CN108521384B - 用于低带宽高速光通信的最大化方差数据选择的svm均衡方法及系统 - Google Patents

用于低带宽高速光通信的最大化方差数据选择的svm均衡方法及系统 Download PDF

Info

Publication number
CN108521384B
CN108521384B CN201810145381.0A CN201810145381A CN108521384B CN 108521384 B CN108521384 B CN 108521384B CN 201810145381 A CN201810145381 A CN 201810145381A CN 108521384 B CN108521384 B CN 108521384B
Authority
CN
China
Prior art keywords
module
training sequence
optical
optimal
signal
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
CN201810145381.0A
Other languages
English (en)
Other versions
CN108521384A (zh
Inventor
毕美华
姜伟
俞嘉生
卓先好
杨国伟
周雪芳
胡淼
骆懿
李齐良
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.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi 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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201810145381.0A priority Critical patent/CN108521384B/zh
Publication of CN108521384A publication Critical patent/CN108521384A/zh
Application granted granted Critical
Publication of CN108521384B publication Critical patent/CN108521384B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H04L25/03012—Arrangements for removing intersymbol interference operating in the time domain
    • H04L25/03019—Arrangements for removing intersymbol interference operating in the time domain adaptive, i.e. capable of adjustment during data reception
    • H04L25/03057—Arrangements for removing intersymbol interference operating in the time domain adaptive, i.e. capable of adjustment during data reception with a recursive structure
    • 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
    • H04B10/25—Arrangements specific to fibre transmission
    • H04B10/2507—Arrangements specific to fibre transmission for the reduction or elimination of distortion or dispersion
    • H04B10/2513—Arrangements specific to fibre transmission for the reduction or elimination of distortion or dispersion due to chromatic dispersion

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Optical Communication System (AREA)

Abstract

本发明用于低带宽高速光通信的最大化方差数据选择与SVM均衡方法：步骤1：在传输的数字信号数据头中插入设定量的训练序列，经过高速NRZ调制生成电NRZ信号，将电NRZ信号经过光调制器转换成光NRZ信号；步骤2：信号经过光纤，传输至接收端，接收端将收到的光NRZ信号转化为电NRZ信号；步骤3：对电NRZ信号采样，然后经过时间同步；步骤4：对时间同步过后的数据提取训练序列；步骤5：用最大化方差的方法提取每一段每个码元采样点中的最佳判别采样点；并为每个训练序列构建特征向量；步骤6：利用训练序列的特征向量，采用SVM算法训练最优分类超平面；步骤7：对每个新的未知的码元构建特征向量；步骤8：利用最优分类超平面，对NRZ电信号进行分类。

Description

用于低带宽高速光通信的最大化方差数据选择的SVM均衡方 法及系统
技术领域
本发明属于低带宽高速光通信系统技术领域，具体涉及一种用于低带宽高速光通信的最大化方差数据选择的SVM(支持向量机)均衡方法及系统。
背景技术
近年来，随着各种新兴业务的发展，终端用户的带宽需求正在迅速增长。这使得对光通信波长速率的要求越来越高，单个波长的速率正朝着40Gb/s，甚至100Gb/s的方向发展。现阶段，铺设的G.652标准的光纤的工作波长为C波段，该波段具有较大的色散，且随着速率的增长，色散的影响会愈加严重。而色散会导致脉冲展宽，引起码间串扰，使信号产生畸变，导致误码率上升，提高对接收机的灵敏度要求，降低系统性能。若通过提高接收光功率的方式来保证通信质量的话，会加大通信成本，考虑低成本光通信系统对成本十分敏感，通常采用信道均衡技术来补偿或消除色散对信号的干扰。
用均衡技术对色散进行补偿，可以分为在光域上均衡和在电域上均衡两种。在光域上对信号进行色散所造成的ISI补偿，例如色散补偿光纤(DCF)、光纤布拉格光栅(FBG)等，其中DCF是全球范围内的长距离/超长距离光纤通信的首选方案，也是使用的最多的方案，但其本身损耗较高，需要光放大器配合使用，导致实现成本较高，不适合于低成本短距离光通信。因而电色散补偿(EDC)是低成本光通信中一个非常热门的研究方向。
经对现有文献检索发现，目前的EDC技术通常分为予色散补偿技术和后色散补偿技术。予色散补偿技术，例如Y London，S Dan等于2014年发表的《Enhanced FractionalElectrical Dispersion Compensation for High-Speed Analog Traces in DataCenter Intra-Connections》，在发射端通过改变电参数的设置，模拟高速光纤产生的色散，提前对光纤链路产生的色散进行补偿。它的优点是方案比较简单，但是，整个过程无法实现自适应需要人工调试，实际中实现并不方便。再如，Katz G,Sadot D等在2006年发表的《Electrical dispersion compensation equalizers in optical long-haul coherent-detection system》采用后补偿技术，在接收机上利用判决反馈均衡器(DFE)，线性均衡器(LE)以及最大似然序列估计(MLSE)分别在相干检测和直接检测光系统中，补偿色散影响，分析并证明了各方案的性能。但该方案采用传统的电域均衡器，所需的训练序列较长，均衡开支较高，同时计算复杂度较高，因此综合性能有待进一步提升。
发明内容
针对现有技术存在的缺陷，本发明提供了一种用于低带宽高速光通信的最大化方差数据选择与SVM均衡方法及系统。
本发明采取如下技术方案：
用于低带宽高速光通信的最大化方差数据选择与SVM均衡方法，按如下步骤：
步骤1：在传输的数字信号数据头中插入设定量的训练序列(根据具体需求设定训练数目)，经过高速NRZ调制生成电NRZ信号，将电NRZ信号经过光调制器转换成光NRZ信号。
步骤2：信号经过光纤，传输至接收端，接收端利用相关器件(如光电探测器)将收到的光NRZ信号转化为电NRZ信号。
步骤3：对电NRZ信号采样，然后经过时间同步。
步骤4：对时间同步过后的数据提取训练序列。
步骤5：采用最大化方差法提取每一段每个码元采样点中的最佳判别采样点。并为每个训练序列构建特征向量(包括前N个码元的最佳判别采样点，后M个码元的最佳判别采样点，N与M根据具体需求选择合适的数值)。
步骤6：利用训练序列的特征向量，采用SVM算法(线性核函数)训练最优分类超平面。
步骤7：对每个新的未知的码元构建特征向量，方法同前面构建训练序列的特征向量一样。
步骤8：利用最优分类超平面，对电NRZ信号进行分类。
优选地，步骤1中：在生成高速率的电NRZ信号前，在数字信号头中加入设定长度的训练序列(根据具体需求设定训练数目)，所述训练序列是由训练序列发生器生成的一种(0，1)伪随机序列，接收机采用与发送机相同规则的训练序列发生器即可产生相同的伪随机序列。数字信号一起经过高速率NRZ调制模块，生成电NRZ信号；将电NRZ信号，连接至光调制器，从而生成包含训练序列的光NRZ信号。
优选地，光调制器可选自：马赫曾德尔调制器(MZM)与连续波激光器或者电吸收调制激光器(EML)。
优选地，步骤2中，利用光电探测器将接收的光NRZ信号转化为电NRZ信号；光电探测器可选自：光电二极管或者雪崩二极管；将光NRZ信号通过光纤传输至接收机，光纤为标准单模光纤。
优选地，步骤3中：采样过程中，采样速率应高于数据速率，且为数据速率的整数倍。
本发明还提供了一种低成本的用于低带宽高速光通信的最大化方差数据选择的SVM均衡系统，包括：光NRZ信号发射模块、接收模块以及光纤，所述光NRZ信号发射模块将包含训练序列的光NRZ信号通过光纤发送至接收模块，由所述接收模块将光信号转化为相应的电信号，并提取出包含的训练序列，获取由通过SVM利用训练序列计算的最优超平面以及最后判决得到的信息数据。
优选地，所述光NRZ信号发射模块包括：光调制模块、电NRZ信号生成模块；优选地，所述的光调制模块包括：连续波激光器与光调制器，其中，电NRZ信号生成模块的输出端连接至由连续波激光器驱动的光调制器，实现光NRZ信号的产生。
优选地，所述的电NRZ信号生成模块包括：数字信号模块、训练序列发生器、训练序列插入模块、高速率NRZ调制模块、低通滤波器；所述数字信号模块连接训练序列插入模块，在数据信号头中插入由训练序列发生器所产生的训练序列，所述训练序列插入模块的输出端与高速率NRZ调制模块相连，最终产生高速率NRZ信号。
优选地，所述光接收模块包括：光电探测器、采样模块、时间同步模块、训练序列提取模块、最大方差采样点提取模块、最优分类超平面计算模块、判决模块、解调制模块、0,1数据输出单元；
其中，光电探测器将接收到的电信号经过采样模块、时间同步模块、方差最大化最佳判别采样点提取模块、训练序列提取模块后的输出信号进入最优超平面计算模块，得到最优超平面；所述判决模块接收最优超平面以及信息序列，计算每个码元对应的特征矩阵到超平面的距离并判决，实现对接收数字信号的补偿；补偿后的数字信号通过解调制模块、0,1数据输出单元后输出，实现用户数据的接收。
支持向量机(SVM)是一种基于统计学习理论的机器学习方法。SVM通过在特征空间上构建一个最优超平面，该最优超平面满足不同类别的点到超平面的最小距离最大化，利用最优超平面对数据进行分类。SVM最大的优点在于，只需要少量的训练样本，即可获得良好的分类能力。而均衡过程本身可以看作对发生畸变的信号，通过一些特定的算法回归到最初的信号，从而进行正确的分类。从而，可以将机器学习中的分类方法，灵活的运用到判决当中。因此，本发明考虑用SVM来改进时域上的判决算法性能。
本发明的判决算法，基于方差最大化与SVM的原理，可以更好地提升判决的准确率及性能。同时考虑到光纤信道并非严格的时不变信道，通过寻找最大化方差的一段码元的最佳判别采样点，构建训练序列，计算最优分类超平面。得益于SVM算法的高效性，可以非常快的完成判决。
与现有技术相比，本发明具有如下的有益效果：
1、本发明与传统的基于自适应算法的DFE、FFE相比，可以在更小的训练序列开支下，得到更好的判决结果，能有效提升系统性能。
2、本发明的算法性能受抽头数、训练序列长度影响小，即使用较小的抽头数与训练序列开支也能保证优秀的误码率，降低了信息冗余度。
3、本发明的算法效率相比与传统DFE、FFE更高，均衡速度更快。
本发明用于低带宽高速光通信的最大化方差数据选择与SVM判别方法包括：对需要传输的数字信号数据头中插入训练序列，经过高速率NRZ调制生成电NRZ信号，将电NRZ信号经过光调制器转换成光NRZ信号；光NRZ信号经由光纤，传输至接收机，并(如利用光电探测器)将接收到的光NRZ信号转化为电NRZ信号；电NRZ信号经过采样与时间同步后，进行采样，提取训练序列，用最大化方差的方法提取每一段码元(例如N个码元为一段)采样点中的最佳判别采样点，并为每个训练序列构建特征值向量，计算最优分类超平面；利用最优分类超平面，对信息序列进行判决。本发明解决了用低带宽器件传输高速率信号时由于带宽限制所引入的信号畸变、码间串扰等造成系统的接收灵敏度下降的问题。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为低带宽高速光通信的应用系统示意图。
图2为方差最大化最佳判别采样点提取的原理示意图。
图3为基于SMO算法计算最优分类超平面的判别原理示意图。
图4为利用最优分类超平面判别码元类型的原理示意图。
图5为低带宽光传输系统经过20km标准单模光纤传输后，在不同信道均衡算法以及最大化方差数据选择-SVM下的BER性能对比图，图中：横轴为接收机的光功率，纵轴是BER表示误码率大小，取1x10^-3下的BER作为接收机灵敏度，最大化方差数据选择-SVM为本发明算法的一个实例，DFE和FFE是传统基于自适应算法的均衡判决方法。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
如图1所示，本实施例提供了一种低成本的用于低带宽高速光通信的最大化方差数据选择与SVM判别系统，包括：光NRZ信号发射模块、接收模块以及光纤，所述光NRZ信号发射模块将包含训练序列的光NRZ信号通过光纤发送至接收模块，由所述接收模块将光信号转化为相应的电信号，并提取出包含的训练序列，然后用方差最大化最佳判别采样点提取模块处理训练序列，然后获取由通过SVM利用训练序列计算的最优超平面以及最后判决得到的判决后的信息数据。
光NRZ信号发射模块包括：光调制模块、电NRZ信号生成模块；光调制模块包括：连续波激光器与光调制器，其中，电NRZ信号生成模块的输出端连接至由连续波激光器驱动的光调制器，实现光NRZ信号的产生。
电NRZ信号生成模块包括：高速率脉冲模式发生器、训练序列发生器、训练序列插入模块、高速率NRZ调制模块、低通滤波器；所述高速率脉冲模式发生器连接至训练序列插入模块，在数据头中插入由训练序列发生器所产生的训练序列，所述训练序列插入模块的输出端与高速率NRZ调制模块相连，产生高速率数字信号，NRZ调制模块的输出端连接至低通滤波器，滤去信号的高频部分，最终产生可用于光调制模块的电NRZ信号。
光接收模块包括：光电探测器、采样模块、时间同步模块、方差最大化最佳判别采样点提取模块、训练序列提取模块、最优超平面计算模块、判决模块、解调制模块、0,1数据输出单元；其中，光电探测器将接收到的电信号经过采样模块、时间同步模块、方差最大化最佳判别采样点提取模块后，所述方差最大化最佳判别采样点提取模块的输出信号通过训练序列提取模块后进入最优超平面计算模块，得到最优超平面；所述判决模块接收最优超平面以及信息序列，计算每个码元到超平面的距离并判决，实现对接收数字信号的补偿；补偿后的数字信号通过解调制模块、0,1数据输出单元后输出，实现用户数据的接收。
本实施例用于低成本的低带宽高速光通信系统的最大化方差数据选择的SVM均衡方法，首先将前后若干个码元最佳判别采样点当作当前码元的特征值，构建每个码元的特征值向量矩阵，当训练序列接收完以后，通过支持向量机中的SMO算法得到最优分类超平面，然后将需要均衡的数据通过超平面进行正确的分类，实现信道判决；具体包括以下步骤：
步骤1：在传输的数字信号数据头中插入一定量的训练序列(根据具体需要设定训练数目)，经过高速NRZ调制生成NRZ信号，将电NRZ信号经过光调制器转换成光NRZ信号。
步骤2：信号经过光纤，传输至接收端，接收端利用相关器件(如光电探测器)将收到的光NRZ信号转化为电NRZ信号。
步骤3：对电NRZ信号采样，然后经过时间同步。
步骤4：对时间同步过后的数据提取训练序列。
步骤5：用最大化方差的方法提取训练序列中每一段每个码元的采样点中的最佳判别采样点。并为每个训练序列构建特征向量(包括前N个码元的最佳判别采样点，后M个码元的最佳判别采样点，N与M根据具体需求选择合适的数值)。
步骤6：利用训练序列的特征向量，采用SMO算法(线性核函数)训练最优分类超平面。
步骤7：对每个新的未知的码元构建特征向量，方法同前面构建训练序列的特征向量一样。
步骤8：利用最优分类超平面，对电NRZ信号进行分类。
更进一步地，对下文需使用的术语先进行介绍：
1)、NRZ是指非归零码，是一种常用的基带传输信号，具有实现成本低的特点。
2)、超平面是N维欧氏空间中余维度等于一的线性子空间，一个超平面可以描述为；
Figure GDA0001671441610000061
其中，
Figure GDA0001671441610000062
为超平面的法向量，b为位移，描述超平面到原点的距离。
3)、SMO是用来求解SVM中最优超平面问题的一种二次规划算法；
步骤1在生成高速率的电NRZ信号前，在数据信号头中插入长度一定的训练序列，所述训练序列是一种(0，1)伪随机序列，由训练序列发生器生成，发送机和接收机采用参数一致的训练序列发生器就可以产生同样的序列，训练序列和需要传输的数字信号一起经过高速率NRZ调制模块，生成电NRZ信号；将高速率NRZ信号经过一个低通滤波器，滤去信号高频部分，最后连接至的光调制器，从而生成包含训练序列的光NRZ信号。
光调制器，可以为直接光调制器，如EML；也可以为基于光载波的外调制模块(激光作为光载波驱动外调制器)，如MZM。
步骤1中，高速率NRZ调制模块，为NRZ模式的脉冲发生器，可以将数字信号调制成电NRZ脉冲。
步骤2包括：将步骤1输出的光NRZ信号通过光纤传输至接收机，光纤输出端的连接到光电探测器，光电探测器输出电NRZ信号。
光电探测器包括：光电二极管，也可以为雪崩二极管；光纤为标准单模光纤。
步骤3中，采样过程，采样速率应高于数据速率，且为数据速率的整数倍；
步骤7中：将信息序列经过抽头延时器后，用构建训练序列的特征向量的方法，构建信息码元的特征向量。利用步骤6中的最优分类超平面进行分类。
本发明基于方差最大化最佳判别采样点提取和SVM算法进行信道判决，其算法主要分为两步。首先方差最大化最佳判别采样点提取，如图2所示，主要包含以下几个步骤：
步骤1：提取出来的采样数据，依次输入到若干个抽头延时器中，组成每个码元对应的采样点，依次保存训练序列的采样点中，直到训练序列输入完毕；
步骤2：接收机的训练序列发生器重新生成原始训练序列，与训练序列一一对应，作为方差最大化最佳判别采样点提取的输入；
步骤3：方差最大化最佳判别采样点提取算法根据输入，提取每个码元的最佳判别采样点。
基于最佳判别采样点的利用SMO算法的最有分类超平面训练模块如图3所示，主要包含以下几个步骤：
步骤1：基于方差最大化最佳判别采样点提取后的数据，对当前码元组建特征向量，包括当前及前后若干个码元最佳判别采样点。
步骤2：用SMO算法计算最佳分类超平面。
根据最佳分类超平面判决信号如图4所示，主要包含一下几个步骤：
步骤1：提取出来的采样数据，依次输入到若干个抽头延时器中，组成码元对应的采样点，并保存；
步骤2：利用方差最大化最佳判别采样点提取算法根据码元采样点，提取码元的最佳判别采样点；
步骤3：对码元组建特征向量，包括当前及前后码元最佳判别采样点。
步骤4：计算特征向量与超平面法向量的乘积，如果大于零分类为1，小于零分类为0。
本实施例验证最大化方差数据提取-SVM算法参数为训练序列长度890，特征值向量长度为11。信号采用NRZ-OOK调制，采样率为32，信息序列加训练序列总长为125000。DFE和FFE采用的自适应算法为梯度最小二乘(RLS)，训练长度为2000。
图5为低带宽光传输系统经过20km标准单模光纤传输后，使用不同信道均衡算法下的BER性能对比图，图中：横轴为接收机的光功率，单位是dBm，纵轴是BER表示误码率大小，单位是dB，取1x10^-3下的BER作为接收机灵敏度，最大化方差数据提取-SVM为本发明算法的一个实例，DFE和FFE是传统基于自适应算法的均衡判别方法。可以看到本发明的算法要明显优于传统DFE和FFE的性能。
综上所述，采用本发明基于最大化方差数据提取-SVM的判决算法，可以更明显的补偿带宽限制所造成的ISI。相比于传统DFE和FFE所需要的训练序列长度更低，且判决效果更优，同时运算复杂度也更低，对参数要求不高。因此，本发明的算法，能较好应用于低带宽高速率光网络的需求。
本发明用于低带宽高速光通信的最大化方差数据提取-SVM判决方法，包括：首先在发送机的信息序列头中插入训练序列，然后在接收机，基于最大化方差最佳判决采样点提取与支持向量机(SVM)中的SMO算法，并改进其特征向量的构成，得到最优超平面，然后将需要判决的数据通过超平面进行正确的分类，每隔一定的长度，重新接收训练序列并更新最优超平面，最终实现判决。本发明解决了用器件传输高速率信号时由于带宽限制所引入的信号畸变、码间串扰等造成系统的接收灵敏度下降的问题。同时，可以极大程度的降低均衡的开支、计算复杂度，因而可用低带宽高速光通信系统。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (9)

1.用于低带宽高速光通信的最大化方差数据选择与SVM均衡方法，其特征在于，包括如下步骤：
步骤1：在传输的数字信号数据头中插入设定量的训练序列，经过高速NRZ调制生成电NRZ信号，将电NRZ信号经过光调制器转换成光NRZ信号；
步骤2：信号经过光纤，传输至接收端，接收端将收到的光NRZ信号转化为电NRZ信号；
步骤3：对电NRZ信号采样，然后经过时间同步；
步骤4：对时间同步过后的数据提取训练序列；
步骤5：用最大化方差的方法提取每一段每个码元采样点中的最佳判别采样点；并为每个训练序列构建特征向量；
步骤6：利用训练序列的特征向量，采用SVM算法训练最优分类超平面；
步骤7：对每个新的未知的码元构建特征向量；
步骤8：利用最优分类超平面，对NRZ电信号进行分类；
所述步骤5还包括如下步骤：
步骤51：提取出来的采样数据，依次输入到若干个抽头延时器中，组成每个码元对应的采样点，依次保存训练序列组成的采样点，直到训练序列输入完毕；
所述采样数据为步骤4中提取的训练序列；
步骤52：接收机的训练序列发生器重新生成原始训练序列，与训练序列一一对应，作为方差最大化最佳判别采样点提取的输入；
步骤53：方差最大化最佳判别采样点提取算法根据输入，提取每个码元的最佳判别采样点；
所述步骤6还包括如下步骤：
步骤61：基于方差最大化最佳判别采样点提取后的数据，对当前码元组建特征向量，包括当前及前后若干个码元最佳判别采样点；
步骤62：用SMO算法计算最优分类超平面。
2.根据权利要求1所述的用于低带宽高速光通信的最大化方差数据选择与SVM均衡方法，其特征在于，步骤1：所述训练序列是由训练序列发生器生成的一种(0，1)伪随机序列，接收机采用与发送机相同规则的训练序列发生器即可产生相同的伪随机序列；数字信号一起经过高速率NRZ调制模块，生成电NRZ信号；将电NRZ信号连接至光调制器，从而生成包含训练序列的NRZ光信号。
3.根据权利要求2所述的用于低带宽高速光通信的最大化方差数据选择与SVM均衡方法，其特征在于，所述的光调制器选自：马赫曾德尔调制器与连续波激光器或电子吸收调制激光器。
4.根据权利要求1所述的用于低带宽高速光通信的最大化方差数据选择与SVM均衡方法，其特征在于，步骤2，利用光电探测器将接收的光NRZ信号转化为电NRZ信号。
5.根据权利要求1所述的用于低带宽高速光通信的最大化方差数据选择与SVM均衡方法，其特征在于，步骤3：采样过程中，采样速率应高于数据速率，且为数据速率的整数倍。
6.根据权利要求1所述的用于低带宽高速光通信的最大化方差数据选择与SVM均衡方法，其特征在于，步骤5，特征向量包括前N个码元的最佳判别采样点，后M个码元的最佳判别采样点。
7.用于低带宽高速光通信的最大化方差数据选择与SVM均衡系统，其特征在于，包括光NRZ信号发射模块、接收模块以及光纤，所述光NRZ信号发射模块将包含训练序列的光NRZ信号通过光纤发送至接收模块，由所述接收模块将光信号转化为电信号，并提取出包含的训练序列以及构建每个码元的特征向量，获取由训练序列计算的最优超平面以及判决得到的信息数据；
所述的接收模块包括：光电探测器、采样模块、时间同步模块、方差最大化最佳判别采样点提取模块、训练序列提取模块、最优超平面计算模块、判决模块、解调制模块、0,1数据输出单元；
其中，光电探测器将接收到的电信号经过采样模块、时间同步模块、方差最大化最佳判别采样点提取模块、训练序列提取模块后的输出信号进入最优超平面计算模块，得到最优超平面；所述判决模块接收最优超平面以及信息序列，计算每个码元对应的特征矩阵到超平面的距离并判决，实现对接收数字信号的补偿；补偿后的数字信号通过解调制模块、0,1数据输出单元后输出；
所述方差最大化最佳判别采样点提取模块，用于用最大化方差的方法提取每一段每个码元采样点中的最佳判别采样点；并为每个训练序列构建特征向量；
所述最优超平面计算模块，用于利用训练序列的特征向量，采用SVM算法训练最优分类超平面。
8.根据权利要求7所述的用于低带宽高速光通信的最大化方差数据选择与SVM均衡系统，其特征在于，所述光NRZ信号发射模块包括：由连续波激光器与低带宽调制器组成的光调制模块、电NRZ信号生成模块；电NRZ信号生成模块的输出端连接至光调制模块。
9.根据权利要求8所述的用于低带宽高速光通信的最大化方差数据选择与SVM均衡系统，其特征在于，所述的电NRZ信号生成模块包括：数字信号模块、训练序列发生器、训练序列插入模块、高速率NRZ调制模块、低通滤波器；所述数字信号模块连接训练序列插入模块，训练序列插入模块在数据信号头中插入由训练序列发生器所产生的训练序列，所述训练序列插入模块的输出端与高速率NRZ调制模块相连，并通过低通滤波器，最终产生高速率NRZ信号。
CN201810145381.0A 2018-02-12 2018-02-12 用于低带宽高速光通信的最大化方差数据选择的svm均衡方法及系统 Active CN108521384B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810145381.0A CN108521384B (zh) 2018-02-12 2018-02-12 用于低带宽高速光通信的最大化方差数据选择的svm均衡方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810145381.0A CN108521384B (zh) 2018-02-12 2018-02-12 用于低带宽高速光通信的最大化方差数据选择的svm均衡方法及系统

Publications (2)

Publication Number Publication Date
CN108521384A CN108521384A (zh) 2018-09-11
CN108521384B true CN108521384B (zh) 2022-01-11

Family

ID=63433146

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810145381.0A Active CN108521384B (zh) 2018-02-12 2018-02-12 用于低带宽高速光通信的最大化方差数据选择的svm均衡方法及系统

Country Status (1)

Country Link
CN (1) CN108521384B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109672517B (zh) * 2018-12-20 2021-07-27 杭州电子科技大学 基于细胞神经网络的ofdm-pon系统的加密及解密方法
CN109818889B (zh) * 2019-02-19 2021-12-28 杭州电子科技大学 用于高阶pam光传输系统中的svm分类器优化的均衡算法
CN111313971B (zh) * 2020-02-28 2021-06-22 杭州电子科技大学 一种用于IMDD短距离光通信系统改进的Lightgbm均衡系统及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7519563B1 (en) * 2005-02-07 2009-04-14 Sun Microsystems, Inc. Optimizing subset selection to facilitate parallel training of support vector machines
CN105007118A (zh) * 2015-06-10 2015-10-28 重庆邮电大学 一种用于室内可见光通信系统的神经网络均衡方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103178900A (zh) * 2013-03-22 2013-06-26 北京邮电大学 基于支持向量机的相干光通信系统非线性损伤消除装置
WO2016202923A1 (en) * 2015-06-19 2016-12-22 Danmarks Tekniske Universitet Optical signal-to-noise ratio estimator and estimation methodology for optical communication
CN105515650B (zh) * 2015-11-24 2018-01-09 华中科技大学 基于光谱特征的光信号调制格式识别方法
CN107105354B (zh) * 2016-02-19 2019-11-22 上海诺基亚贝尔股份有限公司 一种无源光网络设备以及用于无源光网络设备的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7519563B1 (en) * 2005-02-07 2009-04-14 Sun Microsystems, Inc. Optimizing subset selection to facilitate parallel training of support vector machines
CN105007118A (zh) * 2015-06-10 2015-10-28 重庆邮电大学 一种用于室内可见光通信系统的神经网络均衡方法

Also Published As

Publication number Publication date
CN108521384A (zh) 2018-09-11

Similar Documents

Publication Publication Date Title
CN108123908B (zh) 一种用于ng-pon的改进svm均衡方法及系统
CN108494488B (zh) 用于短距离光通信系统的基于dfe的svm均衡方法
CN108521384B (zh) 用于低带宽高速光通信的最大化方差数据选择的svm均衡方法及系统
CN112598072B (zh) 基于SVM训练的权重系数迁移的改进Volterra滤波器的均衡方法
CN114039670B (zh) 一种模分复用通信系统非线性损伤补偿方法
CN109740690A (zh) 用于短距离光通信的基于特征工程的knn均衡算法
CN109818889B (zh) 用于高阶pam光传输系统中的svm分类器优化的均衡算法
Li et al. 100Gbps IM/DD transmission over 25km SSMF using 20G-class DML and PIN enabled by machine learning
Chen et al. 50-km C-band transmission of 50-Gb/s PAM4 using 10-G EML and complexity-reduced adaptive equalization
Lu et al. Integration of multivariate gaussian mixture model for enhanced pam-4 decoding employing basis expansion
Karinou et al. Experimental performance evaluation of equalization techniques for 56 Gb/s PAM-4 VCSEL-based optical interconnects
Bi et al. A powerful equalizer based on modified SVM classifier without nonlinear kernel enabled 100-Gb/s NG-EPON system with 10-G class
Bi et al. Machine learning classifier based on FE-KNN enabled high-capacity PAM-4 and NRZ transmission with 10-G class optics
van Veen et al. Real-time validation of downstream 50G/25G and 50G/100G flexible rate PON based on Miller encoding, NRZ, and PAM4 modulation
CN109891820B (zh) 眼图的解偏斜方法及装置
CN112054977B (zh) 一种基于功率谱整形的光传输方法及装置
Xi et al. Simplified SVM equalization algorithm based on single hyperplane training enabled 50Gb/s PAM-4/8 with 10-G optics in NG-PON system
US7474860B2 (en) Optimum sample spacing in over-sampled maximum likelihood sequence estimation receivers
He et al. Delay-tolerant indoor optical wireless communication systems based on attention-augmented recurrent neural network
Zhang et al. Convolutional neural network equalizer for Short-reach optical communication systems
Zhang et al. An improved end-to-end optical transmission system based on deep learning
Cheng et al. A Robust Sparse RLS-Volterra Nonlinear Equalizer Using ℓ₀-Regularization for 4× 150 Gbit/s IMDD-Based Optical Interconnect
Gorshtein et al. Blind channel estimation for MLSE receiver in high speed optical communications: theory and ASIC implementation
Xi et al. A modified Volterra equalizer for compensation distortion in C-band DML-based short reach limited-bandwidth system with 80-Gb/s PAM-4 signals
LI et al. SVM for constellation shaped 8QAM PON system

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