CN109818889A - 用于高阶pam光传输系统中的svm分类器优化的均衡算法 - Google Patents

Abstract

本发明公开了一种用于高阶PAM光传输系统中的SVM分类器优化的均衡算法，包括：步骤1：发送端将包含训练序列的数据通过光纤传输到接收端，接收端将采样后的包含训练序列的数据输入到均衡器模块；步骤2：均衡器模块提取接收到的训练序列，为其构建特征向量，训练序列发生器重新产生训练序列，并将其分为两个大类，作为对应特征向量的标签，构成训练集；步骤3：将训练集输入到SVM训练器，计算得到一个中心最优超平面，计算不同类别的点到超平面的平均距离作为不同的偏移；步骤4：提取最优超平面的法向量，当作滤波器的抽头系数，将不同类别的偏移当作判决器对应的判决门限，对后续有效数据进行均衡。本发明所述方法可大幅减少计算以及实现复杂度。

Description

用于高阶PAM光传输系统中的SVM分类器优化的均衡算法

技术领域

本发明涉及一种用于高阶PAM光传输系统中的SVM分类器优化的均衡算法。

背景技术

随着如云计算，虚拟/增强现实，5G等业务的发展，推动了高速光接入网和短距离光通信的需求。与长距离网络相比，这些短距离网络由于部署规模庞大，因此对成本非常敏感。这使得低复杂度和低成本的强度调制和直接检测(IM/DD)技术被采用作为主流技术。同时，最近报道的超过100-Gbps甚至200-Gbps IM/DD系统的诸多研究，大多使用了先进的高阶调制格式，例如四/六/八级脉冲幅度调制(PAM-4/6/8)和离散多音(DMT)调制。同时，为了解决由带宽限制和光纤的累积色散产生的符号间干扰(ISI)，需要在发送/接收端进行信号前/后均衡处理。因此，基于IM/DD的系统与电子数字信号处理(DSP)技术相结合是最有希望的下一代光接入网和短距离光通信的候选系统之一。

经对现有文献检索发现，基于数字信号处理(DSP)的电信号上的均衡研究主要分为传统电信号均衡器以及新兴的机器学习算法。传统电信号均衡技术主要基于前馈均衡器(FFE)和判决反馈均衡器(DFE)进行改进，例如Jinlong Wei于2018年在EuropeanConference on Optical Communications中发表的《Linear Pre-equalizationTechniques for Short Reach Single Lambda 225-Gb/s PAM IMDD Systems》，其通过实验证明并比较了三种线性预均衡技术，用于短距离IMDD的225-Gb/s-PAM-6和PAM-8系统。但该方案不仅在发送端采用了基于FFE的预均衡技术，而且接收端也采用了基于Volterra滤波器的FFE均衡器，因此整个系统的均衡运算复杂度很高，效率较低。

同时，为了进一步提高系统性能，国内外学者陆续提出了一些基于机器学习的均衡方案，如支持向量机(SVM)和神经网络(NN)。其中，SVM相对于NN复杂度低的同时，性能也令人满意，因此受到学者的青睐。但由于SVM本身仅仅是一个二分类器，对于高阶调制的系统往往需要多个SVM组合才能完成均衡。如，上海交通大学学者Guoyao Chen于2018年在Optical Interconnects Conference上发表的《Machine learning of SVMclassification utilizing complete binary tree structure for PAM-4/8 opticalinterconnection》采用的基于SVM分类器完成了PAM-4以及PAM-8的均衡。其基于二叉树的算法，将分别组合了3个和7个SVM完成了PAM-4和PAM-8的多类别均衡任务。该数量的SVM导致了无论是训练最优超平面，还是均衡信号，都具有很高的复杂度，因此难以实现。

发明内容

针对现有技术中的缺陷，本发明提供了一种用于高阶PAM光传输系统中的SVM分类器优化的均衡算法。

本发明采取如下技术方案：

用于高阶PAM光传输系统中的SVM分类器优化的均衡算法，包括如下步骤：

步骤1：发送端将包含训练序列的数据通过光纤传输到接收端，接收端将采样后的包含训练序列的数据输入到简化SVM均衡器模块；

步骤2：均衡器模块先提取接收到的训练序列，并为其构建特征向量。训练序列发生器重新产生训练序列，并将其分为两个大类，作为对应特征向量的标签，构成训练集；

步骤3：将训练集输入到SVM训练器，计算得到一个中心最优超平面，计算不同类别的点到超平面的平均距离作为不同的偏移；

步骤4：提取最优超平面的法向量，当作滤波器的抽头系数，将不同类别的偏移当作判决器对应的判决门限，对后续有效数据进行均衡。

优选地，步骤1中：所述训练序列为伪随机序列，由训练序列发生器产生。发送端和接收端通过设定相同的参数以及起始值可以重复产生相同的序列，调制方式为高阶PAM调制。

优选地，步骤2中：所述特征向量构建方法为：利用抽头延时器，训练向量中的每个数据分别得到接收到的后续数据和先前时刻由训练序列发生器重新产生的数据当作其特征，构成特征向量。训练序列中数据的标签，为接收端训练序列发生器重新产生的对应数据，并将其分为两个大类，如对于PAM-4信号，(0，1)强度的信号分为一类，(2，3)强度的信号分为另一大类。将构建的训练序列特征向量及其对应的标签，一起构成测试集。

优选地，步骤3中：所述SVM训练器采用顺序最小化优化(SMO)算法，其为一种专为SMO计算最优超平面的启发式算法，是目前公认的最快的用于SVM计算最优超平面的算法。对于具有N个类别的PAM信号，将得到N-1个偏移。

优选地，步骤4中：所述滤波器为DFE滤波器，提取的超平面法向量分别作为前馈滤波器和反馈滤波器的抽头系数。步骤3中得到不同偏移作为判决器对应类别的判决门限，判决结果返回反馈滤波器。

SVM是一种基于统计学习理论的机器学习算法。SVM分类器通过训练一个具有最大化最小间隔的超平面，判断数据在超平面在正负两侧来对数据进行分类。SVM最大的优点是性能优异的同时，相对其它算法所需要的训练数据量少，更适合用于低成本光传输系统的信道均衡算法。同时，由于SVM的超平面模型与滤波器的结构非常类似，并且高维超平面的法向量由信道的权重决定，因此本发明考虑采用构建特征向量并提取超平面法向量以减少SVM分类器用于高阶PAM调制的数量。

本发明的均衡算法，充分考虑了SVM分类器模型、滤波器模型以及ISI信道模型的特点，将SVM与滤波器结合，提取超平面法向量当作滤波器的抽头系数，不同的偏移当作判决器的判决门限，仅采用了一个SVM实现了高阶PAM调制的均衡任务，在保证SVM性能的同时，可以大幅减少计算复杂度。

与现有技术相比，本发明具有如下的有益效果：

1、本发明与其它报道的基于SVM的均衡器相比，仅用了一个SVM分类器，完成了多分类高阶PAM调制信号，计算复杂度大幅下降。

2、本发明的算法性能相比于传统DFE和FFE均衡器，可以得到更好的均衡效果，降低接收机灵敏度要求。

3、本发明的算法通过提取最优超平面的参数当作滤波器的抽头系数，进一步降低了计算复杂度以及实现难度。

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为基于特征向量的优化SVM分类器原理示意图。

图2为高速光传输应用系统示意图。

图3为光传输系统经过20km光纤传输后，在不同信道均衡算法下的BER性能对比图。

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。

本发明提供了一种用于高阶PAM光传输系统中的SVM分类器优化的均衡算法，如图1所示。通过构建特殊的特征向量，以及对训练发生器产生的数据进行简单的分类，得到两类标签，输入到SVM训练器得到最优超平面，然后提取超平面法向量当作DFE滤波器的抽头系数，不同的偏移当作判决器的判决门限，最后对数据进行均衡。具体地，包括以下步骤：

步骤1：发送端将包含训练序列的数据通过光纤传输到接收端，接收端将采样后的包含训练序列的数据输入到简化SVM均衡器模块；

步骤2：均衡器模块先提取接收到的训练序列，并为其构建特征向量。训练序列发生器重新产生训练序列，并将其分为两个大类，作为对应特征向量的标签，构成训练集；

步骤3：将训练集输入到SVM训练器，计算得到一个中心最优超平面，计算不同类别的点到超平面的平均距离作为不同的偏移；

步骤4：提取最优超平面的法向量，当作滤波器的抽头系数，将不同类别的偏移当作对应的判决门限，对后续有效数据进行均衡。

更进一步地，对下文需使用的术语先进行介绍：

1)、PAM指脉冲振幅调制，是对载波的幅度随信号变化的一种调制方式。是目前低成本光通信中的热点调制方式之一。

2)、第k个码元的特征值向量X(k)可以描述为：

X(k)＝[r(k+m-1),…,r(k+1),r(k),s(k-1),…,s(k-n)]^T

其中，r(k)表示当前码元，s(k-1),…,s(k-n)表示先前信号对应的重新产生的数据，r(k+m-1),…,r(k+1)表示后续接收到的信号。

3)、训练集由特征向量和标签组成，可以描述为：

{(X₁,l₁),(X₂,l₂),…,(X_N,l_N)}

4)、基于线性核函数的超平面可以描述为；

W^T·X+b＝0

其中，W是超平面的法向量，b是到坐标原点的偏移。

步骤1中：所述训练序列为伪随机序列，由训练序列发生器产生。发送端和接收端通过设定相同的参数以及起始值可以重复产生相同的序列，调制方式为高阶PAM调制。

步骤2中：利用抽头延时器，训练向量中的每个数据，分别得到接收到的后续数据和先前时刻由训练序列发生器重新产生的数据当作其特征，构成特征向量。训练序列中数据的标签，为接收端训练序列发生器重新产生的对应数据，并将其分为两个大类，如对于PAM-4信号，(0，1)强度的信号分为一类，(2，3)强度的信号分为另一大类。

步骤3中：所述SVM训练器采用顺序最小化优化(SMO)算法，其为专为SMO计算最优超平面的启发式算法，是目前公认的最快的用于SVM计算最优超平面的算法。对于具有N个类别的PAM信号，将得到N-1个偏移。

步骤4中：所述滤波器为DFE滤波器，提取的超平面法向量分别作为前馈滤波器和反馈滤波器的抽头系数。步骤3中得到不同偏移作为判决器对应类别的判决门限，判决结果返回反馈滤波器。

本实施例提供了一种用于高阶PAM光传输系统中的SVM分类器优化的均衡算法，如图2所示，包括：传输(Tx)模块、接收(Rx)模块以及光纤信道，所述Tx模块将包含训练序列的高速光信号通过光纤信道发送至Rx模块，由所述Rx模块将光信号转化为相应的电信号，采样后输入基于特征向量的改进SVM分类器模块，最后判决得到的均衡后的信息数据。

Tx模块包括：数字信号模块、高阶PAM调制模块、低带宽光调制器；所述数字信号模块产生的数字信号输入到高阶PAM调制模块，产生高速电信号，由低带宽光调制器完成电信号到光信号转换。

Rx模块包括：低带宽光电探测器、实时示波器、简化SVM均衡器、解调制模块、BER计算模块；其中，低带宽光电探测器将接收到的光信号转化为电信号。电信号经过实时示波器采样后，输入到简化SVM分类器模块。SVM分类器模块先通过SVM训练器得到最优超平面，提取超平面法向量当作滤波器的抽头系数，不同的偏移当作判决器判决门限，最后完成信道均衡；均衡后的信号通过BER计算模块用于分析算法的性能。

本实施例验证简化SVM算法参数为：训练序列长度为3000，滤波器抽头数为11。信号采用PAM-4调制，包含训练序列的数据总长为250000。用于对比的DFE和FFE采用的自适应算法为梯度最小二乘(RLS)，训练长度为3000，滤波器抽头数为11。

图3为PAM-4调制的光传输系统在经过20km光纤传输后，基于不同均衡算法下的BER性能对比图，图中：横轴为接收光功率，单位是dBm，纵轴是误码率(BER)的大小，取7％HD-FEC门限(BER＝3.8E-3)作为接收机灵敏度，简化SVM为本发明算法的一个实例，完整SVM是普通的基于多个SVM实现的均衡器，DFE和FFE是两种经典的基于数字信号处理的均衡算法。可以看到本发明的算法仅用了一个SVM实现与完整SVM几乎一致的性能，同时取得了比传统DFE和FFE均衡器更优的性能。

综上所述，本发明的减少SVM分类器的均衡算法，将SVM与滤波器结合，提取超平面法向量当作滤波器的抽头系数，不同的偏移当作判决器的判决门限，仅采用了一个SVM实现了高阶PAM调制的均衡任务，在几乎不损失SVM性能的同时，可以大幅减少计算以及实现复杂度。同时相比于传统DFE、FFE均衡器可以保持更好均衡效果。因此，本发明的算法，能较好的适用于高阶PAM调制光传输系统。

本发明的用于高阶PAM光传输系统中的SVM分类器优化的均衡算法，通过构建特殊的特征向量，以及对训练发生器产生的数据进行简单的分类，得到两类标签，输入到SVM训练器得到最优超平面，然后提取超平面法向量当作DFE滤波器的抽头系数，不同的偏移当作判决器判决门限，最后对数据进行均衡。本发明解决了用二分类SVM分类器处理高阶PAM调制信号时，需要级联多个SVM分类器所带来的高复杂度的问题。在保证性能的同时，大幅减少了均衡器的复杂度。

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 (5)

1.一种用于高阶PAM光传输系统中的SVM分类器优化的均衡算法，其特征在于，包括如下步骤：

步骤1：发送端将包含训练序列的数据通过光纤传输到接收端，接收端将采样后的包含训练序列的数据输入到均衡器模块；

步骤2：所述均衡器模块提取接收到的训练序列，并为其构建特征向量；训练序列发生器重新产生训练序列，并将其分为两个大类，作为对应特征向量的标签，构成训练集；

步骤3：将训练集输入到SVM训练器，计算得到一个中心最优超平面，计算不同类别的点到超平面的平均距离作为不同类别的偏移；

步骤4：提取最优超平面的法向量，作为滤波器的抽头系数，将不同类别的偏移作为判决器对应的判决门限，对后续有效数据进行均衡。

2.根据权利要求1所述的用于高阶PAM光传输系统中的SVM分类器优化的均衡算法，其特征在于，所述步骤1中：所述训练序列为伪随机序列，由训练序列发生器产生；发送端和接收端通过设定相同的参数以及起始值以重复产生相同的序列，调制方式为高阶PAM调制。

3.根据权利要求1所述的用于高阶PAM光传输系统中的SVM分类器优化的均衡算法，其特征在于，所述步骤2具体如下：

利用抽头延时器，训练向量中的每个数据分别得到接收到的后续数据和先前时刻由训练序列发生器重新产生的数据，构成特征向量；

训练序列中数据的标签，为接收端训练序列发生器重新产生的对应数据，并将其分为两个大类。

4.根据权利要求1所述的用于高阶PAM光传输系统中的SVM分类器优化的均衡算法，其特征在于，所述步骤3中：所述SVM训练器采用顺序最小化优化算法。

5.根据权利要求1所述的用于高阶PAM光传输系统中的SVM分类器优化的均衡算法，其特征在于，所述步骤4具体如下：所述滤波器为DFE滤波器，提取的超平面法向量分别作为前馈滤波器和反馈滤波器的抽头系数；步骤3中得到的不同类别的偏移作为判决器对应类别的判决门限，判决结果返回所述滤波器。