CN111935042B - 一种基于机器学习的概率整形识别系统、方法及接收端 - Google Patents

一种基于机器学习的概率整形识别系统、方法及接收端 Download PDF

Info

Publication number
CN111935042B
CN111935042B CN202010698214.6A CN202010698214A CN111935042B CN 111935042 B CN111935042 B CN 111935042B CN 202010698214 A CN202010698214 A CN 202010698214A CN 111935042 B CN111935042 B CN 111935042B
Authority
CN
China
Prior art keywords
probability
snr
shaping
modulation
network
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
CN202010698214.6A
Other languages
English (en)
Other versions
CN111935042A (zh
Inventor
刘武
罗鸣
贺志学
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.)
Wuhan Research Institute of Posts and Telecommunications Co Ltd
Original Assignee
Wuhan Research Institute of Posts and Telecommunications 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 Wuhan Research Institute of Posts and Telecommunications Co Ltd filed Critical Wuhan Research Institute of Posts and Telecommunications Co Ltd
Priority to CN202010698214.6A priority Critical patent/CN111935042B/zh
Publication of CN111935042A publication Critical patent/CN111935042A/zh
Application granted granted Critical
Publication of CN111935042B publication Critical patent/CN111935042B/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
    • H04L27/00—Modulated-carrier systems
    • H04L27/0012—Modulated-carrier systems arrangements for identifying the type of modulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)

Abstract

一种基于机器学习的概率整形识别方法、系统及接收端，涉及通信应用领域，系统包括：星座图生成单元，其用于将接收到的概率整形信号，归一化后生成星座图像；SNR识别网络，其用于根据输入的所述星座图像，回归得到SNR并输出；调制阶数识别网络，其用于根据输入的所述星座图像和所述SNR，通过机器学习识别出所述信号的调制格式和阶数；概率整形识别网络，其用于根据输入的所述星座图像和所述SNR，通过回归分析出所述信号的整形概率。本发明能同时获得调制格式和整形概率两种关键参数，有助于获得码字进行正确的解码。

Description

一种基于机器学习的概率整形识别系统、方法及接收端
技术领域
本发明涉及通信应用领域，具体来讲涉及一种基于机器学习的概率整形识别系统、方法及接收端。
背景技术
为进一步提高光通信系统速率，近年来研究者提出概率整形技术进行符号编解码。概率整形编码中，通过码字映射关系将均匀分布的原始比特数据流映射到不同概率分布的符号，改变了信号的星座点概率分布而不改变星座点位置形状，通过增大误码性能好的星座点概率，减小误码性能差的星座点概率，提升了总体误码性能。此外，概率整形处理后信号的平均功率得到降低，有助于降低光通信系统中的非线性效应。概率整形编码后的信号更匹配实际信道特性，由此带来的整形增益使系统容量更接近香农极限，更重要的是可以在不改变调制格式的情况下调节净信息速率，在信道变化条件下保持稳定的误码性能。
接收端识别信号的调制格式对于频谱管理、干扰识别、窃听等应用都非常重要，而在使用了概率整形的光纤信道条件下，调制格式识别更为困难。概率整形识别需要识别高阶调制的阶数以及所使用的概率分布，才能正确的进行符号解码。传统的调制格式分类方法可归为两大类：一种是基于最大似然(Maximum Likelihood，ML)算法，一类是基于特征分类方法。最大似然算法比较接收信号和已知调制格式信号的相似度来判决调制格式；而特征分类方法通过从信号观察值中提取出信号特征进行判决。已有的特征分类方法中，诸如支持向量机(Support Vector Machine，SVM)、累积量(Cumulants)、人工神经网络(Artificial Neural Network，ANN)等多种方法都能获得较高的识别正确率，但目前已有研究中缺少识别概率整形编码信号的调制格式的方法，概率整形后的调制格式识别成为通信中的一个重要研究问题。
发明内容
针对现有技术中存在的缺陷，本发明的目的在于提供一种基于机器学习的概率整形识别系统、方法及接收端，能同时获得调制格式和整形概率两种关键参数，有助于获得码字进行正确的解码。
为达到以上目的，一方面，采取一种基于机器学习的概率整形识别系统，包括：
星座图生成单元，其用于将接收到的概率整形信号，归一化后生成星座图像；
SNR识别网络，其用于根据输入的所述星座图像，回归得到SNR并输出；
调制阶数识别网络，其用于根据输入的所述星座图像和所述SNR，通过机器学习识别出所述信号的调制格式和阶数；
概率整形识别网络，其用于根据输入的所述星座图像和所述SNR，通过回归分析出所述信号的整形概率。
另一方面，采取一种接收端，连续接收来自发送端的信号，所述信号经处理得到概率整形后的调制符号，再经过上述的概率整形识别系统，识别出所述信号的调制格式和阶数，以及所述信号的整形概率，再进行解码。
另一方面，还采取一种基于机器学习的概率整形识别方法，包括步骤：
接收概率整形信号，归一化后生成星座图像，分别输入预配置的SNR识别网络、调制阶数识别网络和概率整形识别网络；
所述SNR识别网络基于所述星座图像回归得到所述信号的SNR，分别作为调制阶数识别网络和概率整形识别网络的输入；
所述调制阶数识别网络根据所述星座图像和SNR，通过机器学习识别出所述信号的调制格式和阶数；
所述概率整形识别网络根据所述星座图像和SNR，通过回归分析出所述信号的整形概率。
优选的，所述接收概率整形信号之前，还包括：
采用已知的星座图像和对应的SNR作为训练样本，在SNR识别网络中进行机器学习，直至SNR识别网络达到稳定。
优选的，所述接收概率整形信号之前，还包括：
采用已知参数的星座图像和SNR，以及对应的调制格式和调制阶数作为训练样本，在调制阶数识别网络中进行机器学习，直至调制阶数识别网络达到稳定。
优选的，所述接收概率整形信号之前，还包括：
采用已知参数的星座图像和SNR，以及对应的整形概率作为训练样本，在概率整形识别网络中进行机器学习，直至概率整形识别网络达到稳定。
优选的，所述接收信号是接收端连续接收和处理的概率整形后的调制符号，且所述调制符号未进行概率整形解码。
优选的，所述归一化后生成星座图像包括步骤：
对调制符号的幅值进行归一化，将归一化后的符号按坐标划分到不同的像素区域，对每个像素区域内的符号数量进行统计，各像素区域内的累计值再除以所有各区域中符号数量的最大值，再乘以256，得到一幅M×M个像素的灰度图像。
优选的，每N个所述调制符号生成一幅所述星座图像，针对不同的调制格式，N的取值支持调制阶数识别网络达到的最高识别率。
优选的，所述SNR识别网络、调制阶数识别网络和概率整形识别网络均为深度学习网络。
上述技术方案中具有如下有益效果：
根据深度学习网络建立信噪比(Signal to Noise Ratio，SNR)识别网络、调制阶数识别网络和概率整形识别网络，通过接收的概率整形信号归一化生成星座图像，由于星座图像包含了接收信号的星座点分布信息，结合SNR识别网络输出的SNR，通过机器学习可以区分不同阶数的高阶调制格式，根据信号幅度的分布可以回归分析出信号采用的整形概率，再根据调制格式和整形概率两种关键参数，可以协助解码过程，为解码提供重要辅助。
附图说明
图1为本发明实施例基于机器学习的概率整形识别系统示意图；
附图标记：
1-星座图生成单元，2-SNR识别网络，3-调制阶数识别网络，4-概率整形识别网络。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明提供一种基于机器学习的概率整形识别方法的实施例，具体包括如下步骤：
S1、接收概率整形信号，归一化后生成星座图像，分别输入预配置的SNR识别网络、调制阶数识别网络和概率整形识别网络。
S2、SNR识别网络基于星座图像回归得到信号的SNR，分别作为调制阶数识别网络和概率整形识别网络的输入。
S3、调制阶数识别网络根据星座图像和SNR，通过机器学习识别出所述信号的调制格式和阶数。概率整形识别网络根据所述星座图像和SNR，通过回归分析出所述信号的整形概率。
优选的，SNR识别网络、调制阶数识别网络和概率整形识别网络均为深度学习网络，例如人工神经网络等。
具体的，在进行步骤S1之前，还需要预先配置SNR识别网络、调制阶数识别网络和概率整形识别网络，包括：
采用大量已知的星座图像和对应的SNR作为训练样本，在SNR识别网络进行机器学习，直至SNR识别网络达到稳定后，用于准确输出接收信号的SNR。
采用大量已知参数的星座图像和SNR，以及对应的调制格式和调制阶数作为训练样本，在调制阶数识别网络中进行机器学习，通过模型参数的不断调节优化，直至调制阶数识别网络达到稳定，即根据输入的星座图像和SNR，能够准确的输出信号的调制格式和阶数。
采用大量已知参数的星座图像和SNR，以及对应的整形概率作为训练样本，在概率整形识别网络中进行机器学习，直至概率整形识别网络达到稳定，估算出信号的整形概率。
上述接收信号是接收端连续接收和处理的概率整形后的调制符号(Symbol)，在接收信号的处理过程中，概率整形信号已经历过载波恢复、信道均衡等各个信号处理步骤，但是尚未进行概率整形解码。
进一步的，上述步骤S1中，归一化后生成星座图像包括步骤：
首先，对调制符号的幅值进行归一化，例如众多符号中最大幅值为Lmax,符号Si归一化后得到Si＇＝Si/Lmax，假定归一化后生成的完整星座图为M×M个像素的图像，将归一化后的符号Si＇按坐标划分到不同的像素区域，对每个像素区域内的符号数量进行统计，各像素区域内的累计值再除以所有各区域中符号数量的最大值，再乘以256，得到一幅M×M个像素的灰度图像。优选的，M＝224。
信号的星座图生成对应的图像作为三个深度学习网络的输入，每N个调制符号生成一幅星座图像，针对不同的调制格式，N的取值支持调制阶数识别网络达到的最高识别率。
如图1所示，本发明还提供一种基于机器学习的概率整形识别系统，可以用于实现上述步骤，系统包括星座图生成单元1、SNR识别网络2、调制阶数识别网络3和概率整形识别网络4。
具体的，星座图生成单元1用来接收概率整形信号，归一化后生成星座图像，生成的星座图像分别作为SNR识别网络2、调制阶数识别网络3和概率整形识别网络4的输入。SNR识别网络2用于根据输入的星座图像，回归得到SNR，并分别作为调制阶数识别网络3和概率整形识别网络4的输入。调制阶数识别网络3，用于根据输入的星座图像和SNR，通过机器学习识别出概率整形信号的调制格式和阶数。概率整形识别网络4，用于根据输入的星座图像和SNR，通过回归分析出概率整形信号的整形概率。
本发明还提供一种接收端的实施例，接收端设置有上一个实施例中的概率整形识别系统。接收端用来接收来自发送端的信号，接收的信号先经过处理得到概率整形后的调制符号，再经过上述概率整形识别系统，经过机器学习识别出信号的调制格式和阶数，还识别出信号的整形概率，再根据调制格式和整形概率两种关键参数进行解码，有助于获得码字的正确解码。
本发明不局限于上述实施方式，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围之内。本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (10)

1.一种基于机器学习的概率整形识别系统，其特征在于，包括：
星座图生成单元，其用于将接收到的概率整形信号，归一化后生成星座图像；
SNR识别网络，其用于根据输入的所述星座图像，回归得到SNR并输出；
调制阶数识别网络，其用于根据输入的所述星座图像和所述SNR，通过机器学习识别出所述信号的调制格式和阶数；
概率整形识别网络，其用于根据输入的所述星座图像和所述SNR，通过回归分析出所述信号的整形概率。
2.一种接收端，连续接收来自发送端的信号，其特征在于，所述信号经处理得到概率整形后的调制符号，再经过如权利要求1所述的概率整形识别系统，识别出所述信号的调制格式和阶数，以及所述信号的整形概率，再进行解码。
3.一种基于机器学习的概率整形识别方法，其特征在于，包括步骤：
接收概率整形信号，归一化后生成星座图像，分别输入预配置的SNR识别网络、调制阶数识别网络和概率整形识别网络；
所述SNR识别网络基于所述星座图像回归得到所述信号的SNR，分别作为调制阶数识别网络和概率整形识别网络的输入；
所述调制阶数识别网络根据所述星座图像和SNR，通过机器学习识别出所述信号的调制格式和阶数；
所述概率整形识别网络根据所述星座图像和SNR，通过回归分析出所述信号的整形概率。
4.如权利要求3所述的基于机器学习的概率整形识别方法，其特征在于，所述接收概率整形信号之前，还包括：
采用已知的星座图像和对应的SNR作为训练样本，在SNR识别网络中进行机器学习，直至SNR识别网络达到稳定。
5.如权利要求3所述的基于机器学习的概率整形识别方法，其特征在于，所述接收概率整形信号之前，还包括：
采用已知参数的星座图像和SNR，以及对应的调制格式和调制阶数作为训练样本，在调制阶数识别网络中进行机器学习，直至调制阶数识别网络达到稳定。
6.如权利要求3所述的基于机器学习的概率整形识别方法，其特征在于，所述接收概率整形信号之前，还包括：
采用已知参数的星座图像和SNR，以及对应的整形概率作为训练样本，在概率整形识别网络中进行机器学习，直至概率整形识别网络达到稳定。
7.如权利要求3所述的基于机器学习的概率整形识别方法，其特征在于，所述接收概率整形信号是接收端连续接收和处理的概率整形后的调制符号，且所述调制符号未进行概率整形解码。
8.如权利要求7所述的基于机器学习的概率整形识别方法，其特征在于，所述归一化后生成星座图像包括步骤：
对调制符号的幅值进行归一化，将归一化后的符号按坐标划分到不同的像素区域，对每个像素区域内的符号数量进行统计，各像素区域内的累计值再除以所有各区域中符号数量的最大值，再乘以256，得到一幅M×M个像素的灰度图像。
9.如权利要求8所述的基于机器学习的概率整形识别方法，其特征在于，每N个所述调制符号生成一幅所述星座图像，针对不同的调制格式，N的取值支持调制阶数识别网络达到的最高识别率。
10.如权利要求3-9任一项所述的基于机器学习的概率整形识别方法，其特征在于，所述SNR识别网络、调制阶数识别网络和概率整形识别网络均为深度学习网络。
CN202010698214.6A 2020-07-20 2020-07-20 一种基于机器学习的概率整形识别系统、方法及接收端 Active CN111935042B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010698214.6A CN111935042B (zh) 2020-07-20 2020-07-20 一种基于机器学习的概率整形识别系统、方法及接收端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010698214.6A CN111935042B (zh) 2020-07-20 2020-07-20 一种基于机器学习的概率整形识别系统、方法及接收端

Publications (2)

Publication Number Publication Date
CN111935042A CN111935042A (zh) 2020-11-13
CN111935042B true CN111935042B (zh) 2023-04-25

Family

ID=73313356

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010698214.6A Active CN111935042B (zh) 2020-07-20 2020-07-20 一种基于机器学习的概率整形识别系统、方法及接收端

Country Status (1)

Country Link
CN (1) CN111935042B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113872903B (zh) * 2021-09-18 2023-04-18 北京理工大学 信号调制阶数的识别方法、装置、设备及存储介质
CN114338316B (zh) * 2021-12-29 2024-01-05 北京邮电大学 一种标准调制格式和概率整形调制格式的识别方法
CN114598581B (zh) * 2022-01-24 2023-08-04 北京邮电大学 概率整形信号的双阶段检测模型训练方法、识别方法及装置
CN114401049A (zh) * 2022-01-26 2022-04-26 西南交通大学 一种基于幅度分布特征的概率整形信号整形分布识别方法
CN114598357B (zh) * 2022-03-01 2023-06-02 广东电网有限责任公司江门供电局 基于电力线通信系统功率约束的概率整形通信方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1168700A2 (en) * 2000-06-27 2002-01-02 Siemens Information and Communication Networks S.p.A. Signalling of modulation type in adatpive modulation systems
CN109886075A (zh) * 2018-12-27 2019-06-14 成都数之联科技有限公司 一种基于星座图的信号调制样式识别方法
CN110048781A (zh) * 2019-04-17 2019-07-23 武汉邮电科学研究院有限公司 一种光信号调制格式的识别方法及装置
CN111064516A (zh) * 2019-12-18 2020-04-24 南京信息工程大学 一种基于六边形星座成型迭代的光载无线通信方法
CN111083079A (zh) * 2019-12-19 2020-04-28 湖南大学 基于星座图的正交调制格式识别方法
CN111079347A (zh) * 2019-12-26 2020-04-28 华侨大学 一种利用星座图的基于深度学习的信噪比估计方法
CN111083078A (zh) * 2019-12-11 2020-04-28 华中科技大学 一种概率整形正交振幅调制格式盲识别方法及系统
CN111371503A (zh) * 2020-03-17 2020-07-03 华南师范大学 一种概率整形星座调制相干光通信系统中盲偏振解复用的方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7379507B2 (en) * 2004-10-01 2008-05-27 Industrial Technology Research Institute Method and device for modulation recognition of digitally modulated signals with multi-level magnitudes

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1168700A2 (en) * 2000-06-27 2002-01-02 Siemens Information and Communication Networks S.p.A. Signalling of modulation type in adatpive modulation systems
CN109886075A (zh) * 2018-12-27 2019-06-14 成都数之联科技有限公司 一种基于星座图的信号调制样式识别方法
CN110048781A (zh) * 2019-04-17 2019-07-23 武汉邮电科学研究院有限公司 一种光信号调制格式的识别方法及装置
CN111083078A (zh) * 2019-12-11 2020-04-28 华中科技大学 一种概率整形正交振幅调制格式盲识别方法及系统
CN111064516A (zh) * 2019-12-18 2020-04-24 南京信息工程大学 一种基于六边形星座成型迭代的光载无线通信方法
CN111083079A (zh) * 2019-12-19 2020-04-28 湖南大学 基于星座图的正交调制格式识别方法
CN111079347A (zh) * 2019-12-26 2020-04-28 华侨大学 一种利用星座图的基于深度学习的信噪比估计方法
CN111371503A (zh) * 2020-03-17 2020-07-03 华南师范大学 一种概率整形星座调制相干光通信系统中盲偏振解复用的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Constellation_based_signal_modulation_recognition_for_MQAM";Liu Wang;《2017 IEEE 9th International Conference on Communication Software and Networks (ICCSN)》;20171221;全文 *
"概率整形编码调制技术";刘博;《南京信息工程大学学报》;20191224;全文 *

Also Published As

Publication number Publication date
CN111935042A (zh) 2020-11-13

Similar Documents

Publication Publication Date Title
CN111935042B (zh) 一种基于机器学习的概率整形识别系统、方法及接收端
CN111490853A (zh) 一种基于深度卷积神经网络的信道编码参数识别方法
CN112861927B (zh) 基于自适应特征提取与融合的信号调制分类方法
CN112600618B (zh) 一种基于注意力机制的可见光信号均衡系统及方法
CN110166391A (zh) 脉冲噪声下基于深度学习的基带预编码msk信号解调方法
CN109728824B (zh) 一种基于深度学习的ldpc码迭代译码方法
CN114157539A (zh) 一种数据知识双驱动的调制智能识别方法
CN114417904A (zh) 一种基于深度学习的条形码识别方法及图书检索系统
CN114513394B (zh) 一种基于注意力机制图神经网络的信号调制格式识别方法、系统、装置及存储介质
CN114745248A (zh) 基于卷积神经网络的dm-gsm信号检测方法
Shen et al. Blind recognition of channel codes via deep learning
Gai et al. Spectrum sensing method based on residual cellular network
CN111313974A (zh) 一种信号幅度排序与比值计算的调制格式识别方法
CN115470799A (zh) 一种用于网络边缘设备的文本传输和语义理解一体化方法
CN113887516B (zh) 用于人体动作识别的特征提取系统和方法
CN115510905A (zh) 一种用于信道编码盲识别的多任务学习方法
CN112200307A (zh) 一种基于图片数据扩充的识别器处理方法
Sun et al. Multi-Task Semantic Communications: An Extended Rate-Distortion Theory Based Scheme
CN117375770B (zh) 一种信道编码识别方法和装置
Wang et al. Robust Deep Joint Source Channel Coding with Time-Varying Noise
CN112737694B (zh) 基于som的滤波器多载波调制光通信系统的非均匀量化系统
CN118368175B (zh) 基于原模图差分混沌移位键控的收发机译码方法及系统
CN114050953B (zh) 面向相干光通信系统的信号调制格式识别方法及系统
CN117856971A (zh) 基于复数神经网络的智能信道译码方法与系统
CN115499278B (zh) 基于轻量级神经网络的mimo信号调制识别方法

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