CN111325238A - 一种相位噪声补偿方法及系统 - Google Patents
一种相位噪声补偿方法及系统 Download PDFInfo
- Publication number
- CN111325238A CN111325238A CN202010071317.XA CN202010071317A CN111325238A CN 111325238 A CN111325238 A CN 111325238A CN 202010071317 A CN202010071317 A CN 202010071317A CN 111325238 A CN111325238 A CN 111325238A
- Authority
- CN
- China
- Prior art keywords
- population
- data information
- initial
- objective function
- preset
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- H04B10/6163—Compensation of non-linear effects in the fiber optic link, e.g. self-phase modulation [SPM], cross-phase modulation [XPM], four wave mixing [FWM]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Computational Linguistics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Nonlinear Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Optical Communication System (AREA)
Abstract
本发明公开了一种相位噪声补偿方法及系统,该方法包括:获取传输系统的数据信息,根据预设剪切系数,将数据信息进行更新;根据预设算法及更新后的数据信息构建多个初始种群;根据预设控制参数求解各初始种群的目标函数,得到初始目标函数值;利用遗传算法对各初始种群进行迭代,得到新种群将遗传结果中的目标函数值与初始目标函数值进行比较,根据比较结果得到目标种群;如果当前温度小于预设终止温度,将当前聚类中心确定为最优聚类中心;根据预设补偿算法、目标种群及对应的最优聚类中心,对数据信息进行相位噪声的补偿。本发明不依赖于任何链路状态信息以及系统参数,降低了计算的复杂度,实现更方便,进而提升了系统的稳定性。
Description
技术领域
本发明涉及光传输技术领域,具体涉及一种相位噪声补偿方法及系统。
背景技术
光传输系统中存在的线性损伤和非线性损伤对传输性能、信号质量等造成了很大的影响。近年来,基于多层感知器(Multilayer perceptron,MLP)的人工神经网络等机器学习算法开始应用于非线性补偿,与线性判决边界的补偿器相比,基于人工神经网络(Artificial neural network,ANN)的非线性补偿器可采用非线性判决边界,与传统的光纤非线性补偿技术相比,利用机器学习进行光纤非线性补偿的潜在好处是可以在较低复杂度下提供几乎相同的性能,因此,它能有效补偿系统的非线性效应。近几年出现的基于各种机器学习算法的非线性补偿方案,也都存在着各种缺点,大部分基于人工神经网络和支持向量机的非线性补偿方面在训练开销、收敛速度、复杂度等方面存在一定的问题,而基于无监督聚类的非线性补偿方案在补偿稳定性方面存在一定的问题。
发明内容
有鉴于此,本发明实施例提供了一种相位噪声补偿方法及系统,解决现有技术中非线性补偿的训练开销大、收敛速度慢、复杂度高及稳定性差等问题。
为达到上述目的,本发明提供如下技术方案:
第一方面,本发明实施例提供了一种相位噪声补偿方法,包括:获取传输系统的数据信息,根据预设剪切系数,将数据信息进行更新,得到更新后的数据信息;根据预设算法及更新后的数据信息构建多个初始种群;根据预设控制参数求解各初始种群的目标函数,得到初始目标函数值;利用遗传算法对各初始种群进行迭代,得到新种群及遗传结果,将遗传结果中的目标函数值与初始目标函数值进行比较,根据比较结果得到目标种群;判断当前迭代种群的当前温度是否小于预设终止温度,如果当前温度小于预设终止温度,将当前聚类中心确定为最优聚类中心;根据预设补偿算法、目标种群及对应的最优聚类中心,对数据信息进行相位噪声的补偿。
在一实施例中,计算数据信息的最大幅值;将最大幅值乘以预设剪切系数,得到更新阈值;判断各数据信息是否大于更新阈值,当数据信息大于更新阈值时,对数据信息进行更新,得到更新后的数据信息。
在一实施例中,通过以下公式对数据信息进行更新:
Stream′=Stream/(Stream*clipamp),
其中,Stream′表示更新后的数据信号,Stream表示数据信号,clipamp表示更新阈值。
在一实施例中,利用遗传算法对各初始种群进行迭代,得到新种群,并对新种群进行求解,得到遗传结果;判断新种群遗传结果中的目标函数值是否小于初始目标函数值,当新种群的目标函数值小于初始目标函数值时,将初始种群替换新种群,得到目标种群。
在一实施例中,通过以下公式表示种群的目标函数:
其中,L表示种群数量,ti表示第i个数据信息的实部或虚部,cj表示第j个种群的聚类中心,μij表示第i个数据信息的实部/虚部对第j个种群的聚类中心的成员度,N表示数据信息的子载波数量,R表示数据信息的数量,m表示模糊划分矩阵的指数;
通过以下公式计算种群的聚类中心:
其中,cj表示第j个种群的聚类中心,ti表示第i个数据信息的实部或虚部,μij表示第i个数据信息的实部/虚部对第j个种群的聚类中心的成员度,N表示数据信息的子载波数量,R表示数据信息的数量,m表示模糊划分矩阵的指数;
通过以下公式计算成员度:
其中,μij表示第i个数据信息的实部/虚部对第j个种群的聚类中心的成员度,cj表示第j个种群的聚类中心,ck表示第k个种群的聚类中心,ti表示第i个数据信息的实部或虚部,N表示数据信息的子载波数量,L表示种群数量,m表示模糊划分矩阵的指数。
在一实施例中,根据初始目标函数值及适应度函数,计算初始种群中个体的适应度值;根据初始种群中个体的适应度值及预设函数,对初始种群的进行选择、重组及变异,得到新种群;根据预设控制参数求解新种群的目标函数,得到新种群的目标函数值及新种群的聚类中心;根据新种群的目标函数值及适应度函数,计算新种群中个体的适应度值。
在一实施例中,当新种群的目标函数值不小于初始目标函数值时,计算新种群接受概率值,当新种群接受概率值大于预设阈值时,将初始种群替换为新种群,通过以下公式计算新种群接受概率值:
p=(Vi-Vi-1)/Ti,
其中,p表示新种群接受概率值,Vi表示新种群的目标函数值,Vi-1表示上一迭代初始种群的目标函数值,Ti表示当前温度。
在一实施例中,如果当前温度不小于预设终止温度,对当前温度进行降温操作,并返回利用遗传算法对各初始种群进行迭代,得到新种群及遗传结果,将遗传结果中的目标函数与初始目标函数值进行比较,根据比较结果得到目标种群的步骤,通过以下公式对当前温度进行降温:
Ti+1=kTi,
其中,Ti+1表示降温后的温度,Ti表示当前温度,k表示冷却系数。
在一实施例中,根据各最优聚类中心及补偿算法的标准数据点,对数据信息进行预补偿,得到预补偿后的数据信息;根据目标种群及补偿算法的判决门限,对预补偿后的数据信息进行判决,得到判决结果;根据判决结果及预设目标数据信息,对预补偿后的数据信息进行相位噪声补偿,得到输出数据信息。
第二方面,本发明实施例提供一种相位噪声补偿系统,包括:获取模块,用于获取传输系统的数据信息,根据预设剪切系数,将数据信息进行更新,得到更新后的数据信息;初始种群构建模块,用于根据预设算法及更新后的数据信息构建多个初始种群;目标函数值计算模块,用于根据预设控制参数求解各初始种群的目标函数,得到初始目标函数值;目标种群获取模块,用于利用遗传算法对各初始种群进行迭代,得到新种群及遗传结果,将遗传结果中的目标函数值与初始目标函数值进行比较,根据比较结果得到目标种群;最优聚类中心确定模块,用于判断当前迭代种群的当前温度是否小于预设终止温度,如果当前温度小于预设终止温度,将当前聚类中心确定为最优聚类中心;数据信息补偿模块,用于根据预设补偿算法、目标种群及对应的最优聚类中心,对数据信息进行相位噪声的补偿。
本发明技术方案,具有如下优点:
1.本发明提供的相位噪声补偿方法及系统,通过对获取的数据信息进行更新,然后根据更新后的数据信息进行初始种群的构建,实现简化计算并减少因为CO-OFDM系统的高峰均比而导致的非线性损伤;利用遗传算法对各初始种群进行迭代,对各种群进行目标函数值的计算,比较初始目标函数值及新目标函数值,得到目标种群后,根据迭代变量确定最优聚类中心,最后对数据信息进行相位噪声的补偿,得到更接近目标的数据信息。该方法的应用不依赖于任何链路状态信息以及系统参数,实现更方便,降低了计算的复杂度,进而提升了系统的稳定性。
2.本发明提供的相位噪声补偿方法及系统,可以既可以在系统发送端使用,也可以在系统接收端使用,通过在发送端实现对数据信息的预补偿及接收端对接收数据进行分类、判决,减小判决错误概率,从而提升传输性能,实现“即时传输、即时补偿”,在使用少量训练数据的情况下即可以得到合适的机器学习模型,大大减小了训练开销,在优化了系统的相位噪声补偿性能的同时减小了系统的复杂度。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的相位噪声补偿方法的实施例的流程图;
图2为本发明实施例提供的相位噪声补偿方法的数据信息剪切的流程图;
图3为本发明实施例提供的相位噪声补偿方法的得到目标种群的流程图;
图4为本发明实施例提供的相位噪声补偿方法的初始种群迭代的流程图;
图5为本发明实施例提供的相位噪声补偿方法的得到目标种群的另一具体实施例的流程图;
图6为本发明实施例提供的相位噪声补偿方法的另一具体实施例的流程图;
图7为本发明实施例提供的相位噪声补偿方法的数据信息补偿的流程图;
图8为本发明实施例提供的相位噪声补偿方法的实际数据传输的流程图;
图9为本发明实施例提供的相位噪声补偿系统的示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,还可以是两个元件内部的连通,可以是无线连接,也可以是有线连接。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
本发明实施例提供一种相位噪声补偿方法,应用于光传输系统、高速通信系统等领域,但是相干光正交频分复用(Coherent optical orthogonal frequency divisionmultiplexing,CO-OFDM)系统中的数据信息的峰均比高,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。高峰均比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。其中,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(Self-phase modulation,SPM),以及子载波间的非线性串扰效应,如交叉相位调制(Cross-phase modulation,XPM)和四波混频(Four wave mixing,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。
本发明实施例提供一种相位噪声补偿方法,如图1所示,该方法包括如下步骤:
步骤S1:获取传输系统的数据信息,根据预设剪切系数,将数据信息进行更新,得到更新后的数据信息。
本发明实施例中,获取传输系统的数据信息,采集的相关数据都是通过实际传输系统采集得到的真实传输数据,在对各数据信息进行分类前,为了方便对数据进行操作与处理,减少因为CO-OFDM系统的高峰均比而导致的非线性损伤,再使用机器学习算法进一步补偿其他非线性损伤,因此先对数据信息进行剪裁,根据预设剪切系数,将数据信息进行更新,得到更新后的数据信息。需要说明的是,本发明实施例中的预设剪切系数,是根据实际需求及经验设置的,本发明实施例并不以此为限。
步骤S2:根据预设算法及更新后的数据信息构建多个初始种群。
本发明实施例中,根据预设算法,建立区域描述器,随机的将更新后的数据信息分成多个初始种群,在数据量非常大的时候,这个随机构建的多个初始种群几乎不能达到最优,因此还需对种群不断的进行迭代,便于得出最优解。需要说明的是,理论上如果第一次随机创建的种群的目标函数的值已经是最优的,那么就无需在进行迭代。
步骤S3:根据预设控制参数求解各初始种群的目标函数,得到初始目标函数值。
本发明实施例中,首先初始化预设控制参数,这些控制参数主要包括:聚类中心个数,冷却系数,初始温度,终止温度,种群个数,最大遗传代数MaxGen等,根据预设控制参数求解各初始种群的目标函数,得到初始目标函数值。需要说明的是,在实际应用中,这些控制参数都是可以根据实际需要进行调整的,本发明实施例并不以此为限。
步骤S4:利用遗传算法对各初始种群进行迭代,得到新种群及遗传结果,将遗传结果中的目标函数值与初始目标函数值进行比较,根据比较结果得到目标种群。
本发明实施例中,由于随机划分的初始种群不是最优的,那么就利用遗传算法对各初始种群进行迭代,记录迭代次数,比较迭代次数与预设的最大迭代数,直到迭代次数不小于最大迭代数,就结束当前迭代,进行下一个迭代变量的判断,最后得到新种群及遗传结果,其中,遗传结果包括:新种群的聚类中心、新种群的目标函数值及新种群个体的适应度值,将遗传结果中的目标函数值与初始目标函数值进行比较,根据比较结果得到目标种群。
步骤S5:判断当前迭代种群的当前温度是否小于预设终止温度,如果当前温度小于预设终止温度,将当前聚类中心确定为最优聚类中心。
本发明实施例中,当上一个迭代变量,也就是迭代次数不小于最大迭代数后,进行下一个迭代变量的判断,判断当前迭代种群的当前温度是否小于预设终止温度,如果当前温度小于预设终止温度,将当前聚类中心确定为最优聚类中心,如果当前温度不小于预设终止温度,进行降温操作,并将迭代次数初始化为0,重新进行一轮迭代,直到两个迭代变量同时满足要求。需要说明的是,本发明实施例中,对迭代次数初始化仅仅举例说明,将迭代次数初始化为0,也可以根据实际需要进行其他形式的初始化,本发明并不以此为限。
步骤S6:根据预设补偿算法、目标种群及对应的最优聚类中心,对数据信息进行相位噪声的补偿。
本发明实施例中,确定了最优聚类中心后,根据预设补偿算法及具有最优聚类中心的目标种群,对数据信息进行相位噪声的补偿。由于预设的补偿算法本身补偿过程中存在一定的偏移,因此得到最优聚类中心后就辅助补偿算法对传输系统中的数据进行预补偿及后补偿操作,减少数据的误传输,进行色散补偿、频偏补偿与信道均衡等,进而提升传输性能。
本发明提供的相位噪声补偿方法及系统,通过对获取的数据信息进行更新,然后根据更新后的数据信息进行初始种群的构建,实现简化计算并减少因为CO-OFDM系统的高峰均比而导致的非线性损伤;利用遗传算法对各初始种群进行迭代,对各种群进行目标函数值的计算,比较初始目标函数值及新目标函数值,得到目标种群后,根据迭代变量确定最优聚类中心,最后对数据信息进行相位噪声的补偿,得到更接近目标的数据信息。该方法的应用不依赖于任何链路状态信息以及系统参数,实现更方便,降低了计算的复杂度,进而提升了系统的稳定性。
在一具体实施例中,如图2所示,在一具体实施例中,执行步骤S1的过程可以具体包括如下步骤:
步骤S11:计算数据信息的最大幅值。
步骤S12:将最大幅值乘以预设剪切系数,得到更新阈值。
本发明实施例中,将得到的数据信息的最大幅值乘以预设剪切系数,得到更新阈值,利用更新阈值,对不满足要求的数据信息进行剪切,以达到简化计算、节省计算资源的目的。
步骤S13:判断各数据信息是否大于更新阈值,当数据信息大于更新阈值时,对数据信息进行更新,得到更新后的数据信息。
本发明实施例中,判断各数据信息是否大于更新阈值,当数据信息大于更新阈值时,对数据信息进行更新,得到更新后的数据信息。通过以下公式对数据信息进行更新:
Stream′=Stream/(Stream*clipamp) (1)
其中,Stream′表示更新后的数据信号,Stream表示数据信号,clipamp表示更新阈值。
在一具体实施例中,如图3所示,执行步骤S4的过程可以具体包括如下步骤:
步骤S41:利用遗传算法对各初始种群进行迭代,得到新种群,并对新种群进行求解,得到遗传结果。
本发明实施例中,利用传输系统中的遗传算法对各初始种群进行迭代,得到新种群,并对新种群进行求解,得到遗传结果,通过以下公式表示种群的目标函数:
其中,L表示种群数量,ti表示第i个数据信息的实部或虚部,cj表示第j个种群的聚类中心,μij表示第i个数据信息的实部/虚部对第j个种群的聚类中心的成员度,N表示数据信息的子载波数量,R表示数据信息的数量,m表示模糊划分矩阵的指数;
通过以下公式计算种群的聚类中心:
其中,cj表示第j个种群的聚类中心,ti表示第i个数据信息的实部或虚部,μij表示第i个数据信息的实部/虚部对第j个种群的聚类中心的成员度,N表示数据信息的子载波数量,R表示数据信息的数量,m表示模糊划分矩阵的指数;
通过以下公式计算成员度:
其中,μij表示第i个数据信息的实部/虚部对第j个种群的聚类中心的成员度,cj表示第j个种群的聚类中心,ck表示第k个种群的聚类中心,ti表示第i个数据信息的实部或虚部,N表示数据信息的子载波数量,L表示种群数量,m表示模糊划分矩阵的指数。在实际应用中,同时,根据传输系统中的适应度函数,利用目标函数值计算种群个体的适应度值。
步骤S42:判断新种群遗传结果中的目标函数值是否小于初始目标函数值,当新种群的目标函数值小于初始目标函数值时,将初始种群替换新种群,得到目标种群。
在一具体实施例中,如图4所示,执行步骤S41的过程可以具体包括如下步骤:
步骤S411:根据初始目标函数值及适应度函数,计算初始种群中个体的适应度值。
本发明实施例中,利用传输系统中的遗传算法对各初始种群进行迭代后,每次迭代得到一个新种群,根据初始目标函数值及适应度函数,计算初始种群中个体的适应度值。
步骤S412:根据初始种群中个体的适应度值及预设函数,对初始种群进行选择、重组及变异,得到新种群。
本发明实施例中,利用遗传算法中的工具函数,判断初始种群中个体的适应度值与预设适应度值的差值是否小于预设阈值,然后根据判断结果对初始种群进行选择、重组及变异等操作,得到新种群。需要说明的是,本发明实施例中,预设适应度值及预设阈值都是可以根据实际系统传输需求进行设定的,本发明并不以此为限。
步骤S413:根据预设控制参数求解新种群的目标函数,得到新种群的目标函数值及新种群的聚类中心。
步骤S414:根据新种群的目标函数值及适应度函数,计算新种群中个体的适应度值。
本发明实施例中,得到新种群后,根据新种群的目标函数值及适应度函数,计算新种群中个体的适应度值,判断初始种群中个体的适应度值与预设适应度值的差值是否小于预设阈值,当判断结果满足要求后,就说明此新种群中个体的适应度最好,可以确定为目标种群,就不在对初始种群进行选择、重组及变异等操作。
在一具体实施例中,如图5所示,本发明实施例提供的相位噪声补偿方法,还包括:
步骤S43:当新种群的目标函数值不小于初始目标函数值时,计算新种群接受概率值,当新种群接受概率值大于预设阈值时,将初始种群替换为新种群,通过以下公式计算新种群接受概率值:
p=(Vi-Vi-1)/Ti (5)
其中,p表示新种群接受概率值,Vi表示新种群的目标函数值,Vi-1表示上一迭代初始种群的目标函数值,Ti表示当前温度。
在一具体实施例中,如图6所示,本发明实施例提供的相位噪声补偿方法,还包括:
步骤S405:如果当前温度不小于预设终止温度,对当前温度进行降温操作,并返回利用遗传算法对各初始种群进行迭代,得到新种群及遗传结果,将遗传结果中的目标函数与初始目标函数值进行比较,根据比较结果得到目标种群的步骤,通过以下公式对当前温度进行降温:
Ti+1=kTi (6)
其中,Ti+1表示降温后的温度,Ti表示当前温度,k表示冷却系数。
本发明实施例中,如果当前温度不小于预设终止温度,需要对当前温度进行降温操作,降温操作完成后,对迭代次数进行初始化操作,然后继续返回利用遗传算法对各初始种群进行迭代,得到新种群及遗传结果,将遗传结果中的目标函数与初始目标函数值进行比较,根据比较结果得到目标种群的步骤,直到两个迭代变量同时满足各自的要求,其中两个迭代变量分别为迭代次数和当前温度。需要说明的是,两个迭代变量满足的各自的要求,都是可以根据实际需要及经验进行设定的,本发明并不以此为限。
在一具体实施例中,如图7所示,执行步骤S6的过程可以具体包括如下步骤:
步骤S61:根据各最优聚类中心及补偿算法的标准数据点,对数据信息进行预补偿,得到预补偿后的数据信息。
本发明实施例中,根据各最优聚类中心及补偿算法的标准数据点,对数据信息进行预补偿,得到预补偿后的数据信息,其中,现有的补偿算法在补偿过程中会发生偏移等误差,以16QAM调制格式为例进行说明,假设通常16QAM调制会对数据产生一个向左1cm的偏移,那么在数据传输前,就先对数据进行预补偿,将数据向右先移动1cm,这样就保证了传输的数据更接近预期的目标数据,得到预补偿后的数据信息在发送到传输系统的发送端。
步骤S62:根据目标种群及补偿算法的判决门限,对预补偿后的数据信息进行判决,得到判决结果。
本发明实施例中,根据目标种群及补偿算法的判决门限,对预补偿后的数据信息进行判决,得到判决结果,其中,以QPSK调制格式为例进行说明,传输系统对接收到的数据信息进行解码,然后为了实现机器识别,对解码后的数据进行判决,根据判决结果在进行译码输出,接收到的数据都是小数,假设判决门限为0.5,那么就将所有大于等于0.5的数据判为1,将小于0.5的数据判为0,然后根据二进制的机器码进行译码操作。
步骤S63:根据判决结果及预设目标数据信息,对预补偿后的数据信息进行相位噪声补偿,得到输出数据信息。
本发明实施例中,判决结果及预设目标数据信息,对预补偿后的数据信息进行相位噪声补偿,得到输出数据信息,预补偿后的数据输入传输系统的发送端,在发送端对色散补偿、频偏补偿、信道均衡后的接收数据进行采样,然后训练得到机器学习模型,最终部署在输入端进行预补偿,是一个“先训练后部署”的补偿方案;在接收端对色散补偿、频偏补偿、信道均衡后的接收数据直接进行分类、判决,减小判决错误概率,从而提升传输性能,是一个“即时传输、即时补偿”的方案,减小了系统的复杂度与训练开销。
在实际应用中,如图8所示,预补偿算法需要在接收端对接收数据进行处理,得到系统需要的补偿量,类似于监督学习中的训练步骤。在接收端得到预补偿机器学习模型后,需要部署在发送端。后补偿算法不需要训练过程,只需要对接收数据直接进行处理即可。在发送端,首先将发送数据序列加密,然后进行相应的调制与加密处理后送入发射机中。在发射机中,调制器用直接调制激光器(DML)发出的光信号对传输信号进行调制,将得到的信号送入掺铒光纤放大器(EDFA)种进行适当放大处理。信号经过多路复用器进行分路,可以送入不同的网络中进行传输,如城市网络、长跨距传输网络、校园网络。信号经过传输后,先经过多路复用器进行合路,在经过EDFA进行合路后,送入接收机中,然后需要对接收信号进行色散补偿、频偏补偿与信道均衡,最后进行解调。其中,机器学习模型的存储通过SDN控制器来实现,机器学习模型的训练数据,通过mongoDB数据库来实现数据交互与存储,需要说明的是,本发明实施例仅举例对传输系统中的数据信息的相位噪声补偿的方法进行说明,在实际应用中,可以选择其他控制器及数据库,本发明并不以此为限。
本发明提供的相位噪声补偿方法,可以既可以在系统发送端使用,也可以在系统接收端使用,通过在发送端实现对数据信息的预补偿及接收端对接收数据进行分类、判决,减小判决错误概率,从而提升传输性能,实现“即时传输、即时补偿”,在使用少量训练数据的情况下即可以得到合适的机器学习模型,大大减小了训练开销,在优化了系统的相位噪声补偿性能的同时减小了系统的复杂度。
实施例2
本发明施例提供一种相位噪声补偿系统,如图9所示,包括:
获取模块,用于获取传输系统的数据信息,根据预设剪切系数,将数据信息进行更新,得到更新后的数据信息;此模块执行实施例1中的步骤S1所描述的方法,在此不再赘述。
初始种群构建模块,用于根据预设算法及更新后的数据信息构建多个初始种群;此模块执行实施例1中的步骤S2所描述的方法,在此不再赘述。
目标函数值计算模块,用于根据预设控制参数求解各初始种群的目标函数,得到初始目标函数值;此模块执行实施例1中的步骤S3所描述的方法,在此不再赘述。
目标种群获取模块,用于利用遗传算法对各初始种群进行迭代,得到新种群及遗传结果,将遗传结果中的目标函数值与初始目标函数值进行比较,根据比较结果得到目标种群;此模块执行实施例1中的步骤S4所描述的方法,在此不再赘述。
最优聚类中心确定模块,用于判断当前迭代种群的当前温度是否小于预设终止温度,如果当前温度小于预设终止温度,将当前聚类中心确定为最优聚类中心;此模块执行实施例1中的步骤S5所描述的方法,在此不再赘述
数据信息补偿模块,用于根据预设补偿算法、目标种群及对应的最优聚类中心,对数据信息进行相位噪声的补偿。此模块执行实施例1中的步骤S6所描述的方法,在此不再赘述。
本发明提供的相位噪声补偿系统,通过对获取的数据信息进行更新,然后根据更新后的数据信息进行初始种群的构建,实现简化计算并减少因为CO-OFDM系统的高峰均比而导致的非线性损伤;利用遗传算法对各初始种群进行迭代,对各种群进行目标函数值的计算,比较初始目标函数值及新目标函数值,得到目标种群后,根据迭代变量确定最优聚类中心,最后对数据信息进行相位噪声的补偿,得到更接近目标的数据信息。该方法的应用不依赖于任何链路状态信息以及系统参数,实现更方便,降低了计算的复杂度,进而提升了系统的稳定性。可以既可以在系统发送端使用,也可以在系统接收端使用,通过在发送端实现对数据信息的预补偿及接收端对接收数据进行分类、判决,减小判决错误概率,从而提升传输性能,实现“即时传输、即时补偿”,在使用少量训练数据的情况下即可以得到合适的机器学习模型,大大减小了训练开销,在优化了系统的相位噪声补偿性能的同时减小了系统的复杂度。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种相位噪声补偿方法,其特征在于,包括:
获取传输系统的数据信息,根据预设剪切系数,将数据信息进行更新,得到更新后的数据信息;
根据预设算法及更新后的数据信息构建多个初始种群;
根据预设控制参数求解各初始种群的目标函数,得到初始目标函数值;
利用遗传算法对各初始种群进行迭代,得到新种群及遗传结果,将遗传结果中的目标函数值与初始目标函数值进行比较,根据比较结果得到目标种群;
判断当前迭代种群的当前温度是否小于预设终止温度,如果当前温度小于预设终止温度,将当前聚类中心确定为最优聚类中心;
根据预设补偿算法、目标种群及对应的最优聚类中心,对数据信息进行相位噪声的补偿。
2.根据权利要求1所述的相位噪声补偿方法,其特征在于,所述根据预设剪切系数,将数据信息进行更新,得到更新后的数据信息的步骤,包括:
计算数据信息的最大幅值;
将最大幅值乘以预设剪切系数,得到更新阈值;
判断各数据信息是否大于更新阈值,当数据信息大于更新阈值时,对数据信息进行更新,得到更新后的数据信息。
3.根据权利要求2所述的相位噪声补偿方法,其特征在于,通过以下公式对数据信息进行更新:
Stream′=Stream/(Stream*clipamp),
其中,Stream′表示更新后的数据信号,Stream表示数据信号,clipamp表示更新阈值。
4.根据权利要求1所述的相位噪声补偿方法,其特征在于,所述利用遗传算法对各初始种群进行迭代,得到新种群及遗传结果,将遗传结果中的目标函数值与初始目标函数值进行比较,根据比较结果得到目标种群的步骤,包括:
利用遗传算法对各初始种群进行迭代,得到新种群,并对新种群进行求解,得到遗传结果;
判断新种群遗传结果中的目标函数值是否小于初始目标函数值,当新种群的目标函数值小于初始目标函数值时,将初始种群替换新种群,得到目标种群。
5.根据权利要求1所述的相位噪声补偿方法,其特征在于,通过以下公式表示种群的目标函数:
其中,L表示种群数量,ti表示第i个数据信息的实部或虚部,cj表示第j个种群的聚类中心,μij表示第i个数据信息的实部/虚部对第j个种群的聚类中心的成员度,N表示数据信息的子载波数量,R表示数据信息的数量,m表示模糊划分矩阵的指数;
通过以下公式计算种群的聚类中心:
其中,cj表示第j个种群的聚类中心,ti表示第i个数据信息的实部或虚部,μij表示第i个数据信息的实部/虚部对第j个种群的聚类中心的成员度,N表示数据信息的子载波数量,R表示数据信息的数量,m表示模糊划分矩阵的指数;
通过以下公式计算成员度:
其中,μij表示第i个数据信息的实部/虚部对第j个种群的聚类中心的成员度,cj表示第j个种群的聚类中心,ck表示第k个种群的聚类中心,ti表示第i个数据信息的实部或虚部,N表示数据信息的子载波数量,L表示种群数量,m表示模糊划分矩阵的指数。
6.根据权利要求4所述的相位噪声补偿方法,其特征在于,所述利用遗传算法对各初始种群进行迭代,得到新种群,并对新种群进行求解,得到遗传结果的步骤,包括:
根据初始目标函数值及适应度函数,计算初始种群中个体的适应度值;
根据初始种群中个体的适应度值及预设函数,对初始种群进行选择、重组及变异,得到新种群;
根据预设控制参数求解新种群的目标函数,得到新种群的目标函数值及新种群的聚类中心;
根据新种群的目标函数值及适应度函数,计算新种群中个体的适应度值。
7.根据权利要求4所述的相位噪声补偿方法,其特征在于,当新种群的目标函数值不小于初始目标函数值时,计算新种群接受概率值,当新种群接受概率值大于预设阈值时,将初始种群替换为新种群,通过以下公式计算新种群接受概率值:
p=(Vi-Vi-1)/Ti,
其中,p表示新种群接受概率值,Vi表示新种群的目标函数值,Vi-1表示上一迭代初始种群的目标函数值,Ti表示当前温度。
8.根据权利要求7所述的相位噪声补偿方法,其特征在于,如果当前温度不小于预设终止温度,对当前温度进行降温操作,并返回利用遗传算法对各初始种群进行迭代,得到新种群及遗传结果,将遗传结果中的目标函数与初始目标函数值进行比较,根据比较结果得到目标种群的步骤,通过以下公式对当前温度进行降温:
Ti+1=kTi,
其中,Ti+1表示降温后的温度,Ti表示当前温度,k表示冷却系数。
9.根据权利要求1所述的相位噪声补偿方法,其特征在于,所述根据预设补偿算法、目标种群及对应的最优聚类中心,对数据信息进行相位噪声的补偿的步骤,包括:
根据各最优聚类中心及补偿算法的标准数据点,对数据信息进行预补偿,得到预补偿后的数据信息;
根据目标种群及补偿算法的判决门限,对预补偿后的数据信息进行判决,得到判决结果;
根据判决结果及预设目标数据信息,对预补偿后的数据信息进行相位噪声补偿,得到输出数据信息。
10.一种相位噪声补偿系统,其特征在于,包括:
获取模块,用于获取传输系统的数据信息,根据预设剪切系数,将数据信息进行更新,得到更新后的数据信息;
初始种群构建模块,用于根据预设算法及更新后的数据信息构建多个初始种群;
目标函数值计算模块,用于根据预设控制参数求解各初始种群的目标函数,得到初始目标函数值;
目标种群获取模块,用于利用遗传算法对各初始种群进行迭代,得到新种群及遗传结果,将遗传结果中的目标函数值与初始目标函数值进行比较,根据比较结果得到目标种群;
最优聚类中心确定模块,用于判断当前迭代种群的当前温度是否小于预设终止温度,如果当前温度小于预设终止温度,将当前聚类中心确定为最优聚类中心;
数据信息补偿模块,用于根据预设补偿算法、目标种群及对应的最优聚类中心,对数据信息进行相位噪声的补偿。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010071317.XA CN111325238B (zh) | 2020-01-21 | 2020-01-21 | 一种相位噪声补偿方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010071317.XA CN111325238B (zh) | 2020-01-21 | 2020-01-21 | 一种相位噪声补偿方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111325238A true CN111325238A (zh) | 2020-06-23 |
CN111325238B CN111325238B (zh) | 2023-06-09 |
Family
ID=71172552
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010071317.XA Active CN111325238B (zh) | 2020-01-21 | 2020-01-21 | 一种相位噪声补偿方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111325238B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0216241D0 (en) * | 2002-07-12 | 2002-08-21 | Fujitsu Ltd | Signal processing using genetic algorithms |
CN1632474A (zh) * | 2004-12-23 | 2005-06-29 | 太原理工大学 | 线性调频雷达物位计非线性进化校正方法 |
CN101719277A (zh) * | 2009-12-31 | 2010-06-02 | 华中科技大学 | 一种遗传模糊聚类图像分割方法 |
CN104113071A (zh) * | 2014-07-09 | 2014-10-22 | 国家电网公司 | 基于粒子群优化算法的电力系统稳定器参数优化整定方法 |
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN109242026A (zh) * | 2018-09-17 | 2019-01-18 | 湖北工业大学 | 一种基于杂交水稻算法优化的模糊c均值聚类方法及系统 |
-
2020
- 2020-01-21 CN CN202010071317.XA patent/CN111325238B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0216241D0 (en) * | 2002-07-12 | 2002-08-21 | Fujitsu Ltd | Signal processing using genetic algorithms |
CN1632474A (zh) * | 2004-12-23 | 2005-06-29 | 太原理工大学 | 线性调频雷达物位计非线性进化校正方法 |
CN101719277A (zh) * | 2009-12-31 | 2010-06-02 | 华中科技大学 | 一种遗传模糊聚类图像分割方法 |
CN104113071A (zh) * | 2014-07-09 | 2014-10-22 | 国家电网公司 | 基于粒子群优化算法的电力系统稳定器参数优化整定方法 |
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN109242026A (zh) * | 2018-09-17 | 2019-01-18 | 湖北工业大学 | 一种基于杂交水稻算法优化的模糊c均值聚类方法及系统 |
Non-Patent Citations (2)
Title |
---|
洪月华;朱景锋;: "基于传感器网络的分布式遗传k-means聚类算法研究" * |
路彬彬;贾振红;何迪;杨杰;庞韶宁;: "基于新的遗传算法的模糊C均值聚类用于遥感图像分割" * |
Also Published As
Publication number | Publication date |
---|---|
CN111325238B (zh) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yangzhang et al. | Dual-polarization non-linear frequency-division multiplexed transmission with $ b $-modulation | |
Wang et al. | Nonlinearity mitigation using a machine learning detector based on $ k $-nearest neighbors | |
Li et al. | Achievable information rates for nonlinear fiber communication via end-to-end autoencoder learning | |
Wang et al. | Nonlinear decision boundary created by a machine learning-based classifier to mitigate nonlinear phase noise | |
Tkach | Scaling optical communications for the next decade and beyond | |
Sillekens et al. | A simple nonlinearity-tailored probabilistic shaping distribution for square QAM | |
CN110267127A (zh) | 用于低成本无源光网络的方法、装置和计算机可读介质 | |
Wu et al. | Temporal energy analysis of symbol sequences for fiber nonlinear interference modelling via energy dispersion index | |
Pan et al. | Machine-learning-aided optical fiber communication system | |
Lobato et al. | Maximum-likelihood detection in few-mode fiber transmission with mode-dependent loss | |
CN109347776B (zh) | 一种差分相位幅度比的光通信信号调制格式识别方法 | |
Amirabadi | A survey on machine learning for optical communication [machine learning view] | |
Zhang et al. | Modulation format identification in heterogeneous fiber-optic networks using artificial neural networks and genetic algorithms | |
Giacoumidis et al. | Kerr-induced nonlinearity reduction in coherent optical OFDM by low complexity support vector machine regression-based equalization | |
Kashi et al. | Extending a nonlinear SNR estimator to include shaping distribution identification for probabilistically shaped 64-QAM signals | |
CN113364527B (zh) | 一种适用于高速相干偏振复用系统的非线性损伤补偿方法 | |
Yamamoto et al. | Demodulation of optical eigenvalue modulated signals using neural networks | |
CN105164942B (zh) | 用于分配入射功率给物理上耦合的光纤跨段的方法 | |
CN112613538B (zh) | 一种基于加权主成分分析的非线性均衡方法 | |
CN111325238B (zh) | 一种相位噪声补偿方法及系统 | |
CN114553315A (zh) | 基于CNN-biRNN的光纤非线性均衡方法及系统 | |
CN109587091A (zh) | 基于逻辑回归算法的相干光通信系统调制格式识别方法 | |
Tremblay | Towards cognitive management and performance monitoring in coherent optical networks | |
Zhang et al. | Routing, modulation level and spectrum assignment considering nonlinear interference in c+ l+ s-bands eons | |
Wang et al. | Low-complexity nonlinear equalizer based on artificial neural network for 112 Gbit/s PAM-4 transmission using DML |
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 |