数据集的密度参数，并提取基于密度的空间星座簇作为输入数据集，以估计初始质心位置，如图2（b）所示，其中黑色雪花表示获得的第一代质心。再次，计算第一代质心与每个数据之间的距离，并根据最小距离重新组合群集，如图2（c）所示。计算每个簇的平均值以实现更新的质心，如图2（d）所示。提取的基于密度的空间星座簇及其最佳质心如图2（e）所示。最后，应用由黑色雪花标记的获得的最优质心来分类原始信号，如图2（f）所示。
将上述盲质心跟踪方法应用于64-QAM信号，其算法的流程图如图3所示：
按照这种方法，64-QAM盲K-means算法的过程描述如下：
(a) 将接收到的64-QAM数据集设置为第一级数据集，并将k的值设计为64，因为64-QAM信号的星座图中有64个簇。
(b) 将输出Y表示64个最佳质心的来标记64-QAM数据。
(c) 为了方便计算，将接收的64-QAM数据点的实部和虚部规定为[-10,10]。
(d) 使用下列公式（1）和（2）来计算第一级数据中每个数据点的密度参数：
Figure 8550DEST_PATH_IMAGE001
（1）
这里
Figure 138180DEST_PATH_IMAGE002
（2）
在这里函数range是数据点的数值范围。 在等式 （2）和（3）中，x和y分别表示64-QAM数据的实部和虚部。 根据指定的阈值, 将获得的第一级数据由密度函数值dd（k）进行筛选，并且选择dd（k）超过指定阈值的数据作为第二级数据集，在这里阈值被指定为90。在离线处理过程中，使用了25,000个符号点的数据块。选用密度法是为了更好地选择适当的聚类群，能把这些聚类很好地分离，并且具有形成初始质心的潜力。
(e) 星座图上的第二级数据集点用解调函数对64-QAM星座图信号进行信号恢复。然后将获取十进制数据0-63作为标签附加到相应数据。基于标签，步骤（d）中的第二级数据集被划分为64个簇，并且将这些簇群进行平均以获得64个质心Ci ，见图4的（i）。
(f) 根据获得的质心Ci，步骤（d）中的第二级数据集将被分类到相应簇中，根据最近的欧式距离以得到标签Y1st。用64个获得的新簇群的质心来更新Ci，见图4的（ii）。
(g) 最后，实现了质心全局优化，得到64个最优质心Ck，k = 1,2，...，64。第一级数据集将根据最近的欧式距离被分配到不同的集群中,最优质心和原始的数据集见图4（iii）。将获得的最后的标签Y2st输出与预先存储的发送数据进行比较来估计发送数据的BER。参见附图5所示，结果表明利用盲k-means均衡要比原来的BER性能要高半个数量级。

Claims (5)

1.一种用于64-QAM相干光通信系统的光纤非线性均衡方法，对接收到的64-QAM数据进行处理，其关键在于质心的选取，包括以下步骤：
(1) 将接收到的64-QAM数据集设置为第一级数据集，k的最大值为64，用于表示64-QAM数据的64个质心数；
(2) 计算第一级数据集中每个数据点的密度参数dd(k)：
其中，
式中，函数range是数据点的数值范围，x和y分别表示64-QAM数据的实部和虚部，i代表第一级数据集中的点，i是1到N的整数，N是数据集中数据点的个数；
(3) 设定阈值, 将获得的第一级数据集根据密度函数值dd（k）进行筛选，选择dd（k）超过指定阈值的数据作为第二级数据集；
(4) 对第二级数据集点用解调函数对64-QAM星座图信号进行信号恢复，将获取的十进制数据0-63作为标签附加到对应数据；基于标签，将第二级数据集划分为64个簇，并且将这些簇群进行平均以获得64个质心Ci；
(5) 根据获得的质心Ci，将第二级数据集中的数据根据最近的欧式距离分类到相应簇中，以得到标签Y1st，用64个获得的新簇群的质心来更新Ci；
(6) 将第一级数据集根据最近的欧式距离分配到相应的簇群中，获得分类后的64个簇，计算获得各簇的最优质心，输出最后的标签Y2st。
2.根据权利要求1所述的用于64-QAM相干光通信系统的光纤非线性均衡方法，其特征在于：步骤(3)中所述阈值的设定使得所有数据点中在阈值范围内的点数为总数的60%～70%。
3.根据权利要求2所述的用于64-QAM相干光通信系统的光纤非线性均衡方法，其特征在于：步骤(3)中所述阈值的设定使得所有数据点中在阈值范围内的点数为总数的2/3。
4.根据权利要求2所述的用于64-QAM相干光通信系统的光纤非线性均衡方法，其特征在于：步骤(3)中所述阈值设定的阈值为90。
5.根据权利要求1所述的用于64-QAM相干光通信系统的光纤非线性均衡方法，其特征在于：接收的64-QAM数据点的实部和虚部的数值范围为[-10,10]。
CN201710936433.1A 2017-10-10 2017-10-10 用于64-qam相干光通信系统的光纤非线性均衡方法 Active CN107707494B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201710936433.1A CN107707494B (zh) 2017-10-10 2017-10-10 用于64-qam相干光通信系统的光纤非线性均衡方法
PCT/CN2018/086413 WO2019071947A1 (zh) 2017-10-10 2018-05-11 用于64-qam相干光通信系统的光纤非线性均衡方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710936433.1A CN107707494B (zh) 2017-10-10 2017-10-10 用于64-qam相干光通信系统的光纤非线性均衡方法

Publications (2)

Publication Number Publication Date
CN107707494A CN107707494A (zh) 2018-02-16
CN107707494B true CN107707494B (zh) 2020-02-11

Family

ID=61183499

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710936433.1A Active CN107707494B (zh) 2017-10-10 2017-10-10 用于64-qam相干光通信系统的光纤非线性均衡方法

Country Status (2)

Country Link
CN (1) CN107707494B (zh)
WO (1) WO2019071947A1 (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107707494B (zh) * 2017-10-10 2020-02-11 苏州大学 用于64-qam相干光通信系统的光纤非线性均衡方法
CN107819513B (zh) * 2017-11-01 2019-07-05 苏州大学 用于64-qam相干光传输系统的缓和光纤非线性方法
CN108667523B (zh) * 2018-03-06 2021-02-26 苏州大学 基于无数据辅助的knn算法的光纤非线性均衡方法
CN108521385B (zh) * 2018-03-30 2020-12-15 中山大学 一种使用交叉混合状态的相干光通信均衡方法
CN108965178B (zh) * 2018-06-29 2021-03-02 苏州大学 基于机器学习的智能自适应均衡器及均衡解调方法
CN109039472B (zh) * 2018-07-11 2021-05-07 南通智大信息技术有限公司 一种基于深度学习的数据中心光通信色散估计与管理方法
CN109067695B (zh) * 2018-10-12 2020-11-17 苏州大学 基于级联卡尔曼滤波器减少噪声干扰的方法及系统
CN109495183B (zh) * 2018-10-29 2020-06-23 武汉邮电科学研究院有限公司 一种相干光通信系统中星座点中心的跟踪方法及系统
CN109861760B (zh) * 2019-02-26 2020-05-08 北京邮电大学 相干光通信系统码型相关损伤自适应补偿方法及系统
CN110190906B (zh) * 2019-04-15 2020-08-04 浙江工业大学 一种针对高阶qam相干光系统的非线性均衡方法
CN110598859B (zh) * 2019-08-01 2022-12-13 北京光锁科技有限公司 基于门控循环神经网络的非线性均衡方法
CN112887028A (zh) * 2021-01-26 2021-06-01 珠海复旦创新研究院 光纤接入网中基于gs-qam星座的判决解码方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104202289A (zh) * 2014-09-18 2014-12-10 电子科技大学 一种用于短距离无线通信的抗iq不平衡失真的信号判决方法
CN106203507A (zh) * 2016-07-11 2016-12-07 上海凌科智能科技有限公司 一种基于分布式计算平台改进的k均值聚类方法
KR20170053193A (ko) * 2015-11-05 2017-05-16 중앙대학교 산학협력단 무선 이미지 센서 네트워크를 위한 k-평균 클러스터링 기반의 데이터 압축 시스템 및 방법
CN107145791A (zh) * 2017-04-07 2017-09-08 哈尔滨工业大学深圳研究生院 一种具有隐私保护的K‑means聚类方法及系统
CN107180391A (zh) * 2017-03-31 2017-09-19 中国电力科学研究院 一种风电数据跨度选取方法及装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8446974B2 (en) * 2010-01-27 2013-05-21 National Instruments Corporation Blind mechanism for the joint estimation of frequency offset and phase offset for QAM modulated signals
CN104079524B (zh) * 2014-07-24 2017-07-28 电子科技大学 一种基于ofdm的qam调制下的已失真通信信号识别方法
CN107707494B (zh) * 2017-10-10 2020-02-11 苏州大学 用于64-qam相干光通信系统的光纤非线性均衡方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104202289A (zh) * 2014-09-18 2014-12-10 电子科技大学 一种用于短距离无线通信的抗iq不平衡失真的信号判决方法
KR20170053193A (ko) * 2015-11-05 2017-05-16 중앙대학교 산학협력단 무선 이미지 센서 네트워크를 위한 k-평균 클러스터링 기반의 데이터 압축 시스템 및 방법
CN106203507A (zh) * 2016-07-11 2016-12-07 上海凌科智能科技有限公司 一种基于分布式计算平台改进的k均值聚类方法
CN107180391A (zh) * 2017-03-31 2017-09-19 中国电力科学研究院 一种风电数据跨度选取方法及装置
CN107145791A (zh) * 2017-04-07 2017-09-08 哈尔滨工业大学深圳研究生院 一种具有隐私保护的K‑means聚类方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Artificial Neural Network Nonlinear Equalizer for Coherent Optical OFDM;Mutsam A. Jarajreh et al;《IEEE PHOTONICS TECHNOLOGY LETTERS》;20150215;第27卷(第4期);第387-390页 *
K均值聚类算法初始质心选择的改进;孙可等;《沈阳师范大学学报（自然科学版） 万方数据》;20091224;第448-450页 *
Lalitha Pakala et al.Non-linear Mitigation Using Carrier Phase Estimation and K-Means Clustering.《Photonic Networks;16. ITG Symposium》.2015, *
一种基于动态网格技术的 K‑means 初始质心选取算法;张真等;《微电子学与计算机 万方数据》;20160325;第30卷(第6期);第101-104页 *

Also Published As

Publication number Publication date
CN107707494A (zh) 2018-02-16
WO2019071947A1 (zh) 2019-04-18

Similar Documents

Publication Publication Date Title
CN107707494B (zh) 用于64-qam相干光通信系统的光纤非线性均衡方法
CN108667523B (zh) 基于无数据辅助的knn算法的光纤非线性均衡方法
Zhang et al. Non-data-aided k-nearest neighbors technique for optical fiber nonlinearity mitigation
Wang et al. Nonlinearity mitigation using a machine learning detector based on $ k $-nearest neighbors
Zhu et al. Genetic algorithm optimized distribution sampling test for M-QAM modulation classification
CN110113288B (zh) 一种基于机器学习的ofdm解调器的设计和解调方法
CN108965178B (zh) 基于机器学习的智能自适应均衡器及均衡解调方法
US10873493B2 (en) Carrier-phase recovery system and method
CN109309640B (zh) 基于机器学习的盲信号格式识别方法
Zhendong et al. Modulation recognition based on constellation diagram for M-QAM signals
Li et al. IQ symbols processing schemes with LSTMs in OFDM system
Almohamad et al. Dual-determination of modulation types and signal-to-noise ratios using 2D-ASIQH features for next generation of wireless communication systems
Qing et al. ELM-based frame synchronization in nonlinear distortion scenario using superimposed training
CN114500200B (zh) 数字信号处理方法、动态均衡方法、装置、介质以及设备
CN109495183B (zh) 一种相干光通信系统中星座点中心的跟踪方法及系统
CN114513394A (zh) 一种基于注意力机制图神经网络的信号调制格式识别方法、系统、装置及存储介质
Lu et al. Patterns quantization with noise using Gaussian features and Bayesian learning in VLC systems
Salama et al. Deep learning based channel estimation optimization in VLC systems
CN114298114A (zh) 面向物联网的元学习调制模式识别方法
Xia et al. Modulation Format Recognition and OSNR Estimation Using Few-shot Learning in Coherent Optical Communication Systems
Faruk Low complexity carrier-phase estimation based on sign-error modified CMA for 16-QAM coherent optical receivers
CN115086123B (zh) 基于时频图和星座图融合的调制识别方法及系统
Yan et al. Research on Automatic Modulation Recognition Method Based on Deep Learning
CN113938198B (zh) 光纤传输系统、基于lda简化非线性均衡器的方法及模块
Moheq et al. Neural network based receivers for microwave backhaul links

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant