CN110233812A - Co-ofdm系统及其接收端和非线性均衡方法、装置 - Google Patents

Co-ofdm系统及其接收端和非线性均衡方法、装置 Download PDF

Info

Publication number
CN110233812A
CN110233812A CN201910350194.0A CN201910350194A CN110233812A CN 110233812 A CN110233812 A CN 110233812A CN 201910350194 A CN201910350194 A CN 201910350194A CN 110233812 A CN110233812 A CN 110233812A
Authority
CN
China
Prior art keywords
ofdm symbol
cluster
rbf
network
neural
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.)
Granted
Application number
CN201910350194.0A
Other languages
English (en)
Other versions
CN110233812B (zh
Inventor
张�杰
李亚杰
刘守东
宋皓鲲
赵永利
张会彬
于浩
王伟
李振伟
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.)
State Grid Corp of China SGCC
Beijing University of Posts and Telecommunications
Information and Telecommunication Branch of State Grid Anhui Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Beijing University of Posts and Telecommunications
Information and Telecommunication Branch of State Grid Anhui Electric Power Co Ltd
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 State Grid Corp of China SGCC, Beijing University of Posts and Telecommunications, Information and Telecommunication Branch of State Grid Anhui Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201910350194.0A priority Critical patent/CN110233812B/zh
Publication of CN110233812A publication Critical patent/CN110233812A/zh
Application granted granted Critical
Publication of CN110233812B publication Critical patent/CN110233812B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/23Clustering techniques
    • G06F18/232Non-hierarchical techniques
    • G06F18/2321Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04BTRANSMISSION
    • H04B10/00Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
    • H04B10/60Receivers
    • H04B10/61Coherent receivers
    • H04B10/616Details of the electronic signal processing in coherent optical receivers
    • H04B10/6161Compensation of chromatic dispersion
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04BTRANSMISSION
    • H04B10/00Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
    • H04B10/60Receivers
    • H04B10/61Coherent receivers
    • H04B10/616Details of the electronic signal processing in coherent optical receivers
    • H04B10/6163Compensation of non-linear effects in the fiber optic link, e.g. self-phase modulation [SPM], cross-phase modulation [XPM], four wave mixing [FWM]
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00Modulated-carrier systems
    • H04L27/26Systems using multi-frequency codes
    • H04L27/2601Multicarrier modulation systems
    • H04L27/2602Signal structure

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Electromagnetism (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Nonlinear Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
  • Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)

Abstract

本发明公开了一种CO‑OFDM系统及其接收端和非线性均衡方法、装置,所述方法包括:对接收的OFDM符号进行聚类;根据聚类结果将所述OFDM符号判定为边缘点或非边缘点;将判定为边缘点的OFDM符号输入到径向基函数RBF神经网络;根据边缘点的RBF神经网络的输出或非边缘点的聚类结果,输出OFDM符号的非线性均衡结果。本发明的非线性均衡方案复杂度不高、非线性均衡性能良好。

Description

CO-OFDM系统及其接收端和非线性均衡方法、装置
技术领域
本发明涉及相干光通信技术领域,特别是指一种CO-OFDM系统及其接收端和非线性均衡方法、装置。
背景技术
相干光正交频分复用(CO-OFDM)综合了电域正交频分复用(OFDM)调制技术和相干光通信的优点,具有传输速率高、抗色散能力强、频谱利用率高等特点,能够灵活、有效地补偿接收端数字信号处理(DSP)系统的线性和非线性损伤,已成为中长距离高速通信系统和光接入网等领域备受关注的技术之一。
但CO-OFDM系统中OFDM信号的峰均比(PAPR)较高,在中长距离传输中对光纤非线性效应非常敏感,严重影响了系统的传输性能。高PAPR不仅会影响光纤的非线性,还要求部分非线性器件具有较大的线性范围,增加了系统成本和复杂度。CO-OFDM系统中传输信道的非线性损伤主要包括两部分:一部分是由光纤中的克尔非线性效应引起的,表现为自相位调制(SPM)的非线性相位噪声,以及子载波间的非线性串扰效应,如交叉相位调制(XPM)和四波混频(FWM)等;另一部分是偏振模色散和放大器中自发辐射噪声引起的随机非线性损伤。
很多研究者已经提出了许多CO-OFDM系统非线性损伤的补偿方案,例如采用限幅技术、预编码、星座图扩展算法等来降低系统的PAPR,但这些方案在系统性能、计算复杂度和频谱效率方面都存在着不同程度的缺点。接收端数字信号处理算法也被广泛应用于CO-OFDM系统的非线性均衡研究,其中包括数字反向传输(DBP)和逆沃尔泰拉级传递函数(IVSTF)两种算法。DBP算法虽然实现了较好的基于克尔效应的非线性补偿,却需要一定的导频开销,而且涉及大量的快速傅里叶变换运算,计算复杂度较大;IVSTF算法需要得到先验光纤信道信息,但该信息的获取十分困难。
近年来,基于多层感知器(MLP)的人工神经网络等机器学习算法开始应用于CO-OFDM系统的非线性均衡。与线性判决边界的均衡器相比,基于ANN的均衡器可采用非线性判决边界,因此,它能有效均衡系统的非线性效应。各种机器学习算法的应用,出现了更多的非线性均衡方案,但这些方案在复杂度(复杂度主要以机器学习模型的训练时间和系统进行均衡的运行时间来衡量)与性能方面(主要以Q因子的值来衡量)各有优缺。例如,将BP神经网络和RBF神经网络简单地嵌入到非线性均衡系统中,虽然收敛速度快,训练时间短,但Q因子的提升幅度较小。
基于支持向量机的非线性均衡(SVM-NLE)方案,随着分类数的增加,训练开销增大,训练时间增加,而且非线性均衡性能一般。
基于模糊逻辑C均值聚类的非线性均衡方案取得了较大幅度的Q因子提升,并且提升幅度大于现有其他方案。但是该方案也存在很大的局限性,即无法应用到高阶调制格式传输的CO-OFDM系统中。一般在M值不大于16时,该方案有明显的效果;但当M的值大于16时,该方案就不再起作用,甚至会出现Q因子负增长的情况。
由于高阶正交幅度调制格式极大地提高了大地提高了符号速率,节省了系统带宽,提高了系统传输的频谱效率,但是高阶QAM是以牺牲其抗干扰性来获取其高频谱利用率,且调制阶数越高,其抗非线性失真的能力就越差。因此,提供一种复杂度不高、非线性均衡性能良好的非线性均衡方案是一个亟待解决的关键问题。
发明内容
本发明提出了一种CO-OFDM系统及其接收端和非线性均衡方法、装置,复杂度不高、非线性均衡性能良好。
基于上述目的,本发明提供一种非线性均衡方法,包括:
对接收的OFDM符号进行聚类;
根据聚类结果将所述OFDM符号判定为边缘点或非边缘点;
将判定为边缘点的OFDM符号输入到径向基函数RBF神经网络;
根据边缘点的RBF神经网络的输出或非边缘点的聚类结果,输出OFDM符号的非线性均衡结果。
较佳地,所述对接收的OFDM符号进行均值聚类,具体为对接收的OFDM符号进行模糊逻辑C均值聚类:
设置集群数量为L,初始化OFDM符号的实部/虚部对各集群的聚类中心的成员度;
进行至少一次各集群的聚类中心的估计,以及成员度的更新计算,直到目标函数值Fm满足设定要求;
其中,所述集群的聚类中心的估计具体根据如下公式一计算得到:
所述成员度的更新具体根据如下公式二计算得到:
所述目标函数值Fm具体根据如下公式三计算得到:
其中,L为集群数量;ti表示第i个OFDM符号的实部/虚部,cj代表第j个集群的聚类中心,μij代表第i个OFDM符号的实部/虚部对第j个集群的聚类中心的成员度;N为OFDM符号的子载波数,R为OFDM符号的个数,m为设定的模糊划分矩阵FPM的指数。
较佳地,所述将判定为边缘点的OFDM符号输入到径向基函数RBF神经网络,具体为:
将所述OFDM符号的每个子载波上的频域数据分别输入到一个神经网络单元;其中,一个子载波上的频域数据中的实部与虚部分别输入到一个神经网络单元中的两个RBF神经子网络;
其中,所述RBF神经子网络具体为RBF-NLE神经网络结构,包括:L个隐节点;其中,L为OFDM符号的调制阶数。
较佳地,所述RBF-NLE神经网络结构的基函数为:f(x)=x+αsinπx。
较佳地,所述RBF神经网络是预先通过之前接收的OFDM符号,根据如下方法训练得到的:
对所述之前接收的OFDM符号进行模糊逻辑C均值聚类;
根据聚类结果中各集群的聚类中心设置所述RBF神经子网络中各隐节点的数据中心;
根据数据中心之间的距离设置所述RBF神经子网络中各隐节点的扩展常数;
利用之前接收的OFDM符号,采用梯度训练方法,通过最小化目标函数实现对RBF神经子网络中的偏置,以及各隐节点的数据中心、扩展常数和输出权值的调节,得到训练后的RBF神经子网络。
本发明还提供一种非线性均衡装置,包括:
聚类模块,用于对接收的OFDM符号进行聚类;
边缘点判定模块,用于根据聚类结果将所述OFDM符号判定为边缘点或非边缘点;
神经网络处理模块,用于将判定为边缘点的OFDM符号输入到径向基函数RBF神经网络;
非线性均衡结果输出模块,用于根据边缘点的RBF神经网络的输出或非边缘点的聚类结果,输出OFDM符号的非线性均衡结果。
进一步,所述装置还包括:
训练模块,用于利用接收的OFDM符号对所述RBF神经网络进行训练。
本发明还提供一种CO-OFDM系统的接收端,包括:信号放大相干接收装置、信号补偿处理装置以及解调、解码装置,以及还包括:连接于所述信号补偿处理装置和解调装置之间的如上所述的非线性均衡装置。
本发明还提供一种CO-OFDM系统,包括:如上所述的接收端。
本发明的技术方案中,利用模糊逻辑C均值聚类算法处理靠近聚类中心的数据点即非边缘点,以提升非线性均衡性能,对于边缘点则利用RBF神经网络进行非线性均衡;从而巧妙地将RBF神经网络与模糊逻辑C均值聚类算法融合起来,充分利用RBF神经网络结构简单、训练简洁且学习收敛速度快的特点与模糊逻辑C均值聚类在非线性均衡方面性能优异的特点,在提升非线性均衡性能的同时尽量减小复杂度。同时也避免了采用RBF神经网络处理全部的数据点,提高运算速度。
而且,本发明技术方案还可将模糊逻辑C均值聚类算法应用于RBF神经网络的训练过程中,提高训练的收敛速度。
进一步,本发明的技术方案的RBF神经网络中引入了新的基函数f(x)=x+αsinπx,能够更好地解决模糊逻辑C均值聚类在高阶调制格式的传输系统中非线性均衡性能下降的问题,从而能够适用于较高阶数的调制格式。
附图说明
图1为本发明实施例提供的一种用于MQAM相干光传输的非线性均衡方法的流程图;
图2为本发明实施例提供的一种对OFDM符号的实部(或虚部)进行模糊逻辑C均值聚类的方法流程图;
图3为本发明实施例提供的一种RBF神经网络的结构示意图;
图4为本发明实施例提供的一种RBF神经网络的训练方法流程图;
图5为本发明实施例提供的一种用于MQAM相干光传输的非线性均衡装置的内部结构框图;
图6为本发明实施例提供的一种CO-OFDM系统的内部结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
需要说明的是,本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量,可见“第一”“第二”仅为了表述的方便,不应理解为对本发明实施例的限定,后续实施例对此不再一一说明。
本发明的技术方案中,巧妙地将RBF(Radial basis function,径向基函数)神经网络与聚类算法融合起来,充分利用RBF神经网络结构简单、训练简洁且学习收敛速度快的特点与聚类算法在非线性均衡方面性能优异的特点,在提升非线性均衡性能的同时尽量减小复杂度。
进一步,本发明的技术方案的RBF神经网络中引入了新的基函数,能够更好地解决模糊逻辑C均值聚类在高阶调制格式的传输系统中非线性均衡性能下降的问题,从而能够适用于较高阶数的调制格式。
下面结合附图详细说明本发明实施例的技术方案。
本发明实施例提供的一种用于MQAM相干光传输的非线性均衡方法,流程如图1所示,包括如下步骤:
步骤S101:对接收的OFDM符号进行聚类。
本步骤中,可以对接收的OFDM符号的实部和虚部分别进行K-means(K均值)聚类;较佳地,可以对接收的OFDM符号的实部和虚部分别进行模糊逻辑C均值聚类。
例如,对于OFDM符号的实部进行模糊逻辑C均值聚类的过程可以是:首先设置集群数量为L,并初始化OFDM符号的实部对各集群的聚类中心的成员度;进而进行至少一次各集群的聚类中心的估计,以及成员度的更新计算,直到目标函数值满足设定要求;
或者,对于OFDM符号的虚部进行模糊逻辑C均值聚类的过程可以是:首先设置集群数量为L,并初始化OFDM符号的虚部对各集群的聚类中心的成员度;进而进行至少一次各集群的聚类中心的估计,以及成员度的更新计算,直到目标函数值满足设定要求。
上述对OFDM符号的实部(或虚部)进行模糊逻辑C均值聚类的具体流程如图2所示,包括如下子步骤:
子步骤S201:设置集群数量为L,初始化OFDM符号的实部(或虚部)对各集群的聚类中心的成员度。
具体地,根据OFDM符号的调制阶数设置集群数量,即集群数量L即为OFDM符号的调制阶数;
可以将OFDM符号的实部(或虚部)对各集群的聚类中心的成员度均初始化为0。
子步骤S202:估计各集群的聚类中心。
具体地,根据如下公式一估计集群的聚类中心:
公式一中,ti表示第i个OFDM符号的实部(或虚部),cj代表第j个集群的聚类中心,μij代表第i个OFDM符号的实部(或虚部)对第j个集群的聚类中心的成员度;对于任意一个给定的OFDM符号的实部/虚部,其对所有集群的聚类中心的成员度的总和为1;N为OFDM符号的子载波数,R为OFDM符号的个数,m为设定的模糊划分矩阵FPM的指数,一般设定m大于1。
子步骤S203:进行成员度的更新。
具体地,根据如下公式二进行成员度的更新:
公式二中,ti表示第i个OFDM符号的实部(或虚部),cj代表第j个集群的聚类中心,μij代表第i个OFDM符号的实部(或虚部)对第j个集群的聚类中心的成员度;对于任意一个给定的OFDM符号的实部/虚部,其对所有集群的聚类中心的成员度的总和为1;N为OFDM符号的子载波数;L为集群数量,等于OFDM符号的调制阶数。
子步骤S204:计算目标函数值Fm
具体地,可以根据如下公式三计算目标函数值Fm
公式三中,L为集群数量;ti表示第i个OFDM符号的实部/虚部,cj代表第j个集群的聚类中心,μij代表第i个OFDM符号的实部/虚部对第j个集群的聚类中心的成员度;N为OFDM符号的子载波数,R为OFDM符号的个数,m为设定的FPM(模糊划分矩阵)的指数;I、J分别代表对实部和虚部运算。
子步骤S205:判断目标函数值Fm是否满足设定要求;若是,则完成聚类,执行子步骤S206退出;否则,跳转到子步骤S202重新估计各集群的聚类中心。
具体地,若本次计算得到的目标函数值与上次计算得到的目标函数值的差值小于设定的阈值,则判定目标函数值Fm满足设定要求,执行子步骤S206退出;否则,跳转到子步骤S202重新估计各集群的聚类中心。
例如,可以设定上述阈值为1.0×e-6
子步骤S206:退出。
步骤S102:根据聚类结果将所述OFDM符号判定为边缘点或非边缘点。
具体地,对于一个OFDM符号,若确定出该OFDM符号的实部对任意两个集群的聚类中心的成员度的差值的绝对值小于设定阈值;且确定出该OFDM符号的虚部对任意两个集群的聚类中心的成员度的差值的绝对值小于设定阈值;则将该OFDM符号判定为边缘点(或称模糊点);否则将该OFDM符号判定为非边缘点(或称聚类中心附近的点,或称非模糊点)。
例如,对于第i个OFDM符号,该OFDM符号的实部/虚部对各集群的聚类中心的成员度若满足如下公式四,则将该OFDM符号判定为边缘点(或称模糊点),否则判断该OFDM符号为非边缘点(或称非模糊点)。
公式四中,分别表示第i个OFDM符号的实部对任意两个集群的聚类中心的成员度;或者分别表示第i个OFDM符号的虚部对任意两个集群的聚类中心的成员度。
步骤S103:将判定为边缘点的OFDM符号输入到径向基函数RBF神经网络。
本步骤中,将判定为边缘点的OFDM符号输入到预先训练得到的RBF神经网络中。具体地,RBF神经网络可以包括N个神经网络单元,其中,N等于OFDM符号的子载波数;如图3所示,将所述OFDM符号的每个子载波上的频域数据分别输入到RBF神经网络的一个神经网络单元;其中,一个子载波上的频域数据中的实部与虚部分别输入到一个神经网络单元中的两个RBF神经子网络;较佳地,所述RBF神经子网络具体可以是RBF-NLE(Nonlinearequalizer based on Radial basis function neural network,基于径向基函数神经网络的非线性均衡器)神经网络结构。
在RBF-NLE神经网络结构中包括:L个隐节点,其中,L等于OFDM符号的调制阶数。每个隐节点具有一个数据中心、扩展常数和输出权值。例如,图3所示的RBF-NLE神经网络结构中,接收的OFDM符号的第k个子载波的频域数据中的实部/虚部输入的RBF神经子网络中,偏置为bk,L个隐节点的数据中心分别为C1~CL,L个隐节点的输出权值分别为ωk,1~ωk,L;各隐节点的输出分别与各自的输出权值的乘积求和,再加上偏置bk后得到输出的、非线性均衡后的OFDM符号的第k个子载波的频域数据中的实部/虚部;
而隐节点的输出是根据该隐节点的输入、该隐节点的数据中心,以及RBF神经网络的基函数确定:对于一个隐节点,将该隐节点的输入与该隐节点的数据中心的差值作为所述基函数的自变量x,根据所述基函数计算得到的应变量f(x)作为该隐节点的输出。较佳地,上述的基函数可以是:f(x)=x+αsinπx;其中,α为设定值;该基函数已被证明可用于阶数大于64以及更高阶数的调制格式。
上述的RBF神经网络的训练方法将在后续详细介绍。
步骤S104:根据边缘点的RBF神经网络的输出或非边缘点的聚类结果,输出OFDM符号的非线性均衡结果。
在将边缘点的OFDM符号输入到RBF神经网络后,RBF神经网络将输出该OFDM符号的非线性均衡结果;
而非边缘点的聚类结果则表明了非边缘点的OFDM符号的非线性均衡结果;
综合边缘点的RBF神经网络的输出或非边缘点的聚类结果,则可以得到所有接收的OFDM符号的非线性均衡处理结果。
上述的RBF神经网络可以是预先通过之前接收的OFDM符号训练得到的;而训练方法可采用现有的方法;而本发明提供的一种RBF神经网络的训练方法,具体流程如图4所示,包括如下步骤:
步骤S401:对所述之前接收的OFDM符号进行聚类。
具体地,将之前接收的、已知OFDM符号作为训练数据,将这些OFDM符号进行模糊逻辑C均值聚类。聚类方法与上述图1所示的流程方法相同,此处不再赘述。
步骤S402:根据聚类结果对RBF神经网络中的参数进行设置。
本步骤中,根据上述步骤S401的聚类结果中各集群的聚类中心设置RBF神经子网络中各隐节点的数据中心;根据数据中心之间的距离设置所述RBF神经子网络中各隐节点的扩展常数。
具体地,对于RBF神经网络中输入为OFDM符号的实部的RBF神经子网络,其各隐节点的数据中心C1~CL,分别设置为对OFDM符号的实部进行模糊逻辑C均值聚类后得到的各集群的聚类中心;即输入为OFDM符号的实部的RBF神经子网络中第i个隐节点的数据中心Ci设置为对OFDM符号的实部进行模糊逻辑C均值聚类后得到的第i个集群的聚类中心;
对于RBF神经网络中输入为OFDM符号的虚部的RBF神经子网络,其各隐节点的数据中心C1~CL,分别设置为对OFDM符号的虚部进行模糊逻辑C均值聚类后得到的各集群的聚类中心;即输入为OFDM符号的虚部的RBF神经子网络中第i个隐节点的数据中心Ci设置为对OFDM符号的实部进行模糊逻辑C均值聚类后得到的第i个集群的聚类中心。
在根据数据中心之间的距离设置所述RBF神经子网络中各隐节点的扩展常数时,对于RBF神经子网络中第i个隐节点的扩展常数,将其设置为第i个隐节点的数据中心与其它隐节点的数据中心之间距离最短者,即如公式五所示:
δi=kdi (公式五)
公式五中,di为第i个隐节点的数据中心与最近的隐节点的数据中心之间的距离,k为设置的常数;δi为第i个隐节点的扩展常数。
步骤S403:采用梯度训练方法对RBF神经网络进行训练。
本步骤中,将之前接收的、已知OFDM符号作为训练数据,采用梯度训练方法,通过最小化目标函数实现对RBF神经子网络中的偏置,以及各隐节点的数据中心、扩展常数和输出权值的调节,得到训练后的RBF神经子网络。
具体地,将之前接收的OFDM符号作为RBF神经网络的输入值,将已知的OFDM符号作为RBF神经网络的期望值,采用梯度训练方法,通过最小化目标函数对RBF神经子网络中的偏置,以及各隐节点的数据中心、扩展常数和输出权值的调节,使得RBF神经网络的输出值接近于期望值,从而得到训练后的RBF神经子网络。
其中,采用的目标函数可以如公式六所示:
公式六中,E为目标函数值;N为OFDM符号的子载波数;ej表示接收的OFDM符号的第j个子载波上的频域数据的实部/虚部与期望的OFDM符号的第j个子载波上的频域数据的实部/虚部之间的差值;βj为设置的遗忘因子(小于1)。
基于上述用于MQAM相干光传输的非线性均衡方法,本发明实施例提供的一种用于MQAM相干光传输的非线性均衡装置,内部结构框图如图5所示,包括:聚类模块501、边缘点判定模块502、神经网络处理模块503、非线性均衡结果输出模块504。
聚类模块501用于对接收的OFDM符号进行聚类;具体地,聚类模块501可以对接收的OFDM符号进行模糊逻辑C均值聚类。
边缘点判定模块502用于根据聚类结果将所述OFDM符号判定为边缘点或非边缘点;
神经网络处理模块503用于将判定为边缘点的OFDM符号输入到径向基函数RBF神经网络;
非线性均衡结果输出模块504用于根据边缘点的RBF神经网络的输出或非边缘点的聚类结果,输出OFDM符号的非线性均衡结果。
上述非线性均衡装置中的各模块的功能的具体实现方法可参考上述图1所示的流程步骤中的方法,此处不再赘述。
进一步,本发明实施例提供的一种用于MQAM相干光传输的非线性均衡装置,还包括:训练模块505。
训练模块505用于利用接收的OFDM符号对所述RBF神经网络进行训练。训练模块505功能的具体实现方法可参考上述图4所示的流程步骤中的方法,此处不再赘述。
本发明实施例提供的一种应用上述非线性均衡装置的CO-OFDM系统及其接收端的内部结构框图如图6所示,可应用于光网络故障校验或信息传输等场景。
CO-OFDM系统中的发送端,首先将发送数据序列加密,然后调制为MQAM序列(例如64QAM序列)后,送入任意波形发生器(AWG)中;IQ调制器用直接调制激光器(DFB)发出的光信号对AWG的输出信号进行调制,将得到的信号送入掺铒光纤放大器(EDFA)中进行适当放大处理。然后经过300km光纤传输。
CO-OFDM系统中的接收端包括:信号放大相干接收装置601、信号补偿处理装置602、解调装置603、解码装置604、非线性均衡装置605。
其中,信号放大相干接收装置601用于对接收的信号使用EDFA(Erbium-dopedfiber amplifier,掺铒光纤放大器)进行适当放大,然后经过偏振和相干进行接收处理。
信号补偿处理装置602用于对信号放大相干接收装置601输出的数据序列进行色散补偿和频偏补偿处理。
非线性均衡装置605用于对信号补偿处理装置602输出的数据序列进行非线性均衡处理。具体地,非线性均衡装置605可以是上述用于MQAM相干光传输的非线性均衡装置。
解调装置603用于对非线性均衡装置605输出的数据序列进行解调。
解码装置604用于对解调装置603的输出进行解码。
进一步,CO-OFDM系统中的接收端还可包括:设置于解调装置603与解码装置604之间的解密装置606用于对解调装置603的输出进行解密。
本发明的技术方案中,利用模糊逻辑C均值聚类算法处理靠近聚类中心的数据点即非边缘点,以提升非线性均衡性能,对于边缘点则利用RBF神经网络进行非线性均衡;从而巧妙地将RBF神经网络与模糊逻辑C均值聚类算法融合起来,充分利用RBF神经网络结构简单、训练简洁且学习收敛速度快的特点与模糊逻辑C均值聚类在非线性均衡方面性能优异的特点,在提升非线性均衡性能的同时尽量减小复杂度。同时也避免了采用RBF神经网络处理全部的数据点,提高运算速度。
而且,本发明技术方案还可将模糊逻辑C均值聚类算法应用于RBF神经网络的训练过程中,提高训练的收敛速度。
进一步,本发明的技术方案的RBF神经网络中引入了新的基函数f(x)=x+αsinπx,能够更好地解决模糊逻辑C均值聚类在高阶调制格式的传输系统中非线性均衡性能下降的问题,从而能够适用于较高阶数的调制格式。
本技术领域技术人员可以理解,本发明中已经讨论过的各种操作、方法、流程中的步骤、措施、方案可以被交替、更改、组合或删除。进一步地,具有本发明中已经讨论过的各种操作、方法、流程中的其他步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。进一步地,现有技术中的具有与本发明中公开的各种操作、方法、流程中的步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本公开的范围(包括权利要求)被限于这些例子;在本发明的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明的不同方面的许多其它变化,为了简明它们没有在细节中提供。因此,凡在本发明的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本发明的保护范围之内。

Claims (10)

1.一种非线性均衡方法,其特征在于,包括:
对接收的OFDM符号进行聚类;
根据聚类结果将所述OFDM符号判定为边缘点或非边缘点;
将判定为边缘点的OFDM符号输入到径向基函数RBF神经网络;
根据边缘点的RBF神经网络的输出或非边缘点的聚类结果,输出OFDM符号的非线性均衡结果。
2.根据权利要求1所述的方法,其特征在于,所述对接收的OFDM符号进行均值聚类,具体为对接收的OFDM符号进行模糊逻辑C均值聚类:
设置集群数量为L,初始化OFDM符号的实部/虚部对各集群的聚类中心的成员度;
进行至少一次各集群的聚类中心的估计,以及成员度的更新计算,直到目标函数值Fm满足设定要求;
其中,所述集群的聚类中心的估计具体根据如下公式一计算得到:
所述成员度的更新具体根据如下公式二计算得到:
所述目标函数值Fm具体根据如下公式三计算得到:
其中,L为集群数量;ti表示第i个OFDM符号的实部/虚部,cj代表第j个集群的聚类中心,μij代表第i个OFDM符号的实部/虚部对第j个集群的聚类中心的成员度;N为OFDM符号的子载波数,R为OFDM符号的个数,m为设定的模糊划分矩阵FPM的指数。
3.根据权利要求2所述的方法,其特征在于,所述根据聚类结果将所述OFDM符号判定为边缘点或非边缘点,具体包括:
对于一个OFDM符号,若根据其实部聚类结果,确定出该OFDM符号的实部对任意两个集群的成员度的差值的绝对值小于设定阈值;且根据该OFDM符号的虚部聚类结果,确定出该OFDM符号的虚部对任意两个集群的成员度的差值的绝对值小于设定阈值;则
将该OFDM符号判定为边缘点;否则
将该OFDM符号判定为非边缘点。
4.根据权利要求1所述的方法,其特征在于,所述将判定为边缘点的OFDM符号输入到径向基函数RBF神经网络,具体为:
将所述OFDM符号的每个子载波上的频域数据分别输入到一个神经网络单元;其中,一个子载波上的频域数据中的实部与虚部分别输入到一个神经网络单元中的两个RBF神经子网络;
其中,所述RBF神经子网络具体为RBF-NLE神经网络结构,包括:L个隐节点;其中,L为OFDM符号的调制阶数。
5.根据权利要求4所述的方法,其特征在于,所述RBF-NLE神经网络结构的基函数为:f(x)=x+αsinπx。
6.根据权利要求4所述的方法,其特征在于,所述RBF神经网络是预先通过之前接收的OFDM符号,根据如下方法训练得到的:
对所述之前接收的OFDM符号进行模糊逻辑C均值聚类;
根据聚类结果中各集群的聚类中心设置所述RBF神经子网络中各隐节点的数据中心;
根据数据中心之间的距离设置所述RBF神经子网络中各隐节点的扩展常数;
利用之前接收的OFDM符号,采用梯度训练方法,通过最小化目标函数实现对RBF神经子网络中的偏置,以及各隐节点的数据中心、扩展常数和输出权值的调节,得到训练后的RBF神经子网络。
7.一种非线性均衡装置,其特征在于,包括:
聚类模块,用于对接收的OFDM符号进行聚类;
边缘点判定模块,用于根据聚类结果将所述OFDM符号判定为边缘点或非边缘点;
神经网络处理模块,用于将判定为边缘点的OFDM符号输入到径向基函数RBF神经网络;
非线性均衡结果输出模块,用于根据边缘点的RBF神经网络的输出或非边缘点的聚类结果,输出OFDM符号的非线性均衡结果。
8.根据权利要求7所述的装置,其特征在于,还包括:
训练模块,用于利用接收的OFDM符号对所述RBF神经网络进行训练。
9.一种CO-OFDM系统的接收端,包括:信号放大相干接收装置、信号补偿处理装置以及解调、解码装置,其特征在于,还包括:连接于所述信号补偿处理装置和解调装置之间的如权利要求7或8所述的非线性均衡装置。
10.一种CO-OFDM系统,其特征在于,包括:如权利要求9所述的接收端。
CN201910350194.0A 2019-04-28 2019-04-28 Co-ofdm系统及其接收端和非线性均衡方法、装置 Active CN110233812B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910350194.0A CN110233812B (zh) 2019-04-28 2019-04-28 Co-ofdm系统及其接收端和非线性均衡方法、装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910350194.0A CN110233812B (zh) 2019-04-28 2019-04-28 Co-ofdm系统及其接收端和非线性均衡方法、装置

Publications (2)

Publication Number Publication Date
CN110233812A true CN110233812A (zh) 2019-09-13
CN110233812B CN110233812B (zh) 2022-05-24

Family

ID=67860359

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910350194.0A Active CN110233812B (zh) 2019-04-28 2019-04-28 Co-ofdm系统及其接收端和非线性均衡方法、装置

Country Status (1)

Country Link
CN (1) CN110233812B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101547172A (zh) * 2009-05-05 2009-09-30 南京信息工程大学 基于径向基函数的模糊神经网络盲均衡方法
WO2018234084A1 (en) * 2017-06-19 2018-12-27 Nokia Technologies Oy METHOD AND DEVICE FOR CONFIGURING A DATA TRANSMISSION SYSTEM
CN109104248A (zh) * 2018-07-06 2018-12-28 西南交通大学 一种基于SOFM神经网络聚类的DRoF前端信号量化方法
CN109347562A (zh) * 2018-10-08 2019-02-15 浙江工业大学 一种co-ofdm系统相位噪声优化补偿方法
CN109547387A (zh) * 2018-09-11 2019-03-29 华中科技大学 一种co-ofdm系统非线性效应抑制方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101547172A (zh) * 2009-05-05 2009-09-30 南京信息工程大学 基于径向基函数的模糊神经网络盲均衡方法
WO2018234084A1 (en) * 2017-06-19 2018-12-27 Nokia Technologies Oy METHOD AND DEVICE FOR CONFIGURING A DATA TRANSMISSION SYSTEM
CN109104248A (zh) * 2018-07-06 2018-12-28 西南交通大学 一种基于SOFM神经网络聚类的DRoF前端信号量化方法
CN109547387A (zh) * 2018-09-11 2019-03-29 华中科技大学 一种co-ofdm系统非线性效应抑制方法及系统
CN109347562A (zh) * 2018-10-08 2019-02-15 浙江工业大学 一种co-ofdm系统相位噪声优化补偿方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
E. GIACOUMIDIS等: "Experimental Comparison of Artificial Neural Network and Volterra based Nonlinear Equalization for CO-OFDM", 《IEEE》 *
吴金达等: "基于广义回归神经网络的CO-OFDM系统非线性均衡", 《光学学报》 *

Also Published As

Publication number Publication date
CN110233812B (zh) 2022-05-24

Similar Documents

Publication Publication Date Title
Yangzhang et al. Dual-polarization non-linear frequency-division multiplexed transmission with $ b $-modulation
EP2548351B1 (en) Method and apparatus for fiber non-linearity mitigation
US20080232394A1 (en) Method For Regulating the Transmission Parameters of Broadband Transmission Channels Assembled to Form a Group
CN104601239B (zh) 一种基于强度噪声方差以及低通滤波器的光纤自适应非线性补偿方法
US20140294393A1 (en) Optical ofdm transmission
CN103401829B (zh) 一种相干光ofdm通信系统iq失衡补偿方法
CN107005312A (zh) 基于子带利用频率分集进行光传输性能增强
Wang et al. QAM classification methods by SVM machine learning for improved optical interconnection
CN105187345A (zh) 一种适用于co-ofdm系统的无迭代盲相位噪声补偿方法
Hsu et al. SSII cancellation in an EAM-based OFDM-IMDD transmission system employing a novel dynamic chirp model
Geisler et al. Experimental nonlinear frequency division multiplexed transmission using eigenvalues with symmetric real part
Mhatli et al. A novel support vector machine robust model based electrical equaliser for coherent optical orthogonal frequency division multiplexing systems
Chan et al. 400-Gb/s Transmission Over 10-km SSMF Using Discrete Multitone and 1.3-$\mu $ m EMLs
US9118388B2 (en) Raman crosstalk mitigation in a multi-wavelength system utilizing an optical equalizing signal modulated with composite bandwidth-limited data sources
Zhang et al. A simple artificial neural network based joint modulation format identification and OSNR monitoring algorithm for elastic optical networks
CN110233812A (zh) Co-ofdm系统及其接收端和非线性均衡方法、装置
CN109756436A (zh) Ofdm-eon系统中子载波调制格式识别方法及装置
Li et al. Digital code-division multiplexing channel aggregation for mobile fronthaul architecture with low complexity
CN106059670B (zh) 一种减小光纤非线性效应的光传输系统及方法
Zhang et al. Full-Spectrum INFT Algorithm for Dual-Polarization NFDM Transmission
Baniasadi et al. On the capacity of b-modulated nonlinear frequency division multiplexing
EP2068520A1 (en) Optical OFDM receiver channel monitor
CN107592158A (zh) 光纤通信系统中的信号处理的方法和设备
Mrabet et al. 40 & 100 Gb/s optical communications systems based on blind support vector machine with electrical equalizer
Xuan Digital predistortion for broadband radio-over-fiber transmission systems

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