CN112737547A - 一种基于卡尔曼滤波的信号补偿方法及装置 - Google Patents

一种基于卡尔曼滤波的信号补偿方法及装置 Download PDF

Info

Publication number
CN112737547A
CN112737547A CN202011507614.0A CN202011507614A CN112737547A CN 112737547 A CN112737547 A CN 112737547A CN 202011507614 A CN202011507614 A CN 202011507614A CN 112737547 A CN112737547 A CN 112737547A
Authority
CN
China
Prior art keywords
optical fiber
kalman filter
processed
signal
fiber signal
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
CN202011507614.0A
Other languages
English (en)
Inventor
张奇
张晓光
肖晓晟
席丽霞
张文博
崔楠
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.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
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 Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN202011507614.0A priority Critical patent/CN112737547A/zh
Publication of CN112737547A publication Critical patent/CN112737547A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H21/00—Adaptive networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Optical Communication System (AREA)

Abstract

本发明提供一种基于卡尔曼滤波的信号补偿方法及装置，该方法包括：获取待处理光纤信号；通过对角化卡尔曼滤波器算法对所述待处理光纤信号进行最优估计，得到目标光纤信号；其中，所述对角化卡尔曼滤波器算法迭代过程中的协方差矩阵为对角矩阵。通过采用了对角矩阵的对角化卡尔曼滤波器算法，其对滤波过程中的协方差矩阵P进行对角化使其变为对角矩阵，在保证卡尔曼滤波算法性能的前提下大大降低矩阵运算的复杂度，因此通过对角化卡尔曼滤波器算法对所述待处理光纤信号进行最优估计，得到目标光纤信号的过程，能够极大的简化运算的复杂度，有效提高运算速度。

Description

一种基于卡尔曼滤波的信号补偿方法及装置
技术领域
本发明涉及信号处理技术领域，尤其涉及一种基于卡尔曼滤波的信号补偿方法及装置。
背景技术
随着物联网、人工智能等业务的蓬勃发展，全球信息流量呈爆炸式增长，作为传输信息骨干的光纤通信系统朝着超高速率、超大容量的方向发展。然而，在高速光纤通信系统快速发展的过程中，却出现了一个令所有通信设备商都非常头痛的难题。
雷电下的强电场与强磁场会在光纤中引发克尔效应与法拉第效应，进而在雷电周围可达几百公里的光纤中产生快速变化的双折射，引发光纤中产生高达兆弧度每秒的超快偏振态变化(RSOP)以及数倍符号周期的大偏振模色散(PMD)，超过了现有接收机中预设的偏振均衡算法的跟踪能力(现有商用的100G光纤通信系统中，基于多输入多输出(MIMO)结构的恒模算法(CMA))是最常用的偏振损伤均衡算法)，造成接收机失锁，通信中断。
卡尔曼滤波器是一种在噪声背景下恢复数据的信息处理方法，由鲁道夫.E.卡尔曼(Rudolph E.Kalman)在1960年提出。最早的卡尔曼滤波器是针对线性系统设计的，后来Busy和Sunahara提出了扩展的卡尔曼滤波器(EKF:extended Kalman Filter)使其不再局限于线性系统的要求。卡尔曼滤波器广泛应用于飞机及太空船的导引，导航及控制，机器人运动规划及控制、信号处理等领域。此外，卡尔曼滤波算法依据其所需存储量小，收敛速度快的优势，在光纤通信系统的损伤均衡中也表现出了卓越的性能。
但是卡尔曼滤波器算法的运行过程多以矩阵乘加的形式进行迭代，故其良好的滤波性能需要以极高的复杂度为代价。
因此，如何更够更好的通过卡尔曼滤波器算法来进行光纤信号的补偿，已经成为业界亟待解决的问题。
发明内容
本发明提供一种基于卡尔曼滤波的信号补偿方法及装置，用以解决现有技术中卡尔曼滤波器算法在光纤信号补偿的过程中，算法复杂度太高的问题。
本发明提供一种基于卡尔曼滤波的信号补偿方法，包括：
获取待处理光纤信号；
通过对角化卡尔曼滤波器算法对所述待处理光纤信号进行最优估计，得到目标光纤信号；
其中，所述对角化卡尔曼滤波器算法迭代过程中的协方差矩阵为对角矩阵。
根据本发明提供的一种基于卡尔曼滤波的信号补偿方法，所述对角矩阵具体是将协方差矩阵中的非对角线元素进行简化，得到仅保留对角线元素的对角矩阵。
根据本发明提供的一种基于卡尔曼滤波的信号补偿方法，通过对角化卡尔曼滤波器算法对所述待处理光纤信号进行最优估计的步骤，具体包括：
通过对角化卡尔曼滤波器算法对于待处理光纤信号中的超快偏振态变化RSOP和待处理光纤信号中的偏振模色散PMD进行最优估计，得到预估RSOP和预估PMD；
以根据所述预估RSOP和预估PMD得到目标光纤信号。
根据本发明提供的一种基于卡尔曼滤波的信号补偿方法，通过对角化卡尔曼滤波器算法对所述待处理光纤信号进行最优估计的步骤，具体还包括：
初始化卡尔曼滤波器后，对待处理光纤信号进行先验估计和协方差计算，得到光纤信号的先验估计结果；
然后根据所述先验估计结果进行卡尔曼增益计算，得到增益信息；
根据所述增益信息进行光纤信号的后验估计和协方差计算，得到目标光纤信号。
本发明还提供一种基于卡尔曼滤波的信号补偿装置，包括：
获取模块，用于获取待处理光纤信号；
补偿模块，用于通过对角化卡尔曼滤波器算法对所述待处理光纤信号进行最优估计，得到目标光纤信号；
其中，所述对角化卡尔曼滤波器算法迭代过程中的协方差矩阵为对角矩阵。
基于本发明提供的一种基于卡尔曼滤波的信号补偿装置，所述对角矩阵具体是将协方差矩阵中的非对角线元素进行简化，得到仅保留对角线元素的对角矩阵。
基于本发明提供的一种基于卡尔曼滤波的信号补偿装置，所述补偿模块，具体用于：
通过对角化卡尔曼滤波器算法对于待处理光纤信号中的超快偏振态变化RSOP和待处理光纤信号中的偏振模色散PMD进行最优估计，得到预估RSOP和预估PMD；
根据所述预估RSOP和预估PMD得到目标光纤信号。
基于本发明提供的一种基于卡尔曼滤波的信号补偿装置，所述补偿模块，具体还用于：
初始化卡尔曼滤波器后，对待处理光纤信号进行先验估计和协方差计算，得到光纤信号的先验估计结果；
然后根据所述先验估计结果进行卡尔曼增益计算，得到增益信息；
根据所述增益信息进行光纤信号的后验估计和协方差计算，得到目标光纤信号。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于卡尔曼滤波的信号补偿方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于卡尔曼滤波的信号补偿方法的步骤。
本发明提供的一种基于卡尔曼滤波的信号补偿方法及装置，通过采用了对角矩阵的对角化卡尔曼滤波器算法，其对滤波过程中的协方差矩阵P进行对角化使其变为对角矩阵，在保证卡尔曼滤波算法性能的前提下大大降低矩阵运算的复杂度，因此通过对角化卡尔曼滤波器算法对所述待处理光纤信号进行最优估计，得到目标光纤信号的过程，能够极大的简化运算的复杂度，有效提高运算速度。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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是本发明提供的基于卡尔曼滤波的信号补偿方法的流程示意图；
图2为本发明提供的DEFK与EKF性能对比图及其部分放大图；
图3为本发明提供的EKF与DEKF性能对比图；
图4为本发明提供的卡尔曼滤波的信号补偿装置示意图；
图5为本发明提供的电子设备的实体结构示意图。
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，下面将结合本发明中的附图，对本发明中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作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。
图1是本发明提供的基于卡尔曼滤波的信号补偿方法的流程示意图，如图1所示，包括：
步骤S1，获取待处理光纤信号；
具体的，本发明中所描述的待处理光纤信号是指在雷电的强电场和强磁场在光纤中引发克尔效应与法拉第效应时，所获取的光纤信号。
若该光纤信号不经过去噪处理，其会造成接收机失锁，通信终端。
步骤S2，通过对角化卡尔曼滤波器算法对所述待处理光纤信号进行最优估计，得到目标光纤信号；
其中，所述对角化卡尔曼滤波器算法迭代过程中的协方差矩阵为对角矩阵。
具体的，本发明针对传统的扩展卡尔曼滤波器(Extended Kalman filter；EKF)由于本身大量的矩阵乘加运算所导致的高复杂度的问题提出了对角化卡尔曼滤波器算法(Diagonalized Extended Kalman Filter；DEKF)，即将卡尔曼滤波器算法在更新迭代过程中的误差协方差矩阵，变为对角矩阵，只保留原矩阵的对角线元素，其余非对角线元素均设为零，从而降低矩阵的乘加运算的复杂度。同时由于卡尔曼滤波器本身是基于最小均方误差(LMSE)思想的滤波算法，在状态量不相关的条件下，对角阵可以最大限度的保留了对状态量误差的估计，从而保证滤波算法的性能。因此，本发明提出的对角化的卡尔曼滤波器可以在保证性能的前提下大大降低算法的复杂度。
在相干光通信系统的偏分解复用过程中DEKF工作性能与EKF大致相同，同时其复杂度相较于EKF降低30％左右。
本发明通过采用了对角矩阵的对角化卡尔曼滤波器算法，其对滤波过程中的协方差矩阵P进行对角化使其变为对角矩阵，在保证卡尔曼滤波算法性能的前提下大大降低矩阵运算的复杂度，因此通过对角化卡尔曼滤波器算法对所述待处理光纤信号进行最优估计，得到目标光纤信号的过程，能够极大的简化运算的复杂度，有效提高运算速度。
可选的，所述对角矩阵具体是将协方差矩阵中的非对角线元素进行简化，得到仅保留对角线元素的对角矩阵。
具体的，本发明中所描述的假设k时刻，有一个真实但未知的n维状态向量xk＝[xk1,xk2,…,xkn]T，其各元素之间相互独立。其后验估计误差为
Figure BDA0002845377200000061
后验估计误差协方差矩阵为
Figure BDA0002845377200000062
其中E()表示期望。
本发明把后验误差协方差矩阵展开，可以得到公式(1)的形式。由协方差矩阵的定义本发明得知该矩阵是一个维度等于状态量个数的方阵(n×n)。
Figure BDA0002845377200000063
假设本发明选择的各个状态量相互独立，则式(1)中的非对角线元素可以进行简化，这里本发明以第一行第二列元素为例：
Figure BDA0002845377200000064
由卡尔曼滤波器的工作原理可知，算法收敛时，卡尔曼滤波器迭代过程中真实状态量的期望值应为状态量的后验估计值，即
Figure BDA0002845377200000065
故(2)式的非对角线元素都变为0，从而使后验估计误差协方差矩阵变成一个对角矩阵：
Figure BDA0002845377200000071
由于误差协方差矩阵P简化为了一个对角矩阵，因此在卡尔曼滤波器算法中进行乘加运算时，只计算对角元素即可，这使得计算量大大降低。表1给出了每符号EKF和DEKF两种算法的复杂度对比。
表1：EKF和DEKF两种算法的复杂度对比(每符号)
Figure BDA0002845377200000072
其中n代表着状态量的个数，#和##代表着计算雅可比矩阵H的复杂度，通常与n呈线性关系。这一部分两算法是相同的，且与算法的具体结构及补偿矩阵有关。由表可见,EKF的复杂度与状态量的个数n呈三次幂关系(On3)，而DEFK与n呈线性关系(On)。因此状态量的个数越多，状态误差协方差矩阵P的维度就越大，这样对P进行对角化后计算复杂度的降低就越明显。除去计算复杂度的公共部分，当n＝1时EKF(24/14)与DEFK(24/14)两算法复杂度相同，因为此时误差协方差矩阵为一维的，不存在简化的情况。当n＝7时，EKF(714/626)对比DEKF(126/80)的复杂度的对比就相当明显。
由于DEKF与EKF有相同的结构，只是DEKF对误差协方差矩阵进行了对角简化。因此，针对具体的应用场景，对DEKF和EKF两种算法设计的要素应该是相同的。
本发明中通过简化后的对角化卡尔曼滤波器算法，极大的减少了卡尔曼滤波算法的复杂度，有效减少运算量。
可选的，通过对角化卡尔曼滤波器算法对所述待处理光纤信号进行最优估计的步骤，具体还包括：
初始化卡尔曼滤波器后，对待处理光纤信号进行先验估计和协方差计算，得到光纤信号的先验估计结果；
然后根据所述先验估计结果进行卡尔曼增益计算，得到增益信息；
根据所述增益信息进行光纤信号的后验估计和协方差计算，得到目标光纤信号。
具体的，EKF是一种基于最小均方差的最优估计算法，可以对含有噪声或者干扰的动态系统进行追踪或者补偿。其相应的算法流程可由下式(5)-(8)表示。其中EKF处理的系统可由方程组(4)所描述，x为状态向量，f(x)与h(x)是状态参量和测量量的实际非线性传递函数。设F,H为过程方程和测量方程的线性近似的传递矩阵
Figure BDA0002845377200000081
Figure BDA0002845377200000082
w,v分别是过程噪声和测量噪声(下标表示第k次迭代即k时刻的迭代)。
Figure BDA0002845377200000083
算法处理过程中进行反复迭代，首先根据公式(5)进行初始化，即初始位置的均值和协方差矩阵。其中
Figure BDA0002845377200000084
代表着k时刻的后验估计，
Figure BDA0002845377200000085
代表着k+1时刻的先验估计，P同理。对于第k次迭代，首先由k时刻的最佳后验估计及误差协方差矩阵根据公式(6)得到k+1时刻状态量的先验估计及误差协方差矩阵。之后利用公式(7)，计算KF增益(Kalman gain)。最后，利用卡尔曼增益和新息来对前一步得到的先验估计进行纠正和完善，得到新的估计均值和方差，如方程(8)所示。
初始化卡尔曼滤波器：
Figure BDA0002845377200000086
Figure BDA0002845377200000087
先验估计及协方差计算：
Figure BDA0002845377200000088
Kalman增益计算：
Figure BDA0002845377200000091
Figure BDA0002845377200000092
后验估计及协方差计算：
Figure BDA0002845377200000093
其中Q和R分别是过程噪声和测量噪声w,v的协方差矩阵。
值得注意的是，式(7)中的卡尔曼增益是根据LMSE原则由
Figure BDA0002845377200000094
得来，具体推导公式见公式(1)，其中tr表示求矩阵的迹即矩阵对角线元素的和，因此在各状态量不相关时，误差协方差矩阵P的对角线元素可以最大限度的保留对状态量误差的估计。
本发明通过采用了对角矩阵的对角化卡尔曼滤波器算法，其对滤波过程中的协方差矩阵P进行对角化使其变为对角矩阵，在保证卡尔曼滤波算法性能的前提下大大降低矩阵运算的复杂度，因此通过对角化卡尔曼滤波器算法对所述待处理光纤信号进行最优估计，得到目标光纤信号的过程，能够极大的简化运算的复杂度，有效提高运算速度。
可选的，为了验证本发明中提出的对角化卡尔曼滤波器(DEKF)有效性，本发明使用matlab搭建了28Gbaud基于QPSK调制的偏分复用相干光通信仿真系统(QPSK inpolarization division multiplexing coherent optical communication system,28GBaud PDM-QPSK)。设定7％FEC的硬判决门限，误码率3.8e-3为标准，在不同大小的RSOP下测试均衡方案的性能，并与原始的卡尔曼滤波器(EKF)进行性能及复杂度比较。
补偿原理：
对于RSOP，其补偿公式本发明选择三参量形式如式9所示。
Figure BDA0002845377200000095
其中κ,α和β表示RSOP的三个旋转角度。
所以将DEKF和EKF的状态量定为：
x＝(κ,α,β)T (10)
图2为本发明提供的DEFK与EKF性能对比图及其部分放大图，图3为本发明提供的EKF与DEKF性能对比图，如图2和图3所示，在图2中，本发明展示了在RSOP＝10Mrad/s的情况下DEKF与EKF的性能对比，可以看出两种算法性能相差无几，且可由放大图看出相比于无损伤的BTB曲线DEKF与EKF的OSNR代价都很小(分别为0.1dB及0.08dB)。
在图3中本发明对DEKF算法进行压力测试，测试其在RSOP持续增加至100Mrad/s级别下的工作情况。由图可看出其性能良好，且对比EKF算法的BER值差最大时仅0.0002。
本发明宏观地分析了DEKF算法相对于EKF算法的复杂度的降低，这一部分本发明针对其实际应用即补偿RSOP时的复杂度进行对比分析，其中一次复数乘法对应着4次实数加法和两次实数乘法。表2为在补偿RSOP时EKF与DEKF算法复杂度对比
表2在补偿RSOP时EKF与DEKF算法复杂度对比(每符号)
Real Multiplication Real addition
EKF n<sup>3</sup>+6n<sup>2</sup>+10n+7+9n n<sup>3</sup>+5n<sup>2</sup>+5n+3+6n
DEK 17n+7+9n 11n+3+6n
n表示着本发明选择的状态量的个数。基于实际情况，本发明可以灵活选择。在本文中本发明选择了3个参量，在其他场景下需要联合补偿损伤时状态量会增多，当n增加时，DEFK相对于EKF的复杂度减少的比例会更大。表3为在补偿RSOP时EKF与DEKF算法复杂度对比。
表3在补偿RSOP时EKF与DEKF算法复杂度对比(每符号)
Real Multiplication Real addition
EKF 145 108
DEKF 85 54
除此之外，值得注意的是，EKF是针对传统的应用于线性模型的卡尔曼滤波器(KF:Kalman Filter)的一阶线性近似，所以针对后验误差协方差矩阵P的简化也可以广泛用于线性系统的KF算法中。
本发明通过采用了对角矩阵的对角化卡尔曼滤波器算法，其对滤波过程中的协方差矩阵P进行对角化使其变为对角矩阵，在保证卡尔曼滤波算法性能的前提下大大降低矩阵运算的复杂度，因此通过对角化卡尔曼滤波器算法对所述待处理光纤信号进行最优估计，得到目标光纤信号的过程，能够极大的简化运算的复杂度，有效提高运算速度。
图4为本发明提供的卡尔曼滤波的信号补偿装置示意图，如图4所示，包括：获取模块410和补偿模块420；其中，获取模块410用于获取待处理光纤信号；其中，补偿模块420用于通过对角化卡尔曼滤波器算法对所述待处理光纤信号进行最优估计，得到目标光纤信号；其中，所述对角化卡尔曼滤波器算法迭代过程中的协方差矩阵为对角矩阵。
基于本发明提供的一种基于卡尔曼滤波的信号补偿装置，所述对角矩阵具体是将协方差矩阵中的非对角线元素进行简化，得到仅保留对角线元素的对角矩阵。
基于本发明提供的一种基于卡尔曼滤波的信号补偿装置，所述补偿模块，具体用于：
通过对角化卡尔曼滤波器算法对于待处理光纤信号中的超快偏振态变化RSOP和待处理光纤信号中的偏振模色散PMD进行最优估计，得到预估RSOP和预估PMD；
根据所述预估RSOP和预估PMD得到目标光纤信号。
基于本发明提供的一种基于卡尔曼滤波的信号补偿装置，所述补偿模块，具体还用于：
初始化卡尔曼滤波器后，对待处理光纤信号进行先验估计和协方差计算，得到光纤信号的先验估计结果；
然后根据所述先验估计结果进行卡尔曼增益计算，得到增益信息；
根据所述增益信息进行光纤信号的后验估计和协方差计算，得到目标光纤信号。
本发明通过采用了对角矩阵的对角化卡尔曼滤波器算法，其对滤波过程中的协方差矩阵P进行对角化使其变为对角矩阵，在保证卡尔曼滤波算法性能的前提下大大降低矩阵运算的复杂度，因此通过对角化卡尔曼滤波器算法对所述待处理光纤信号进行最优估计，得到目标光纤信号的过程，能够极大的简化运算的复杂度，有效提高运算速度。
图5为本发明提供的电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行基于卡尔曼滤波的信号补偿方法，该方法包括：获取待处理光纤信号；通过对角化卡尔曼滤波器算法对所述待处理光纤信号进行最优估计，得到目标光纤信号；其中，所述对角化卡尔曼滤波器算法迭代过程中的协方差矩阵为对角矩阵。
此外，上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的基于卡尔曼滤波的信号补偿方法，该方法包括：获取待处理光纤信号；通过对角化卡尔曼滤波器算法对所述待处理光纤信号进行最优估计，得到目标光纤信号；其中，所述对角化卡尔曼滤波器算法迭代过程中的协方差矩阵为对角矩阵。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的基于卡尔曼滤波的信号补偿方法，该方法包括：获取待处理光纤信号；通过对角化卡尔曼滤波器算法对所述待处理光纤信号进行最优估计，得到目标光纤信号；其中，所述对角化卡尔曼滤波器算法迭代过程中的协方差矩阵为对角矩阵。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于卡尔曼滤波的信号补偿方法，其特征在于，包括：
获取待处理光纤信号；
通过对角化卡尔曼滤波器算法对所述待处理光纤信号进行最优估计，得到目标光纤信号；
其中，所述对角化卡尔曼滤波器算法迭代过程中的协方差矩阵为对角矩阵。
2.根据权利要求1所述基于卡尔曼滤波的信号补偿方法，其特征在于，所述对角矩阵具体是将协方差矩阵中的非对角线元素进行简化，得到仅保留对角线元素的对角矩阵。
3.根据权利要求1所述基于卡尔曼滤波的信号补偿方法，其特征在于，通过对角化卡尔曼滤波器算法对所述待处理光纤信号进行最优估计的步骤，具体包括：
通过对角化卡尔曼滤波器算法对于待处理光纤信号中的超快偏振态变化RSOP和待处理光纤信号中的偏振模色散PMD进行最优估计，得到预估RSOP和预估PMD；
根据所述预估RSOP和预估PMD得到目标光纤信号。
4.根据权利要求1所述基于卡尔曼滤波的信号补偿方法，其特征在于，通过对角化卡尔曼滤波器算法对所述待处理光纤信号进行最优估计的步骤，具体还包括：
初始化卡尔曼滤波器后，对待处理光纤信号进行先验估计和协方差计算，得到光纤信号的先验估计结果；
然后根据所述先验估计结果进行卡尔曼增益计算，得到增益信息；
根据所述增益信息进行光纤信号的后验估计和协方差计算，得到目标光纤信号。
5.一种基于卡尔曼滤波的信号补偿装置，其特征在于，包括：
获取模块，用于获取待处理光纤信号；
补偿模块，用于通过对角化卡尔曼滤波器算法对所述待处理光纤信号进行最优估计，得到目标光纤信号；
其中，所述对角化卡尔曼滤波器算法迭代过程中的协方差矩阵为对角矩阵。
6.根据权利要求5所述基于卡尔曼滤波的信号补偿装置，其特征在于，所述对角矩阵具体是将协方差矩阵中的非对角线元素进行简化，得到仅保留对角线元素的对角矩阵。
7.根据权利要求5所述基于卡尔曼滤波的信号补偿装置，其特征在于，所述补偿模块，具体用于：
通过对角化卡尔曼滤波器算法对于待处理光纤信号中的超快偏振态变化RSOP和待处理光纤信号中的偏振模色散PMD进行最优估计，得到预估RSOP和预估PMD；
根据所述预估RSOP和预估PMD得到目标光纤信号。
8.根据权利要求5所述基于卡尔曼滤波的信号补偿装置，其特征在于，所述补偿模块，具体还用于：
初始化卡尔曼滤波器后，对待处理光纤信号进行先验估计和协方差计算，得到光纤信号的先验估计结果；
然后根据所述先验估计结果进行卡尔曼增益计算，得到增益信息；
根据所述增益信息进行光纤信号的后验估计和协方差计算，得到目标光纤信号。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至4任一项所述基于卡尔曼滤波的信号补偿方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述基于卡尔曼滤波的信号补偿方法的步骤。
CN202011507614.0A 2020-12-18 2020-12-18 一种基于卡尔曼滤波的信号补偿方法及装置 Pending CN112737547A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011507614.0A CN112737547A (zh) 2020-12-18 2020-12-18 一种基于卡尔曼滤波的信号补偿方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011507614.0A CN112737547A (zh) 2020-12-18 2020-12-18 一种基于卡尔曼滤波的信号补偿方法及装置

Publications (1)

Publication Number Publication Date
CN112737547A true CN112737547A (zh) 2021-04-30

Family

ID=75603372

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011507614.0A Pending CN112737547A (zh) 2020-12-18 2020-12-18 一种基于卡尔曼滤波的信号补偿方法及装置

Country Status (1)

Country Link
CN (1) CN112737547A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113708207A (zh) * 2021-11-01 2021-11-26 北京邮电大学 一种光纤拉曼放大器增益谱调控方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107289933A (zh) * 2017-06-28 2017-10-24 东南大学 基于mems传感器和vlc定位融合的双卡尔曼滤波导航装置和方法
CN107707310A (zh) * 2017-09-20 2018-02-16 哈尔滨工业大学深圳研究生院 一种基于自适应卡尔曼的偏振解复用和载波相位恢复方法
CN107809282A (zh) * 2017-10-13 2018-03-16 北京邮电大学 相干光纤偏分复用系统中极端场景下的均衡方法及设备
CN108055081A (zh) * 2017-12-26 2018-05-18 中山大学 面向空分/模分复用光纤通信系统的简化卡尔曼滤波器均衡方法
CN109000782A (zh) * 2018-09-27 2018-12-14 哈尔滨工程大学 一种基于卡尔曼滤波的椭圆拟合非线性误差校正方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107289933A (zh) * 2017-06-28 2017-10-24 东南大学 基于mems传感器和vlc定位融合的双卡尔曼滤波导航装置和方法
CN107707310A (zh) * 2017-09-20 2018-02-16 哈尔滨工业大学深圳研究生院 一种基于自适应卡尔曼的偏振解复用和载波相位恢复方法
CN107809282A (zh) * 2017-10-13 2018-03-16 北京邮电大学 相干光纤偏分复用系统中极端场景下的均衡方法及设备
CN108055081A (zh) * 2017-12-26 2018-05-18 中山大学 面向空分/模分复用光纤通信系统的简化卡尔曼滤波器均衡方法
CN109000782A (zh) * 2018-09-27 2018-12-14 哈尔滨工程大学 一种基于卡尔曼滤波的椭圆拟合非线性误差校正方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
齐园蕾等: "基于卡尔曼滤波的低复杂度去混响算法", 《应用声学》 *
齐园蕾等: "基于卡尔曼滤波的低复杂度去混响算法", 《应用声学》, no. 04, 9 July 2018 (2018-07-09) *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113708207A (zh) * 2021-11-01 2021-11-26 北京邮电大学 一种光纤拉曼放大器增益谱调控方法及装置
CN113708207B (zh) * 2021-11-01 2022-02-11 北京邮电大学 一种光纤拉曼放大器增益谱调控方法及装置

Similar Documents

Publication Publication Date Title
CN107809282B (zh) 相干光纤偏分复用系统中极端场景下的均衡方法及设备
Larimore et al. Convergence behavior of the constant modulus algorithm
CN113890796B (zh) 基于otfs系统调制解调的高速信道估计装置及方法
EP2445150B1 (en) Process for performing a QR decomposition of a channel matrix in a MIMO wireless communication system, and receiver for doing the same
Redyuk et al. Compensation of nonlinear impairments using inverse perturbation theory with reduced complexity
CN103780519A (zh) 基于lms的信道均衡和频偏估计联合并行方法
CN111917474B (zh) 一种隐式三元组神经网络及光纤非线性损伤均衡方法
CN112737547A (zh) 一种基于卡尔曼滤波的信号补偿方法及装置
CN111257929A (zh) 一种奇异值衰减的降秩去噪方法
Sasai et al. Closed-form expressions for fiber-nonlinearity-based longitudinal power profile estimation methods
Murli et al. The wiener filter and regularization methods for image restoration problems
US20040228420A1 (en) Smart antenna system and method
US20030091134A1 (en) Blind adaptive filtering method for receivers of communication systems
Yang et al. Joint adaptive blind channel estimation and data detection for MIMO-OFDM systems
Glentis et al. Electronic dispersion compensation of fiber links using sparsity induced volterra equalizers
CN108631904A (zh) 一种基于格基规约的模分复用系统损伤补偿方法
CN109639606B (zh) 单载波空间复用mimo的本振相位噪声估计方法、装置
Pitchaiah et al. Adaptive noise cancellation using LMS algorithm in Monte Carlo simulation
Yu et al. Distributed blind system identification in sensor networks
CN114759988B (zh) 一种基于残差判决自适应对角卡尔曼滤波方法及其应用
CN111865840B (zh) 一种信道估计方法和装置
KR20180046350A (ko) 안테나 단마다 독립적인 발진기를 갖는 다중입출력 시스템 및 그 위상잡음 제거 방법
Lawal et al. Blind MMSE equalizer for nonlinear SIMO systems
Cichocki et al. Nonlinear interference cancellation using neural networks
CN107306244B (zh) 一种对角加载方法和装置

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