CN113542172A - 基于改进pso聚类的弹性光网络调制格式识别方法及系统 - Google Patents
基于改进pso聚类的弹性光网络调制格式识别方法及系统 Download PDFInfo
- Publication number
- CN113542172A CN113542172A CN202110786632.5A CN202110786632A CN113542172A CN 113542172 A CN113542172 A CN 113542172A CN 202110786632 A CN202110786632 A CN 202110786632A CN 113542172 A CN113542172 A CN 113542172A
- Authority
- CN
- China
- Prior art keywords
- modulation format
- pdm
- particle
- clustering
- cluster
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000003287 optical effect Effects 0.000 title claims abstract description 46
- 239000002245 particle Substances 0.000 claims abstract description 98
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 238000013507 mapping Methods 0.000 claims abstract description 24
- 230000010287 polarization Effects 0.000 claims description 31
- 239000013598 vector Substances 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000012804 iterative process Methods 0.000 claims description 4
- 230000017105 transposition Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 14
- 230000005540 biological transmission Effects 0.000 description 13
- 230000009286 beneficial effect Effects 0.000 description 11
- 239000006185 dispersion Substances 0.000 description 6
- 239000013307 optical fiber Substances 0.000 description 6
- 238000001228 spectrum Methods 0.000 description 6
- 239000000835 fiber Substances 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 230000001427 coherent effect Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 101150071746 Pbsn gene Proteins 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000007493 shaping process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000019580 granularity Nutrition 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Optical Communication System (AREA)
Abstract
本发明提供了一种基于改进PSO聚类的弹性光网络调制格式识别方法及系统，属于通信技术领域，该方法的核心思想是：首先将接收信号映射至Stokes空间的s2‑s3平面，生成相应的灰度图片，再利用改进的PSO算法在灰度图片上聚类以识别出团簇数量，通过与模板匹配，最后识别出未知信号的调制格式。本方法通过在传统PSO算法的基础上增加了一个变量‑视野(以粒子为圆心的圆内的范围)，使粒子群在视野范围内自动进行聚类，从而实现灰度图片上多个团簇数量的寻找。本发明能够智能、快速和稳定地识别出弹性光网络采用的多种调制格式，具有对于激光器频偏、线宽容忍度较高的优点。
Description
技术领域
本发明属于光纤通信技术领域，尤其涉及一种基于改进PSO聚类的弹性光网络调制格式识别方法及系统。
背景技术
光通信作为现代通信技术的基础是当前最为活跃的信息通信领域。随着人们对通信业务需求的增长和变化，光网络也在不断演进。当前波分复用(wavelength divisionmultiplexing，WDM)网络难以适应不同颗粒度的业务请求，无法充分利用网络带宽资源。为解决这些问题，构建数字化、软件化、全动态的弹性光网络(elastic optical network，EON)，实现信道资源的灵活调配，一方面需要光频谱能够灵活分割，频谱间隔需比WDM系统更精细，以产生弹性光路所需的各种带宽；另一方面需要满足运营商根据应用场景灵活设置不同比特率、调制格式等参数的需求，即要求光收发机能够发射及接收弹性光路。
需要注意的是，当前针对EON节点层次的研究均假设接收端已知EON发射信号的各种参数(如调制格式、比特率及带宽等)，而实际传输时EON系统并未提前获知这些信息，并且这些参数随传输距离、光信道噪声特性及用户流量的变化一直在进行动态调整。因此，在缺乏先验信息的情况下，如何正确、智能地识别EON系统动态变化的调制格式(modulationformat,MF)对于信号的相干接收、正确解调至关重要。此外，为保证EON系统的高效、稳定、可靠运行，必须在光网络的关键节点对各条光路径的光信噪比(optical signal-to-noiseratio,OSNR)、色度色散(chromatic dispersion,CD)、偏振模色散(polarization modedispersion,PMD)和偏振相关损耗(Polarization dependent loss,PDL)等参数进行实时光性能监测(Optical performance monitoring,OPM)，而这种监测也与发射信号的调制格式密切相关。
到目前为止，针对弹性光网络的调制格式识别方案可以分为两类：第1类是数据辅助方案，它将调制格式信息编码在导频符号、射频导频或人工感应频率偏移上。这些方法具有较低的计算复杂度，并能够快速跟踪MF的变化，但它们可能牺牲一定的频谱效率或需要额外的发射机操作；第2类为基于特征的调制格式识别方案，又可被进一步分为传统方案和机器学习辅助方案。现有传统的基于特征的调制格式识别(modulation formatidentification,MFI)方案采用EON光信号的一些关键特性，如利用幅度直方图(AHs)、异步幅度直方图(AAHs)、峰均功率比(PAPR)、非线性功率变换和峰值检测、差分相位分布比(DPDR)和平均幅度比(AAR)等进行识别。这些方案都表现出了良好的MFI性能，但这些关键特征隐藏较深，人工提取难度大。而提出的机器学习辅助的MFI方案，采用了神经网络、随机森林、支持向量机等机器学习算法，这些方案往往需要大量的训练符号才能将大量的模型系数收敛到最优。即便如此，训练好的网络也不一定适配于EON光纤链路动态变化的调制格式识别场景。在这些机器学习辅助的方案中，也有研究学者基于连接分量分析和高斯混合模型的聚类方案来进行MFI，此类方案基于Stokes空间对激光器的相位噪声和频率偏移具有良好的容忍性，并结合聚类算法表现出了良好的MFI性能。然而，随着调制格式阶数的增加，Stokes空间中的团簇数量也会呈现指数式增加的趋势，上述聚类算法的复杂度急剧增加，无法有效进行MFI识别。针对这些尚未解决的问题，有必要寻找一种能够识别多种类型的调制格式且具有较低复杂度的方案。
现有技术中包括：首先对光谱仪输出的光谱进行中心频率估算，并截取±100GHz频率范围内的光信号光谱；然后，通过主成分分析(Principal Component Analysis,PCA)算法模块提取光谱样本的特征向量；最后，将特征向量输入经过预先训练的支持向量机(Support Vector Machine,SVM)算法识别模块确定待测光信号的调制格式和速率。但上述方案用到了昂贵的光谱仪，对硬件成本的要求也更高。现有技术中还包括首先将色散补偿以后的信号映射到斯托克斯空间进行偏振对齐操作，其次通过对二维斯托克斯平面中不同MF信号的不同簇数和级数特征进行判断，从而识别出调制格式，但是MFI准确率未达到100％。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于改进的PSO聚类算法的调制格式识别方法，能够快速、稳定地识别出调制格式，并且对于偏振模色散、激光器相位噪声和频偏均具有较强的容忍性。
为了达到以上目的，本发明采用的技术方案为：
本方案提供一种基于改进PSO聚类的弹性光网络调制格式识别方法，包括以下步骤：
S1、预处理阶段：将X、Y两路正交的偏振信号映射至Stokes空间，并利用各调制格式的特征对偏振信号进行分类，提取Stokes空间中的s2-s3平面，并根据滑动窗口中符号数生成灰度图，其中，总符号数为8000，s2和s3均表示归一化后的Stokes空间矢量；
S2、识别阶段：读取灰度图，并利用改进的PSO聚类算法识别并计算灰度图中的聚类中心点数，将所述聚类中心数与各调制格式进行模板匹配，完成弹性光网络调制格式识别。
本发明的有益效果是：本发明的目的在于针对EON中的调制格式识别问题，利用Stokes空间中s2-s3平面灰度图特征，提出了一种基于改进PSO聚类算法的调制格式识别方法。该方法具有较低的计算复杂度，对载波频偏、载波相位噪声等光纤信道损伤不敏感，可以在较低OSNR的情况下实现较高的识别率。本发明首先将接收数据经过重采样、色散补偿、时钟恢复、恒模算法等DSP流程预处理，再使用提出的改进型PSO聚类方法实现调制格式盲识。
进一步地，所述步骤S1包括以下步骤：
S101、功率归一化与Stokes空间映射：将X、Y两路正交的偏振信号随机抽取8000个符号进行归一化处理，从Jones空间映射至Stokes空间，并利用各调制格式的特征对偏振信号进行分类，计算得到归一化的Stokes空间矢量[s1，s2，s3]T以确定每个偏振信号的位置，其中，[·]T表示转置运算，s1、s2和s3均表示归一化后的Stokes空间矢量；
S102、初步分类：利用不同调制格式在s2-s3平面上的分布特性定义调制格式的初步分类参数为H，并判断初步分类参数H是否大于0.01，若是，则聚类中心位于s2-s3平面中特定方框之外，调制格式为{PDM-32QAM，PDM-64QAM}其中一种，否则，聚类中心位于s2-s3平面中的特定圆之外，调制格式为{PDM-BPSK，PDM-QPSK，PDM-8QAM，PDM-16QAM}其中一种，其中，所述特定圆是半径为0.6的圆，所述特定方框为边长为3.6的正方形；
S103、生成灰度图片：根据确定的每个偏振信号的位置统计滑动窗口中的符号数，遍历完后映射为灰度值，并生成400*400像素的灰度图，其中，所述滑动窗口由上到下以及由左到右遍历符号数。
上述进一步方案的有益效果是：特定圆和特定方框将Stokes空间中s2-s3平面中符号数密集的区域滤除，减少了本发明所要寻找的聚类中心数，降低了算法的复杂度并提高了识别准确度。根据参数H可以将六种调制格式简单的分为两类，为后续寻找聚类中心做了前期准备工作。
再进一步地，所述步骤S101中从Jones空间映射到Stokes空间的表达式如下：
其中，S表示四维的Stokes空间矢量，Ex和Ey分别表示X和Y偏振信号，[]*表示共轭复数运算，S0、S1、S2和S3均表示Stokes空间参量；
所述计算得到归一化的Stokes矢量[s1，s2，s3]T的表达式如下：
s1＝S1/S0
s2＝S2/S0
s3＝S3/S0
上述进一步方案的有益效果是：将信号从Jones空间转换到Stokes空间，在Stokes空间中，信号不受频偏和线宽的影响。
再进一步地，所述步骤S102中定义调制格式的初步分类参数为H的表达式如下：
H＝γ/K
其中，γ表示同时满足|s2|>1和|s3|>1的两个区域的符号数，K表示s2-s3平面上的总符号数。
上述进一步方案的有益效果是：通过建立各调制格式与聚类中心数对应的库，可以根据聚类中心数快速识别出调制格式。
再进一步地，所述步骤S103包括以下步骤：
S1031、根据确定的每个偏振信号的位置以及初步分类结果，在以像素为坐标(i,j)的背景图片中，使用大小为30*30像素的滑动窗口，统计滑动窗口的符号数，并记录为T；
S1032、判断是否全部历遍完背景图片的所有像素，若是，则将T从0到最大值Tmax映射到灰度值区间G∈[0,255]，并进入步骤S1033，否则，返回步骤S1031；
S1033、以(i,j)为横纵坐标，G为第三维坐标，生成400*400分辨率的s2-s3平面灰度图片并设置参数。
上述进一步方案的有益效果是：将密度量化成了灰度值，从而将s2-s3平面转换为灰度图片，粒子通过灰度值大小的分布寻找到聚类中心，更有利于本发明中聚类算法的进行，经仿真测试，400*400分辨率的图片兼具最佳的性能和最低的复杂度。
再进一步地，所述步骤S2包括以下步骤：
S201、粒子初始化：将所有粒子编号，以及将每个粒子的邻居数设为0，设置每个粒子的视野半径为25像素，并在迭代过程中以1像素的步长减小至预设的第一阈值ThA，且在s2-s3平面的灰度图片上使用350个粒子搜索灰度图片中的局部极值，其中，所述第一阈值ThA为10像素；
S202、寻找粒子邻居：建立一空的团簇，在其中放入第一个符合第二阈值条件的粒子n1，利用迭代法遍历粒子n1的所有邻居，判断粒子n1的所有邻居是否符合第二阈值条件，若符合，则将该粒子n1放入所述空的团簇中，并建立另一空的团簇，放入一未遍历过的且符合第二阈值条件的粒子ni，并依次判断粒子ni的所有邻居是否第二阈值条件，若是，则进入步骤S203，否则，重复步骤S202，直至遍历完所有下一个未寻找过的粒子ni的所有邻居，其中，所述第二阈值条件为粒子的邻居数是否大于或等于第二阈值，所述第二阈值ThB为10；
S203、计算团簇数：根据步骤S202中利用空簇建立的团簇数，判断各团簇数中的粒子数是否大于预设的第三阈值ThC，若是，则在判断完所有团簇后进入步骤S204，否则，视该团簇数为噪声点，不计入团簇数，并在判断完所有团簇后进入步骤S204，所述第三阈值ThC为5；
S204、更新粒子的速度和位置：在s2-s3平面的灰度图片上，计算得到每个粒子的下一代迭代速度和位置；
S205、局部极值点判断：根据各粒子的速度和位置，判断每个粒子所在位置的灰度值Gi是否大于第四阈值ThD，若是，则该位置为局部极值点，并进入步骤S206，否则，该位置不为局部极值点，并返回步骤S204，且若重复5次迭代所述灰度值Gi仍未大于第四阈值，则返回步骤S201，再进入步骤S206，其中，第四阈值ThD为50；所述重复5次迭代中包括第一次返回步骤S204；
S206、计算聚类中心数：若初步分类参数H大于0.01，则调制格式为{PDM-32QAM，PDM-64QAM}其中一种，并根据统计的所述局部极值点计算得到聚类中心的数量W1后进入步骤S208，否则，调制格式为{PDM-BPSK，PDM-QPSK，PDM-8QAM，PDM-16QAM}其中一种，并根据统计的所述局部极值点计算得到聚类中心的数量W2后进入步骤S207；
S207、模板匹配：判断聚类中心的数量W2是否大于4，若是，则调制格式为PDM-64QAM，并进入步骤S2011，否则，调制格式为PDM-32QAM，并进入步骤S2011；
S208、模板匹配：判断聚类中心的数量W1是否小于等于2，若是，则调制格式为PDM-BPSK，否则，进入步骤S209；
S209、模板匹配：判断聚类中心的数量W1大于2且小于等于5，若是，则调制格式为PDM-QPSK，否则，进入步骤S2010；
S2010、模板匹配：判断聚类中心的数量W1大于5且小于等于8，若是，则调制格式为PDM-8QAM，并进入步骤S2011，否则，聚类中心的数量W1大于8，调制格式为PDM16QAM，并进入步骤S2011；
S2011、模板匹配：重复步骤S202至步骤S206，并判断5次计算聚类中心数的结果是否相同，若是，则终止迭代，完成弹性光网络调制格式识别，否则，返回步骤S204，其中，所述5次包括第一次重复步骤S202至步骤S206。
上述进一步方案的有益效果是：本发明中的聚类算法需要调整的参数少，原理简单，容易实现；粒子协同搜索，同时利用个体局部信息和群体全局信息指导搜索；收敛速度快，算法对计算机内存和CPU要求不高。
再进一步地，所述步骤S204中粒子的速度vi(k+1)和位置pi(k+1)的表达式如下：
其中，k表示当前迭代的编号，i表示粒子的个数，i＝1,2,3,…,N，N表示粒子总数，取350，ω表示惯性权重因子，取0.5，c1表示个体学因子，取2，c2表示社会学因子，取2，rand是介于(0,1)之间的随机数，vi(k)表示更新前粒子的速度，pi(k)表示更新前的粒子位置，pbesti(k)表示全局最优值，nbbesti(k)表示局部最优值。
上述进一步方案的有益效果是：通过上述公式对粒子的位置和速度进行更新，从而推进本发明中聚类算法迭代的进行。
再进一步地，所述步骤S207中调制格式{PDM-BPSK、PDM-QPSK、PDM-8QAM、PDM-16QAM}的聚类中心点数分别为2、4、8和24；调制格式{PDM-32QAM、PDM-64QAM}的聚类中心点数分别为0和12。
上述进一步方案的有益效果是：本发明通过建立各调制格式与聚类中心数对应的库，可以根据聚类中心数快速识别出调制格式。
再进一步地，所述步骤S207中聚类中心点为灰度图片中灰度值Gi的局部最高点。
上述进一步方案的有益效果是：PSO聚类算法搜索s2-s3平面中的密度的局部最高点，也即生成的灰度图片中灰度值最高点。
本发明还提供了一种基于改进PSO聚类的弹性光网络调制格式识别系统，包括：
预处理模块，用于将X、Y两路正交的偏振信号映射至Stokes空间，并利用各调制格式的特征对偏振信号进行分类，提取Stokes空间中的s2-s3平面，并根据滑动窗口的符号数生成400*400像素的灰度图，其中总符号数为8000；
识别模块，用于读取灰度图，并利用改进的PSO聚类算法识别并计算灰度图中的聚类中心点数，将所述聚类中心数与各调制格式进行模板匹配，完成弹性光网络调制格式识别。
本发明的有益效果：本发明的目的在于针对EON中的调制格式识别问题，利用Stokes空间中s2-s3平面灰度图特征，提出了一种基于改进PSO聚类算法的调制格式识别方法。该方法具有较低的计算复杂度，对载波频偏、载波相位噪声等光纤信道损伤不敏感，可以在较低OSNR的情况下实现较高的识别率。本发明首先将接收数据经过重采样、色散补偿、时钟恢复、恒模算法等DSP流程预处理，再使用提出的改进型PSO聚类方法实现调制格式盲识。
附图说明
图1为本实施例提供的分析OSNR、入纤功率对所提出方案影响的28GBaud PDM-EON实验系统框图。
图2为本发明的方法流程图。
图3为本实施例提供的2D Stokes平面星座图以及灰度图。
图4为本实施例中寻找粒子邻居迭代算法的原理示意图。
图5为本实施例中识别调制格式示意图。
图6为本实施例提供的分析OSNR、残余CD、DGD对所提出方案影响的28GBaud PDM-EON仿真系统框图。
图7为本实施例提供的在不同OSNR下对于EON信号的MFI性能示意图。
图8为本实施例提供的在不同残余CD的影响下对于EON信号的MFI性能示意图。
图9为本实施例提供的在不同DGD的影响下对于EON信号的MFI性能示意图。
图10为本实施例提供的28GBaud PDM-EON实验结果图。
图11为本发明的系统结构示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
为了进一步验证所提出方案的性能，本发明构建了具有弹性发射机的28GBaudPDM-EON实验系统进行验证，其详细设置如图1所示。图1(a)为在弹性光网络传输链路中引入了不同ASE噪声的实验框图。在发射机端，首先通过比特到符号映射，PRBS设置为215-1，任意波形发生器将脉冲整形和预失真处理后的28GBaud电信号发送到PDM-IQ调制器以生成PDM-QPSK/PDM-8QAM/PDM-32QAM信号，使用的根升余弦滤波器的滚降系数为0.75。发送端激光器和接收端本振激光器的波长均为1550nm。线宽约为100kHz，频偏约为200MHz。光谱分析仪用于监测相干光传输系统的OSNR性能。图1(b)是28GBaud PDM-EON信号经光纤传输后的实验框图。首先将发射光信号经掺铒光纤放大器放大，其后将传输信号馈入光纤传输链路，该链路由光纤环路控制仪、带宽为1nm的光带通滤波器、掺铒光纤放大器和跨度为100.8km的标准单模光纤组成。对于PDM-QPSK、PDM-8QAM和PDM-32QAM这三种调制光信号的传输距离分别为2000km、1000km、400km，发射功率分别在-2dBm至6dBm范围内变化。在接收机端，信号由偏振分集相干接收器检测，最后利用电带宽为36GHz的实时示波器以每通道80GS/s的采样率(Teledyne Lecroy，Labmaster 10Zi)实现对EON信号的实时采集。最后，将采集到的信号经过一系列的DSP流程，提出的MFI方案是在离线DSP模块中进行的。如图2所示，一种基于改进PSO聚类的弹性光网络调制格式识别方法如下：
S1、预处理阶段：将X、Y两路正交的偏振信号映射至Stokes空间，并利用各调制格式的特征对偏振信号进行分类，提取Stokes空间中的s2-s3平面，并根据滑动窗口中符号数生成灰度图，其中，总符号数为8000，s2和s3均表示归一化后的Stokes空间矢量；其实现方法如下：
S101、功率归一化与Stokes空间映射：将X、Y两路正交的偏振信号随机抽取8000个符号进行归一化处理，从Jones空间映射至Stokes空间，并利用各调制格式的特征对偏振信号进行分类，计算得到归一化的Stokes空间矢量[s1，s2，s3]T以确定每个偏振信号的位置，其中，[·]T表示转置运算，s1、s2和s3均表示归一化后的Stokes空间矢量；
本实施例中，从Jones空间映射到Stokes空间的表达式如下：
其中，S表示四维的Stokes空间矢量，Ex和Ey分别表示X和Y偏振信号，[]*表示共轭复数运算，S0、S1、S2和S3均表示Stokes空间参量；
本实施例中，所述计算得到归一化的Stokes矢量[s1，s2，s3]T的表达式如下：
s1＝S1/S0
s2＝S2/S0
s3＝S3/S0
在本实施例中，本发明去掉s1分量，只使用向量s2和s3以截取得到s2-s3平面，如图3(a1)～(f1)所示。
S102、初步分类：利用不同调制格式在s2-s3平面上的分布特性定义调制格式的初步分类参数为H，并判断初步分类参数H是否大于0.01，若是，则聚类中心位于s2-s3平面中特定方框之外，调制格式为{PDM-32QAM，PDM-64QAM}其中一种，否则，聚类中心位于s2-s3平面中的特定圆之外，调制格式为{PDM-BPSK，PDM-QPSK，PDM-8QAM，PDM-16QAM}其中一种，其中，所述特定圆是半径为0.6的圆，所述特定方框为边长为3.6的正方形；所述定义调制格式的初步分类参数为H的表达式如下：
H＝γ/K
其中，γ表示同时满足|s2|>1和|s3|>1的两个区域的符号数，K表示s2-s3平面上的总符号数；
S103、生成灰度图片：根据确定的每个偏振信号的位置统计滑动窗口中的符号数，遍历完后映射为灰度值，并生成400*400像素的灰度图，其中，所述滑动窗口由上到下以及由左到右遍历符号数，其实现方法如下：
S1031、根据确定的每个偏振信号的位置以及初步分类结果，在以像素为坐标(i,j)的背景图片中，使用大小为30*30像素的滑动窗口，统计滑动窗口的符号数，并记录为T；
S1032、判断是否全部历遍完背景图片的所有像素，若是，则将T从0到最大值Tmax映射到灰度值区间G∈[0,255]，并进入步骤S1033，否则，返回步骤S1031；
S1033、以(i,j)为横纵坐标，G为第三维坐标，生成400*400分辨率的s2-s3平面灰度图片并设置参数。
本实施例中，本发明利用截取的s2-s3平面生成灰度图片并设置参数，灰度图片中的灰度值的大小代表了符号的密度。其详细过程为：在以像素为坐标(i,j)的背景图片中，使用一个大小为30*30像素的滑动窗口，寻找其中灰度值大于50的像素点数量并记录为T。全部遍历完后，这里将T从0到最大值Tmax映射到灰度值区间G∈[0,255]，然后以(i,j)为横纵坐标，G为第三维坐标，生成400*400分辨率的s2-s3平面灰度图片，如图3(a2)～(f2)所示。
S2、识别阶段：读取灰度图，并利用改进的PSO聚类算法识别并计算灰度图中的聚类中心点数，将所述聚类中心数与各调制格式进行模板匹配，完成弹性光网络调制格式识别，其实现方法如下：
S201、粒子初始化：将所有粒子编号，以及将每个粒子的邻居数设为0，设置每个粒子的视野半径为25像素，并在迭代过程中以1像素的步长减小至预设的第一阈值ThA，且在s2-s3平面的灰度图片上使用350个粒子搜索灰度图片中的局部极值，其中，所述第一阈值ThA为10像素；
本实施例中，在s2-s3平面灰度图片上，本发明共使用350个粒子搜索灰度图片中的局部极值，将所有粒子编号并将每个粒子的邻居数设为0，设置每个粒子的视野半径为25像素，并在迭代过程中以1像素的步长不断减小直至设置好的第一阈值ThA——10像素。本发明使用的“邻居”指每一粒子视野范围内的其他所有粒子。每次迭代过程中，需要计算所有粒子之间的距离并记录其视野范围内的邻居。
S202、寻找粒子邻居：建立一空的团簇，在其中放入第一个符合第二阈值条件的粒子n1，利用迭代法遍历粒子n1的所有邻居，判断粒子n1的所有邻居是否符合第二阈值条件，若符合，则将该粒子n1放入所述空的团簇中，并建立另一空的团簇，放入一未遍历过的且符合第二阈值条件的粒子ni，并依次判断粒子ni的所有邻居是否第二阈值条件，若是，则进入步骤S203，否则，重复步骤S202，直至遍历完所有下一个未寻找过的粒子ni的所有邻居，其中，所述第二阈值条件为粒子的邻居数是否大于或等于第二阈值，所述第二阈值ThB为10；
本实施例中，如图4所示，首先建立一个空的团簇，在其中放入第一个符合第二阈值条件(即该粒子的邻居数是否大于或等于第二阈值ThB——10)的粒子n1，然后利用迭代法遍历其邻居，判断是否符合上述第二阈值条件直至遍历完该粒子n1的所有邻居；然后建立一个新的团簇，放入一个未曾遍历过的符合阈值条件的粒子n2，然后按上述过程遍历下一个未曾寻找过的粒子的邻居ni。此原理示意图，其中①,②,③,……,
表示已初始化的粒子，所有箭头指向某粒子寻找到的邻居，虚线箭头代表已经寻找过的粒子，在其后的遍历过程中不再寻找。本发明由外层开始依次判断粒子的邻居数是否大于第二阈值ThB，当最外层粒子的邻居数小于ThB时，返回上一层判断当前粒子的其他邻居是否符合第二阈值条件。
S203、计算团簇数：根据步骤S202中利用空簇建立的团簇数，判断各团簇数中的粒子数是否大于预设的第三阈值ThC，若是，则在判断完所有团簇后进入步骤S204，否则，视该团簇数为噪声点，不计入团簇数，并在判断完所有团簇后进入步骤S204，所述第三阈值ThC为5。
本实施例中，本发明设定第三阈值ThC为5，若团簇数中的粒子数大于此第三阈值ThC，则将此团簇看做是符合条件的一类，否则被看作噪声点，不计入团簇统计。
S204、更新粒子的速度和位置：在s2-s3平面的灰度图片上，计算得到每个粒子的下一代迭代速度和位置：
其中，k表示当前迭代的编号，i表示粒子的个数，i＝1,2,3,…,N，N表示粒子总数，取350，ω表示惯性权重因子，取0.5，c1表示个体学因子，取2，c2表示社会学因子，取2，rand是介于(0,1)之间的随机数，vi(k)表示更新前粒子的速度，pi(k)表示更新前的粒子位置，pbesti(k)表示全局最优值，nbbesti(k)表示局部最优值。
S205、局部极值点判断：根据各粒子的速度和位置，判断每个粒子所在位置的灰度值Gi是否大于第四阈值ThD，若是，则该位置为局部极值点，并进入步骤S206，否则，该位置不为局部极值点，并返回步骤S204，且若重复5次迭代所述灰度值Gi仍未大于第四阈值，则返回步骤S201，再进入步骤S206，其中，第四阈值ThD为50；所述重复5次迭代中包括第一次返回步骤S204；
S206、计算聚类中心数：若初步分类参数H大于0.01，则调制格式为{PDM-32QAM，PDM-64QAM}其中一种，并根据统计的所述局部极值点计算得到聚类中心的数量W1后进入步骤S208，否则，调制格式为{PDM-BPSK，PDM-QPSK，PDM-8QAM，PDM-16QAM}其中一种，并根据统计的所述局部极值点计算得到聚类中心的数量W2后进入步骤S207；
S207、模板匹配：判断聚类中心的数量W2是否大于4，若是，则调制格式为PDM-64QAM，并进入步骤S2011，否则，调制格式为PDM-32QAM，并进入步骤S2011；
S208、模板匹配：判断聚类中心的数量W1是否小于等于2，若是，则调制格式为PDM-BPSK，否则，进入步骤S209；
S209、模板匹配：判断聚类中心的数量W1大于2且小于等于5，若是，则调制格式为PDM-QPSK，否则，进入步骤S2010；
S2010、模板匹配：判断聚类中心的数量W1大于5且小于等于8，若是，则调制格式为PDM-8QAM，并进入步骤S2011，否则，聚类中心的数量W1大于8，调制格式为PDM16QAM，并进入步骤S2011；
S2011、模板匹配：重复步骤S202至步骤S206，并判断5次计算聚类中心数的结果是否相同，若是，则终止迭代，完成弹性光网络调制格式识别，否则，返回步骤S204，其中，所述5次包括第一次重复步骤S202至步骤S206。
本实施例中，本发明所提出的调制格式识别方案利用改进的PSO聚类算法对所得灰度图像中的聚类团簇数进行计数。首先，根据不同调制格式在s2-s3平面上的分布特性，为这些调制格式的初步分类定义参数H，由H＝γ/K计算得出，其中γ表示同时满足|s2|>1和|s3|>1的两个区域的符号数，K是s2-s3平面上的总符号数。之后，根据图5所示的合适阈值H是否大于0.01的条件，可以将这六种调制格式大致分为两类：当H小于0.01时，它将只能是{PDM-BPSK，PDM-QPSK，PDM-8QAM，PDM16QAM}中的一种，聚类中心将位于s2-s3平面中的特定圆之外。否则，调制格式将是{PDM-32QAM，PDM-64QAM}中的一种，并且相应的聚类中心将位于特定的方框之外，其中，特定圆指的是半径为0.6的圆；特定方框为边长为3.6的正方形。最后，利用改进的PSO聚类算法对灰度图像中的聚类团簇数W进行计数。当H小于0.01时，若W小于或等于2，则认为是PDM-BPSK；若W大于2小于等于5，则认为是PDM-QPSK；若W大于5小于等于8，则认为是PDM-8QAM；若W大于8，则认为是PDM-16QAM；当H大于0.01时，若W大于4，则认为是PDM-64QAM；否则认为是PDM-32QAM。
本实施例中，通过使用光通信仿真软件VPI transmission Makers 9.3和MATLAB，本发明验证了所提方案的可行性。仿真系统的示意图如图6所示，其中发射机用于生成28GBaud PDM-BPSK/PDM-QPSK/PDM-8QAM/PDM-16QAM/PDM-32QAM/PDM-64QAM信号。升余弦奈奎斯特脉冲整形滤波器的滚降系数设置为0.1。PRBS设置为215-1，激光的发射频率设置为193.4THz。在仿真过程中，还将激光器的频偏和线宽分别设置为100MHz和100KHz。使用三种不同的传输链路来探索所提出的MFI方案的有效性。其中，设置OSNR模块用于将不同的放大器自发辐射(amplifier spontaneous emission，ASE)噪声引入EON传输链路中。对于每种调制格式，以1dB的步长将OSNR设置在8dB到30dB的范围内。除此之外，还分别模拟了残余CD和差分群延迟(differential group delay,DGD)对于本发明性能的影响，其中残余CD值在-210ps/nm至+210ps/nm的范围内以30ps/nm的间隔递增，残余DGD值在0ps至10ps的范围内以1ps的步长递增。
本实施例中，如图7所示，进行MFI后，本发明对于PDM-BPSK/PDM-QPSK/PDM-8QAM/PDM-16QAM/PDM-32QAM/PDM-64QAM达到100％识别成功率时的最低OSNR分别为：8dB、12dB、15dB、19dB、21dB、21dB，均低于或等于各自的7％前向纠错(forward error correction，FEC)阈值。另外，由于CD补偿模块估算的CD值与光纤链路的实际CD值不匹配。在实际系统中，CD补偿后通常会有一定数量的残余CD。因此，残余CD可以看作是验证MFI方案的鲁棒性的重要指标。如图8所示，残余CD值以30ps/nm的步长从-210ps/nm增至+210ps/nm时，本发明使用六种调制格式来验证其鲁棒性。在不牺牲性能的情况下，本发明所提出MFI方案对不同调制格式的最大残余CD容忍范围具体为：PDM-BPSK为-120ps/nm至120ps/nm，PDM-QPSK为-120ps/nm至90ps/nm，PDM-8QAM为-30ps/nm至30ps/nm，PDM-16QAM为-30ps/nm至30ps/nm，PDM-32QAM为-90ps/nm至90ps/nm，PDM-64QAM为-210ps/nm至210ps/nm。
本实施例中，本发明还研究了本MFI方案对于DGD的鲁棒性。在一定残余DGD影响下，当OSNR均设置为各调制格式相应的7％FEC阈值时，分别对于PDM-BPSK、PDM-QPSK、PDM-8QAM、PDM16QAM、PDM-32QAM、PDM-64QAM等6种调制格式进行MFI仿真验证，其结果如图9所示。当MFI成功率达到100％时，对于PDM-8QAM、PDM-16QAM和PDM-32QAM，本发明可容忍的最大DGD值分别为7ps、7ps及5ps，而对于PDM-BPSK、PDM-QPSK、PDM-64QAM的最大DGD容忍度均为10ps。
本实施例中，图10为在实验条件下的结果，如图10(a)表明，在7％FEC阈值下，该方案对实验数据具有良好的识别成功率。图10(b)所示，证实了该方案具有良好的非线性容限，可以适用于长距离传输链路的MFI。
如图11所示，本发明提供了一种基于改进PSO聚类的弹性光网络调制格式识别系统，包括：预处理模块，用于将X、Y两路正交的偏振信号映射至Stokes空间，并利用各调制格式的特征对偏振信号进行分类，提取Stokes空间中的s2-s3平面，并根据滑动窗口的符号数生成400*400像素的灰度图，其中总符号数为8000；识别模块，用于读取灰度图，并利用改进的PSO聚类算法识别并计算灰度图中的聚类中心点数，将所述聚类中心数与各调制格式进行模板匹配，完成弹性光网络调制格式识别。
如图11所示实施例提供的基于改进PSO聚类的弹性光网络调制格式识别系统可以执行上述方法实施例所示的技术方案，其实现原理与有益效果类似，此处不再赘述。
Claims (10)
1.一种基于改进PSO聚类的弹性光网络调制格式识别方法，其特征在于，包括以下步骤：
S1、预处理阶段：将X、Y两路正交的偏振信号映射至Stokes空间，并利用各调制格式的特征对偏振信号进行分类，提取Stokes空间中的s2-s3平面，并根据滑动窗口中符号数生成灰度图，其中，总符号数为8000，s2和s3均表示归一化后的Stokes空间矢量；
S2、识别阶段：读取灰度图，并利用改进的PSO聚类算法识别并计算灰度图中的聚类中心点数，将所述聚类中心数与各调制格式进行模板匹配，完成弹性光网络调制格式识别。
2.根据权利要求1所述的基于改进PSO聚类的弹性光网络调制格式识别方法，其特征在于，所述步骤S1包括以下步骤：
S101、功率归一化与Stokes空间映射：将X、Y两路正交的偏振信号随机抽取8000个符号进行归一化处理，从Jones空间映射至Stokes空间，并利用各调制格式的特征对偏振信号进行分类，计算得到归一化的Stokes空间矢量[s1，s2，s3]T以确定每个偏振信号的位置，其中，[·]T表示转置运算，s1、s2和s3均表示归一化后的Stokes空间矢量；
S102、初步分类：利用不同调制格式在s2-s3平面上的分布特性定义调制格式的初步分类参数为H，并判断初步分类参数H是否大于0.01，若是，则聚类中心位于s2-s3平面中特定方框之外，调制格式为{PDM-32QAM，PDM-64QAM}其中一种，否则，聚类中心位于s2-s3平面中的特定圆之外，调制格式为{PDM-BPSK，PDM-QPSK，PDM-8QAM，PDM-16QAM}其中一种，其中，所述特定圆是半径为0.6的圆，所述特定方框为边长为3.6的正方形；
S103、生成灰度图片：根据确定的每个偏振信号的位置统计滑动窗口中的符号数，遍历完后映射为灰度值，并生成400*400像素的灰度图，其中，所述滑动窗口由上到下以及由左到右遍历符号数。
3.根据权利要求2所述的基于改进PSO聚类的弹性光网络调制格式识别方法，其特征在于，所述步骤S101中从Jones空间映射到Stokes空间的表达式如下：
其中，S表示四维的Stokes空间矢量，Ex和Ey分别表示X和Y偏振信号，[]*表示共轭复数运算，S0、S1、S2和S3均表示Stokes空间参量；
所述计算得到归一化的Stokes矢量[s1，s2，s3]T的表达式如下：
s1＝S1/S0
s2＝S2/S0
s3＝S3/S0
4.根据权利要求2所述的基于改进PSO聚类的弹性光网络调制格式识别方法，其特征在于，所述步骤S102中定义调制格式的初步分类参数为H的表达式如下：
H＝γ/K
其中，γ表示同时满足|s2|>1和|s3|>1的两个区域的符号数，K表示s2-s3平面上的总符号数。
5.根据权利要求2所述的基于改进PSO聚类的弹性光网络调制格式识别方法，其特征在于，所述步骤S103包括以下步骤：
S1031、根据确定的每个偏振信号的位置以及初步分类结果，在以像素为坐标(i,j)的背景图片中，使用大小为30*30像素的滑动窗口，统计滑动窗口的符号数，并记录为T；
S1032、判断是否全部历遍完背景图片的所有像素，若是，则将T从0到最大值Tmax映射到灰度值区间G∈[0,255]，并进入步骤S1033，否则，返回步骤S1031；
S1033、以(i,j)为横纵坐标，G为第三维坐标，生成400*400分辨率的s2-s3平面灰度图片并设置参数。
6.根据权利要求1所述的基于改进PSO聚类的弹性光网络调制格式识别方法，其特征在于，所述步骤S2包括以下步骤：
S201、粒子初始化：将所有粒子编号，以及将每个粒子的邻居数设为0，设置每个粒子的视野半径为25像素，并在迭代过程中以1像素的步长减小至预设的第一阈值ThA，且在s2-s3平面的灰度图片上使用350个粒子搜索灰度图片中的局部极值，其中，所述第一阈值ThA为10像素；
S202、寻找粒子邻居：建立一空的团簇，在其中放入第一个符合第二阈值条件的粒子n1，利用迭代法遍历粒子n1的所有邻居，判断粒子n1的所有邻居是否符合第二阈值条件，若符合，则将该粒子n1放入所述空的团簇中，并建立另一空的团簇，放入一未遍历过的且符合第二阈值条件的粒子ni，并依次判断粒子ni的所有邻居是否第二阈值条件，若是，则进入步骤S203，否则，重复步骤S202，直至遍历完所有下一个未寻找过的粒子ni的所有邻居，其中，所述第二阈值条件为粒子的邻居数是否大于或等于第二阈值，所述第二阈值ThB为10；
S203、计算团簇数：根据步骤S202中利用空簇建立的团簇数，判断各团簇数中的粒子数是否大于预设的第三阈值ThC，若是，则在判断完所有团簇后进入步骤S204，否则，视该团簇数为噪声点，不计入团簇数，并在判断完所有团簇后进入步骤S204，所述第三阈值ThC为5；
S204、更新粒子的速度和位置：在s2-s3平面的灰度图片上，计算得到每个粒子的下一代迭代速度和位置；
S205、局部极值点判断：根据各粒子的速度和位置，判断每个粒子所在位置的灰度值Gi是否大于第四阈值ThD，若是，则该位置为局部极值点，并进入步骤S206，否则，该位置不为局部极值点，并返回步骤S204，且若重复5次迭代所述灰度值Gi仍未大于第四阈值，则返回步骤S201，再进入步骤S206，其中，第四阈值ThD为50；所述重复5次迭代中包括第一次返回步骤S204；
S206、计算聚类中心数：若初步分类参数H大于0.01，则调制格式为{PDM-32QAM，PDM-64QAM}其中一种，并根据统计的所述局部极值点计算得到聚类中心的数量W1后进入步骤S208，否则，调制格式为{PDM-BPSK，PDM-QPSK，PDM-8QAM，PDM-16QAM}其中一种，并根据统计的所述局部极值点计算得到聚类中心的数量W2后进入步骤S207；
S207、模板匹配：判断聚类中心的数量W2是否大于4，若是，则调制格式为PDM-64QAM，并进入步骤S2011，否则，调制格式为PDM-32QAM，并进入步骤S2011；
S208、模板匹配：判断聚类中心的数量W1是否小于等于2，若是，则调制格式为PDM-BPSK，否则，进入步骤S209；
S209、模板匹配：判断聚类中心的数量W1大于2且小于等于5，若是，则调制格式为PDM-QPSK，否则，进入步骤S2010；
S2010、模板匹配：判断聚类中心的数量W1大于5且小于等于8，若是，则调制格式为PDM-8QAM，并进入步骤S2011，否则，聚类中心的数量W1大于8，调制格式为PDM16QAM，并进入步骤S2011；
S2011、模板匹配：重复步骤S202至步骤S206，并判断5次计算聚类中心数的结果是否相同，若是，则终止迭代，完成弹性光网络调制格式识别，否则，返回步骤S204，其中，所述5次包括第一次重复步骤S202至步骤S206。
7.根据权利要求6所述的基于改进PSO聚类的弹性光网络调制格式识别方法，其特征在于，所述步骤S204中粒子的速度vi(k+1)和位置pi(k+1)的更新表达式如下：
其中，k表示当前迭代的编号，i表示粒子的个数，i＝1,2,3,…,N，N表示粒子总数，取350，ω表示惯性权重因子，取0.5，c1表示个体学因子，取2，c2表示社会学因子，取2，rand是介于(0,1)之间的随机数，vi(k)表示更新前粒子的速度，pi(k)表示更新前的粒子位置，pbesti(k)表示全局最优值，nbbesti(k)表示局部最优值。
8.根据权利要求6所述的基于改进PSO聚类的弹性光网络调制格式识别方法，其特征在于，所述步骤S207中调制格式{PDM-BPSK、PDM-QPSK、PDM-8QAM、PDM-16QAM}的聚类中心点数分别为2、4、8和24；调制格式{PDM-32QAM、PDM-64QAM}的聚类中心点数分别为0和12。
9.根据权利要求6所述的基于改进PSO聚类的弹性光网络调制格式识别方法，其特征在于，所述步骤S207中聚类中心点为灰度图片中灰度值Gi的局部最高点。
10.一种基于改进PSO聚类的弹性光网络调制格式识别系统，其特征在于，包括：
预处理模块，用于将X、Y两路正交的偏振信号映射至Stokes空间，并利用各调制格式的特征对偏振信号进行分类，提取Stokes空间中的s2-s3平面，并根据滑动窗口的符号数生成400*400像素的灰度图，其中总符号数为8000；
识别模块，用于读取灰度图，并利用改进的PSO聚类算法识别并计算灰度图中的聚类中心点数，将所述聚类中心数与各调制格式进行模板匹配，完成弹性光网络调制格式识别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110786632.5A CN113542172B (zh) | 2021-07-12 | 2021-07-12 | 基于改进pso聚类的弹性光网络调制格式识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110786632.5A CN113542172B (zh) | 2021-07-12 | 2021-07-12 | 基于改进pso聚类的弹性光网络调制格式识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113542172A true CN113542172A (zh) | 2021-10-22 |
| CN113542172B CN113542172B (zh) | 2023-11-14 |
Family
ID=78098725
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110786632.5A Active CN113542172B (zh) | 2021-07-12 | 2021-07-12 | 基于改进pso聚类的弹性光网络调制格式识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113542172B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114972338A (zh) * | 2022-07-26 | 2022-08-30 | 武汉工程大学 | 一种高铁动车组走行部故障机器视觉测量方法 |
| CN115964640A (zh) * | 2022-10-06 | 2023-04-14 | 北京理工大学 | 一种改进的基于模板匹配的二次目标分群方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106504291A (zh) * | 2016-10-26 | 2017-03-15 | 天津大学 | 基于场景Stokes矢量测量及其RGB图像优化的多物体区分方法 |
| CN108173600A (zh) * | 2017-12-26 | 2018-06-15 | 中山大学 | 基于自适应非迭代聚类的Stokes空间相干光调制格式识别方法 |
| CN108173599A (zh) * | 2017-12-26 | 2018-06-15 | 中山大学 | 基于DENCLUE聚类的Stokes空间相干光调制格式识别方法 |
| CN109787928A (zh) * | 2019-01-25 | 2019-05-21 | 中国人民解放军国防科技大学 | 基于决策树twsvm的高速光信号调制格式识别方法 |
| CN110933005A (zh) * | 2019-12-09 | 2020-03-27 | 北京理工大学 | 一种密度聚类的调制格式识别与osnr估计的联合方法 |
| CN111539411A (zh) * | 2020-04-20 | 2020-08-14 | 河海大学常州校区 | 一种利用偏振信息对不同材质物体识别的方法 |
-
2021
- 2021-07-12 CN CN202110786632.5A patent/CN113542172B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106504291A (zh) * | 2016-10-26 | 2017-03-15 | 天津大学 | 基于场景Stokes矢量测量及其RGB图像优化的多物体区分方法 |
| CN108173600A (zh) * | 2017-12-26 | 2018-06-15 | 中山大学 | 基于自适应非迭代聚类的Stokes空间相干光调制格式识别方法 |
| CN108173599A (zh) * | 2017-12-26 | 2018-06-15 | 中山大学 | 基于DENCLUE聚类的Stokes空间相干光调制格式识别方法 |
| CN109787928A (zh) * | 2019-01-25 | 2019-05-21 | 中国人民解放军国防科技大学 | 基于决策树twsvm的高速光信号调制格式识别方法 |
| CN110933005A (zh) * | 2019-12-09 | 2020-03-27 | 北京理工大学 | 一种密度聚类的调制格式识别与osnr估计的联合方法 |
| CN111539411A (zh) * | 2020-04-20 | 2020-08-14 | 河海大学常州校区 | 一种利用偏振信息对不同材质物体识别的方法 |
Non-Patent Citations (2)
| Title |
|---|
| 虞文俊;顾国华;: "一种基于模糊C均值聚类和边缘提取算法的红外偏振图像的模式识别方法", 光子学报, no. 10 * |
| 陈家佑;白成林;许恒迎;罗清龙;蔡跃进;: "基于高阶循环累积量的OFDM-弹性光网络信号调制格式识别", 光电子・激光, no. 09 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114972338A (zh) * | 2022-07-26 | 2022-08-30 | 武汉工程大学 | 一种高铁动车组走行部故障机器视觉测量方法 |
| CN115964640A (zh) * | 2022-10-06 | 2023-04-14 | 北京理工大学 | 一种改进的基于模板匹配的二次目标分群方法 |
| CN115964640B (zh) * | 2022-10-06 | 2023-09-12 | 北京理工大学 | 一种改进的基于模板匹配的二次目标分群方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113542172B (zh) | 2023-11-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108880692B (zh) | 一种相干光通信系统调制格式识别和光信噪比监控方法 | |
| Saif et al. | Machine learning techniques for optical performance monitoring and modulation format identification: A survey | |
| CN108667523B (zh) | 基于无数据辅助的knn算法的光纤非线性均衡方法 | |
| 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 | |
| CN109309640B (zh) | 基于机器学习的盲信号格式识别方法 | |
| 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 | |
| Xiang et al. | Joint and accurate OSNR estimation and modulation format identification scheme using the feature-based ANN | |
| CN108494488B (zh) | 用于短距离光通信系统的基于dfe的svm均衡方法 | |
| 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 | |
| CN112598072B (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 | |
| CN111083078B (zh) | 一种概率整形正交振幅调制格式盲识别方法及系统 | |
| Yu et al. | A modified PSO assisted blind modulation format identification scheme for elastic optical networks | |
| CN110601764A (zh) | 一种基于光学辅助的射频调制格式识别方法 | |
| Yang et al. | Modulation format identification using graph-based 2D stokes plane analysis for elastic optical network | |
| CN114285715B (zh) | 基于双向gru-条件随机场的非线性均衡方法 | |
| Ma et al. | Modulation format identification based on constellation diagrams in adaptive optical OFDM systems | |
| 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 | |
| Neskorniuk et al. | Model-based deep learning of joint probabilistic and geometric shaping for optical communication | |
| CN114513394A (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 | |
| CN111865848B (zh) | 一种信号调制格式识别方法及系统 | |
| CN113285762B (zh) | 一种基于相对熵计算的调制格式识别方法 | |
| Yang et al. | Joint modulation format identification and OSNR estimation method based on trajectory information analysis | |
| CN113612707B (zh) | 基于ann_ls的im/dd-ofdm/oqam-pon系统信道估计方法 | |
| CN114598581A (zh) | 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 | |
| Wang et al. | A novel modulation format identification based on amplitude histogram space |
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 |