CN114401049A - 一种基于幅度分布特征的概率整形信号整形分布识别方法 - Google Patents
一种基于幅度分布特征的概率整形信号整形分布识别方法 Download PDFInfo
- Publication number
- CN114401049A CN114401049A CN202210091621.XA CN202210091621A CN114401049A CN 114401049 A CN114401049 A CN 114401049A CN 202210091621 A CN202210091621 A CN 202210091621A CN 114401049 A CN114401049 A CN 114401049A
- Authority
- CN
- China
- Prior art keywords
- amplitude
- shaping
- signal
- distribution
- probability
- 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
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 86
- 238000007493 shaping process Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000011084 recovery Methods 0.000 claims abstract description 7
- 230000003287 optical effect Effects 0.000 claims description 33
- 230000010287 polarization Effects 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 15
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 239000006185 dispersion Substances 0.000 claims description 4
- 238000004891 communication Methods 0.000 abstract description 6
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 24
- 238000012549 training Methods 0.000 description 20
- 238000012360 testing method Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010835 comparative analysis Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
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
- H04B10/60—Receivers
- H04B10/61—Coherent receivers
- H04B10/616—Details of the electronic signal processing in coherent optical receivers
- H04B10/6161—Compensation of chromatic dispersion
-
- 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
-
- 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
- H04B10/60—Receivers
- H04B10/61—Coherent receivers
- H04B10/616—Details of the electronic signal processing in coherent optical receivers
- H04B10/6162—Compensation of polarization related effects, e.g., PMD, PDL
-
- 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
- H04B10/60—Receivers
- H04B10/61—Coherent receivers
- H04B10/616—Details of the electronic signal processing in coherent optical receivers
- H04B10/6164—Estimation or correction of the frequency offset between the received optical signal and the optical local oscillator
-
- 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
- H04B10/60—Receivers
- H04B10/61—Coherent receivers
- H04B10/616—Details of the electronic signal processing in coherent optical receivers
- H04B10/6165—Estimation of the phase of the received optical signal, phase error estimation or phase error correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Optical Communication System (AREA)
Abstract
本发明公开了一种基于幅度分布特征的概率整形信号整形分布识别方法,涉及通信技术领域,包括:提取信号的幅度均值和幅度方差特征及不同幅度区域内样本点分布特征,然后将提取的幅度特征输入到全连接的深度神经网络(DNN),从而利用DNN提取幅度特征对应发送信号的整形分布信息。本发明只需对接收信号进行简单的预处理,无需对信息进行载波相位恢复和时钟恢复处理,也无需预知信号的信噪比等信息;并且在较高的信号熵粒度的概率整形正交幅度调制系统中,也能实现较高的识别准确度。
Description
技术领域
本发明涉及通信技术领域,更具体的,涉及一种基于幅度分布特征的概率 整形信号整形分布识别方法。
背景技术
随着云计算、物联网和第五代(5G)移动通信等等为代表的新业务和新技 术的迅猛发展,每年全球数据流量呈现指数爆发的态势,这对作为整个通信系 统基础的光传输网提出了更高的性能要求。如今已经广泛研究了概率整形正交 幅度调制(PS-MQAM)系统,它能提高光纤通信系统的性能和灵活性。通过为星 座符号分配不同的概率,PS-MQAM允许根据链路条件动态调整信息速率,并能缩 小到香农极限差距。为了能够在接收端正确恢复概率整形信号,在概率整形体 统中一些关键的数字信号处理(DSP)算法需要将整形分布信息作为先验信息。 例如,逆分布匹配器和前向纠错(FEC)解码器。此外,一些研究表明,PS-MQAM 信号的频偏估计、载波相位恢复和极化解复用算法的性能可以根据整形分布信 息进行优化。因此,自动的整形分布识别技术可能在PS-MQAM信号接收器的数 字处理模块中发挥非常关键的作用。
为了能够识别概率整形系统中的整形分布参数,有研究人员使用人工神经 (ANN)网络寻找非线性系数与整形分布的关系,从而实现整形分布的识别。此 外,有研究者利用卷积神经网络提取2D斯托克斯映射图形特征,能够完成熵粒 度较大的整形分布的识别。同时也有研究者提出了一种基于半径的期望最大化 算法整形分布识别,能够识别相位旋转的整形信号,但该方法需要信噪比(SNR) 作为先验信息。上述所有这些方法都成功地进行了整形分布的识别,并取得了 良好的性能。然而,这些方法所能识别的熵粒度有限,具有更窄熵粒度分布识 别方法研究也很有必要。
发明内容
为了能够实现更加精准的识别准确度,同时提高识别的整形分布粒度,本 发明为偏振复用概率整形正交幅度调制(PMD-PS-MQAM)系统提供了一种基于幅 度分布特征的概率整形信号整形分布识别方法,具体的技术方案如下:
一种基于幅度分布特征的概率整形信号整形分布识别方法包括:
步骤S1,获取接收端光信号的数字符号序列,经过预处理后得到数字符号 序列Y;所述预测处理包含色散补偿、时钟恢复和偏振解复用;预处理的后的数 字符号序列表示为y(n)={y1,y2,...,yi,...,yN},其中yi为预处理后的复数信号采 样点,N为接收光信号序列总的采样点数;
步骤S2,通过归一化函数对预处理后的光信号序列y(n)进行归一化,使其 幅度范围归一化到[0,1],所述归一化公式为:
其中,y′(n)表示经过归一化后的光信号,||表示取模操作,max表示取最大 值操作;
步骤S3,获取归一化后整体信号的幅度均值和幅度方差,所述幅度均值和 幅度方差的计算方法,具体为:
其中,i表示采样信号序号,N表示采样点总数。
步骤S4,通过统计归一化光信号复数符号在不同幅度范围内数目获取整形 信号的幅度分布特征;
步骤S5,将获取到的幅度特征输入到全连接的DNN模型获取信号的整形分 布信息。
本方案中,所述步骤S1中的偏振解复用算法具体为:对于所有的M-QAM星 座,将四个最低振幅符号组成一个内部QPSK,然后再利用斯托克斯空间进行偏 振解复用算法。
本方案中,所述步骤S4中,针对不同调制格式的信号进行幅度区间划分, 然后计算个幅度区间内归一化光信号复数符号数目,从而获取到整形信号的幅 度分布特征;同时,不同调制格式需要根据相应的星座分布幅度对划分区间进 行相应调整,对于相邻较近的幅度区域合并为同一区域,为了避免在幅度较高 区域样本太少影响识别结果,将幅值较大的区间合并统计。
本方案中,将所述幅度方差、幅度均值和幅度分布特征输入到全连接的DNN 模型前对特征进行数据标准化处理,计算方法具体为:
其中,x表示某种幅度特征,μ表示该特征对应的均值,σ表示该特征对应 的均值。
本方案中,所述步骤S5中所述的DNN模型由一个输入层、三个隐藏层和一 个输出层组成,其中输入层的个数和提取到的幅度特征个数相同,三个隐藏层 分别由28、56和24个神经元组成,输出层包含神经元个数与预识别信号的整 形分布类型数量相同,损失函数使用交叉熵损失函数,表达式具体为:
其中,M表示识别类别数量;yic为符号函数(0或1),当样本i与真实类别 c一致时取1,否则取0;pic表示样本i属于类别c的预测概率;
使用全连接的DNN神经网络,通过迭代优化权重,以最小化输出值与真实 值之间的误差,最终识别出传输信号的整形分布。
本发明解决了背景技术中存在的缺陷,具备以下有益效果:
本发明通过计算获取了信号的幅度方差和幅度均值特征,并通过优化划分 区域统计了概率整形信号不同幅度范围内的样本点数目特征;然后,将获取到 的幅度特征作为全连接DNN网络输入层参数,最后利用DNN网络结构获取到传 输信号的整形分布信息;该方法不需要额外预知信号的相关信息,仅需要接收 到的光信号进行简单的预处理,无需对信号进行载波相位补偿和频偏补偿,也 无需预知信号的信噪比,只需统计简单的幅度分布信息,计算过程复杂度低。 同时相比现有的方案,本发明能够识别更高的星座粒度。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使 用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例, 因此不应被看作是对范围的限定,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相关的附图。
图1示出了本发明的分布识别方法的流程结构示意图。
图2示出了本发明中PS-64QAM为归一化前后星座图。
图3示出了本发明中提取的幅度方差和幅度均值特征随整形参数的变化图。
图4示出了本发明中PS-64QAM统计幅度区域划分的策略示意图图。
图5示出了本发明中PS-64QAM在不同整形参数下统计样本点个数随OSNR 的变化曲线图。
图6示出了本发明中使用的DNN结构示意图。
图7示出了本发明中PS-64QAM整形分布识别结果示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和 具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情 况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发 明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范 围并不受下面公开的具体实施例的限制。
图1示出了本发明的分布识别方法的流程结构示意图。
本发明第一方面提供了一种基于幅度分布特征的概率整形信号整形分布识 别方法,包括如下步骤
步骤S1,获取接收端光信号的数字符号序列,经过预处理后得到数字符号 序列Y;所述预测处理包含色散补偿、时钟恢复和偏振解复用;预处理的后的数 字符号序列表示为y(n)={y1,y2,...,yi,...,yN},其中yi为预处理后的复数信号采 样点,N为接收光信号序列总的采样点数;
步骤S2,通过归一化函数对预处理后的光信号序列进行归一化,归一化公 式为:
其中,y′(n)表示经过归一化后的光信号,||表示取模操作,max表示取最大 值操作;
步骤S3,获取归一化后整体信号的幅度均值和幅度方差;
步骤S4,通过统计归一化光信号复数符号在不同幅度范围内数目获取整形 信号的幅度分布特征;
步骤S5,将获取到的幅度特征输入到全连接的DNN网络获取信号的整形分 布信息。
需要说明的是,在该步骤S1中,由于传统的偏振解复用算法不适用于盲整 形分布识别系统,本发明中将极化状态估计限制在对应于基本星座的最低强度 符号的样本上。对于所有的M-QAM星座,将四个最低振幅符号组成一个内部QPSK, 然后使用斯托克斯空间偏振解复用算法。
需要说明的是,在该步骤S2中,在提取幅度特征前,需要对接收到的预处 理后的数字符号序列进行归一化处理。本发明中为了更好的提取幅度特征以及 幅度区间的划分,通过归一化函数对预处理后的光信号序列y(n)进行归一化,使 其幅度范围严格分布在[0,1]区间内,如图2所示,展示了本发明中归一化前后 PS-64QAM信号的星座图。
需要说明的是,在该步骤S3中,幅度均值和幅度方差的计算方法,具体为:
其中,i表示采样信号序号,N表示采样点总数。在图3中展示了幅度方差 和幅度均值随整形参数的变化情况,两种特征都会随着信号星座熵的增加而增 加,说明两种特征与整形分布信息有高度的现相关性。因此,信号的幅度均值 和方差可以作为整形分布识别的特征。
需要说明的是,在该步骤S4中,针对不同调制格式的信号进行幅度区间划 分,然后计算个幅度区间内归一化光信号复数符号数目,从而获取到整形信号 的幅度分布特征;数字化复数符号点的幅度会由于噪声的影响而扩散,这导致 对相邻幅度间隔较小区间样本点个数信息难以准确统计,不同调制格式需要根 据相应的星座分布幅度对划分区间进行相应调整,对于相邻较近的幅度区域合 并为同一区域,为了避免在幅度较高区域样本太少影响识别结果,将幅值较大 的区间合并统计。为了尽量减少噪声对每个幅度间隔内数字化复符号点数特性 的影响,将相邻幅度间隔小的数字化复符号点划分为相同幅度区间。同时,随 着整形强度加强,外围星座点个数会急剧减小,本发明中将最外围两层信号作 为同一幅度区间,图4展示了用于统计不同幅度样本点个数的五个幅度区间划 分规则,本发明针对PMD-PS-64QAM系统划分出5个幅度区间R1(0,0.22]、R2(0.22, 0.36]、R3(0.36,0.62]、R4(0.62,0.78]和R5(0.78,1]。在图5显示了在不同 整形参数下,统计区域R1下样本点个数随OSNR变化曲线图,统计的幅度特征显 示出极大的与整形参数的依赖性和OSNR独立性(尤其是在高OSNR区域);因此, 可以通过精确所有这些统计特征来实现无OSNR信息的整形分布识别。
需要说明的是,将所述幅度方差、幅度均值和幅度分布特征输入到全连接 的DNN模型前对特征进行数据标准化处理,计算方法具体为:
其中,x表示某种幅度特征,μ表示该特征对应的均值,σ表示该特征对应 的均值。
需要说明的是,在该步骤S5中,最后将获取到的七个幅度特征(信号的幅 度方差和幅度均值以及五个幅度区间类的样本点数目)输入到全连接的DNN网 络获取概率整形的整形分布参数,所述DNN网络的结构示意图如图6所示。其 中,DNN网络由一个输入层、三个隐藏层和一个输出层组成。输入层包含7个神 经元,对应信号的7个幅度特征。三个隐藏层分别由28、56和24个神经元组 成。输出层包含8个神经元,与预识别信号的整形分布类型数量相同。输入层 和三个隐藏层的激活函数分别是“Sigmoid”和“Relu”,输出层的激活函数为 “Softmax”。输出层损失函数使用交叉熵损失函数,为了加快DNN训练,使用 “Nadam”优化器加快收敛速度,损失函数表达式具体为:
其中,M表示识别类别数量;yic为符号函数(0或1),当样本i与真实类别c一致时取1,否则取0;pic表示样本i属于类别c的预测概率;
根据本发明实施例,本发明还通过仿真数据对基于幅度分布特征的概率整 形信号整形分布识别方法进行可行性验证,在背靠背传输链路中验证了该方法 的识别精度。仿真数据包含了8中不同的整形分布下的28GBaud的PMD-PS-64QAM 信号,其中信号星座熵范围为[4.9,5.6],星座熵粒度为0.1bit/symbol。仿真 系统的OSNR(光信噪比)范围值为12dB到38dB,步长为1dB。每个OSNR值收 集800组独立数据,每组数据包含20,000个符号。随机选择每个OSNR值的50% 数据来训练DNN网络结构,剩下的50%的数据用于测试DNN模型的识别准确率。
随机选择每个OSNR值的50%数据生成训练集训练DNN模型,剩下的50%的 数据生成测试集用于测试DNN模型的识别准确率,将所述的训练集进行分组, 将分组后的训练集导入到DNN模型,输出第一次学习后的结果信息,根据结果 信息计算出每组训练集的初始学习率;将第一次学习后输出结果再次导入DNN 模型,进行多次迭代,确定不同组训练集对应的损失函数,使损失函数成线性 相关,导出多次迭代后不同组训练集的输出结果,判断不同组的训练集的输出 结果误差,当输出结果误差小于预设阈值时则停止学习,根据测试集对DNN模 型进行识别准确率判断,获取训练后DNN模型的输出结果,将所述输出结果与所述测试集进行对比分析生成偏差率,若所述偏差率小于预设偏差率阈值则证 明模型预测准确率达到目标值,DNN模型训练完毕。
所述DNN模型的识别结果如图7所示,从图中可知即使在熵粒度窄至 0.1bit/symbol时,在OSNR大于18dB情况下成功实现了100%的识别精度。本 发明能够在简单的预处理情况下实现较高的星座粒度下的整形分布识别,无需 对信号进行载波相位补偿和频偏补偿,也无需知道信号的信噪比,只需统计信 号的幅度分布信息,计算过程复杂度低。识别的整形参数能够为后续的数字信 号处理提供帮助,在概率整形的弹性光网络中有很高的实用性。
本发明第二方面还提供了一种基于幅度分布特征的概率整形信号整形分布 识别系统,该系统包括:存储器、处理器,所述存储器中包括一种基于幅度分 布特征的概率整形信号整形分布识别方法程序,所述一种基于幅度分布特征的 概率整形信号整形分布识别方法程序被所述处理器执行时实现如下步骤:
获取接收端光信号的数字符号序列,经过预处理后得到数字符号序列Y;所 述预测处理包含色散补偿、时钟恢复和偏振解复用;预处理的后的数字符号序 列表示为y(n)={y1,y2,...,yi,...,yN},其中yi为预处理后的复数信号采样点,N为 接收光信号序列总的采样点数;
通过归一化函数对预处理后的光信号序列进行归一化,归一化公式为:
其中,y′(n)表示经过归一化后的光信号,||表示取模操作,max表示取最大 值操作;
获取归一化后整体信号的幅度均值和幅度方差;
通过统计归一化光信号复数符号在不同幅度范围内数目获取整形信号的幅 度分布特征;
将获取到的幅度特征输入到全连接的DNN网络获取信号的整形分布信息。
需要说明的是,由于传统的偏振解复用算法不适用于盲整形分布识别系统, 本发明中将极化状态估计限制在对应于基本星座的最低强度符号的样本上。对 于所有的M-QAM星座,将四个最低振幅符号组成一个内部QPSK,然后使用斯托 克斯空间偏振解复用算法。
需要说明的是,在提取幅度特征前,需要对接收到的预处理后的数字符号 序列进行归一化处理。本发明中为了更好的提取幅度特征以及幅度区间的划分, 通过归一化函数对预处理后的光信号序列y(n)进行归一化,使其幅度范围严格分 布在[0,1]区间内,
需要说明的是,幅度均值和幅度方差的计算方法,具体为:
其中,i表示采样信号序号,N表示采样点总数。
需要说明的是,针对不同调制格式的信号进行幅度区间划分,然后计算个 幅度区间内归一化光信号复数符号数目,从而获取到整形信号的幅度分布特征; 数字化复数符号点的幅度会由于噪声的影响而扩散,这导致对相邻幅度间隔较 小区间样本点个数信息难以准确统计,不同调制格式需要根据相应的星座分布 幅度对划分区间进行相应调整,对于相邻较近的幅度区域合并为同一区域,为 了避免在幅度较高区域样本太少影响识别结果,将幅值较大的区间合并统计。 为了尽量减少噪声对每个幅度间隔内数字化复符号点数特性的影响,将相邻幅 度间隔小的数字化复符号点划分为相同幅度区间。同时,随着整形强度加强, 外围星座点个数会急剧减小,本发明中将最外围两层信号作为同一幅度区间。
需要说明的是,将所述幅度方差、幅度均值和幅度分布特征输入到全连接 的DNN模型前对特征进行数据标准化处理,计算方法具体为:
其中,x表示某种幅度特征,μ表示该特征对应的均值,σ表示该特征对应 的均值。
需要说明的是,将获取到的七个幅度特征(信号的幅度方差和幅度均值以 及五个幅度区间类的样本点数目)输入到全连接的DNN网络获取概率整形的整 形分布参数。其中,DNN网络由一个输入层、三个隐藏层和一个输出层组成。输 入层包含7个神经元,对应信号的7个幅度特征。三个隐藏层分别由28、56和24个神经元组成。输出层包含8个神经元,与预识别信号的整形分布类型数量 相同。输入层和三个隐藏层的激活函数分别是“Sigmoid”和“Relu”,输出层 的激活函数为“Softmax”。输出层损失函数使用交叉熵损失函数,为了加快DNN 训练,使用“Nadam”优化器加快收敛速度,损失函数表达式具体为:
其中,M表示识别类别数量;yic为符号函数(0或1),当样本i与真实类别 c一致时取1,否则取0;pic表示样本i属于类别c的预测概率;
根据本发明实施例,本发明还通过仿真数据对基于幅度分布特征的概率整 形信号整形分布识别方法进行可行性验证,在背靠背传输链路中验证了该方法 的识别精度。仿真数据包含了8中不同的整形分布下的28GBaud的PMD-PS-64QAM 信号,其中信号星座熵范围为[4.9,5.6],星座熵粒度为0.1bit/symbol。仿真 系统的OSNR(光信噪比)范围值为12dB到38dB,步长为1dB。每个OSNR值收 集800组独立数据,每组数据包含20,000个符号。随机选择每个OSNR值的50% 数据来训练DNN网络结构,剩下的50%的数据用于测试DNN模型的识别准确率。
随机选择每个OSNR值的50%数据生成训练集训练DNN模型,剩下的50%的 数据生成测试集用于测试DNN模型的识别准确率,将所述的训练集进行分组, 将分组后的训练集导入到DNN模型,输出第一次学习后的结果信息,根据结果 信息计算出每组训练集的初始学习率;将第一次学习后输出结果再次导入DNN 模型,进行多次迭代,确定不同组训练集对应的损失函数,使损失函数成线性 相关,导出多次迭代后不同组训练集的输出结果,判断不同组的训练集的输出 结果误差,当输出结果误差小于预设阈值时则停止学习,根据测试集对DNN模 型进行识别准确率判断,获取训练后DNN模型的输出结果,将所述输出结果与所述测试集进行对比分析生成偏差率,若所述偏差率小于预设偏差率阈值则证 明模型预测准确率达到目标值,DNN模型训练完毕。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可 以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所 述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式, 如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽 略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦 合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可 以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为 单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,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全部单元来 实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中, 也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一 个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软 件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可 以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储 介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介 质包括:移动存储设备、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。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立 的产品销售或使用时,也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,本发明实施例的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。而前述的存储介质包 括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于 此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到 变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应 以所述权利要求的保护范围为准。
Claims (6)
1.一种基于幅度分布特征的概率整形信号整形分布识别方法,其特征在于,包括以下步骤:
步骤S1,获取接收端光信号的数字符号序列,经过预处理后得到数字符号序列Y;所述预测处理包含色散补偿、时钟恢复和偏振解复用;预处理的后的数字符号序列表示为y(n)={y1,y2,...,yi,...,yN},其中yi为预处理后的复数信号采样点,N为接收光信号序列总的采样点数;
步骤S2,通过归一化函数对预处理后的光信号序列进行归一化,归一化公式为:
其中,y′(n)表示经过归一化后的光信号,||表示取模操作,max表示取最大值操作;
步骤S3,获取归一化后整体信号的幅度均值和幅度方差;
步骤S4,通过统计归一化光信号复数符号在不同幅度范围内数目获取整形信号的幅度分布特征;
步骤S5,将获取到的幅度特征输入到全连接的DNN模型获取信号的整形分布信息。
2.根据权利要求1所述的一种基于幅度分布特征的概率整形信号整形分布识别方法,其特征在于,所述步骤S1中的偏振解复用算法,将四个最低振幅符号组成一个内部QPSK,然后再利用斯托克斯空间进行偏振解复用。
4.根据权利要求1所述的一种基于幅度分布特征的概率整形信号整形分布识别方法,其特征在于,所述步骤S4中,根据不同调制格式的星座分布调整幅度划分区间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210091621.XA CN114401049A (zh) | 2022-01-26 | 2022-01-26 | 一种基于幅度分布特征的概率整形信号整形分布识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210091621.XA CN114401049A (zh) | 2022-01-26 | 2022-01-26 | 一种基于幅度分布特征的概率整形信号整形分布识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114401049A true CN114401049A (zh) | 2022-04-26 |
Family
ID=81232083
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210091621.XA Pending CN114401049A (zh) | 2022-01-26 | 2022-01-26 | 一种基于幅度分布特征的概率整形信号整形分布识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114401049A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115643141A (zh) * | 2022-10-17 | 2023-01-24 | 西南交通大学 | 基于信号非线性功率变化的概率整形相干光通信系统的调制格式识别方法 |
CN117354654A (zh) * | 2023-12-05 | 2024-01-05 | 南京信息工程大学 | 基于学习率动态裁剪的混合成形星座多参量寻优方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111935042A (zh) * | 2020-07-20 | 2020-11-13 | 武汉邮电科学研究院有限公司 | 一种基于机器学习的概率整形识别系统、方法及接收端 |
CN112367284A (zh) * | 2020-11-02 | 2021-02-12 | 华南师范大学 | 概率整形星座下的概率分布识别方法、装置、设备及介质 |
US20210111794A1 (en) * | 2019-10-08 | 2021-04-15 | Nec Laboratories America, Inc. | Optical network performance evaluation using a hybrid neural network |
-
2022
- 2022-01-26 CN CN202210091621.XA patent/CN114401049A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210111794A1 (en) * | 2019-10-08 | 2021-04-15 | Nec Laboratories America, Inc. | Optical network performance evaluation using a hybrid neural network |
CN111935042A (zh) * | 2020-07-20 | 2020-11-13 | 武汉邮电科学研究院有限公司 | 一种基于机器学习的概率整形识别系统、方法及接收端 |
CN112367284A (zh) * | 2020-11-02 | 2021-02-12 | 华南师范大学 | 概率整形星座下的概率分布识别方法、装置、设备及介质 |
Non-Patent Citations (2)
Title |
---|
PENGCHENG LIAO: "Shaping Distribution Identification of Probabilistically Shaped 64-QAM Signal Based on Signal Amplitude Characteristics" * |
彭家昕;吕建新;: "基于算数编码的概率星座整形技术的研究" * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115643141A (zh) * | 2022-10-17 | 2023-01-24 | 西南交通大学 | 基于信号非线性功率变化的概率整形相干光通信系统的调制格式识别方法 |
CN117354654A (zh) * | 2023-12-05 | 2024-01-05 | 南京信息工程大学 | 基于学习率动态裁剪的混合成形星座多参量寻优方法 |
CN117354654B (zh) * | 2023-12-05 | 2024-01-26 | 南京信息工程大学 | 基于学习率动态裁剪的混合成形星座多参量寻优方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110309840B (zh) | 风险交易识别方法、装置、服务器及存储介质 | |
CN110472675B (zh) | 图像分类方法、图像分类装置、存储介质与电子设备 | |
CN110427846B (zh) | 一种利用卷积神经网络对不平衡小样本的人脸识别方法 | |
CN109583332B (zh) | 人脸识别方法、人脸识别系统、介质及电子设备 | |
CN114401049A (zh) | 一种基于幅度分布特征的概率整形信号整形分布识别方法 | |
WO2019227574A1 (zh) | 语音模型训练方法、语音识别方法、装置、设备及介质 | |
CN116866129A (zh) | 一种无线通信信号检测方法 | |
US20220124487A1 (en) | Rf fingerprint signal processing device and rf fingerprint signal processing method | |
CN114143040A (zh) | 一种基于多通道特征重构的对抗信号检测方法 | |
CN112749633A (zh) | 分离与重构的个体辐射源识别方法 | |
CN113793620B (zh) | 基于场景分类的语音降噪方法、装置、设备及存储介质 | |
Valadão et al. | Mobilenetv3-based automatic modulation recognition for low-latency spectrum sensing | |
CN113591733A (zh) | 基于集成神经网络模型的水声通信调制模式分类识别方法 | |
Gao et al. | Supervised Contrastive Learning‐Based Modulation Classification of Underwater Acoustic Communication | |
Li et al. | Advanced RawNet2 with Attention-based Channel Masking for Synthetic Speech Detection | |
CN114360500B (zh) | 语音识别方法和装置、电子设备及存储介质 | |
CN112201270B (zh) | 语音噪声的处理方法、装置、计算机设备及存储介质 | |
CN114970638A (zh) | 雷达辐射源个体开集识别方法及系统 | |
CN114463646A (zh) | 一种基于多头自注意力卷积神经网络的遥感场景分类方法 | |
CN112632219A (zh) | 一种垃圾短信的拦截方法和拦截装置 | |
Li et al. | Radar modulation recognition based on MLP neural network | |
CN111951791A (zh) | 声纹识别模型训练方法、识别方法、电子设备及存储介质 | |
CN113359091B (zh) | 基于深度学习的多核函数混叠雷达辐射源识别方法和系统 | |
CN116434313B (zh) | 基于多人脸识别模块的人脸识别方法 | |
KR20200099816A (ko) | 질량 분석 및 기계 학습에 기초한 암 진단에 사용하는 분류 모델 최적화 장치 및 그 방법 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220426 |