CN113938206B - 一种适用于iq调制器的偏压控制方法和装置 - Google Patents

一种适用于iq调制器的偏压控制方法和装置 Download PDF

Info

Publication number
CN113938206B
CN113938206B CN202111160536.6A CN202111160536A CN113938206B CN 113938206 B CN113938206 B CN 113938206B CN 202111160536 A CN202111160536 A CN 202111160536A CN 113938206 B CN113938206 B CN 113938206B
Authority
CN
China
Prior art keywords
modulator
bias
frequency part
output
bias voltage
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
CN202111160536.6A
Other languages
English (en)
Other versions
CN113938206A (zh
Inventor
戴潇潇
卢炜奇
谭大勇
程孟凡
邓磊
刘德明
杨奇
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN202111160536.6A priority Critical patent/CN113938206B/zh
Publication of CN113938206A publication Critical patent/CN113938206A/zh
Application granted granted Critical
Publication of CN113938206B publication Critical patent/CN113938206B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification 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
    • 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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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)
  • 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)
  • Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
  • Optical Modulation, Optical Deflection, Nonlinear Optics, Optical Demodulation, Optical Logic Elements (AREA)

Abstract

本发明公开了一种适用于IQ调制器偏压控制的方法和装置，属于信号调制领域。包括：对IQ调制器输出信号进行小波变换提取出一个二维矩阵作为指纹信息，把此指纹作为输入端放入CNN里，输出结果即为当前偏置电压。而对卷积神经网络框架的训练如下：对IQ调制器在零偏置点左右按梯度各设几个不同的偏置电压加载，分别对不同偏置下的输出信号做小波变换，然后放入神经网络中进行训练。此发明与传统的IQ调制器偏置电压调控方案有很大不同，无需外加导频信号，直接利用了神经网络的特性对当前的偏置状态进行精确识别，不用再考虑复杂的系统细算和各个参量间的影响，有效地简化了IQ调制器的偏压控制方法，并且提高了精度。本发明对任意调制格式的信号适用。

Description

一种适用于IQ调制器的偏压控制方法和装置
技术领域
本发明属于光信号调制领域，更具体地，涉及一种适用于IQ调制器的偏压控制方法和装置。
背景技术
目前光纤通信一直向更高速率、更远距离、更高容量的方向发展，传统的码型调制技术已经无法实现人们对da容量的光传输系统的开发，而若对光信号含有的幅度、相位、偏振态等诸多参量进行调制，从而产生特性不同的多种调制格式来提高系统传输速率，成为提高系统容量的有效工具。
若要产生规定调制格式的调制信号，调制器起到了至关重要的作用。如今最常用来产生各种新型高低阶调制格式信号的调制器便是IQ调制器，由两个马赫泽德(MZM)调制器和一个相位调制器构成，相位调制器即为两个MZM调制器产生的I路和Q路信号提供相位差。MZM的偏置点和相位调制器带来的相位差分别由外加的直流偏置电压BIASI、BIASQ和
Figure BDA0003290000480000011
来控制。控制偏置电压使得两个MZM工作在零偏置点，且IQ两路信号之间的相位差为90°，IQ调制器正好处于最佳工作点。而在实际工作中，调制器很容易受到外界环境的影响而使偏置电压发生偏移，产生的信号并不理想。因此需要对调制器的三个偏置电压同时进行监控，使得调制器可以稳定工作在目标偏置点，输出稳定的信号。
发明内容
针对现有技术的缺陷，本发明的目的在于提供一种适用于IQ调制器的偏压控制方法和装置，旨在识别当前信号所处偏压状态，解决调制器在零偏置点的稳定工作的问题。
为实现上述目的，本发明一方面提供了一种适用于IQ调制器的偏压控制方法。偏置电压加载到IQ调制器的直流偏置端口，数据信号由IQ调制器的射频端口输入，接收到IQ调制器在偏置电压下的输出信号后，采用以下方法进行偏压控制：
准备阶段：
对IQ调制器在零偏置点左右按梯度各设多个不同的偏置电压加载，输入随机数据信号，分别对不同偏置下的输出信号提取指纹信息，从而得到用于训练模型的训练集；
构建分类模型；
训练阶段：采用训练集训练分类模型，使分类模型不断迭代学习当前偏置电压下的差别特征；
应用阶段：将待测的IQ调制器的输出信号进行指纹信息提取，输入至训练好的分类模型，得到差别特征，输出当前偏置电压，把当前偏置电压与零偏置点的差值加载到IQ调制器对应的直流偏置端口，完成偏置电压的控制。
优选地，所述分类模型为SVM、KNN、Random Forest或者CNN。
优选地，所述指纹信息提取的方式包括矩形积分双谱特征提取、经验模态分解、小波变换。小波变换能够提取信号的时频信息，更接近信号的本质特征，能够作为指纹。
优选地，所述小波变换包括两次小波分解重构，第一次小波分解重构把输出信号分成低频和高频两个部分，第二次小波分解重构对低频和高频分成低低频、低高频、高低频、高高频四个部分，把两次小波分解重构得到的六个部分拼接成二维矩阵作为指纹。
机器指纹思想应用在设备保密性识别领域，由于载波频偏、相位噪声和非线性等因素影响不同赋予设备特征指纹以精确识别。对不同偏置点电压状态下的输出信号，由于其非线性项差别将其分类成携带不同指纹的不同设备，运用机器指纹的思想分类识别。
本发明另一方面提供了一种适用于IQ调制器的偏压控制装置，包括：
控制器，与IQ调制器电连接，用于在准备阶段对IQ调制器在零偏置点左右按梯度各设多个不同的偏置电压加载，输入随机数据信号，分别对不同偏置下的输出信号提取指纹信息，从而得到用于训练模型的训练集；在训练阶段，采用训练集训练分类模型，使分类模型不断迭代学习当前偏置电压下的差别特征；在应用阶段将待测的IQ调制器的输出信号进行指纹信息提取，输入至训练好的分类模型，得到差别特征，输出当前偏置电压；
数模转换单元，输入端与控制器连接，输出端与IQ调制器的直流偏置端口连接，用于将控制器输出的偏置电压与零偏置点的差值转换成电压信号，加载到IQ调制器对应的直流偏置端口，完成偏置电压的控制。
通过本发明所构思的以上技术方案，与现有技术相比，能够取得以下有益效果：
(1)现有的偏压控制技术都需要外加导频，会引入额外扰动，本发明提供的适用于IQ调制器的偏压控制方法是第一次无需外加导频实现控制，简化了系统的复杂度。
(2)现有方案只能根据导频实现对应某个偏压状态的控制，本发明提供的适用于IQ调制器的偏压控制可以实现任意状态的偏压锁定。
附图说明
图1为本发明提供的一种适用于IQ调制器的偏压控制方法的示意图；
图2为本发明实施例偏置点对光信号调制的非线性影响图，(a)电压为零工作在线性区区域，(b)偏置电压不为零工作在非线性区域；
图3为本发明实施例调制器偏置电压扫描范围，(a)偏置为ΔV情况，(b)偏置为n·ΔV情况。
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不构成冲突就可以相互组合。
本发明提供了一种适用于IQ调制器的偏压控制方法，如图1所示，偏置电压加载到IQ调制器的直流偏置端口，数据信号由IQ调制器的射频端口输入，接收到IQ调制器在偏置电压下的输出信号后，采用以下方法进行偏压控制：
准备阶段：
对IQ调制器在零偏置点左右按梯度各设多个不同的偏置电压加载，输入随机数据信号，分别对不同偏置下的输出信号提取指纹信息，从而得到用于训练模型的训练集；
构建分类模型；
训练阶段：采用训练集训练分类模型，使分类模型不断迭代学习当前偏置电压下的差别特征；
应用阶段：将待测的IQ调制器的输出信号进行指纹信息提取，输入至训练好的分类模型，得到差别特征，输出当前偏置电压，把当前偏置电压与零偏置点的差值加载到IQ调制器对应的直流偏置端口，完成偏置电压的控制。
对于单个MZM，若输入光场为Ein，设置加载的信号为Vsignal，偏置电压为Vbias，则经过调制器调制后的输出光场为：
Figure BDA0003290000480000051
令
Figure BDA0003290000480000052
当Vbias＝0时
Figure BDA0003290000480000053
当Vbias≠0时，
Figure BDA0003290000480000054
相比于公式(2)，公式(3)中将多出包含VS和VB的高阶项，信号将加重落入映射的非线性区间，增加了信号的非线性程度。因此，不同的偏置电压值将会引起信号不同程度的非线性“拉扯”。如图2所示，随着偏置电压从映射曲线的底部向顶部移动，输出光场的特征，例如取值范围、取值分布等的变化也是连续且有规律的，且不论映射曲线的绝对取值，偏置电压在调制区间的相对位置对输出光场的影响是一定且一一对应的。借鉴“指纹”的含义，将输出光场的这些变化总结为偏置电压在输出信号上的“信号指纹”。而指纹的识别非常适合使用仅基于大数据分析的机器学习算法。
为建立偏压区间和信号指纹的映射关系，首先需要建立一个训练集。首先将偏置电压进行扫描，为了描述简要起见，选取以最佳点附近的一段扫描区间(其余范围的跟踪扫描，即粗扫描，可以采用类似功率检测方式开展，这里就不展开描述)，如图3所示。扫描范围定位为V0+1·ΔV至V0+N·ΔV，其中ΔV为控制步进，通常为数字模拟转换器(DAC)的最小分辨率。信号经DAC发出后用光电探测器(PD)接受其光功率，且经模拟数字转换器(ADC)还原为数字信号。选择在较短的时刻(1秒以内，认为这个时间段内偏置电压不受环境发生改变)搜索N个步进，可以得到对应的N组输出光场或对应的电场数值。在初始化阶段，利用接收端的最低误码率或者最佳信噪比来标定线性偏置点。
对每一组采集到的输出光场采用分段小波变换并将提取的分段频谱组织成二维矩阵的形式，这个二维矩阵即为偏置电压所处区间在输出光信号上的信号指纹。下一步，将采用卷积神经网络来提取信号指纹的特征并建立其与偏置电压区间的反向映射模型。
利用预先采集的光场和控制电压组合成的训练集{E(n)，n}，线下训练提出的偏压指纹网络，在半波电压不变的短期内，给定任意的偏置电压，采集输出光场强，输入偏压指纹网络即可识别出偏置区间，通过硬件反馈调控即可将调制器调节到最佳线性偏置点上，甚至是任意的目标偏置点上。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种适用于IQ调制器的偏压控制方法，其特征在于，偏置电压加载到IQ调制器的直流偏置端口，数据信号由IQ调制器的射频端口输入，接收到IQ调制器在偏置电压下的输出信号后，采用以下方法进行偏压控制：
准备阶段：
对IQ调制器在零偏置点左右按梯度各设多个不同的偏置电压加载，输入随机数据信号，分别对不同偏置下的输出信号提取指纹信息，从而得到用于训练模型的训练集；所述指纹信息提取的方式包括小波变换，所述小波变换包括两次小波分解重构，第一次小波分解重构把输出信号分成低频和高频两个部分，第二次小波分解重构对低频和高频分成低低频、低高频、高低频、高高频四个部分，把两次小波分解重构得到的六个部分拼接成二维矩阵作为指纹；
构建分类模型；
训练阶段：采用训练集训练分类模型，使分类模型不断迭代学习当前偏置电压下的差别特征；
应用阶段：将待测的IQ调制器的输出信号进行指纹信息提取，输入至训练好的分类模型，得到差别特征，输出当前偏置电压，把当前偏置电压与零偏置点的差值加载到IQ调制器对应的直流偏置端口，完成偏置电压的控制。
2.如权利要求1所述的方法，其特征在于，所述分类模型为SVM、KNN、Random Forest或者CNN。
3.一种适用于IQ调制器的偏压控制装置，其特征在于，包括：
控制器，与IQ调制器电连接，用于在准备阶段对IQ调制器在零偏置点左右按梯度各设多个不同的偏置电压加载，输入随机数据信号，分别对不同偏置下的输出信号提取指纹信息，从而得到用于训练模型的训练集；所述指纹信息提取的方式包括小波变换，所述小波变换包括两次小波分解重构，第一次小波分解重构把输出信号分成低频和高频两个部分，第二次小波分解重构对低频和高频分成低低频、低高频、高低频、高高频四个部分，把两次小波分解重构得到的六个部分拼接成二维矩阵作为指纹；
在训练阶段，采用训练集训练分类模型，使分类模型不断迭代学习当前偏置电压下的差别特征；在应用阶段将待测的IQ调制器的输出信号进行指纹信息提取，输入至训练好的分类模型，得到差别特征，输出当前偏置电压；
数模转换单元，输入端与控制器连接，输出端与IQ调制器的直流偏置端口连接，用于将控制器输出的偏置电压与零偏置点的差值转换成电压信号，加载到IQ调制器对应的直流偏置端口，完成偏置电压的控制。
4.如权利要求3所述的装置，其特征在于，所述分类模型为SVM、KNN、Random Forest或者CNN。
CN202111160536.6A 2021-09-30 2021-09-30 一种适用于iq调制器的偏压控制方法和装置 Active CN113938206B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111160536.6A CN113938206B (zh) 2021-09-30 2021-09-30 一种适用于iq调制器的偏压控制方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111160536.6A CN113938206B (zh) 2021-09-30 2021-09-30 一种适用于iq调制器的偏压控制方法和装置

Publications (2)

Publication Number Publication Date
CN113938206A CN113938206A (zh) 2022-01-14
CN113938206B true CN113938206B (zh) 2023-04-07

Family

ID=79277695

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111160536.6A Active CN113938206B (zh) 2021-09-30 2021-09-30 一种适用于iq调制器的偏压控制方法和装置

Country Status (1)

Country Link
CN (1) CN113938206B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108833019A (zh) * 2018-06-25 2018-11-16 华中科技大学 一种光iq调制器任意偏置点控制方法及控制系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6046838A (en) * 1998-12-22 2000-04-04 Kestrel Solutions, Inc. Automatic bias control for electro-optic modulators
US9735884B2 (en) * 2012-08-28 2017-08-15 Nec Corporation Optical transmitter and bias voltage control method
JP6358024B2 (ja) * 2014-10-02 2018-07-18 富士通株式会社 光送信器および波形歪みを補正する方法
CN107949054A (zh) * 2017-12-29 2018-04-20 清华大学 基于深度学习可见光室内高精度指纹定位方法
CN109639350B (zh) * 2018-12-27 2021-03-16 武汉邮电科学研究院有限公司 一种光iq调制器参数监测方法
CN113347175B (zh) * 2021-05-31 2022-09-27 华中科技大学 一种光通信设备指纹特征提取及设备身份识别方法和系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108833019A (zh) * 2018-06-25 2018-11-16 华中科技大学 一种光iq调制器任意偏置点控制方法及控制系统

Also Published As

Publication number Publication date
CN113938206A (zh) 2022-01-14

Similar Documents

Publication Publication Date Title
Khan et al. Modulation format identification in coherent receivers using deep machine learning
US11716148B2 (en) Linearized optical digital-to-analog modulator
CN105675260B (zh) 一种马赫‑曾德尔电光调制器频率响应的测量装置与方法
CN107219002B (zh) 一种超高分辨率光谱测量方法及系统
CN109542028A (zh) 一种量子测控系统
CN108761398A (zh) 微波光子双波段雷达探测方法及微波光子双波段雷达
Yacoubian et al. Digital-to-analog conversion using electrooptic modulators
CN109254471B (zh) 一种比特精度改善的光子模数转换方法及系统
CN103048810A (zh) 具有超高消光比的电光调制器偏置点自动锁定装置及方法
Wang et al. Comprehensive eye diagram analysis: a transfer learning approach
CN111130645A (zh) 双平行马赫曾德尔调制器偏置电压自动控制系统及方法
CN114024611B (zh) 探测带宽大于1THz的光信号实时矢量分析方法及装置
CN112465137B (zh) 一种基于光子神经网络的涡旋光束模态识别系统及方法
CN106209252A (zh) 级联mzm任意点自动偏压控制装置和方法
CN103905179B (zh) 一种电触发时钟相位动态调整方法及装置
CN113938206B (zh) 一种适用于iq调制器的偏压控制方法和装置
CN110926511A (zh) 一种宽带高分辨率光谱响应测量系统及方法
CN108833020B (zh) 光发射机iq调制器偏置控制方法
CN113238428B (zh) 一种基于双驱动电光调制器阵列的高速光子数模转换方法
CN101211090B (zh) 相位调制型的光学模/数转换器
CN110166137A (zh) 一种偏置无关的高斯调制量子光信号产生装置及方法
CN101482579B (zh) 一种基于半导体光放大器偏振旋转效应的电光采样方法
CN113341222A (zh) 基于双音调制的光电探测器频响测量方法及装置
CN117688997A (zh) 一种基于频率编码dfb神经元的可重构逻辑运算装置及方法
CN112684650A (zh) 一种基于加权调制曲线的光子模数转换方法及系统

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