CN109981502B - 一种基于自适应矩估计的数据接收方法及接收系统 - Google Patents

Abstract

本发明公开了一种基于自适应矩估计的数据接收方法，包括以下步骤，通过基于自适应矩估计方法改进的时域前馈均衡器，后滤波器和最大似然序列检测组成的联合方法来消除符号间干扰；过程具体包括：通过少量训练序列构造训练样本矩阵，使用该矩阵对时域均衡器抽头系数进行基于自适应矩估计算法的迭代批训练，得到理想的均衡器抽头系数，对均衡后的信号进行后滤波和最大似然检测，得到消除干扰的信号；本发明采用高效的自适应矩估计迭代批均衡训练方法替换了传统的时域前馈均衡器逐个样本训练方法，达到较高的消除干扰性能的同时提高有效载荷的占比。

Description

一种基于自适应矩估计的数据接收方法及接收系统

技术领域

本发明涉及通信技术的研究领域，特别涉及一种基于自适应矩估计的数据接收方法及接收系统。

背景技术

在过去的十年里，由于云计算和各种网络应用的出现，网络流量呈指数级爆炸式增长。为了应对日益增长的网络数据，大型数据中心正在迅速发展。数据中心采用光互联方式传输海量数据，具有容量大、功耗低的特点。随着数据中心的快速发展，短距光互联系统的传输速率达到400Gbit/s，预计2020年达到1Tbit/s。短距光互联通常需要采用低成本、低功耗、低开销的系统。为了在有限带宽内传输更高速率的数据，多阶调制在研究和商用领域被广泛研究。

四电平脉冲调幅(PAM4)已经在4×100-Gbit/s的光学器件中得到了商业应用。对于高容量的光互联，八电平PAM(PAM8)是实现更高光谱效率的良好选择。然而，接收端经常需要采用数字信号处理(DSP)算法解决符号间干扰和补偿接收信号的高频损伤。如众所周知的前馈均衡器就是一种常用的补偿符号间干扰的算法。但是对于多阶调制格式信号的补偿，常需要采用半符号间隔和大量抽头数的前馈均衡器。与基于PAM4的光互联相比，PAM8信号对码间干扰(ISI)和噪声更为敏感，且最小均方(LMS)等传统自适应算法收敛速度不稳定。因此，基于LMS自适应算法的前馈均衡器在100+Gbit/s的PAM8光互联系统中表现不佳。

同时，我们需要控制数字信号处理方法的复杂度降低系统功耗和开销。现有技术每次训练迭代采用一个训练样本，为了得到理想的均衡器抽头系数，常伴随高额开销，严重浪费资源。因此传统方法具有很高的复杂度，且需要大量训练样本，限制了多阶PAM系统在短距互联系统的应用。另外，现有技术会增强带内噪声，限制系统性能。当前还没有在能够解决符号间干扰和增强的带内噪声问题的同时，还能兼顾解决低开销问题的基于时域均衡的联合方法出现。

发明内容

本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于自适应矩估计的数据接收方法，用以解决现有PAM信号接收方法和接收装置高性能与低开销不能同时兼顾的问题；同时适用于多阶正交幅度调制QAM。

本发明的另一目的在于提供一种基于自适应矩估计的数据接收系统。

本发明的主要目的通过以下的技术方案实现：

一种基于自适应矩估计的数据接收方法，自适应矩估计英文简写为Adam，包括以下步骤：

S1、接收调制信号，并对接收的调制信号进行检测，获取模拟信号；

S2、将模拟信号转换成数字信号；

S3、对数字信号进行改进的时域均衡；即对输入少量已知训练序列进行延时、存储，构建训练样本矩阵，使用训练样本矩阵对时域均衡的抽头系数进行迭代批训练，得到最佳抽头系数；对均衡后的信号进行判决，用于更新抽头系数；

S4、对均衡后的信号进行后滤波，即对均衡后的信号进行一个符号间隔延时并适当衰减，延时后的信号与当前时刻信号相加，得到均衡滤波信号；

S5、对均衡滤波信号进行最大似然序列检测，输出分解为独立的欧氏距离的和最小化的检测数字信号；

S6、将检测数字信号进行解码，得到比特序列接收数据。

进一步地，所述接收的调制信号为多阶PAM/QAM调制信号；所述检测为直接检测。

进一步地，所述步骤S2具体为：将多阶PAM/QAM调制信号进行模数转换，生成数字信号。

进一步地，所述改进的时域均衡包括训练和跟踪，具体如下：

训练过程如下：

对输入的少量已知训练序列进行延时、存储，构造训练样本矩阵；

所述训练矩阵R的结构为，

其中x_i(i＝1,2,3...)为接收的数字信号，N为抽头个数，N＜i，M为训练序列长度，M＜i；

对应的判决信号向量为：

使用训练样本矩阵对时域均衡的抽头系数进行基于自适应矩估计的迭代批训练，其中y_i(i＝1,2,3...)为对应时刻发送的数字信号，N为抽头个数，M为训练序列长度；

所述跟踪具体为：包括把大量未知有效载荷序列输入到上述时域滤波器得到均衡后的信号，并对均衡后的信号进行判决，用于抽头系数的更新。

进一步地，所述迭代批训练基于自适应矩估计算法，具体过程如下：

在第i次迭代训练，梯度向量为：

带偏置的一阶矩向量估计为：

m_i＝β₁*m_i-1+(1-β₁)*g_i，

带偏置的二阶矩向量估计为：

偏置校正的一阶向量矩估计为：

偏置校正的二阶向量矩估计为：

时域均衡器抽头系数向量更新为：

其中，M为训练序列，R^T为上述训练矩阵R的转置，长度α为更新步长，β₁为第一矩下降速率，β₂为第二矩下降速率，ε为误差系数；以上向量预设为零向量。

进一步地，所述判决具体为：判决准则为欧式距离最小准则，即输出与均衡后的信号欧式距离最小的星座点，并以该星座点作为发射信号。

进一步地，对均衡后输出信号进行后滤波，得到均衡滤波信号；

y_k＝z_k+γ*z_k-1，

其中z_t,(t＝1,2,...k...)为均衡后输出信号，γ为后滤波器抽头系数，0＜γ＜1。

进一步地，所述最大似然序列检测采用Viterbi算法。

进一步地，所述解码具体为：采用对应调制方式的解调方式，将数字信号转换为比特序列形式的接收数据；所述调制方式包括PAM、QAM。

一种基于自适应矩估计的数据接收系统，其特征在于，包括：依次连接的直接检测单元、模数转换单元、符号间干扰消除单元、解码单元；

所述直接检测单元用于对接收信号进行直接检测，将接收信号转换为模拟信号；

所述模数转换单元用于将模拟信号转换为数字信号；

所述符号间干扰消除单元包含时域均衡子单元、后滤波子单元、最大似然序列检测子单元；所述时域均衡子单元用于对数字信号进行增强带内噪声的时域均衡；所述后滤波子单元用于对时域均衡后的信号进行滤波；所述最大似然序列检测子单元用于对滤波后的信号进行最大似然序列检测输出数字信号；

所述解码单元用于对数字信号进行解码，生成比特序列形式的接收数据。

本发明与现有技术相比，具有如下优点和有益效果：

本发明采用改进的时域均衡器、后滤波器和最大似然序列检测联合的数据接收方法，能同时处理PAM/QAM系统的符号间干扰和增强的带内噪声，达到更优越的性能，在训练过程中，改进的时域均衡器采用高效的自适应矩估计迭代批均衡方法，代替传统的时域前馈均衡器逐个样本训练方法所需要的已知训练序列远少于传统时域均衡器，能同时兼顾高性能与低开销，提高有效载荷的占比。

附图说明

图1是本发明所述一种基于自适应矩估计的数据接收方法的方法流程图；

图2是本发明所述实施例1中基于自适应矩估计迭代批训练算法的时域均衡器训练过程的结构图；

图3是本发明所述实施例1中基于改进的时域均衡器、后滤波器和最大似然序列检测联合算法的结构图；

图4是本发明所述实施例1中应用于129Gbit/s的光FTN-PAM8系统后表现出的误码率的性能和接收光功率比较图；

图5是本发明所述实施例1中在129Gbit/s的光FTN-PAM8系统中基于改进的时域均衡器联合算法和传统训练方法的均方误差曲线图；

图6是本发明所述实施例1传统的最小均方适应(LMS)算法的均方误差曲线图；

图7是本发明所述一种基于自适应矩估计的数据系统的结构框图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例1：

一种基于自适应矩估计的数据接收方法，如图1所示，包括以下步骤：

第一步、接收多阶PAM/QAM调制信号，并对接收的多阶PAM/QAM调制信号进行直接检测，获取模拟信号；

第二步、将模拟信号进行模数转换，生成数字信号；

第三步、对数字信号进行改进的时域均衡；即对输入少量已知训练序列进行延时、存储，构建训练样本矩阵，使用训练样本矩阵对时域均衡的抽头系数进行迭代批训练，得到最佳抽头系数；图2为基于自适应矩估计迭代批训练算法的时域均衡器训练过程的结构图；

具体如下：

将数字信号进行改进的时域均衡，得到均衡后输出信号；所述改进的时域均衡包含训练和跟踪；

所述改进的时域均衡具体为：

训练过程如下：

对输入的少量已知训练序列进行延时、存储，构造训练样本矩阵；

所述训练矩阵R的结构为，

其中x_i(i＝1,2,3...)为接收的数字信号，N为抽头个数，N＜i，M为训练序列长度，M＜i；

对应的判决信号向量为：

使用训练样本矩阵对时域均衡的抽头系数进行基于自适应矩估计的迭代批训练，其中y_i(i＝1,2,3...)为对应时刻发送的数字信号，N为抽头个数，M为训练序列长度；

迭代批训练基于自适应矩估计算法，具体过程如下：

在第i次迭代训练，梯度向量为：

带偏置的一阶矩向量估计为：

m_i＝β₁*m_i-1+(1-β₁)*g_i，

带偏置的二阶矩向量估计为：

偏置校正的一阶向量矩估计为：

偏置校正的二阶向量矩估计为：

时域均衡器抽头系数向量更新为：

其中，M为训练序列，R^T为上述训练矩阵R的转置，长度α为更新步长，β₁为第一矩下降速率，β₂为第二矩下降速率，ε为误差系数；以上向量预设为零向量。

所述跟踪具体为：包括把大量未知有效载荷序列输入到上述时域滤波器得到均衡后的信号，并对均衡后的信号进行判决，以用于抽头系数的更新；

对均衡后的信号进行判决，判决准则为欧式距离最小准则，即输出与均衡后的信号欧式距离最小的星座点，并以该星座点作为发射信号，用于更新抽头系数；

第四步、对均衡后的信号进行滤波，具体过程为对均衡后的信号进行一个符号间隔延时并适当衰减，延时后的信号与当前时刻信号相加得到均衡滤波信号；

y_k＝z_k+γ*z_k-1，

其中z_t,(t＝1,2,...k...)为均衡后的信号，γ为后滤波器抽头系数，0＜γ＜1；

第五步、对均衡滤波信号使用Vitterbi算法进行最大似然序列检测，输出分解为独立的欧氏距离的和最小化的检测数字信号。

图3是本发明基于改进的时域均衡器、后滤波器和最大似然序列检测联合算法的结构图。具体过程是，把大量未知有效载荷序列输入到由上述训练过程获得的理想的抽头系数的时域滤波器，得到均衡后的信号，并对均衡后的信号进行判决，以用于抽头系数的更新。对均衡后的信号进行后滤波，用于降低增强的带内噪声。用于对滤波后的信号进行最大似然序列检测，消除引入的已知的符号间干扰，输出恢复的数字PAM/QAM信号。最后对消除干扰的数字PAM/QAM信号进行解码，得到比特序列形式的接收数据。

第六步、将检测数字信号进行对应调制方式(PAM或QAM)的解调方式解码，即将数字信号转换为比特序列形式的数据，得到比特序列接收数据。

图4是分别将本发明基于改进的时域均衡器联合算法的数据接收方法应用于129Gbit/s的光FTN-PAM8系统后表现出的误码率的性能和接收光功率比较图，其中对应的时域后滤波系数设置为0.7。两条折线分别表示基于改进的时域均衡器联合算法的129Gbit/s的光FTN-PAM8系统在有、没有(BTB)传输2-km标准单模光纤后的误码率性能，从这两条折线可以看到，当接收光功率达到-2dBm以上时，误码率达到7％前向纠错门限。说明本发明方法在处理FTN-PAM8多阶调制系统中严重的损伤方面具有较大优势。系统误码率折线图说明上述系统确实可行。

图5是在129Gbit/s的光FTN-PAM8系统中，将本发明基于改进的时域均衡器联合算法和传统训练方法的均方误差曲线。由图可知，对于每次迭代，单个样本训练误差可能会有起伏，而(下)包络曲线表明所有样本经过一次迭代后，均方误差总是稳定地趋向于减小直到收敛。传统方法中，前馈均衡器可以采用最小均方适应(LMS)算法训练抽头系数。图6中折线表明采用最小均方适应算法的50000个训练符号样本逐个训练，均方误差曲线才开始收敛。本发明的训练方法仅需2000个训练符号样本，循环迭代次数为200次，训练所需的额外开销明显小于传统方法。

图4和图5所示的结果可以证明，本发明基于改进的时域均衡器联合算法的信号接收方法和系统，可同时处理FTN-PAM8多阶调制系统的符号间干扰和增强的带内噪声。相比基于传统前馈均衡器、后滤波和最大似然检测联合算法，本发明具有类似的性能，但由于本发明的所需训练样本开销远远低于传统方法，因此本发明方法在能够解决符号间干扰和增强的带内噪声问题的同时，还能兼顾解决低开销问题。

经试验证明，本发明改进的时域均衡器能实现背景技术中传统时域均衡器同样的功能，但是在进行改进的时域均衡时，同样地增强了带内高频噪声。使用后滤波器可以有效减弱该噪声，但也不可避免的引入有已知符号间干扰，而该干扰可以轻易的通过最大似然序列检测消除，因此，本发明基于改进的时域均衡器、后滤波器和最大似然序列检测联合算法能达到与前馈均衡器、后滤波器和最大似然检测联合算法类似的良好性能，但是，由于在训练过程中，本发明的时域均衡器采用高效的自适应矩估计迭代批均衡算法替换了传统的时域前馈均衡器逐个样本训练方法，所需要的已知训练序列远少于传统时域均衡器，因此，本发明基于改进的时域均衡器的联合算法能够同时兼顾高性能与低开销。

实施例2

一种基于自适应矩估计的数据接收系统，如图7所示，包括：

包括直接检测单元11、模数转换单元12、符号间干扰消除单元13和解码单元14。其中，直接检测单元11、模数转换单元12、符号间干扰消除单元13和解码单元14依次连接。

直接检测单元11用于对接收的信号进行直接检测，将所述信号转换为模拟电信号。

模数转换单元12用于将所述模拟电信号转换为数字信号。

符号间干扰消除单元13用于将所述PAM/QAM信号进行符号间干扰消除输出数字PAM/QAM信号。本实施例中，符号间干扰消除单元13包括时域均衡子单元131、后滤波子单元132和最大似然序列检测子单元133。其中，时域均衡子单元131、后滤波子单元132和最大似然序列检测子单元133依次连接。时域均衡子单元131用于对所述数字PAM/QAM信号进行改进的时域均衡，以消除由PAM/QAM系统引入的符号间干扰，增强带内噪声；后滤波子单元132对均衡后的信号进行滤波，消除增强的带内噪声，同时也会引入已知的符号间干扰；最大似然序列检测子单元133用于对滤波后的信号进行最大似然序列检测输出数字PAM/QAM信号，以消除引入的已知的符号间干扰恢复出数字PAM/QAM信号。在本实施例中，最大似然序列检测子单元133采用Viterbi算法对均衡后的信号进行最大似然序列检测。

解码单元14用于对符号间干扰消除后的PAM/QAM信号数据进行解码，得到比特序列形式的接收数据。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (8)

1.一种基于自适应矩估计的数据接收方法，其特征在于，包括以下步骤：

S1、接收多阶PAM/QAM调制信号，并对接收的调制信号进行检测，获取模拟信号；

S2、将模拟信号转换成数字信号；

S3、对数字信号进行改进的时域均衡；即对输入少量已知训练序列进行延时、存储，构建训练样本矩阵，使用训练样本矩阵对时域均衡的抽头系数进行迭代批训练，得到最佳抽头系数；对均衡后的信号进行判决，用于更新抽头系数；

所述改进的时域均衡包括训练和跟踪，具体如下：

训练过程如下：

对输入的少量已知训练序列进行延时、存储，构造训练样本矩阵；

所述训练样本矩阵R的结构为，

其中x_i,i＝1,2,3...为接收的数字信号，N为抽头个数，N＜i，M为训练序列长度，M＜i；

对应的判决信号向量为：

使用训练样本矩阵对时域均衡的抽头系数进行基于自适应矩估计的迭代批训练，其中y_i,i＝1,2,3...为对应时刻发送的数字信号，N为抽头个数，M为训练序列长度；

所述跟踪具体为：包括把大量未知有效载荷序列输入到时域均衡器得到均衡后的信号，并对均衡后的信号进行判决，用于抽头系数的更新；

所述迭代批训练基于自适应矩估计算法，具体过程如下：

在第i次迭代训练，梯度向量为：

带偏置的一阶矩向量估计为：

m_i＝β₁*m_i-1+(1-β₁)*g_i，

带偏置的二阶矩向量估计为：

偏置校正的一阶向量矩估计为：

偏置校正的二阶向量矩估计为：

时域均衡器抽头系数向量更新为：

其中，M为训练序列，R^T为上述训练矩阵R的转置，长度α为更新步长，β₁为第一矩下降速率，β₂为第二矩下降速率，ε为误差系数；以上向量预设为零向量；

S4、对均衡后的信号进行后滤波，即对均衡后的信号进行一个符号间隔延时并适当衰减，延时后的信号与当前时刻信号相加，得到均衡滤波信号；

S5、对均衡滤波信号进行最大似然序列检测，输出分解为独立的欧氏距离的和最小化的检测数字信号；

S6、将检测数字信号进行解码，得到比特序列接收数据。

2.根据权利要求1所述的一种基于自适应矩估计的数据接收方法，其特征在于，所述检测为直接检测。

3.根据权利要求1所述的一种基于自适应矩估计的数据接收方法，其特征在于，所述步骤S2具体为：将多阶PAM/QAM调制信号进行模数转换，生成数字信号。

4.根据权利要求1所述的一种基于自适应矩估计的数据接收方法，其特征在于，所述判决具体为：判决准则为欧式距离最小准则，即输出与均衡后的信号欧式距离最小的星座点，并以该星座点作为发射信号。

5.根据权利要求1所述的一种基于自适应矩估计的数据接收方法，其特征在于，所述后滤波具体为：对均衡后输出信号进行后滤波，得到均衡滤波信号；

y_k＝z_k+γ*z_k-1，

其中z_t,(t＝1,2,...k...)为均衡后输出信号，γ为后滤波器抽头系数，0＜γ＜1。

6.根据权利要求1所述的一种基于自适应矩估计的数据接收方法，其特征在于，所述最大似然序列检测采用Viterbi算法。

7.根据权利要求1所述的一种基于自适应矩估计的数据接收方法，其特征在于，所述解码具体为：采用对应调制方式的解调方式，将数字信号转换为比特序列形式的接收数据；所述调制方式包括PAM、QAM。

8.一种基于自适应矩估计的数据接收系统，其特征在于，包括：依次连接的直接检测单元、模数转换单元、符号间干扰消除单元、解码单元；

所述直接检测单元用于对接收信号进行直接检测，将接收信号转换为模拟信号；

所述模数转换单元用于将模拟信号转换为数字信号；

所述符号间干扰消除单元包含时域均衡子单元、后滤波子单元、最大似然序列检测子单元；所述时域均衡子单元用于对数字信号进行增强带内噪声的时域均衡；所述后滤波子单元用于对时域均衡后的信号进行滤波；所述最大似然序列检测子单元用于对滤波后的信号进行最大似然序列检测输出数字信号；所述时域均衡子单元用于对数字信号进行增强带内噪声的时域均衡，具体如下：

训练过程如下：

对输入的少量已知训练序列进行延时、存储，构造训练样本矩阵；

所述训练样本矩阵R的结构为，

其中x_i,i＝1,2,3...为接收的数字信号，N为抽头个数，N＜i，M为训练序列长度，M＜i；

对应的判决信号向量为：

使用训练样本矩阵对时域均衡的抽头系数进行基于自适应矩估计的迭代批训练，其中y_i,i＝1,2,3...为对应时刻发送的数字信号，N为抽头个数，M为训练序列长度；

跟踪具体为：包括把大量未知有效载荷序列输入到时域均衡器得到均衡后的信号，并对均衡后的信号进行判决，用于抽头系数的更新；

所述迭代批训练基于自适应矩估计算法，具体过程如下：

在第i次迭代训练，梯度向量为：

带偏置的一阶矩向量估计为：

m_i＝β₁*m_i-1+(1-β₁)*g_i，

带偏置的二阶矩向量估计为：

偏置校正的一阶向量矩估计为：

偏置校正的二阶向量矩估计为：

时域均衡器抽头系数向量更新为：

其中，M为训练序列，R^T为上述训练矩阵R的转置，长度α为更新步长，β₁为第一矩下降速率，β₂为第二矩下降速率，ε为误差系数；以上向量预设为零向量；

所述解码单元用于对数字信号进行解码，生成比特序列形式的接收数据。

Images