CN112598072A - 基于SVM训练的权重系数迁移的改进Volterra滤波器的均衡方法 - Google Patents

基于SVM训练的权重系数迁移的改进Volterra滤波器的均衡方法 Download PDF

Info

Publication number
CN112598072A
CN112598072A CN202011579164.6A CN202011579164A CN112598072A CN 112598072 A CN112598072 A CN 112598072A CN 202011579164 A CN202011579164 A CN 202011579164A CN 112598072 A CN112598072 A CN 112598072A
Authority
CN
China
Prior art keywords
volterra filter
training
weight coefficient
hyperplane
svm
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.)
Pending
Application number
CN202011579164.6A
Other languages
English (en)
Inventor
习雨
王晨宇
毕美华
何美霖
卢旸
杨国伟
周雪芳
胡淼
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.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202011579164.6A priority Critical patent/CN112598072A/zh
Publication of CN112598072A publication Critical patent/CN112598072A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • 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
    • H04B10/25—Arrangements specific to fibre transmission
    • H04B10/2507—Arrangements specific to fibre transmission for the reduction or elimination of distortion or dispersion
    • H04B10/2513—Arrangements specific to fibre transmission for the reduction or elimination of distortion or dispersion due to chromatic dispersion
    • 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
    • H04B10/50—Transmitters
    • H04B10/516—Details of coding or modulation
    • H04B10/524—Pulse modulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Optical Communication System (AREA)
  • Cable Transmission Systems, Equalization Of Radio And Reduction Of Echo (AREA)

Abstract

本发明涉及基于SVM训练的权重系数迁移的改进Volterra滤波器的均衡方法，包括：S1、经过光纤传输的光信号经过解调后，从接收端的接收信号中提取训练序列；S2、根据Volterra滤波器的结构为训练序列构建特征向量，并构建训练集；S3、将训练集输入SVM训练器，通过计算得到最优超平面；S4、提取最优超平面的法向量作为权重系数，并将其迁移至Volterra滤波器中作为抽头系数；S5、将待测信号序列输入S4的Volterra滤波器，并对Volterra滤波器的输出进行判决以实现信道均衡。本发明将最优超平面的法向量迁移至Volterra滤波器，无需自适应算法更新滤波器的抽头系数，降低计算复杂度。

Description

基于SVM训练的权重系数迁移的改进Volterra滤波器的均衡 方法
技术领域
本发明属于光通信技术领域，具体涉及基于SVM训练的权重系数迁移的改进Volterra滤波器的均衡方法，应用于高速光纤传输系统。
背景技术
近年来，随着智能手持终端设备、超高清视频电视、大数据云存储、云计算以及虚拟现实等新兴业务和设备的不断涌现，用户侧各类终端设备的接入带宽需求不断增长，同时增加了光纤接入网和数据中心等短距离光纤通信系统接入端的压力。这对光纤传输系统在带宽、网络容量、业务支撑能力及整体性能等方面提出了新的要求。因此，在提高传输容量的同时还要兼顾系统成本和复杂度，基于低带宽器件和低成本的强度调制/直接检测(IM/DD)传输技术是首选方案。其中，面向光通信系统应用的直接调制激光器(DML)具有结构简单、部署成本低等优势，成为当前调制器件中的主流选择。此外，PAM-4由于其较高的频谱效率且复杂度较低，已被IEEE P802.3bs任务组选为400G以太网的标准格式。然而，基于DML的光纤传输系统面临着来自带宽限制引起的码间串扰和频率啁啾与光纤色散相互作用导致的严重非线性损伤两大挑战。因此，需要对信号损伤进行补偿和均衡处理。
研究表明，现有均衡方案以解决带限器件引起的码间干扰为主。其中，均衡技术可以分为基于数字信号处理(DSP)以及新兴的机器学习算法。而传统电信号的均衡方案主要基于前馈均衡器(FFE)和判决反馈均衡器(DFE)进行改进，但该种方案所需训练序列较长，一定程度上降低了有效信息率，运算复杂度较高，且在失真严重的信道中性能有限。而基于机器学习的均衡算法虽然在消除信号码间干扰有一定作用，但在系统实现成本、算法性能有效性以及计算复杂度等方面存在一定的缺陷。此外，这些方案难以均衡基于DML的光传输系统中的非线性损伤，如啁啾与色散相互作用引起的频率衰落、信号与信号间的拍频干扰以及光纤非线性等。
因此，为了消除基于DML的光纤通信系统中的非线性失真，现已有一些均衡方案。其中，应用较多的是基于Volterra滤波器的均衡器(VE)，但其受限于系统的实现难度和计算复杂度，特别是二阶及三阶VE需要几十乃至几百抽头，才能达到令人满意的性能，大大提高了系统的实现复杂度。而目前已有的基于机器学习算法用于DML啁啾效应及非线性干扰的性能提升方面的方案较少。因此，需要探索新型高效的算法及突破性技术，保证算法低复杂度的同时消除带宽限制导致的线性效应及啁啾引起的非线性效应，以进一步提高短距离光纤通信系统的频谱效率、增强抗色散能力、提高接收机灵敏度、扩展传输容量。
发明内容
针对现有技术中的缺陷，本发明提供了基于SVM训练的权重系数迁移的改进Volterra均衡器的均衡方法。
为了实现本发明的发明目的，本发明采取如下技术方案：
基于SVM训练的权重系数迁移的改进Volterra滤波器的均衡方法，应用于高速光纤传输系统，所述均衡方法包括以下步骤：
S1、经过光纤传输的光信号经过解调后，从接收端的接收信号中提取训练序列；
S2、根据Volterra滤波器的结构为训练序列构建特征向量，并构建训练集；
S3、将训练集输入SVM训练器，通过计算得到最优超平面；
S4、提取最优超平面的法向量作为权重系数，并将其迁移至Volterra滤波器中作为抽头系数；
S5、将待测信号序列输入步骤S4得到的Volterra滤波器，并对Volterra滤波器的输出进行判决，从而实现信道均衡。
作为优选方案，所述高速光纤传输系统是基于直接调制激光器的短距离光纤通信系统，具有器件带限引起的码间干扰以及啁啾效应引起的非线性损伤。
作为优选方案，所述步骤S1中，所述训练序列是伪随机序列。
作为优选方案，所述步骤S2中，Volterra滤波器为三阶Volterra滤波器，包括前向滤波器和反馈滤波器。
作为优选方案，所述步骤S2中，特征向量的构建，包括：训练序列中每个原始信号数据、经过抽头延时器处理的信号数据以及接收的信号数据作为特征构建特征向量；
训练集的构建，包括：根据原始信号数据对应设置标签，将其构建的特征向量及其对应的标签构建训练集。
作为优选方案，所述步骤S3中，所述训练集中的数据，包括信号数据及其平方项和立方项。
作为优选方案，所述步骤S3中，最优超平面的计算方法，包括：
(1)初始化超平面，计算各特征向量点至超平面的距离，将距离超平面最近的特征向量点作为支持向量；
(2)调节超平面使支持向量到超平面的间隔和最大化；
(3)根据拉格朗日数乘法求凸优化问题的条件极值，得到超平面法向量和截距与拉格朗日乘子的对应关系；
(4)根据对偶问题、SMO算法求出拉格朗日乘子，继而得到最优超平面。
作为优选方案，所述步骤S5中，所述判决的判决门限为不同类别的偏移量，不同类别的偏移量为不同类别的数据至最优超平面的平均距离。
作为优选方案，所述的基于SVM训练的权重系数迁移的改进Volterra滤波器的均衡方法，还包括：
S6、信号序列每隔一定数据长度构成训练序列，返回步骤S2。。
本发明考虑将SVM中训练的权重系数迁移至Volterra滤波器的抽头系数，并充分考虑了三阶Volterra滤波器模型、SVM训练权重系数算法以及DML光纤信道模型的特点。首先，在SVM中训练计算出最优超平面，提取最优超平面的法向量，将法向量作为权重系数迁移至Volterra滤波器的抽头系数，在保证均衡性能的同时，可以大幅减少计算复杂度。将构建的特征向量输入到SMO算法中求出最优超平面，之后提取出最优超平面的法向量，将其迁移至Volterra滤波器的抽头系数，SVM充分利用了SMO算法的高效性，相比于传统的自适应算法只需较短的训练序列就可以完成对信道的均衡；并计算不同类别的数据对最优超平面的平均距离，对输入的信息序列进行判决实现均衡，最后经过解调恢复出原信号。此外，本发明使用了信号数据的一次项、平方项和立方项，进一步缓解了系统中的拍频干扰以及非线性损伤。考虑到光纤信道的时变特性，在信息序列中插入训练序列，多次重新训练得到最优超平面保证均衡的效果。
与现有技术相比，本发明具有如下的有益效果：
1、本发明与传统Volterra均衡器相比，将SVM计算出的最优超平面的权重系数迁移至Volterra滤波器，不再使用传统的自适应算法更新滤波器的抽头系数，降低了系统的时间成本以及计算复杂度；
2、本发明的均衡方法引入信号的平方项和立方项，进一步降低了系统中的非线性效应对性能的影响；
3、本发明的均衡方法，与传统的Volterra均衡器相比，减少了滤波器所用的抽头数，降低了误码率，提高了均衡精度；此外，本发明受训练序列长度影响较小，一定程度上降低了均衡器的开支。
附图说明
图1为本发明实施例的基于DML的高速光纤传输系统的结构示意图；
图2为本发明实施例的基于SVM训练的权重系数迁移的改进Volterra滤波器的均衡方法的流程图；
图3为本发明实施例的光纤传输系统经过10km光纤传输后，在不同均衡算法下的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。
本发明提供了一种将SVM训练得到的权重系数迁移至三阶Volterra滤波器的均衡技术，利用信号的平方项和立方项，补偿信道非线性效应；提取超平面的法向量，将其迁移至滤波器的抽头系数，在提高均衡性能的同时，大幅降低了计算复杂度。SVM分类器充分利用了SMO算法的高效性，替代了传统的自适应算法更新滤波器抽头系数的过程，相比于传统的自适应算法只需较短的训练序列就可以完成对信道的均衡。
如图1所示，本发明实施例的基于DML的高速光线传输系统，包括：传输(Tx)模块、接收(Rx)模块以及光纤信道。
Tx模块将包含训练序列的高速PAM光信号通过光纤信道发送至Rx模块，由Rx模块将光信号转化为相应的电信号；采样后基于Volterra构建特征向量，之后注入SVM训练器模块，以得到滤波器的抽头系数以及判决门限，最后进行信号均衡，得到均衡后的信息数据。
具体地，Tx模块包括：数字信号模块、高速率PAM信号调制模块、直接调制激光器；数字信号模块产生的数字信号输入到高速率PAM信号调制模块，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、可调光衰减器、实时示波器、基于Volterra构建特征向量模块、SVM训练器(即SVM均衡器)、解调模块和数据输出；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，完成基于滤波器结构构建特征向量，之后输入SVM训练器；其中，信号进入均衡模块时，包括信号的一次项、平方项以及立方项。SVM训练器模块通过计算得到最优超平面，提取最优超平面的法向量作为权重系数，并将其迁移至Volterra滤波器的抽头系数；之后计算不同数据对最优超平面的平均距离，得到判决门限，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。
具体地，如图2所示，本发明实施例的基于SVM训练的权重系数迁移的改进Volterra滤波器的均衡方法，包括以下步骤：
步骤1：高阶光信号经过单模光纤传输到达接收端后，通过光电探测器进行光电转换，解调后，得到接收端的接收信号；
步骤2：提取接收信号中的训练序列，并根据Volterra滤波器的结构为训练序列构建特征向量；
步骤3：训练序列发生器重新产生训练序列，作为对应特征向量的标签，构成训练集；
步骤4：将训练集输入到SVM训练器中，通过计算得到其最优超平面；
步骤5：提取最优超平面的法向量，将其作为权重系数迁移至Volterra滤波器中，并将其直接用作滤波器的抽头系数；
步骤6：将待测信号序列输入步骤S4得到的Volterra滤波器，并对Volterra滤波器的输出进行判决，从而实现信道均衡；
步骤7：信号序列每隔一定长度返回到步骤2，重新构建特征向量，并训练最优超平面。
具体地，对使用的术语进行介绍：
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；图3中所用来比较的信号为PAM-4信号。
2、DML是指直接调制激光器，其具有结构简单，部署成本低等优点；而在DML中，光强度调制同时伴随着频率调制，产生啁啾现象，并使光谱被展宽，在光纤色散作用下，产生码间串扰，造成接收端眼图闭合，产生一系列的非线性问题。本发明的应用场景是基于带宽限制的DML光纤传输系统。
3、第i个码元的特征向量值X(i)可以描述为：
X(i)＝[r(i+m-1)，…，r(i+1)，r(i)，s(i-1)，…，s(i-n)]T
其中，r(i)表示当前码元；s(i-1)，…，s(i-n)表示先前信号对应的数据；r(i+m-1)，…，r(i+1)表示后续接收到的信号数据。
4、训练集由特征向量和标签组成，描述为：{(X1，l1)，(X2，l2)，…，(XN，lN)}。
5、Volterra滤波器是一种具有广泛应用前景的非线性滤波器，其综合考虑系统的线性结构和非线性结构，十分适合构建各种系统的非线性模型，有着广阔的应用前景。应用基于Volterra滤波器的非线性自适应均衡器有利于提高系统性能。然而，在实际的应用场景中，二阶及三阶Volterra需要几十甚至上百抽头才能达到令人满意的效果，抽头长度影响了计算复杂度，并在一定程度上增加了误差。
6、三阶Volterra滤波器输入与输出之间的关系可以表示为：
Figure BDA0002864376180000061
其中，xn和yn分别是第n个接收和恢复的样本；Lp是p阶记忆长度；wp是p阶均衡系数，即滤波器抽头系数。具体地，进入均衡模块训练的信号X，包括信号的一次项、平方项以及立方项，可以进一步补偿系统的非线性损伤，可以描述为：
Figure BDA0002864376180000062
7、基于线性核函数的超平面可以描述为：
WT·X+b＝0
其中，W是超平面的法向量，b是到坐标原点的偏移。
8、SVM是一种基于统计学习理论的机器学习算法，其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，因此本发明考虑采用构建特征向量并提取超平面法向量，将其迁移至Volterra滤波器中，在信号均衡中提高系统性能。
9、最小化优化(SMO)算法是用来求解SVM中最优超平面问题的一种二次规划算法，在本发明中，其替代了传统的RLS、LMS等自适应算法更新滤波器抽头系数的过程。
步骤1中：所述光纤传输系统是基于DML的短距离光纤通信系统，同时，该系统沿用10G低带宽器件。因此，该系统存在器件带限引起的码间干扰以及啁啾与光纤色散相互作用对信号造成的非线性损伤。
步骤2中：具体描述为：
(1)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；
(2)Volterra滤波器包括前向滤波器和反馈滤波器两部分，且为三阶Volterra滤波器；
(3)特征向量构建方法为：利用抽头延时器，训练序列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。
步骤3中：训练序列中数据的标签，是指接收端训练序列发生器重新产生的对应数据。将构建的训练序列特征向量及其对应的标签，一起构成训练集。
步骤4中：最优超平面的计算方法具体为：
(1)初始化超平面，求各特征向量点到超平面的距离，将距离超平面最近的特征向量点作为支持向量；
(2)调节超平面使支持向量到超平面的间隔和最大化；
(3)根据拉格朗日数乘法求凸优化问题的条件极值，得到超平面法向量和截距与拉格朗日乘子的对应关系；
(4)根据对偶问题、SMO算法求出拉格朗日乘子，继而得到最优超平面。
步骤5中：权重系数迁移具体为：
(1)提取最优超平面的法向量作为权重系数，并将其迁移至Volterra滤波器的抽头系数，以替代传统自适应算法更新抽头系数，对后续数据进行有效均衡；
(2)偏移量是通过计算不同类别数据到最优超平面的平均距离得到的。
步骤6中：所述判决是根据步骤5中计算的偏移量作为不同类别的判决门限来实现的，判决的判决门限为不同类别的偏移量，不同类别的偏移量为不同类别的数据至最优超平面的平均距离。
步骤7中：信号序列每隔一定数据长度重新训练最优超平面是由于信道并不是严格的时不变信道，因此每N个信息序列均衡完后，返回步骤2重新提取训练序列构建特征向量，并重新计算最优超平面。
图3为PAM-4调制的DML光纤传输系统在经过10km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(dBm)，纵轴是误码率大小。图例“Volterra”是传统Volterra滤波器；图例“SVM”是使用基于SVM算法的均衡器；图例“proposed”是本发明的一个实例。从结果中可以看出，本发明将SVM训练的权重系数迁移至Volterra滤波器的抽头系数，得到了比Volterra均衡器以及SVM均衡器更优的性能。并且利用了信号的平方项和立方项，进一步消除了系统中的非线性干扰，在系统性能上得到了有效提升，进一步提高了系统的BER性能。
综上所述，本发明涉及基于SVM训练的权重系数的改进三阶Volterra滤波器的均衡方法，将在SVM中训练的权重系数迁移至Volterra滤波器的抽头系数，并利用信号的平方项和立方项，进一步解决了DML中啁啾效应与光纤色散相互作用产生的信号失真等非线性损伤。在提高均衡性能的同时，替代传统自适应算法更新抽头系数的过程，大幅减少了计算以及实现复杂度。因此，本发明的均衡方法能较好的适用于基于DML的高阶PAM调制光纤传输系统。
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 (9)

1.基于SVM训练的权重系数迁移的改进Volterra滤波器的均衡方法，应用于高速光纤传输系统，其特征在于，所述均衡方法包括以下步骤：
S1、经过光纤传输的光信号经过解调后，从接收端的接收信号中提取训练序列；
S2、根据Volterra滤波器的结构为训练序列构建特征向量，并构建训练集；
S3、将训练集输入SVM训练器，通过计算得到最优超平面；
S4、提取最优超平面的法向量作为权重系数，并将其迁移至Volterra滤波器中作为抽头系数；
S5、将待测信号序列输入步骤S4得到的Volterra滤波器，并对Volterra滤波器的输出进行判决，从而实现信道均衡。
2.根据权利要求1所述的基于SVM训练的权重系数迁移的改进Volterra滤波器的均衡方法，其特征在于，所述高速光纤传输系统是基于直接调制激光器的短距离光纤通信系统，具有器件带限引起的码间干扰以及啁啾效应引起的非线性损伤。
3.根据权利要求2所述的基于SVM训练的权重系数迁移的改进Volterra滤波器的均衡方法，其特征在于，所述步骤S1中，所述训练序列是伪随机序列。
4.根据权利要求3所述的基于SVM训练的权重系数迁移的改进Volterra滤波器的均衡方法，其特征在于，所述步骤S2中，Volterra滤波器为三阶Volterra滤波器，包括前向滤波器和反馈滤波器。
5.根据权利要求4所述的基于SVM训练的权重系数迁移的改进Volterra滤波器的均衡方法，其特征在于，所述步骤S2中，特征向量的构建，包括：训练序列中每个原始信号数据、经过抽头延时器处理的信号数据以及接收的信号数据作为特征构建特征向量；
训练集的构建，包括：根据原始信号数据对应设置标签，将其构建的特征向量及其对应的标签构建训练集。
6.根据权利要求5所述的基于SVM训练的权重系数迁移的改进Volterra滤波器的均衡方法，其特征在于，所述步骤S3中，所述训练集中的数据，包括信号数据及其平方项和立方项。
7.根据权利要求6所述的基于SVM训练的权重系数迁移的改进Volterra滤波器的均衡方法，其特征在于，所述步骤S3中，最优超平面的计算方法，包括：
(1)初始化超平面，计算各特征向量点至超平面的距离，将距离超平面最近的特征向量点作为支持向量；
(2)调节超平面使支持向量到超平面的间隔和最大化；
(3)根据拉格朗日数乘法求凸优化问题的条件极值，得到超平面法向量和截距与拉格朗日乘子的对应关系；
(4)根据对偶问题、SMO算法求出拉格朗日乘子，继而得到最优超平面。
8.根据权利要求7所述的基于SVM训练的权重系数迁移的改进Volterra滤波器的均衡方法，其特征在于，所述步骤S5中，所述判决的判决门限为不同类别的偏移量，不同类别的偏移量为不同类别的数据至最优超平面的平均距离。
9.根据权利要求1-8任一项所述的基于SVM训练的权重系数迁移的改进Volterra滤波器的均衡方法，其特征在于，还包括：
S6、信号序列每隔一定数据长度构成训练序列，返回步骤S2。
CN202011579164.6A 2020-12-28 2020-12-28 基于SVM训练的权重系数迁移的改进Volterra滤波器的均衡方法 Pending CN112598072A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011579164.6A CN112598072A (zh) 2020-12-28 2020-12-28 基于SVM训练的权重系数迁移的改进Volterra滤波器的均衡方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011579164.6A CN112598072A (zh) 2020-12-28 2020-12-28 基于SVM训练的权重系数迁移的改进Volterra滤波器的均衡方法

Publications (1)

Publication Number Publication Date
CN112598072A true CN112598072A (zh) 2021-04-02

Family

ID=75203739

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011579164.6A Pending CN112598072A (zh) 2020-12-28 2020-12-28 基于SVM训练的权重系数迁移的改进Volterra滤波器的均衡方法

Country Status (1)

Country Link
CN (1) CN112598072A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113556173A (zh) * 2021-09-18 2021-10-26 北京邮电大学 非线性区光信噪比监测方法和装置
CN113904732A (zh) * 2021-09-18 2022-01-07 深圳市埃尔法光电科技有限公司 一种光互连信号损伤抑制方法、接收装置及光互连系统
CN114204993A (zh) * 2021-12-15 2022-03-18 杭州电子科技大学 基于多项式映射的特征构建的非线性均衡方法及系统
CN114301529A (zh) * 2021-12-31 2022-04-08 杭州电子科技大学 基于多符号处理的Volterra均衡方法及系统
CN116015509A (zh) * 2022-12-27 2023-04-25 华中科技大学 一种应用于DML/DD系统的Volterra滤波器建立方法、装置及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100074320A1 (en) * 2005-10-27 2010-03-25 Sung-Ik Park Apparatus for equalizing decision feedback based on channel properties change and method therefor
CN108494488A (zh) * 2018-02-12 2018-09-04 杭州电子科技大学 用于短距离光通信系统的基于dfe的svm均衡方法
CN108667523A (zh) * 2018-03-06 2018-10-16 苏州大学 基于无数据辅助的knn算法的光纤非线性均衡方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100074320A1 (en) * 2005-10-27 2010-03-25 Sung-Ik Park Apparatus for equalizing decision feedback based on channel properties change and method therefor
CN108494488A (zh) * 2018-02-12 2018-09-04 杭州电子科技大学 用于短距离光通信系统的基于dfe的svm均衡方法
CN108667523A (zh) * 2018-03-06 2018-10-16 苏州大学 基于无数据辅助的knn算法的光纤非线性均衡方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
MEIHUA BI等: "A Powerful Equalizer Based on Modified SVM Classifier Without Nonlinear Kernel Enabled 100-Gb/s NG-EPON System With 10-G Class", 《HTTPS://IEEEXPLORE.IEEE.ORG/ABSTRACT/DOCUMENT/8723325》》, 27 May 2019 (2019-05-27), pages 71185 - 71194 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113556173A (zh) * 2021-09-18 2021-10-26 北京邮电大学 非线性区光信噪比监测方法和装置
CN113904732A (zh) * 2021-09-18 2022-01-07 深圳市埃尔法光电科技有限公司 一种光互连信号损伤抑制方法、接收装置及光互连系统
CN114204993A (zh) * 2021-12-15 2022-03-18 杭州电子科技大学 基于多项式映射的特征构建的非线性均衡方法及系统
CN114204993B (zh) * 2021-12-15 2023-08-04 杭州电子科技大学 基于多项式映射的特征构建的非线性均衡方法及系统
CN114301529A (zh) * 2021-12-31 2022-04-08 杭州电子科技大学 基于多符号处理的Volterra均衡方法及系统
CN114301529B (zh) * 2021-12-31 2024-04-02 杭州电子科技大学 基于多符号处理的Volterra均衡方法及系统
CN116015509A (zh) * 2022-12-27 2023-04-25 华中科技大学 一种应用于DML/DD系统的Volterra滤波器建立方法、装置及系统
CN116015509B (zh) * 2022-12-27 2023-09-29 华中科技大学 一种应用于DML/DD系统的Volterra滤波器建立方法、装置及系统

Similar Documents

Publication Publication Date Title
CN112598072A (zh) 基于SVM训练的权重系数迁移的改进Volterra滤波器的均衡方法
JP7181303B2 (ja) ニューラルネットワークを用いた光ファイバ非線形性補償
CN108123908B (zh) 一种用于ng-pon的改进svm均衡方法及系统
WO2019191099A1 (en) Non-linear adaptive neural network equalizer in optical communication
CN108494488B (zh) 用于短距离光通信系统的基于dfe的svm均衡方法
CN109818889B (zh) 用于高阶pam光传输系统中的svm分类器优化的均衡算法
CN114039670B (zh) 一种模分复用通信系统非线性损伤补偿方法
Li et al. Convolutional neural network-aided DP-64 QAM coherent optical communication systems
Li et al. 100Gbps IM/DD transmission over 25km SSMF using 20G-class DML and PIN enabled by machine learning
CN109740690A (zh) 用于短距离光通信的基于特征工程的knn均衡算法
Li et al. Enhanced performance of a phosphorescent white LED CAP 64QAM VLC system utilizing deep neural network (DNN) post equalization
CN111313971B (zh) 一种用于IMDD短距离光通信系统改进的Lightgbm均衡系统及方法
Liang et al. Experimental study of support vector machine based nonlinear equalizer for VCSEL based optical interconnect
Yi et al. Neural network-based equalization in high-speed PONs
CN108521384B (zh) 用于低带宽高速光通信的最大化方差数据选择的svm均衡方法及系统
CN111988249B (zh) 一种基于自适应神经网络的接收端均衡方法及接收端
Zhang et al. An improved end-to-end optical transmission system based on deep learning
Xi et al. Simplified SVM equalization algorithm based on single hyperplane training enabled 50Gb/s PAM-4/8 with 10-G optics in NG-PON system
CN114124223B (zh) 一种卷积神经网络光纤均衡器生成方法及系统
CN115765876A (zh) 一种基于改进lstm非线性均衡器的概率整形信号均衡方法
CN112737688A (zh) 一种基于信道特征迁移的dsp均衡方法及系统
CN113452638B (zh) 一种正交啁啾复用光传输方法和系统
Chen et al. Machine learning of SVM classification utilizing complete binary tree structure for PAM-4/8 optical interconnection
CN115882959A (zh) 一种基于机器学习的非线性补偿方法
Glentis et al. Electronic dispersion compensation of fiber links using sparsity induced volterra equalizers

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