CN108173599B - 基于DENCLUE聚类的Stokes空间相干光调制格式识别方法 - Google Patents
基于DENCLUE聚类的Stokes空间相干光调制格式识别方法 Download PDFInfo
- Publication number
- CN108173599B CN108173599B CN201711428624.3A CN201711428624A CN108173599B CN 108173599 B CN108173599 B CN 108173599B CN 201711428624 A CN201711428624 A CN 201711428624A CN 108173599 B CN108173599 B CN 108173599B
- Authority
- CN
- China
- Prior art keywords
- signals
- grid
- stokes
- modulation format
- density
- 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
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
- H04B10/612—Coherent receivers for optical signals modulated with a format different from binary or higher-order PSK [X-PSK], e.g. QAM, DPSK, FSK, MSK, ASK
-
- 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
- H04B10/613—Coherent receivers including phase diversity, e.g., having in-phase and quadrature branches, as in QPSK coherent receivers
-
- 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
- H04B10/616—Details of the electronic signal processing in coherent optical receivers
- H04B10/6164—Estimation or correction of the frequency offset between the received optical signal and the optical local oscillator
-
- 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
- H04B10/616—Details of the electronic signal processing in coherent optical receivers
- H04B10/6165—Estimation of the phase of the received optical signal, phase error estimation or phase error correction
Landscapes
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Optical Communication System (AREA)
Abstract
本发明提供的调制格式识别方法采用Stokes空间中信号的高阶累积量和基于DENCLUE算法聚类出的聚类中心点数作为特征参量用于调制格式信号的识别,采用简单的决策树分类器,具有较低的计算复杂度、对偏振旋转、载波频偏、载波相位噪声等光纤信道损伤不敏感,可以在较低光信噪比的情况下实现较高正确率的识别,且与现有商用光纤通信系统数字信号处理算法融合度高,易于从现有系统升级。
Description
技术领域
本发明涉及相干光通信系统研究领域,更具体地,涉及一种基于DENCLUE聚类的Stokes空间相干光调制格式识别方法。
背景技术
近年来,具有高灵活性和自适应性的认知光网络受到光通信界越来越多关注,被普遍认为是下一代光纤通信网络的主要选择之一。由于认知光网络在发射端可以根据网络具体环境和用户需求自适应地选取调制格式,这就需要接收端的认知光接收机具有调制格式识别的功能。尽管针对调制格式识别的研究,在无线通信领域内已经普遍展开,但是在光纤通信系统中,数字相干光接收机中的调制格式识别技术面临着大相位噪声、光纤偏振相关损伤,以及光纤非线性损伤等一系列新的问题。如何在这些光纤信道存在损伤的情况下实现调制格式的正确识别,是相干光接收机调制格式识别的主要研究目的。
最近几年现有技术提出了几种有关相干光调制格式的识别方法,其中面向偏振复用相干光接收机的基于Stokes空间的调制格式识别方案吸引了许多研究人员的兴趣。由于Stokes空间映射后的信号不受相干光接收机引入的相位噪声、频率偏移、偏振旋转的影响,因此调制格式识别可以放置在偏振复用的自适应均衡算法、频偏估计、载波相位估计等与调制格式有关的算法之前,从而可以较早的实现调制格式识别,为接下来算法的有效应用提供依据。目前已提出有关Stokes空间的调制格式识别算法,如期望最大化(EM),空间密度聚类(DBSCAN)、最大似然(ML)等,均无法实现复杂度和噪声容忍度的同时兼顾。
因此,如何在常规DSP模块中对调制格式敏感的算法之前,实现具有较低计算复杂度、较高的噪声容忍度,可以以较低的代价实现调制格式识别,仍然是光通信系统调制格式识别技术面临的挑战。
发明内容
本发明的发明目的在于针对现有技术的缺陷,提供一种基于DENCLUE聚类的Stokes空间相干光调制格式识别方法该方法,具有较低的计算复杂度,对偏振旋转、载波频偏、载波相位噪声等光纤信道损伤不敏感,可以在较低光信噪比的情况下实现较高正确率的识别,且与现有商用光纤通信系统数字信号处理算法融合度高,易于从现有系统升级。
为实现上述目的,本发明采取的技术方案为:
基于DENCLUE聚类的Stokes空间相干光调制格式识别方法,包括以下步骤:
(1)训练阶段:设置不同调制格式的样本信号,将样本信号进行Stokes空间映射并进行最小二乘平面拟合,对映射后的信号计算高阶累积量,初步构造决策树分类器用来区分当前信号的调制格式为8PSK、8QAM还是{BPSK、QPSK、16QAM};针对{BPSK、QPSK、16QAM}调制格式的样本信号应用改进的DENCLUE聚类算法计算最小二乘平面上的聚类中心点数,以聚类中心点数为特征参量,针对不同的光信噪比情况,根据最优贝叶斯分类原则构造决策树结构及判决门限值,完善决策树分类器的构造;
(2)识别阶段:将当前相干光接收机接收到的X、Y两路正交的偏振信号进行Stokes空间映射,然后对映射后的信号计算高阶累积量,将高阶累积量输入到步骤(1)建立的决策树分类器中,判别当前信号的调制格式为8PSK、8QAM还是{BPSK、QPSK、16QAM},若为{BPSK、QPSK、16QAM}调制格式则应用改进的DENCLUE聚类算法计算信号经过stokes空间映射后在Stokes空间最小二乘平面上的聚类中心点数,将聚类中心个数输入到步骤(1)建立的决策树分类器中,判别出当前信号的具体调制格式;
所述步骤(1)、(2)中,应用改进的DENCLUE聚类算法计算聚类中心点数的具体过程如下:
1)确定高密度网格:对信号经过stokes空间映射后在Stokes空间形成的最小二乘平面上设计一个区域半径,对区域半径外的数据空间以2σ为宽度的网格进行网格划分,划分的网格内若包含有数据点,则确定为非空网格,否则为空网格;设非空网格集为Cp,网格内包含的数据点的数量记为Nc,当Csp={c∈Cp|Nc>ξc}时,确定非空网格集中的网格c为高密度网格Csp,ξc为设定的密度阈值;
2)计算高密度网格内的数据点的密度值:
设高密度网格内的数据点用特征向量D={x1,…,xN}表示,则D中任意一个数据点的密度值计算公式如下:
其中d(x,xi)为第i个数据点xi到数据点x的欧氏距离;
3)确定所有的聚类中心点:选择高密度网格内任意的一个数据点的密度值作为初始解,然后通过爬山法进行更新找到高密度网格中密度值的局部极大值点作为聚类中心点。
上述方案中,由于Stokes空间映射后的信号不受相干光接收机引入的相位噪声、频率偏移、两偏振信道之间的固定相位差以及偏振信道之间串扰的影响,且高阶累积量对高斯噪声具有较高的容忍度,同时改进的DENCLUE聚类算法具有较灵活、较高的精度的密度计算方式、网格划分方式和聚类区域的改进降低算法复杂度,因此该方法对光纤信道损伤及噪声具有较好的容忍度、较低的计算复杂度。
优选地,所述爬山法进行更新找到高密度网格中密度值的局部极大值点作为聚类中心点的具体过程如下:
其中x0表示初始解,ξ为系数,式中▽fD(x)计算公式是:
如果fD(xk+1)<fD(xk),其中k∈N,则本次计算迭代停止,并令xk作为新的密度聚类中心点,同时进行下一次的迭代,直到找到所有聚类中心点。
优选地,所述信号进行Stokes空间映射后,先对映射后的信号进行信号预处理,然后基于经过预处理的信号计算高阶累积量,进行信号预处理的具体过程如下:利用奇异值分解算法拟合出映射后的信号在Stokes空间中的最小二乘平面,进而得到信号在Stokes空间最小二乘平面上映射的复数随机信号,及信号在Stokes空间最小二乘平面法线方向映射的实数随机信号。
优选地,所述基于信号在Stokes空间最小二乘平面上映射的复数随机信号yk及信号在Stokes空间最小二乘平面法线方向映射的实数随机信号xk计算高阶累积量的具体过程如下:
优选地,所述识别阶段对X、Y两路正交的偏振信号进行Stokes空间映射的具体步骤如下:
其中,ax、ay分别表示X、Y两路正交偏振信号的幅值,为X、Y两路正交偏振信号之间的相位差,ex、ey分别表示X、Y两路正交偏振信号,分别表示ex、ey的共轭;S0、S1、S2、S3表示Stokes空间映射后的各参量,其中S0代表光信号的总功率;(S1,S2,S3)表示构成的三维坐标,代表光信号的不同偏振态;具体到每个坐标轴,S1代表水平方向上的线偏振光,S2代表45度角方向上的线偏振光,S3代表圆偏振光。
与现有技术相比,本发明的优点和有益效果是:
1、本发明提供的调制格式识别方法,与相位噪声、频率偏移、以及两偏振信号间的混合串扰无关,可以为后续偏振解复用、频偏补偿、载波相位恢复等与调制格式相关的算法子系统提供依据,从而保证信号可以成功地恢复、解调以及正确地判决。
2、本发明提供的调制格式识别方法采用Stokes空间中信号的高阶累积量和聚类中心点数作为特征参量用于调制格式信号的识别,采用简单的决策树分类器,具有较低的计算复杂度、对偏振旋转、载波频偏、载波相位噪声等光纤信道损伤不敏感,可以在较低光信噪比的情况下实现较高正确率的识别,且与现有商用光纤通信系统数字信号处理算法融合度高,易于从现有系统升级。
附图说明
图1为本发明提供的方法的流程图。
图2为理想情况下Stokes空间的信号星座图。
图3为聚类区域的划分图。
图4为应用DENCLUE聚类算法计算聚类中心的点数图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合附图和具体实施例,进一步阐述本发明是如何实施的。
如图1所示,本发明提供的提供了一种基于DENCLUE聚类的Stokes空间相干光调制格式识别方法,该方法通过具有调制识别功能的相干光DSP算法模块实现。用于偏振解复用之前,正确识别调制格式可以为后续偏振解复用、频偏补偿、载波相位恢复等调制格式相关的算法提供依据,从而保证信号可以成功地恢复、解调以及正确地判决。
本发明提供的相干光调制格式识别方法包括有两个步骤:
(1)训练阶段:设置不同调制格式的样本信号,将样本信号进行Stokes空间映射并进行最小二乘平面拟合,对映射后的信号计算高阶累积量,初步构造决策树分类器用来区分当前信号的调制格式为8PSK、8QAM还是{BPSK、QPSK、16QAM};针对{BPSK、QPSK、16QAM}调制格式的样本信号应用改进的DENCLUE聚类算法计算最小二乘平面上的聚类中心点数,以聚类中心点数为特征参量,针对不同的光信噪比情况,根据最优贝叶斯分类原则构造决策树结构及判决门限值,完善决策树分类器的构造;
(2)识别阶段:将当前相干光接收机接收到的X、Y两路正交的偏振信号进行Stokes空间映射,然后对映射后的信号计算高阶累积量,将高阶累积量输入到步骤(1)建立的决策树分类器中,判别当前信号的调制格式为8PSK、8QAM还是{BPSK、QPSK、16QAM},若为{BPSK、QPSK、16QAM}调制格式则应用改进的DENCLUE聚类算法计算信号经过stokes空间映射后在Stokes空间最小二乘平面上的聚类中心点数,将聚类中心个数输入到步骤(1)建立的决策树分类器中,判别出当前信号的具体调制格式。
其中步骤(1)、(2)中,应用改进的DENCLUE聚类算法计算聚类中心点数的具体过程如下:
1)确定高密度网格:对信号经过stokes空间映射后在Stokes空间形成的最小二乘平面上设计一个区域半径,具体如图3所示;对区域半径外的数据空间以2σ为宽度的网格进行网格划分,划分的网格内若包含有数据点,则确定为非空网格,否则为空网格;设非空网格集为Cp,网格内包含的数据点的数量记为Nc,当Csp={c∈Cp|Nc>ξc}时,确定非空网格集中的网格c为高密度网格Csp,ξc为设定的密度阈值;
2)计算高密度网格内的数据点的密度值:
设高密度网格内的数据点用特征向量D={x1,…,xN}表示,则D中任意一个数据点的密度值计算公式如下:
其中d(x,xi)为第i个数据点xi到数据点x的欧氏距离;
3)确定所有的聚类中心点:选择高密度网格内任意的一个数据点的密度值作为初始解,然后通过爬山法进行更新找到高密度网格中密度值的局部极大值点作为聚类中心点。
图2为理想情况下Stokes空间的信号星座图。图2中第一纵列为最小二乘平面法线方向上的星座映射图,图2中第二纵列为最小二乘平面上的星座映射图,图2中第三纵列为三维空间图,信号在Stokes空间映射前进行了功率归一化。由图2可知,不同的调制格式的信号在Stokes空间最小二乘平面及其法线方向上的映射呈现出不同的分布特征。由于信号是随机序列,这些分布可以认为是零均值的平稳随机过程。因此本实施例选择零均值平稳随机信号(即映射后的信号)的高阶累积量作为特征参量,实现8PSK、8QAM和{BPSK、QPSK、16QAM}调制格式的初步分类调制格式的初步分类。
以相干光传输系统中5种调制格式中{BPSK、QPSK、8PSK、8QAM、16QAM}为例,理想情况下Stokes空间中信号的高阶累积量的理论数值如下:
表1理想情况下5种调制格式在Stokes空间中信号的高阶累积量
以相干光传输系统中3种调制格式中{BPSK、QPSK、16QAM}为例,如图4所示为理想情况下Stokes空间中信号的聚类中心点数,30dB下在Stokes空间中信号的聚类中心点数的数值如下:
表2 30dB下3种调制格式在Stokes空间中信号的聚类中心点数
BPSK | QPSK | 16QAM | |
聚类中心点数 | 2 | 4 | 16 |
决策树分类器根据上述各种调制格式对应的高阶累积量的差异,初步构造决策树分类器,对8PSK、8QAM和{BPSK、QPSK、16QAM}调制格式的初步分类,若为{BPSK、QPSK、16QAM}调制格式,应用改进的DENCLUE聚类算法计算聚类中心点数,此后针对{BPSK、QPSK、16QAM}调制格式对应的聚类中心点数的差异,以聚类中心点数为特征参量,进一步完善决策树分类器的构造,最终针对不同的光信噪比情况,根据最优贝叶斯分类原则构造决策树结构及判决门限值,进而实现上述5种调制格式进行分类识别。
本实施例中,步骤2)对X、Y两路正交的偏振信号进行Stokes空间映射的具体步骤如下:
其中,ax、ay分别表示X、Y两路正交偏振信号的幅值,为X、Y两路正交偏振信号之间的相位差,ex、ey分别表示X、Y两路正交偏振信号,分别表示ex、ey的共轭;S0、S1、S2、S3表示Stokes空间映射后的各参量,其中S0代表光信号的总功率;(S1,S2,S3)表示构成的三维坐标,代表光信号的不同偏振态;具体到每个坐标轴,S1代表水平方向上的线偏振光,S2代表45度角方向上的线偏振光,S3代表圆偏振光。
本实施例中,由于后面要对映射后的信号计算高阶累积量以及应用改进的DENCLUE聚类算法计算其聚类中心点数,为了使计算的过程尽量较少噪声的干扰,信号进行Stokes空间映射后,先对映射后的信号进行信号预处理,然后基于经过预处理的信号计算高阶累积量,进行信号预处理的具体过程如下:利用奇异值分解算法拟合出映射后的信号在Stokes空间中的最小二乘平面,进而得到信号在Stokes空间最小二乘平面上映射的复数随机信号,及信号在Stokes空间最小二乘平面法线方向映射的实数随机信号。得到复数随机信号和实数随机信号后,利用复数随机信号和实数随机信号计算高阶累积量:
其中yk表示信号在Stokes空间最小二乘平面上映射的复数随机信号,xk表示信号在Stokes空间最小二乘平面法线方向映射的实数随机信号。
本实施例中,所述爬山法进行更新找到高密度网格中密度值的局部极大值点作为聚类中心点的具体过程如下:
其中x0表示初始解,ξ为系数,式中▽fD(x)计算公式是:
如果fD(xk+1)<fD(xk),其中k∈N,则本次计算迭代停止,并令xk作为新的密度聚类中心点,同时进行下一次的迭代,直到找到所有聚类中心点。
最后说明,以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (5)
1.基于DENCLUE聚类的Stokes空间相干光调制格式识别方法,其特征在于:包括以下步骤:
(1)训练阶段:设置不同调制格式的样本信号,将样本信号进行Stokes空间映射并进行最小二乘平面拟合,对映射后的信号计算高阶累积量,初步构造决策树分类器用来区分当前信号的调制格式为8PSK、8QAM还是{BPSK、QPSK、16QAM};针对{BPSK、QPSK、16QAM}调制格式的样本信号应用改进的DENCLUE聚类算法计算最小二乘平面上的聚类中心点数,以聚类中心点数为特征参量,针对不同的光信噪比情况,根据最优贝叶斯分类原则构造决策树结构及判决门限值,完善决策树分类器的构造;
(2)识别阶段:将当前相干光接收机接收到的X、Y两路正交的偏振信号进行Stokes空间映射,然后对映射后的信号计算高阶累积量,将高阶累积量输入到步骤(1)建立的决策树分类器中,判别当前信号的调制格式为8PSK、8QAM还是{BPSK、QPSK、16QAM},若为{BPSK、QPSK、16QAM}调制格式则应用改进的DENCLUE聚类算法计算信号经过stokes空间映射后在Stokes空间最小二乘平面上的聚类中心点数,将聚类中心个数输入到步骤(1)建立的决策树分类器中,判别出当前信号的具体调制格式;
所述步骤(1)、(2)中,应用改进的DENCLUE聚类算法计算聚类中心点数的具体过程如下:
1)确定高密度网格:对信号经过stokes空间映射后在Stokes空间形成的最小二乘平面上设计一个区域半径,对区域半径外的数据空间以2σ为宽度的网格进行网格划分,σ表示针对区域半径外数据空间划分的网格宽度的一半,划分的网格内若包含有数据点,则确定为非空网格,否则为空网格;设非空网格集为Cp,网格内包含的数据点的数量记为Nc,当Csp={c∈Cp|Nc>ξc}时,确定非空网格集中的网格c为高密度网格Csp,ξc为设定的密度阈值;
2)计算高密度网格内的数据点的密度值:
设高密度网格内的数据点用特征向量D={x1,…,xN}表示,则D中任意一个数据点的密度值计算公式如下:
其中d(x,xi)为第i个数据点xi到数据点x的欧氏距离;N表示高密度网格内的数据点数量;
3)确定所有的聚类中心点:选择高密度网格内任意的一个数据点的密度值作为初始解,然后通过爬山法进行更新找到高密度网格中密度值的局部极大值点作为聚类中心点。
3.根据权利要求1所述的基于DENCLUE聚类的Stokes空间相干光调制格式识别方法,其特征在于:所述样本信号和偏振信号进行Stokes空间映射后,先对映射后的信号进行信号预处理,然后基于经过预处理的信号计算高阶累积量,进行信号预处理的具体过程如下:利用奇异值分解算法拟合出映射后的信号在Stokes空间中的最小二乘平面,进而得到信号在Stokes空间最小二乘平面上映射的复数随机信号,及信号在Stokes空间最小二乘平面法线方向映射的实数随机信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711428624.3A CN108173599B (zh) | 2017-12-26 | 2017-12-26 | 基于DENCLUE聚类的Stokes空间相干光调制格式识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711428624.3A CN108173599B (zh) | 2017-12-26 | 2017-12-26 | 基于DENCLUE聚类的Stokes空间相干光调制格式识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108173599A CN108173599A (zh) | 2018-06-15 |
CN108173599B true CN108173599B (zh) | 2020-07-24 |
Family
ID=62520804
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711428624.3A Active CN108173599B (zh) | 2017-12-26 | 2017-12-26 | 基于DENCLUE聚类的Stokes空间相干光调制格式识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108173599B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108897820B (zh) * | 2018-06-21 | 2022-03-15 | 电子科技大学 | 一种denclue算法的并行化方法 |
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 |
CN109347776B (zh) * | 2018-11-26 | 2020-06-16 | 北京理工大学 | 一种差分相位幅度比的光通信信号调制格式识别方法 |
CN110190909B (zh) * | 2019-06-06 | 2020-09-29 | 北京邮电大学 | 一种用于光通信的信号均衡方法及装置 |
CN110933005B (zh) * | 2019-12-09 | 2020-11-06 | 北京理工大学 | 一种密度聚类的调制格式识别与osnr估计的联合方法 |
CN111371503B (zh) * | 2020-03-17 | 2021-03-30 | 华南师范大学 | 概率整形星座调制相干光通信系统中盲偏振解复用的方法 |
CN111510223B (zh) * | 2020-04-25 | 2021-06-29 | 华中科技大学 | 一种平面判决向偏振态跟踪方法及装置 |
CN111578152B (zh) * | 2020-05-09 | 2022-02-18 | 安徽中科智泰光电测控科技有限公司 | 基于海量振动干扰事件的油气管线监测实时聚类预警方法 |
CN113542172B (zh) * | 2021-07-12 | 2023-11-14 | 聊城大学 | 基于改进pso聚类的弹性光网络调制格式识别方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105790849A (zh) * | 2016-05-10 | 2016-07-20 | 中山大学 | 一种面向相干光通信系统的调制格式识别方法 |
CN107018108A (zh) * | 2017-05-10 | 2017-08-04 | 西南交通大学 | 一种斯托克斯空间二维平面的调制格式识别方法 |
US9768874B1 (en) * | 2013-03-20 | 2017-09-19 | Georgia Tech Research Corporation | System and methods for autonomous signal modulation format identification |
-
2017
- 2017-12-26 CN CN201711428624.3A patent/CN108173599B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9768874B1 (en) * | 2013-03-20 | 2017-09-19 | Georgia Tech Research Corporation | System and methods for autonomous signal modulation format identification |
CN105790849A (zh) * | 2016-05-10 | 2016-07-20 | 中山大学 | 一种面向相干光通信系统的调制格式识别方法 |
CN107018108A (zh) * | 2017-05-10 | 2017-08-04 | 西南交通大学 | 一种斯托克斯空间二维平面的调制格式识别方法 |
Non-Patent Citations (1)
Title |
---|
Subtraction-Clustering-Based Modulation Format Identification in Stokes Space;Pengyu Chen;《IEEE PHOTONICS TECHNOLOGY LETTERS》;20170705;第1439-1442页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108173599A (zh) | 2018-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108173599B (zh) | 基于DENCLUE聚类的Stokes空间相干光调制格式识别方法 | |
CN105790849B (zh) | 一种面向相干光通信系统的调制格式识别方法 | |
CN109309640B (zh) | 基于机器学习的盲信号格式识别方法 | |
CN108173600A (zh) | 基于自适应非迭代聚类的Stokes空间相干光调制格式识别方法 | |
CN110113288A (zh) | 一种基于机器学习的ofdm解调器的设计和解调方法 | |
CN112953871A (zh) | 一种基于神经网络的信号调制格式识别新方法 | |
CN110166389B (zh) | 基于最小二乘支持向量机的调制识别方法 | |
Qing Yang | Modulation classification based on extensible neural networks | |
CN112040498A (zh) | 一种基于定点迭代的无线供能传感器网络时间分配方法 | |
US20220076134A1 (en) | Two-stage deep learning based secure precoder for information and artificial noise signal in non-orthogonal multiple access system | |
CN109981151A (zh) | 大规模mimo系统中改进的高斯树近似消息传递检测算法 | |
CN106250853A (zh) | 基于聚类与粒子群重构星座图的信号识别方法与系统 | |
CN109067678A (zh) | 基于高阶累积量wfrft信号级联调制识别方法、无线通信系统 | |
CN107276703A (zh) | 一种采用压缩感知技术的正交空间调制系统检测方法 | |
CN104821840B (zh) | 一种大规模多输入多输出下行系统的抗干扰方法 | |
CN109412670A (zh) | Gsm-mbm系统中基于松弛迭代的低复杂度检测方法 | |
CN109412658A (zh) | 一种基于阴影域的改进型bb搜索树检测方法 | |
CN113242201B (zh) | 基于生成分类网络的无线信号增强解调方法及系统 | |
CN112953678B (zh) | 一种大范围snr内接近容量限的无速率调制解调方法 | |
CN115733529A (zh) | 一种基于最小化加权均方误差准则的符号级预编码方法 | |
CN105049384B (zh) | 用于在上行多用户mimo系统中的信道估计方法 | |
CN113938234A (zh) | 一种低复杂度稀疏化大规模mimo检测方法 | |
CN114422005A (zh) | 一种智能反射面辅助认知无线电系统的符号级预编码方法 | |
Zhang et al. | Modulation format recognition based on CNN in satellite communication system | |
CN107248876B (zh) | 基于稀疏贝叶斯学习的广义空间调制符号检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
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 |