CN113141325B - 光ofdm信号子载波调制格式识别模型训练方法、识别方法及装置 - Google Patents
光ofdm信号子载波调制格式识别模型训练方法、识别方法及装置 Download PDFInfo
- Publication number
- CN113141325B CN113141325B CN202110400037.3A CN202110400037A CN113141325B CN 113141325 B CN113141325 B CN 113141325B CN 202110400037 A CN202110400037 A CN 202110400037A CN 113141325 B CN113141325 B CN 113141325B
- Authority
- CN
- China
- Prior art keywords
- modulation
- signal
- ofdm
- modulation format
- distribution histogram
- 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
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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/26—Systems using multi-frequency codes
- H04L27/2601—Multicarrier modulation systems
- H04L27/2647—Arrangements specific to the receiver only
- H04L27/2655—Synchronisation arrangements
- H04L27/2657—Carrier synchronisation
Abstract
本发明提供一种光OFDM信号子载波调制格式识别模型训练方法、识别方法及装置,所述光OFDM信号子载波调制格式识别模型训练方法和识别方法通过提取调制信号的同相分量和正交分量的幅度分布特征,将同相分量分布直方图以及正交分量分布直方图进行压缩合并,生成一张I/Q分量幅度分布直方图作为输入,利用卷积神经网络挖掘出I/Q分量幅度分布直方图和信号调制格式之间隐含的高维映射关系,基于训练得到的目标调制格式识别模型,能够基于I/Q分量幅度分布特征判断信号的调制格式,极大地简化了运算过程,提高了识别效率,在更宽的光信噪比范围内对OFDM调制信号的各种调制格式实现更精确地检出。
Description
技术领域
本发明涉及通信技术领域,尤其涉及一种光OFDM信号子载波调制格式识别模型训练方法、识别方法及装置。
背景技术
当今社会随着信息化程度的不断加深,各式各样新的基于互联网的用户体验形式产生了巨大的通信流量需求,给光纤传输网络造成非常沉重的数据承载负担。因此,高速率大容量的骨干光传输系统将是下一代网络发展的主流。光正交频分复用(OrthogonalFrequency Division Multiplexing,OFDM)是一种将光纤通信和正交频分复用相结合的新型现代传输技术,这种传输技术既具有光纤通信的超大容量、远距离传输、高保密性、高抗电磁干扰等优势,又具有正交频分复用技术的良好的抗频率选择性衰落、抗码间串扰以及频谱高利用率的特点,基于OFDM光纤通信系统己成为未来通信领域发展的必然趋势。
OFDM光纤通信系统的自适应调制技术是在独立的子载波上进行管理的,通过在不同的子载波上优化分配不同的调制格式和功率来适应不同的信道频率响应,抵抗色散和非线性效应的影响,提高带宽利用率。由于自适应OFDM系统涉及多种调制格式,因此,对OFDM接收端的数字信号处理和符号判定还需要对信号的调制格式进行识别。
现有技术中,通常基于发射信号的电磁特征、频谱特征和统计特征等,通过似然比判决的方法识别调制格式,但是这种方法计算量较大、普适性差。
发明内容
本发明实施例提供了一种光OFDM信号子载波调制格式识别模型训练方法、识别方法及装置,以解决OFDM接收端对信号调制格式识别过程中计算量大、普适性差的问题。
本发明的技术方案如下:
一方面,本发明提供一种光OFDM信号子载波调制格式识别模型训练方法,包括:
获取多种光信噪比条件下经OFDM调制传输的多个调制信号,其中,多个调制信号由至少两种调制格式调制得到;
对各调制信号作质量恢复和OFDM解调处理,至少包括:色散补偿、符号同步、小数倍频偏估计、OFDM解调、整数倍频偏估计和信道估计;
获取质量恢复和OFDM解调后的各调制信号的I/Q分量幅度分布直方图,所述I/Q分量幅度分布直方图由同相分量分布直方图和正交分量分布直方图按设定方式拼接得到;
将各调制信号对应的I/Q分量幅度分布直方图作为输入,将各调制信号对应的调制格式添加为标签,生成训练样本集;
采用所述训练样本集对预设卷积神经网络进行训练,得到目标调制格式识别模型。
在一些实施例中,调制信号可以包含的调制格式有:BPSK、QPSK、8QAM、16QAM、32QAM和64QAM。
在一些实施例中,所述训练样本集中每种调制格式对应的调制信号数量相同,其中,将所述训练样本集中设定比例数量的样本作为训练集,其余的样本作为测试集。
在一些实施例中,所述预设卷积神经网络为AlexNet网络,所述AlexNet网络采用随机梯度下降优化器和交叉熵损失函数进行训练。
在一些实施例中,获取质量恢复和OFDM解调后的各调制信号的I/Q分量幅度分布直方图,包括:
获取质量恢复处理后的各调制信号的I、Q两路信号,并统计各调制信号同相分量和正交分量的幅度分布;
将各调制信号对应的同相分量幅度范围划分为第一设定数量的同相分量幅度区间,统计每个同相分量幅度区间内信号点的数量,形成同相分量分布直方图;
将各调制信号对应的正交分量幅度范围划分为第二设定数量的正交分量幅度区间,统计每个正交分量幅度区间内信号点的数量,形成正交分量分布直方图;
将每个调制信号对应的同相分量分布直方图和正交分量分布直方图进行拼接,生成对应的I/Q分量幅度分布直方图。
在一些实施例中,所述调制信号采用随机二进制序列经预设调制格式的OFDM调制得到。
另一方面,本发明提供一种OFDM调制信号的调制格式识别方法,包括:
获取待识别OFDM调制信号,对所述待识别OFDM调制信号作质量恢复和OFDM解调处理,至少包括:色散补偿、符号同步、小数倍频偏估计、OFDM解调、整数倍频偏估计和信道估计;
获取质量恢复和OFDM解调后所述待识别OFDM调制信号的I/Q分量幅度分布直方图,所述I/Q分量幅度分布直方图由同相分量分布直方图和正交分量分布直方图按设定方式拼接得到;
将所述I/Q分量幅度分布直方图输入上述的光OFDM信号子载波调制格式识别模型训练方法中的目标调制格式识别模型,得到所述待识别OFDM调制信号对应的调制格式识别结果。
另一方面,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上述光OFDM信号子载波调制格式识别模型训练方法的步骤。
在一些实施例,所述电子设备还包括调制信号样本生成组件,所述调制信号样本生成组件包括:
随机二进制序列生成模块,用于生成随机二进制序列信号;
星座映射模块,用于将所述随机二进制序列信号按照设定调制格式映射为I/Q坐标系中的复数点,生成星座符号;
OFDM发射模块,用于将所述星座符号进行OFDM调制并得到多种光信噪比条件下的调制信号,以将所述调制信号作为目标调制格式识别模型的训练样本。
另一方面,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述光OFDM信号子载波调制格式识别模型训练方法和识别方法的步骤。
本发明的有益效果至少是:
所述光OFDM信号子载波调制格式识别模型训练方法、识别方法及装置中,所述光OFDM信号子载波调制格式识别模型训练方法和识别方法通过提取调制信号的的同相分量和正交分量的幅度分布特征,将同相分量分布直方图以及正交分量分布直方图进行压缩合并,生成一张I/Q分量幅度分布直方图作为输入,利用卷积神经网络挖掘出I/Q分量幅度分布直方图和信号调制格式之间隐含的高维映射关系,基于训练得到的目标调制格式识别模型,能够基于I/Q分量幅度分布特征判断信号的调制格式,极大地简化了运算过程,提高了识别效率,在更宽的光信噪比范围内对OFDM调制信号的各种调制格式实现更精确的检出。
本发明的附加优点、目的,以及特征将在下面的描述中将部分地加以阐述,且将对于本领域普通技术人员在研究下文后部分地变得明显,或者可以根据本发明的实践而获知。本发明的目的和其它优点可以通过在书面说明及其权利要求书以及附图中具体指出的结构实现到并获得。
本领域技术人员将会理解的是,能够用本发明实现的目的和优点不限于以上具体所述,并且根据以下详细说明将更清楚地理解本发明能够实现的上述和其他目的。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,并不构成对本发明的限定。在附图中:
图1为本发明一实施例所述光OFDM信号子载波调制格式识别模型训练方法逻辑示意图;
图2为本发明一实施例所述光OFDM信号子载波调制格式识别方法的逻辑示意图;
图3为本发明一实施例所述相干光OFDM传输系统结构示意图;
图4为本发明另一实施例所述光OFDM信号子载波的调制格式识别方法的逻辑示意图;
图5为BPSK调制格式对应的同相分量分布直方图、正交分量分布直方图以及拼接得到的I/Q分量幅度分布直方图;
图6为QPSK调制格式对应的同相分量分布直方图、正交分量分布直方图以及拼接得到的I/Q分量幅度分布直方图;
图7为8QAM调制格式对应的同相分量分布直方图、正交分量分布直方图以及拼接得到的I/Q分量幅度分布直方图;
图8为16QAM调制格式对应的同相分量分布直方图、正交分量分布直方图以及拼接得到的I/Q分量幅度分布直方图;
图9为32QAM调制格式对应的同相分量分布直方图、正交分量分布直方图以及拼接得到的I/Q分量幅度分布直方图;
图10为64QAM调制格式对应的同相分量分布直方图、正交分量分布直方图以及拼接得到的I/Q分量幅度分布直方图;
图11为本发明一实施本发明一实施例所述光OFDM信号子载波调制格式识别模型训练方法才采用的预设卷积神经网络结构示意图。
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明白,下面结合实施方式和附图,对本发明做进一步详细说明。在此,本发明的示意性实施方式及其说明用于解释本发明,但并不作为对本发明的限定。
在此,还需要说明的是,为了避免因不必要的细节而模糊了本发明,在附图中仅仅示出了与根据本发明的方案密切相关的结构和/或处理步骤,而省略了与本发明关系不大的其他细节。
应该强调,术语“包括/包含”在本文使用时指特征、要素、步骤或组件的存在,但并不排除一个或更多个其它特征、要素、步骤或组件的存在或附加。
在此,还需要说明的是,如果没有特殊说明,术语“连接”在本文不仅可以指直接连接,也可以表示存在中间物的间接连接。
调制格式识别技术指的是通过分析发射信号的电磁特征、频谱特征、统计特性等方法判定未知信号的调制方式的技术。已有的调制格式识别方法大致分为两类,一类是基于似然比判决方法,一类是基于特征提取的分类方法。基于似然比的判决方法正确率较高,但存在计算量大、普适性差等问题。基于特征提取的分类方法是从信号中提取调制格式相关的典型特征,利用这些特征选择合适的分类器对调制格式进行分类,从而进行识别。通常使用的特征包括星座图、眼图、幅度分布直方图等,这些特征在预处理、调制格式种类和可识别的OSNR(Optical Signal Noise Ratio,光信噪比)范围上有较多限制。本发明提供一种新的调制格式识别方法,通过卷积神经网络挖掘OFDM调制信号的I/Q分量幅度分布特征以及调制格式的关系,实现在更宽的OSNR范围内对调制格式的精准识别。
在利用OFDM技术中,信息首先经过特定调制格式进行星座映射再通过OFDM方式进行信号发送和传输,在接收过程中为了解调出原信息,则需要对调制格式进行识别。由于不同的调制格式产生信号会呈现不同的I/Q分量幅度分布特征,因此通过卷积神经网络挖掘这种特征,能够精确地识别调制格式。
具体的,本发明提供一种光OFDM信号子载波调制格式识别模型训练方法,包括步骤S101~S105:
步骤S101:获取多种光信噪比条件下经OFDM调制传输的多个调制信号,其中,多个调制信号由至少两种调制格式调制得到。
步骤S102:对各调制信号作质量恢复和OFDM解调处理,至少包括:色散补偿、符号同步、小数倍频偏估计、OFDM解调、整数倍频偏估计和信道估计。
步骤S103:获取质量恢复和OFDM解调后的各调制信号的I/Q分量幅度分布直方图,I/Q分量幅度分布直方图由同相分量分布直方图和正交分量分布直方图按设定方式拼接得到。
步骤S104:将各调制信号对应的I/Q分量幅度分布直方图作为输入,将各调制信号对应的调制格式添加为标签,生成训练样本集。
步骤S105:采用训练样本集对预设卷积神经网络进行训练,得到目标调制格式识别模型。
步骤上S101中,获取多个基于OFDM方法产生的调制信号作为样本,各调制信号是在不同的光信噪比传输条件下得到的,以使得模型在训练过程中能够适应更宽范围的光信噪比,得到更好的泛化效果。选取OFDM技术中几种常用调制格式处理得到的调制信号作为样本,在一些实施例中,多个调制信号的调制格式至少包括:BPSK(二进制相移键控)、QPSK(正交相移键控调制)、8QAM(3比特正交振幅调制)、16QAM(4比特正交振幅调制)、32QAM(5比特正交振幅调制)和64QAM(6比特正交振幅调制)。在另一些实施例中,还可以进一步包括更高阶的MQAM调制格式。每种格式对应的调制信号数量可以大致相等,以防止训练得到的目标调制格式识别模型的权重偏向于某一个或多个特定格式。
在现有调制信号样本数量足够多时,可以直接基于现有的调制信号建立样本训练集。而对于现有调制信号样本较少时,为了防止后续卷积神经网络模型在训练过程中由于样本较少导致的过拟合,可以基于OFDM技术按照不同格式随机生成一定数量的调制信号作为样本。具体的,生成一组随机二进制序列,采用BPSK、QPSK、8QAM、16QAM、32QAM和64QAM中的一种对其进行星座映射,之后采用OFDM调制模块调制输出。每一种调制格式按照大致相等的数量产生样本,以用于构建足够数据量的样本训练集。
在步骤S102中,由于调制信号在光线传输过程中会由于光线散射等问题导致调制信号的失真,按照一般应用场景下的处理方式,对于作为样本的调制信号进行质量恢复处理。具体可以包括:色散补偿、符号同步、小数倍频偏估计、OFDM解调、整数倍频偏估计和信道估计,以高质量的还原得到OFDM调制传输前经数字调制得到的信号。
在步骤S103中,对质量恢复和OFDM解调后的各调制信号进行幅度统计,具体的,分别对信号的同相分量和正交分量的幅度分布进行统计并生成同相分量分布直方图和正交分量分布直方图,以获得调制信号在两个正交方向上的幅度特征。进一步的,为了能够同时提取参考两个方向的幅度特征进行调制格式的判断,本实施例中,可以将同相分量分布直方图和正交分量分布直方图沿一设定方向进行拼接得到一张图片。所述按设定方式拼接,可以是将同相分量分布直方图和正交分量分布直方图的任意两条边进行重合拼接,如将同相分量分布直方图的右边与正交分量分布直方图的左边拼接,或将同相分量分布直方图的下边与正交分量分布直方图的上边拼接。在另一些实施例中,可以基于部分重叠或完全重叠的方式将同相分量分布直方图和正交分量分布直方图拼接为一张图。
在一些实施例中,获取质量恢复处理后各调制信号的I/Q分量幅度分布直方图,包括步骤S1031~S1034:
步骤S1031:获取质量恢复处理后的各调制信号的I、Q两路信号,并统计各调制信号同相分量和正交分量的幅度分布。
步骤S1032:将各调制信号对应的同相分量幅度范围划分为第一设定数量的同相分量幅度区间,统计每个同相分量幅度区间内信号点的数量,形成同相分量分布直方图。
步骤S1033:将各调制信号对应的正交分量幅度范围划分为第二设定数量的正交分量幅度区间,统计每个正交分量幅度区间内信号点的数量,形成正交分量分布直方图。
步骤S1034:将每个调制信号对应的同相分量分布直方图和正交分量分布直方图进行拼接,生成对应的I/Q分量幅度分布直方图。
在本实施例中,对于各调制信号对应的同相分量和正交分量的幅度范围。可以划分为80个区间进行统计。为了适应具体应用场景中发射功率以及不同调制格式下的I/Q分量幅度分布情况,可以根据需要设置不同的幅度区间。
在一些实施例中,还可以对同相分量分布直方图和正交分量分布直方图可以按照设定图片尺寸生成。在拼接为I/Q分量幅度分布直方图后,还可以进行尺寸裁剪或补充,以满足预设卷积神经网络的输入要求。
在步骤S104中,将各调制信号对应的I/Q分量幅度分布直方图作为输入,对应的调制格式作为标签构建训练样本集。其中,可以直接以各调制格式的名称作为标签,也可以对各调制格式设置相应的编号。进一步的,在一些实施例中,训练样本集中每种调制格式对应的调制信号数量相同,其中,将训练样本集中设定比例数量的样本作为训练集,其余的样本作为测试集,如,将训练样本集中80%的样本作为训练集用于训练预设卷积神经网络,剩余的20%用于对训练越好的模型进行测试。
在步骤S105中,采用构建好的训练样本集对预设卷积神经网络进行训练,基于I/Q分量幅度分布直方图拼接方式的不同,预设卷积神经网络的结构可以做相应的调整,以完成分类任务。训练过程中可以设置每一批次数据量Batch_size=16。
在一些实施例中,预设卷积神经网络为AlexNet网络或其他CNN网络,预设卷积神经网络采用随机梯度下降优化器和交叉熵损失函数进行训练。
在一些实施例中,在对AlexNet网络进行训练的过程中,I/Q分量幅度分布直方图在输入AlexNet网络之前还可以进行数据增强的操作,可以包括:翻转、随机裁剪和平移等。
在另一些实施例中,预设卷积神经网络可以采用VGG网络、GoogLeNet网络和Residual Network网络等。
另一方面,本发明提供一种OFDM调制信号的调制格式识别方法,包括步骤S201~S203:
步骤S201:获取待识别OFDM调制信号,对待识别OFDM调制信号作质量恢复和OFDM解调处理,至少包括:色散补偿、符号同步、小数倍频偏估计、OFDM解调、整数倍频偏估计和信道估计。
步骤S202:获取质量恢复和OFDM解调后待识别OFDM调制信号的I/Q分量幅度分布直方图,I/Q分量幅度分布直方图由同相分量分布直方图和正交分量分布直方图按设定方式拼接得到。
步骤S203:将I/Q分量幅度分布直方图输入上述步骤S101~S105的光OFDM信号子载波调制格式识别模型训练方法中的目标调制格式识别模型,得到待识别OFDM调制信号对应的调制格式识别结果。
在本实施例中,对于经过传输得到的调制信号,首先进行图片质量恢复和OFDM解调处理,得到发射过程中星座映射后产生的信号,为了完成解映射,则需要对产生该调制信号多进行的星座映射的调制格式进行识别。本实施例利用步骤S101~S105训练得到的目标调制格式识别模型,通过分析信号的I/Q分量幅度分布特征,判断出信号进行星座映射时所采用的调制格式。
另一方面,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上述光OFDM信号子载波调制格式识别模型训练方法的步骤。
在一些实施例,电子设备还包括调制信号样本生成组件,调制信号样本生成组件包括:随机二进制序列生成模块,用于生成随机二进制序列信号;星座映射模块,用于将随机二进制序列信号按照设定调制格式映射为I/Q坐标系中的复数点,生成星座符号;OFDM发射模块,用于将星座符号进行OFDM调制并得到多种光信噪比条件下的调制信号,以将调制信号作为目标调制格式识别模型的训练样本。
在本实施例中,设置调制信号样本生成组件是为了在样本数据较少的情况下,基于OFDM信号传输的原理生成足够数量的用于模型训练的样本数据。随机二进制序列生成模块可以产生随机的二进制序列信号,以保证不同样本数据之间能够相互区别。星座映射模块和OFDM发射模块完成对随机二进制序列信号的调制和传输,以得到与真实条件效果相同的样本数据。在另一些实施例中,将OFDM发射模块输出的信号经过设定长度的标准单模光纤传输后作为样本数据,以完全模拟传输过程中信号的损耗和偏差。
另一方面,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述光OFDM信号子载波调制格式识别模型训练方法和识别方法的步骤。
下面结合以具体实施例对本发明进行说明:
本实施例提供一种基于深度学习和信号IQ分量幅度分布特征的调制格式识别方法,在更宽的OSNR范围内对于常用的BPSK、QPSK、8QAM、16QAM、32QAM、64QAM六种常用的调制格式进行准确识别。利用信号不同调制格式下的I/Q分量分布图峰值个数的不同这一特征以及深度学习技术的强大高维表征能力,对目前常用的信号调制格式均具有较高的识别正确率,并且相较于幅度分布直方图等特征,拥有更宽的可识别OSNR范围。
具体实施方式包括:
如图1所示,搭建的相干光OFDM传输系统,包括:随机二进制序列生成模块,用于生成随机二进制序列信号。星座映射模块,用于将随机二进制序列信号按照设定调制格式映射为I/Q坐标系中的复数点,生成星座符号;其中,星座映射模块可以选取BPSK、QPSK、8QAM、16QAM、32QAM、64QAM六种常用的调制格式分别对传输数据进行调制。OFDM发射模块,用于将星座符号进行OFDM调制并得到多种光信噪比条件下的调制信号,以将调制信号作为目标调制格式识别模型的训练样本。OFDM发射模块可以包括OFDM调制模块,两路数模转换器、低通滤波器和马赫曾德尔调制器,其中一路还设有相移模块,用于对信号进行90°相移。OFDM发射模块之后还连接75km的标准单模光纤和掺铒光纤放大器,用于模拟实际传输。接收端经高斯滤波器处理后,由相干接收机接收OFDM信号,对经过模数转换后的接收信号进行图2所示的数字信号处理。数字信号处理模块对接收信号进行调制格式无关的数字信号处理,包括色散补偿、符号同步、小数倍频偏估计、OFDM解调、整数倍频偏估计和信道估计,在一些实施例中,还计算误码率。经过与调制格式无关的数字信号处理之后,对I、Q两路信号分别计算幅度分布情况,将幅度范围分为80个区间,计算每个区间内信号个数,并依据此画出I、Q分量的同相分量分布直方图和正交分量分布直方图,BPSK、QPSK、8QAM、16QAM、32QAM和64QAM调制格式下的同相分量分布直方图、正交分量分布直方图以及拼接得到的I/Q分量幅度分布直方图如图5~10所示。
调制格式识别的实现分为离线训练和在线识别两部分。离线训练部分包括构建训练样本集和训练调制格式识别模型。利用图1搭建的相干光OFDM传输系统对每种调制格式在相应光信噪比范围内进行仿真,每个光信噪比条件下进行500次仿真。对仿真产生的信号进行色散补偿、符号同步、小数倍频偏估计、OFDM解调、整数倍频偏估计和信道估计,并统计和保存I、Q分量分布直方图并拼接为每个信号对应的I/Q分量幅度分布直方图,构造训练样本集。随机选取每个OSNR下的每种调制格式中80%的数据集作为训练集,20%作为测试集,得到一个数量为16800的训练集和数量为4200的测试集,实现BPSK-32QAM在10-22dB范围内的识别,以及64QAM在16-28dB范围内的识别。设计一个用于完成分类任务的卷积神经网络,输入为I、Q分量分布直方图,输出为识别的调制格式类型编号,Label为实际使用的调制格式类型编号。利用上述训练样本集和测试集进行调制格式识别模型的训练和测试。本实施例使用的卷积神经网络模型为具有5个卷积层的AlexNet结构,并利用上述训练集和测试集进行调制格式识别模型的训练和测试。在离线训练过程中使用随机梯度下降(SGD)优化器和交叉熵损失函数对模型进行训练,Batch_size设置为16,即每16张图片训练一次,完成一次参数的迭代。
在一实施例中,如图11所示,可以对预设神经网络模型进行训练,该预设神经网络模型可以为AlexNet的模型结构,使用图片作为输入数据时,首先对数据集中的I、Q分量分布直方图进行预处理,使图片调整为224*224的大小并转为向量,然后进行归一化处理。处理后的图像输入到预设神经网络模型的输入层中,由于彩色图像包括RGB三个颜色通道,第一个卷积层的输入为224*224*3。
预设神经网络模型采用五个卷积结构进行特征提取,来对原始的I/Q分量分布直方图进行特征提取。卷积层1使用11*11的卷积核,从而每个图像产生64张特征图谱,然后进入池化层1中,使用3*3的池化单元,进行最大池化的特征降维处理。卷积层2使用5*5的卷积核,产生192个特征图谱,然后进入池化层2使用3*3的最大池化算法。第三层与第四层相似,卷积层3和4中使用的均为3*3的卷积核其后都不连接池化层。卷积层5使用3*3的卷积核,产生256个特征图谱,然后输入池化层3中使用3*3的最大池化算法进行特征降维。共使用五个卷积结构完成了I/Q分量分布直方图的特征提取。第六至八层为全连接层,属于特征映射层。池化层3中的9216个节点与全连接层1中的4096的节点相连,全连接层2中神经元个数与上一层中相同,并进行连接,最后输出层中有6个节点与全连接层2中的所有的神经元相连,并使用softmax分类器输出识别的结果。本实施例中使用的预设神经网络模型,使用ReLU激活函数对结果进行激活,增加网络中的非线性因素;在全连接层使用随机失活单元,每个神经元有0.5的概率被消除,防止模型发生过拟合现象。
如图2和图4所示,在线识别部分,对待识别的OFDM调制信号进行色散补偿、符号同步、小数倍频偏估计、OFDM解调、整数倍频偏估计和信道估计之后,统计各信号的I、Q分量的幅度分布直方图并横向压缩拼接成I/Q分量幅度分布直方图,输入调制格式识别模型中进行识别,输出调制格式类型编号,根据识别的结果选取后续数字信号处理中相应的相位估计算法以及判决方法。
综上所述,所述光OFDM信号子载波调制格式识别模型训练方法、识别方法及装置中,所述光OFDM信号子载波调制格式识别模型训练方法和识别方法通过提取调制信号的同相分量和正交分量的幅度分布特征,将同相分量分布直方图以及正交分量分布直方图进行压缩合并,生成一张I/Q分量幅度分布直方图作为输入,利用卷积神经网络挖掘出I/Q分量幅度分布直方图和信号调制格式之间隐含的高维映射关系,基于训练得到的目标调制格式识别模型,能够基于I/Q分量幅度分布特征判断信号的调制格式,极大地简化了运算过程,提高了识别效率,在更宽的光信噪比范围内对OFDM调制信号的各种调制格式实现更精确的检出。
本领域普通技术人员应该可以明白,结合本文中所公开的实施方式描述的各示例性的组成部分、系统和方法,能够以硬件、软件或者二者的结合来实现。具体究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本发明中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本发明不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
本发明中,针对一个实施方式描述和/或例示的特征,可以在一个或更多个其它实施方式中以相同方式或以类似方式使用,和/或与其他实施方式的特征相结合或代替其他实施方式的特征。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种光OFDM信号子载波调制格式识别模型训练方法,其特征在于,包括:
获取多种光信噪比条件下经OFDM调制传输的多个调制信号,其中,多个调制信号由至少两种调制格式调制得到;
对各调制信号作质量恢复和OFDM解调处理,至少包括:色散补偿、符号同步、小数倍频偏估计、OFDM解调、整数倍频偏估计和信道估计;
获取质量恢复和OFDM解调后的各调制信号的I、Q两路信号,并统计各调制信号同相分量和正交分量的幅度分布;将各调制信号对应的同相分量幅度范围划分为第一设定数量的同相分量幅度区间,统计每个同相分量幅度区间内信号点的数量,形成同相分量分布直方图;将各调制信号对应的正交分量幅度范围划分为第二设定数量的正交分量幅度区间,统计每个正交分量幅度区间内信号点的数量,形成正交分量分布直方图;将每个调制信号对应的同相分量分布直方图和正交分量分布直方图进行拼接,生成对应的I/Q分量幅度分布直方图;
将各调制信号对应的I/Q分量幅度分布直方图作为输入,将各调制信号对应的调制格式添加为标签,生成训练样本集;
采用所述训练样本集对预设卷积神经网络进行训练,得到目标调制格式识别模型。
2.根据权利要求1所述的光OFDM信号子载波调制格式识别模型训练方法,其特征在于,调制信号可以包含的调制格式有:BPSK、QPSK、8QAM、16QAM、32QAM和64QAM。
3.根据权利要求2所述的光OFDM信号子载波调制格式识别模型训练方法,其特征在于,所述训练样本集中每种调制格式对应的调制信号数量相同,其中,将所述训练样本集中设定比例数量的样本作为训练集,其余的样本作为测试集。
4.根据权利要求1所述的光OFDM信号子载波调制格式识别模型训练方法,其特征在于,所述预设卷积神经网络为AlexNet网络,所述AlexNet网络采用随机梯度下降优化器和交叉熵损失函数进行训练。
5.根据权利要求1所述的光OFDM信号子载波调制格式识别模型训练方法,其特征在于,所述调制信号采用随机二进制序列经预设调制格式的OFDM调制得到。
6.一种OFDM调制信号的调制格式识别方法,其特征在于,包括:
获取待识别OFDM调制信号,对所述待识别OFDM调制信号作质量恢复和OFDM解调处理,至少包括:色散补偿、符号同步、小数倍频偏估计、OFDM解调、整数倍频偏估计和信道估计;
获取质量恢复和OFDM解调后所述待识别OFDM调制信号的I/Q分量幅度分布直方图,所述I/Q分量幅度分布直方图由同相分量分布直方图和正交分量分布直方图按设定方式拼接得到;
将所述I/Q分量幅度分布直方图输入权利要求1至5任意一项所述的光OFDM信号子载波调制格式识别模型训练方法中的目标调制格式识别模型,得到所述待识别OFDM调制信号对应的调制格式识别结果。
7.一种电子设备,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,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6任一项所述方法的步骤。
8.根据权利要求7所述的电子设备,其特征在于,所述电子设备还包括调制信号样本生成组件,所述调制信号样本生成组件包括:
随机二进制序列生成模块,用于生成随机二进制序列信号;
星座映射模块,用于将所述随机二进制序列信号按照设定调制格式映射为I/Q坐标系中的复数点,生成星座符号;
OFDM发射模块,用于将所述星座符号进行OFDM调制并得到多种光信噪比条件下的调制信号,以将所述调制信号作为目标调制格式识别模型的训练样本。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1至6任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110400037.3A CN113141325B (zh) | 2021-04-14 | 2021-04-14 | 光ofdm信号子载波调制格式识别模型训练方法、识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110400037.3A CN113141325B (zh) | 2021-04-14 | 2021-04-14 | 光ofdm信号子载波调制格式识别模型训练方法、识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113141325A CN113141325A (zh) | 2021-07-20 |
CN113141325B true CN113141325B (zh) | 2022-07-19 |
Family
ID=76812411
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110400037.3A Active CN113141325B (zh) | 2021-04-14 | 2021-04-14 | 光ofdm信号子载波调制格式识别模型训练方法、识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113141325B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113837120A (zh) * | 2021-09-28 | 2021-12-24 | 华中科技大学 | 基于神经网络的多芯光纤串扰监测方法与系统 |
CN113938364A (zh) * | 2021-10-21 | 2022-01-14 | 天津光电通信技术有限公司 | 基于vgg16神经网络的5g弱信号调制方式识别方法 |
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 |
CN114785649B (zh) * | 2022-04-21 | 2023-11-14 | 北京鹏鹄物宇科技发展有限公司 | 一种基于多端神经网络的卫星通信信号识别方法 |
CN115720184B (zh) * | 2022-10-08 | 2024-04-19 | 西安电子科技大学 | 一种基于特征分布的小样本信号调制类型识别方法 |
CN117155748B (zh) * | 2023-10-27 | 2024-01-23 | 四川轻化工大学 | 基于多维幅度分布特征的调制格式识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108234370A (zh) * | 2017-12-22 | 2018-06-29 | 西安电子科技大学 | 基于卷积神经网络的通信信号调制方式识别方法 |
CN109617843A (zh) * | 2018-12-28 | 2019-04-12 | 上海铿诚智能科技有限公司 | 一种基于knn的弹性光网络调制格式识别方法 |
CN110213193A (zh) * | 2019-05-13 | 2019-09-06 | 天津大学 | 不等概高阶星座点设计方法与解映射方法 |
CN110266387A (zh) * | 2019-07-29 | 2019-09-20 | 南京信息工程大学 | 基于弱模群耦合与概率整形的多波段光载射频系统及方法 |
CN112398552A (zh) * | 2020-11-03 | 2021-02-23 | 上海电机学院 | 基于差分复数深度神经网络的通信辐射源个体识别方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109756436A (zh) * | 2018-11-29 | 2019-05-14 | 聊城大学 | Ofdm-eon系统中子载波调制格式识别方法及装置 |
US11743006B2 (en) * | 2019-11-27 | 2023-08-29 | Intel Corporation | Physical uplink control channel design for discrete fourier transform-spread-orthogonal frequency-division multiplexing (DFT-s-OFDM) waveforms |
CN111884962A (zh) * | 2020-06-01 | 2020-11-03 | 山东师范大学 | 一种基于卷积神经网络的信号调制类型分类方法及系统 |
-
2021
- 2021-04-14 CN CN202110400037.3A patent/CN113141325B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108234370A (zh) * | 2017-12-22 | 2018-06-29 | 西安电子科技大学 | 基于卷积神经网络的通信信号调制方式识别方法 |
CN109617843A (zh) * | 2018-12-28 | 2019-04-12 | 上海铿诚智能科技有限公司 | 一种基于knn的弹性光网络调制格式识别方法 |
CN110213193A (zh) * | 2019-05-13 | 2019-09-06 | 天津大学 | 不等概高阶星座点设计方法与解映射方法 |
CN110266387A (zh) * | 2019-07-29 | 2019-09-20 | 南京信息工程大学 | 基于弱模群耦合与概率整形的多波段光载射频系统及方法 |
CN112398552A (zh) * | 2020-11-03 | 2021-02-23 | 上海电机学院 | 基于差分复数深度神经网络的通信辐射源个体识别方法 |
Non-Patent Citations (1)
Title |
---|
Nonlinear equalization method based on Gaussian mixture model clustering algorithm for a coherent optical OFDM communication system;Tian Wang;《AOPC 2020: OPTICAL INFORMATION AND NETWORK》;20201130;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113141325A (zh) | 2021-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113141325B (zh) | 光ofdm信号子载波调制格式识别模型训练方法、识别方法及装置 | |
CN110855591B (zh) | 一种基于卷积神经网络结构的qam和psk信号类内调制分类方法 | |
CN112702294B (zh) | 一种基于深度学习的多层次特征提取的调制识别方法 | |
CN108667523B (zh) | 基于无数据辅助的knn算法的光纤非线性均衡方法 | |
CN110163282A (zh) | 基于深度学习的调制方式识别方法 | |
CN110086737A (zh) | 一种基于图神经网络的通信信号调制方式的识别方法 | |
CN109309640B (zh) | 基于机器学习的盲信号格式识别方法 | |
CN110113288A (zh) | 一种基于机器学习的ofdm解调器的设计和解调方法 | |
CN108052956A (zh) | 一种大气湍流下无线光通信副载波调制星座图识别方法 | |
Wang et al. | QAM classification methods by SVM machine learning for improved optical interconnection | |
CN111935056A (zh) | 一种信号解调方法及相关装置 | |
Yu et al. | A modified PSO assisted blind modulation format identification scheme for elastic optical networks | |
Zhao et al. | Multi-task learning based underwater acoustic OFDM communications | |
Almohamad et al. | Dual-determination of modulation types and signal-to-noise ratios using 2D-ASIQH features for next generation of wireless communication systems | |
CN113542172B (zh) | 基于改进pso聚类的弹性光网络调制格式识别方法及系统 | |
CN111865848B (zh) | 一种信号调制格式识别方法及系统 | |
Zhang et al. | A simple artificial neural network based joint modulation format identification and OSNR monitoring algorithm for elastic optical networks | |
CN115913850B (zh) | 一种基于残差网络的开集调制识别方法 | |
CN109587091B (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 | |
CN115913849A (zh) | 基于一维复值残差网络的电磁信号辨识方法 | |
Almarhabi et al. | Modulation Classification Based on Eye Diagrams and Deep Learning | |
CN113452439B (zh) | 一种弹性光网络中的关键参数联合监测方法 | |
CN115173952B (zh) | 一种光通用滤波多载波光接入网的优化接收方法 | |
Chen et al. | Optical Modulation Format Identification Under Hybrid OSNRs Using LIN Model | |
Ren et al. | A Deep Neural Network with Residual Skip Connections for Channel Estimation |
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 |