CN117155748B - 基于多维幅度分布特征的调制格式识别方法 - Google Patents
基于多维幅度分布特征的调制格式识别方法 Download PDFInfo
- Publication number
- CN117155748B CN117155748B CN202311407224.XA CN202311407224A CN117155748B CN 117155748 B CN117155748 B CN 117155748B CN 202311407224 A CN202311407224 A CN 202311407224A CN 117155748 B CN117155748 B CN 117155748B
- Authority
- CN
- China
- Prior art keywords
- amplitude
- interval
- partition
- signals
- symbols
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000005192 partition Methods 0.000 claims abstract description 95
- 238000000638 solvent extraction Methods 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims description 51
- 238000012360 testing method Methods 0.000 claims description 25
- 230000014509 gene expression Effects 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 13
- 230000003287 optical effect Effects 0.000 abstract description 10
- 238000004891 communication Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 11
- 230000010287 polarization Effects 0.000 description 11
- 230000009286 beneficial effect Effects 0.000 description 7
- 239000006185 dispersion Substances 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 230000000875 corresponding effect Effects 0.000 description 6
- 238000004088 simulation Methods 0.000 description 5
- 230000001427 coherent effect Effects 0.000 description 4
- 238000011084 recovery Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 229910003460 diamond Inorganic materials 0.000 description 2
- 239000010432 diamond Substances 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
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
- G06F18/24—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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/0008—Modulated-carrier systems arrangements for allowing a transmitter or receiver to use more than one type of modulation
-
- 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)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明提供了一种基于多维幅度分布特征的调制格式识别方法,属于通信技术领域,该方法包括:获取信号幅度直方图信息;根据不同调制格式的多维幅度分布特征,对QPSK、8QAM、16QAM、32QAM、64QAM和128QAM信号的幅度直方图执行六次分区操作;提取直方图各个分区中的符号数量构建数据集,将数据集输入KNN(K近邻)模型中对调制格式进行识别。本发明能够在无光信噪比(OSNR)先验信息以及较低复杂度的情况下,在较大的OSNR范围内实现6种调制格式(尤其是高阶调制格式)的准确识别。
Description
技术领域
本发明属于通信技术领域,尤其涉及一种基于多维幅度分布特征的调制格式识别方法。
背景技术
为了满足物联网、大数据、云计算和流媒体等各类数据服务日益增长的异构流量需求,弹性光网络(EON)的概念应运而生。EON能够根据不同的信道传输条件和服务质量需求,动态地调整收发机的相关参数设置(如调制格式、符号速率和发送功率等),以最大化地实现系统传输容量和频谱利用效率。为了保证EON的灵活性,EON中的相干接收机需要自主识别相关参数。在相关参数中,调制格式是最重要的参数之一。准确的调制格式信息能够协助数字相干接收机中的调制格式相关算法实现偏振解复用、频率偏移补偿、载波相位恢复等功能,并实现信号的解调。
现有技术中,数据辅助的调制格式识别方案通过在发送端加入信息编码或导频传递调制格式信息,但会导致频谱效率的下降或需要发送端额外的操作,在频谱资源有限的数据传输场景下可能不适用;由于高阶调制格式在斯托克斯空间具有大量的聚类点,基于斯托克斯空间的识别方案在识别高阶调制格式方面具有一定的局限性;基于恒模(CMA)均衡信号的调制格式识别方案,不需要空间映射,对频率偏移不敏感,同时,CMA还可以补偿残余色散(CD)和偏振模色散(PMD)。但是,大部分基于CMA均衡信号的调制格式识别方案只能识别64QAM及以下调制格式,无法有效识别128QAM;少量能识别128QAM的方案,需要OSNR等先验信息,减少了方案的灵活性,增加了系统的复杂度。随着通信技术的发展,更高阶调制格式的应用也更加普遍,因此,需要一种调制格式识别方法能够在无OSNR先验信息以及较低复杂度的情况下,在较大的OSNR范围内实现多种调制格式(尤其是高阶调制格式)的准确识别。
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多维幅度分布特征的调制格式识别方法,本发明不需要OSNR等先验信息,能以较低的复杂度在较大的OSNR范围内实现多种调制格式(尤其是高阶调制格式)的准确识别。
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多维幅度分布特征的调制格式识别方法,包括以下步骤:
S1、对CMA均衡后的信号进行功率归一化处理,得到信号的幅度直方图信息;
S2、根据不同调制格式的幅度分布特征,对QPSK、8QAM、16QAM、32QAM 、64QAM和128QAM信号的幅度直方图执行六次分区操作,得到信号在幅度直方图各个分区中的符号数量,分别为N 1 、N 2 、N 3 、N 4 、N 5和N 6;
S3、将不同OSNR情况下的QPSK、8QAM、16QAM、32QAM、64QAM和128QAM信号幅度直方图分区中的符号数量N 1 、N 2 、N 3 、N 4 、N 5和N 6作为特征输入至KNN分类器模型,得到已有训练集的KNN分类器模型;
S4、将待识别信号的幅度直方图分区中的符号数量N 1 、N 2 、N 3 、N 4 、N 5和N 6作为特征将特征向量输入至已有训练集的KNN分类器模型,得到调制格式识别结果。
本发明的有益效果是:本发明根据信号幅度的分布特征,在不需要知晓符号率、OSNR等先验信息的情况下,能在较大的OSNR范围内准确识别多种调制格式(尤其是高阶调制格式128QAM)。同时,本发明所提方案重点提取信号幅度直方图的有效局部特征而非全局特征,可有效提升识别性能,识别响应速度快,且对频率偏移、载波相位噪声不敏感。
进一步地,所述S1包括以下步骤:
S101、将CMA均衡后的信号进行功率归一化处理;
S102、取若干个符号,基于功率归一化处理的结果,在信号幅度的最小值与最大值之间均匀划分若干个均匀的幅度区间,其左边第一个幅度区间的序号为1,序号从左至右依次递增;
S103、根据划分结果,将符号幅度值与每个幅度区间范围进行比较,并根据比较结果,得到信号的幅度直方图信息。
上述进一步方案有益效果是:本发明通过上述设计,便于提取不同调制格式信号的幅度分布特征,尤其是对于低OSNR的情况。
再进一步地,所述功率归一化处理的表达式如下:
其中,表示信号第n级幅度的相关概率,/>表示信号第n级的幅度值,m表示该调制格式幅度总的级数。
上述进一步方案有益效果是:本发明通过上述设计,使待识别信号不失一般性,便于准确获取信号幅度分布信息。
再进一步地,所述执行六次分区操作如下:
第一分区:依据QPSK信号的幅度直方图在A 1幅度区间至B 1幅度区间的分布特征特性,将QPSK、8QAM、16QAM、32QAM、64QAM和128QAM信号的幅度直方图在A 1幅度区间至B 1幅度区间进行第一次分区操作,得到QPSK、8QAM、16QAM、32QAM、64QAM和128QAM信号在第一分区中的符号数量N 1;
第二分区:依据8QAM信号的幅度直方图在A 2幅度区间至B 2幅度区间具有峰度分布特征,将QPSK、8QAM、16QAM、32QAM、64QAM和128QAM信号的幅度直方图在A 2幅度区间至B 2幅度区间进行第二次分区操作,得到QPSK、8QAM、16QAM、32QAM、64QAM和128QAM信号在第二分区中的符号数量N 2;
第三分区:依据16QAM信号在A 3幅度区间至B 3幅度区间具有峰度分布特征,将QPSK、8QAM、16QAM、32QAM、64QAM和128QAM信号的幅度直方图在A 3幅度区间至B 3幅度区间进行第三次分区操作,得到QPSK、8QAM、16QAM、32QAM、64QAM和128QAM信号在第三分区中的符号数量N 3;
第四分区:依据32QAM信号在A 4幅度区间至B 4幅度区间具有峰度分布特征,将QPSK、8QAM、16QAM、32QAM、64QAM和128QAM信号的幅度直方图在A 4幅度区间至B 4幅度区间进行第四次分区操作,得到QPSK、8QAM、16QAM、32QAM、64QAM和128QAM信号在第四分区中的符号数量N 4;
第五分区:依据64QAM信号在A 5幅度区间至B 5幅度区间具有峰度分布特征,将QPSK、8QAM、16QAM、32QAM、64QAM和128QAM信号的幅度直方图在A 5幅度区间至B 5幅度区间进行第五次分区操作,得到QPSK、8QAM、16QAM、32QAM、64QAM和128QAM信号在第五分区中的符号数量N 5;
第六分区:依据128QAM信号在A 6幅度区间至B 6幅度区间分布特征特性,将QPSK、8QAM、16QAM、32QAM、64QAM和128QAM信号的幅度直方图在A 6幅度区间至B 6幅度区间进行第六次分区操作,得到QPSK、8QAM、16QAM、32QAM、64QAM和128QAM信号在第六分区中的符号数量N 6。
上述进一步方案的有益效果是:本发明依据执行六次分区操作,将QPSK、8QAM、16QAM、32QAM、64QAM和128QAM信号的幅度直方图的局部特征有效区分。
再进一步地,所述符号数量的表达式如下:
其中,表示第一次分区后A 1幅度区间至B 1幅度区间的符号数量,A 1表示第一次分区中起始位置幅度区间的序号,B 1表示第一次分区中结束位置幅度区间的序号,/>表示第x个幅度区间的符号个数;
所述符号数量的表达式如下:
其中,N 2表示第二次分区后A 2幅度区间至B 2幅度区间的符号数量,A 2表示第二次分区中起始位置幅度区间的序号,B 2表示第二次分区中结束位置幅度区间的序号;
所述符号数量的表达式如下:
其中,N 3表示第三次分区后A 3幅度区间至B 3幅度区间的符号数量,A 3表示第三次分区中起始位置幅度区间的序号,B 3表示第三次分区中结束位置幅度区间的序号;
所述符号数量的表达式如下:
其中,N 4表示第四次分区后A 4幅度区间至B 4幅度区间的符号数量,A 4表示第四次分区中起始位置幅度区间的序号,B 4表示第四次分区中结束位置幅度区间的序号;
所述符号数量的表达式如下:
其中,N 5表示第五次分区后A 5幅度区间至B 5幅度区间的符号数量,A 5表示第五次分区中起始位置幅度区间的序号,B 5表示第五次分区中结束位置幅度区间的序号;
所述符号数量的表达式如下:
其中,N 6表示第六次分区后A 6幅度区间至B 6幅度区间的符号数量,A 6表示第六次分区中起始位置幅度区间的序号,B 6表示第六次分区中结束位置幅度区间的序号。
上述进一步方案有益效果是:根据上述操作,提取不同调制格式的幅度直方图的局部有效特征信息,将每个分区中的符号数转换为一维数据,再由六个分区中的符号数构建六维的数据,这样既提高了特征的有效性和区分度,又降低了直接基于直方图全局特征识别的复杂度,通过构建数据集,用于KNN分类器模型训练与测试。
再进一步地,所述S3具体为:
获取不同OSNR情况下的QPSK、8QAM、16QAM、32QAM、64QAM和128QAM信号幅度直方图分区中的符号数量N 1 、N 2 、N 3 、N 4 、N 5和N 6:
对于每种调制格式,由若干个CMA均衡后的符号在不同幅度直方图分区中的符号数分布构建一训练样本,其中,每组训练样本为七维数据,前六维为不同幅度直方图分区中对应的符号数量N 1 、N 2 、N 3 、N 4 、N 5和N 6,第七维为标签;
将训练样本输入至KNN分类器模型,得到已有训练集的KNN分类器模型。
上述进一步方案有益效果是:对于多维的数据,无法通过简单的阈值判决;已有训练集的KNN分类器模型,在多维的数据空间中,通过对多维数据的联合判决,可有效缓解低OSNR条件下识别性能下降的问题。采用不同OSNR情况下的QPSK、8QAM、16QAM、32QAM、64QAM和128QAM信号的多维幅度分布特征构建训练集,能够保证已有训练集的KNN模型在较大的OSNR范围内实现六种调制格式的准确识别。
再进一步地,所述S4具体为:
对于待识别信号,将若干个CMA均衡后的符号在幅度直方图不同分区中分布的符号数N 1 、N 2 、N 3 、N 4 、N 5和N 6构建为测试样本;
将测试样本输入至已有训练集的KNN分类器模型中进行识别,得到调制格式识别结果。
上述进一步方案有益效果是:基于已有训练集的KNN分类器模型,在多维的数据空间中,通过对多维数据的联合判决,有效提高了识别准确度,能够在较大的OSNR范围内实现六种调制格式的准确识别。
附图说明
图1为本发明的方法流程图。
图2为本发明实施例的相干光通信系统仿真设置图。
图3为图2中数字信号处理模块的框架图。
图4为QPSK信号幅度直方图的分区操作示意图。
图5为8QAM信号幅度直方图的分区操作示意图。
图6为16QAM信号幅度直方图的分区操作示意图。
图7为32QAM信号幅度直方图的分区操作示意图。
图8为64QAM信号幅度直方图的分区操作示意图。
图9为128QAM信号幅度直方图的分区操作示意图。
图10为KNN分类器模型进行调制格式识别的过程图。
图11为本发明实施的调制格式正确识别率随OSNR变化图。
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。
实施例
如图1所示,本发明一种基于多维幅值分布特征的调制格式识别方法,其实现方法如下:
S1、对CMA均衡后的信号进行功率归一化处理,得到信号的幅度直方图信息,其实现方法如下:
S101、将CMA均衡后的信号进行功率归一化处理;
S102、取若干个符号,基于功率归一化处理的结果,在信号幅度的最小值与最大值之间均匀划分若干个均匀的幅度区间,其左边第一个幅度区间的序号为1,序号从左至右依次递增;
S103、根据划分结果,将符号幅度值与每个幅度区间范围进行比较,并根据比较结果,得到信号的幅度直方图信息。
本实施例中,为不失一般性,首先将CMA均衡后的信号进行功率归一化,功率归一化公式如下所示:
其中,表示信号第n级幅度的相关概率,/>表示信号第n级的幅度值,m表示该调制格式幅度总的级数。
S2、根据不同调制格式的幅度分布特征,对QPSK、8QAM、16QAM、32QAM 、64QAM和128QAM信号的幅度直方图执行六次分区操作,得到信号在幅度直方图各个分区中的符号数量,分别为N 1 、N 2 、N 3 、N 4 、N 5和N 6;
本实施例中,对QPSK、8QAM、16QAM、32QAM、64QAM信号的幅度直方图执行六次分区操作:
第一分区:依据QPSK信号的幅度直方图在A 1幅度区间至B 1幅度区间的分布特征特性区别于其它调制格式,将QPSK、8QAM、16QAM、32QAM、64QAM和128QAM信号的幅度直方图在A 1幅度区间至B 1幅度区间进行第一次分区操作,得到QPSK、8QAM、16QAM、32QAM、64QAM和128QAM信号在第一分区中的符号数量N 1;如图4所示,图中纵坐标表示符号数据,横坐标表示直方图的仓数,图中QPSK信号的OSNR为26dB。
第二分区:依据8QAM信号的幅度直方图在A 2幅度区间至B 2幅度区间具有峰度分布特征,区别于其它调制格式,将QPSK、8QAM、16QAM、32QAM、64QAM和128QAM信号的幅度直方图在A 2幅度区间至B 2幅度区间进行第二次分区操作,得到QPSK、8QAM、16QAM、32QAM、64QAM和128QAM信号在第二分区中的符号数量N 2;如图5所示,图中纵坐标表示符号数据,横坐标表示直方图的仓数,图中8QAM信号的OSNR为31dB。
第三分区:依据16QAM信号在A 3幅度区间至B 3幅度区间具有峰度分布特征,区别于其它调制格式,将QPSK、8QAM、16QAM、32QAM、64QAM和128QAM信号的幅度直方图在A 3幅度区间至B 3幅度区间进行第三次分区操作,得到QPSK、8QAM、16QAM、32QAM、64QAM和128QAM信号在第三分区中的符号数量N 3;如图6所示,图中纵坐标表示符号数据,横坐标表示直方图的仓数,图中16QAM信号的OSNR为33dB。
第四分区:依据32QAM信号在A 4幅度区间至B 4幅度区间具有峰度分布特征,区别于其它调制格式,将QPSK、8QAM、16QAM、32QAM、64QAM和128QAM信号的幅度直方图在A 4幅度区间至B 4幅度区间进行第四次分区操作,得到QPSK、8QAM、16QAM、32QAM、64QAM和128QAM信号在第四分区中的符号数量N 4;如图7所示,图中纵坐标表示符号数据,横坐标表示直方图的仓数,图中32QAM信号的OSNR为36dB。
第五分区:依据64QAM信号在A 5幅度区间至B 5幅度区间具有峰度分布特征,区别于其它调制格式,将QPSK、8QAM、16QAM、32QAM、64QAM和128QAM信号的幅度直方图在A 5幅度区间至B 5幅度区间进行第五次分区操作,得到QPSK、8QAM、16QAM、32QAM、64QAM和128QAM信号在第五分区中的符号数量N 5;如图8所示,图中纵坐标表示符号数据,横坐标表示直方图的仓数,图中64QAM信号的OSNR为38dB。
第六分区:依据128QAM信号在A 6幅度区间至B 6幅度区间分布特征特性区别于其它调制格式,将QPSK、8QAM、16QAM、32QAM、64QAM和128QAM信号的幅度直方图在A 6幅度区间至B 6幅度区间进行第六次分区操作,得到QPSK、8QAM、16QAM、32QAM、64QAM和128QAM信号在第六分区中的符号数量N 6;如图9所示,图中纵坐标表示符号数据,横坐标表示直方图的仓数,图中128QAM信号的OSNR为44dB。
本实施例中,各个分区的符号数量N 1 、N 2 、N 3 、N 4 、N 5和N 6的表达式分别如下:
所述符号数量的表达式如下:
其中,表示第一次分区后A 1幅度区间至B 1幅度区间的符号数量,A 1表示第一次分区中起始位置幅度区间的序号,B 1表示第一次分区中结束位置幅度区间的序号,/>表示第x个幅度区间的符号个数;
所述符号数量的表达式如下:
其中,N 2表示第二次分区后A 2幅度区间至B 2幅度区间的符号数量,A 2表示第二次分区中起始位置幅度区间的序号,B 2表示第二次分区中结束位置幅度区间的序号;
所述符号数量的表达式如下:
其中,N 3表示第三次分区后A 3幅度区间至B 3幅度区间的符号数量,A 3表示第三次分区中起始位置幅度区间的序号,B 3表示第三次分区中结束位置幅度区间的序号;
所述符号数量的表达式如下:
其中,N 4表示第四次分区后A 4幅度区间至B 4幅度区间的符号数量,A 4表示第四次分区中起始位置幅度区间的序号,B 4表示第四次分区中结束位置幅度区间的序号;
所述符号数量的表达式如下:
其中,N 5表示第五次分区后A 5幅度区间至B 5幅度区间的符号数量,A 5表示第五次分区中起始位置幅度区间的序号,B 5表示第五次分区中结束位置幅度区间的序号;
所述符号数量的表达式如下:
其中,N 6表示第六次分区后A 6幅度区间至B 6幅度区间的符号数量,A 6表示第六次分区中起始位置幅度区间的序号,B 6表示第六次分区中结束位置幅度区间的序号。
S3、将不同OSNR情况下的QPSK、8QAM、16QAM、32QAM、64QAM和128QAM信号幅度直方图分区中的符号数量N 1 、N 2 、N 3 、N 4 、N 5和N 6作为特征输入至KNN分类器模型,得到已有训练集的KNN分类器模型,其具体为:
获取不同OSNR情况下的QPSK、8QAM、16QAM、32QAM、64QAM和128QAM信号幅度直方图分区中的符号数量N 1 、N 2 、N 3 、N 4 、N 5和N 6:
对于每种调制格式,由若干个CMA均衡后的符号在不同幅度直方图分区中的符号数分布构建一训练样本,其中,每组训练样本为七维数据,前六维为不同幅度直方图分区中对应的符号数量N 1 、N 2 、N 3 、N 4 、N 5和N 6,第七维为标签;
将训练样本输入至KNN分类器模型,得到已有训练集的KNN分类器模型。
本实施例中,为得到已有训练集的KNN分类器模型,获取QPSK、8QAM、16QAM、32QAM、64QAM和128QAM信号在不同OSNR情况下幅度直方图各个分区中的符号数量N 1 、N 2 、N 3 、N 4 、N 5和N 6,每种调制格式均由8000个CMA均衡后的符号在不同幅度直方图分区中的符号数分布构建一个训练样本,每种调制格式选取20个不同OSNR值(QPSK:7-26dB、8QAM:12-31dB、16QAM:14-33dB、32QAM:18-37dB、64QAM:19-38dB、128QAM: 25-44dB,间隔1dB),每个OSNR值有80组训练样本,即每个调制格式包含1600组训练样本。每组训练样本为七维的数据,前六维为不同分区中对应的符号数量N 1 、N 2 、N 3 、N 4 、N 5和N 6,第7维为标签,即训练样本对应的调制格式类别。将总共9600组训练样本输入到KNN分类器模型,得到已有训练集的KNN分类器模型。
S4、将待识别信号的幅度直方图分区中的符号数量N 1 、N 2 、N 3 、N 4 、N 5和N 6作为特征将特征向量输入至已有训练集的KNN分类器模型中进行识别,得到调制格式识别结果。其具体为:
对于待识别信号,将若干个CMA均衡后的符号在幅度直方图不同分区中分布的符号数N 1 、N 2 、N 3 、N 4 、N 5和N 6构建为测试样本;
将测试样本输入至已有训练集的KNN分类器模型中进行识别,得到调制格式识别结果。
本实施例中,为得到详细的测试结果,不同调制格式每个OSNR值选取20组测试样本,每种调制格式选取400组测试样本,共2400组测试样本,随机在2400组测试样本中选择一组测试样本,将其放入已有训练集的KNN分类器模型中进行识别,得到该组数据对应的调制格式类别。如图10所示,待识别调制格式的测试样本包含N 1 、N 2 、N 3 、N 4 、N 5和N 6六维数据,将测试样本输入已有训练集的KNN分类器模型中,图10中三角形代表测试样本,KNN分类器模型会计算出测试样本与训练样本(图10中菱形代表训练样本类型A,星形代表训练样本类型B,X1, X2, X3,... ,Xn,表示测试样本与训练样本计算的距离,Xn表示测试样本与第n个训练样本计算的距离)的距离。判断方式举例,如图10中当K=3(K值表示在KNN分类器模型中,与测试样本距离最近的K个训练样本)时,计算出与测试样本距离最近的三个训练样本(即比较距离),分别为图10中,一个类别为A的菱形训练样本,两个类别为B的星形训练样本(即,训练样本)。最终判定与测试样本最近的三个训练样本中,有两个训练样本为类型B;将测试样本判断为3个训练样本中数量最多的训练样本类别(即,将测试样本分类为数量最多的类别),即判定三角形测试样本属于类型B,得到预测结果。根据训练样本的大小,需要选择合适的K值,K值过大或者过小都会导致分类器模型识别性能降低,因此选择最佳的K值,然后计算出测试样本与训练样本的距离,才能得到识别性能较好的KNN分类器模型。
为验证本发明所提方案的可行性,对28GBaud偏振复用(PDM)-QPSK/-8QAM/-16QAM/-32QAM/-64QAM/-128QAM信号传输进行了数值模拟,28GBaud PDM相干光通信系统的仿真框图如图2所示,图中包括发射端和接收端,在发射端,激光器发射的连续波的波长为1550nm,线宽为100kHz,电信号驱动IQ调制器生成传输速率为28GBaud的QPSK/8QAM/16QAM/32QAM/64QAM/128QAM信号,并通过偏振合束器转换为偏振复用信号进入传输信道。OSNR设置模块可以调整OSNR参数,仿真中,可以通过调整OSNR设置模块参数来模拟不同OSNR情况下的传输信道。在接收端,首先通过光带通滤波器过滤光信号的带外噪声,然后,偏振分束器将光信号分为两路,分别与本地振荡激光器分出的两路本振光信号利用900光混频器进行900混频,混频以后的信号通过平衡光探测器将光信号转换为电信号,并基于低通滤波器对电信号进行滤波,最后,基于模数转换器将电信号数字化,后续将模数转换后的电信号进行数字信号处理。
模数转换后的信号,进入数字信号处理模块,如图3所示。整个数字信号处理模块包括三个部分:调制格式非相关算法、本发明所提调制格式识别方案和调制格式相关算法。首先,运用与调制格式非相关的算法,如色散补偿算法、时钟恢复算法和恒模均衡算法对数字信号进行处理。色散补偿算法和时钟恢复算法对色散和时钟抖动进行补偿。恒模均衡算法可以实现mPSK(多进制相位调制)信号的偏振解复用,同时,补偿残余色散和偏振模色散。然而,对于高阶(m>4)mQAM(多进制正交振幅调制)信号只能实现初步的偏振解复用,确定调制格式后还需要有针对性的偏振解复用。考虑到后续的偏振解复用及其它调制格式相关算法都需要知晓信号的调制格式信息,因此本发明所提调制格式识别方案位于调制格式相关算法(即多级模长算法、频偏补偿算法、载波相位恢复算法和码元判决)之前,以便提供调制格式信息。
本发明所提调制格式识别方法在不同OSNR情况下的正确识别率如图11所示,图中,纵坐标为正确识别率(%),横坐标为光信噪比(dB),QPSK、8QAM、16QAM、32QAM、64QAM和128QAM信号的OSNR范围分别为7-26dB、12-31dB、14-33dB、18-37dB、19-38dB和25-44dB,OSNR的间隔为1dB。对于28 GBaud PDM-QPSK/-8QAM/-16QAM/-32QAM/-64QAM/ -128QAM信号,达到100%正确识别率所需要的最低OSNR分别是7dB、12dB、15dB、19dB、21dB和25dB,均低于相应的20%前向纠错(Forward Error Correction, FEC)对应的OSNR阈值(误比特率(BitError Rate, BER)=2.4×10-2,对应于图11中竖直的虚线)。
Claims (5)
1.一种基于多维幅度分布特征的调制格式识别方法,其特征在于,包括以下步骤:
S1、对CMA均衡后的信号进行功率归一化处理,得到信号的幅度直方图信息;
S2、根据不同调制格式的幅度分布特征,对QPSK、8QAM、16QAM、32QAM 、64QAM和128QAM信号的幅度直方图执行六次分区操作,得到信号在幅度直方图各个分区中的符号数量,分别为N 1 、N 2 、N 3 、N 4 、N 5和N 6;
S3、将不同OSNR情况下的QPSK、8QAM、16QAM、32QAM、64QAM和128QAM信号幅度直方图分区中的符号数量N 1 、N 2 、N 3 、N 4 、N 5和N 6作为特征输入至KNN分类器模型,得到已有训练集的KNN分类器模型;
S4、将待识别信号的幅度直方图分区中的符号数量N 1 、N 2 、N 3 、N 4 、N 5和N 6作为特征将特征向量输入至已有训练集的KNN分类器模型进行识别,得到调制格式识别结果;
所述执行六次分区操作如下:
第一分区:依据QPSK信号的幅度直方图在A 1幅度区间至B 1幅度区间的分布特征特性,将QPSK、8QAM、16QAM、32QAM、64QAM和128QAM信号的幅度直方图在A 1幅度区间至B 1幅度区间进行第一次分区操作,得到QPSK、8QAM、16QAM、32QAM、64QAM和128QAM信号在第一分区中的符号数量N 1;
第二分区:依据8QAM信号的幅度直方图在A 2幅度区间至B 2幅度区间具有峰度分布特征,将QPSK、8QAM、16QAM、32QAM、64QAM和128QAM信号的幅度直方图在A 2幅度区间至B 2幅度区间进行第二次分区操作,得到QPSK、8QAM、16QAM、32QAM、64QAM和128QAM信号在第二分区中的符号数量N 2;
第三分区:依据16QAM信号在A 3幅度区间至B 3幅度区间具有峰度分布特征,将QPSK、8QAM、16QAM、32QAM、64QAM和128QAM信号的幅度直方图在A 3幅度区间至B 3幅度区间进行第三次分区操作,得到QPSK、8QAM、16QAM、32QAM、64QAM和128QAM信号在第三分区中的符号数量N 3;
第四分区:依据32QAM信号在A 4幅度区间至B 4幅度区间具有峰度分布特征,将QPSK、8QAM、16QAM、32QAM、64QAM和128QAM信号的幅度直方图在A 4幅度区间至B 4幅度区间进行第四次分区操作,得到QPSK、8QAM、16QAM、32QAM、64QAM和128QAM信号在第四分区中的符号数量N 4;
第五分区:依据64QAM信号在A 5幅度区间至B 5幅度区间具有峰度分布特征,将QPSK、8QAM、16QAM、32QAM、64QAM和128QAM信号的幅度直方图在A 5幅度区间至B 5幅度区间进行第五次分区操作,得到QPSK、8QAM、16QAM、32QAM、64QAM和128QAM信号在第五分区中的符号数量N 5;
第六分区:依据128QAM信号在A 6幅度区间至B 6幅度区间分布特征特性,将QPSK、8QAM、16QAM、32QAM、64QAM和128QAM信号的幅度直方图在A 6幅度区间至B 6幅度区间进行第六次分区操作,得到QPSK、8QAM、16QAM、32QAM、64QAM和128QAM信号在第六分区中的符号数量N 6;
所述符号数量的表达式如下:
其中,表示第一次分区后A 1幅度区间至B 1幅度区间的符号数量,A 1表示第一次分区中起始位置幅度区间的序号,B 1表示第一次分区中结束位置幅度区间的序号,/>表示第x个幅度区间的符号个数;
所述符号数量的表达式如下:
其中,N 2表示第二次分区后A 2幅度区间至B 2幅度区间的符号数量,A 2表示第二次分区中起始位置幅度区间的序号,B 2表示第二次分区中结束位置幅度区间的序号;
所述符号数量的表达式如下:
其中,N 3表示第三次分区后A 3幅度区间至B 3幅度区间的符号数量,A 3表示第三次分区中起始位置幅度区间的序号,B 3表示第三次分区中结束位置幅度区间的序号;
所述符号数量的表达式如下:
其中,N 4表示第四次分区后A 4幅度区间至B 4幅度区间的符号数量,A 4表示第四次分区中起始位置幅度区间的序号,B 4表示第四次分区中结束位置幅度区间的序号;
所述符号数量的表达式如下:
其中,N 5表示第五次分区后A 5幅度区间至B 5幅度区间的符号数量,A 5表示第五次分区中起始位置幅度区间的序号,B 5表示第五次分区中结束位置幅度区间的序号;
所述符号数量的表达式如下:
其中,N 6表示第六次分区后A 6幅度区间至B 6幅度区间的符号数量,A 6表示第六次分区中起始位置幅度区间的序号,B 6表示第六次分区中结束位置幅度区间的序号。
2.根据权利要求1所述的基于多维幅度分布特征的调制格式识别方法,其特征在于,所述S1包括以下步骤:
S101、将CMA均衡后的信号进行功率归一化处理;
S102、取若干个符号,基于功率归一化处理的结果,在信号幅度的最小值与最大值之间均匀划分若干个均匀的幅度区间,其左边第一个幅度区间的序号为1,序号从左至右依次递增;
S103、根据划分结果,将符号幅度值与每个幅度区间范围进行比较,并根据比较结果,得到信号的幅度直方图信息。
3.根据权利要求2所述的基于多维幅度分布特征的调制格式识别方法,其特征在于,所述功率归一化处理的表达式如下:
其中,表示信号第n级幅度的相关概率,/>表示信号第n级的幅度值,m表示该调制格式幅度总的级数。
4.根据权利要求1所述的基于多维幅度分布特征的调制格式识别方法,其特征在于,所述S3具体为:
获取不同OSNR情况下的QPSK、8QAM、16QAM、32QAM、64QAM和128QAM信号幅度直方图分区中的符号数量N 1 、N 2 、N 3 、N 4 、N 5和N 6:
对于每种调制格式,由若干个CMA均衡后的符号在不同幅度直方图分区中的符号数分布构建一训练样本,其中,每组训练样本为七维数据,前六维为不同幅度直方图分区中对应的符号数量N 1 、N 2 、N 3 、N 4 、N 5和N 6,第七维为标签;
将训练样本输入至KNN分类器模型中,得到已有训练集的KNN分类器模型。
5.根据权利要求1所述的基于多维幅度分布特征的调制格式识别方法,其特征在于,所述S4具体为:
对于待识别信号,将若干个CMA均衡后的符号在幅度直方图不同分区中分布的符号数N 1 、N 2 、N 3 、N 4 、N 5和N 6构建为测试样本;
将测试样本输入至已有训练集的KNN分类器模型中进行识别,得到调制格式识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311407224.XA CN117155748B (zh) | 2023-10-27 | 2023-10-27 | 基于多维幅度分布特征的调制格式识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311407224.XA CN117155748B (zh) | 2023-10-27 | 2023-10-27 | 基于多维幅度分布特征的调制格式识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117155748A CN117155748A (zh) | 2023-12-01 |
CN117155748B true CN117155748B (zh) | 2024-01-23 |
Family
ID=88884634
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311407224.XA Active CN117155748B (zh) | 2023-10-27 | 2023-10-27 | 基于多维幅度分布特征的调制格式识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117155748B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101722505B1 (ko) * | 2016-03-03 | 2017-04-18 | 국방과학연구소 | 입력 신호의 변조 형태 인식 방법 및 장치 |
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 |
JP2020041845A (ja) * | 2018-09-07 | 2020-03-19 | 日本電気株式会社 | 電波監視システム、電波監視処理装置、電波監視方法およびプログラム |
CN112699777A (zh) * | 2020-12-29 | 2021-04-23 | 成都信息工程大学 | 一种基于卷积神经网络的盲信号调制类型识别方法 |
CN113141325A (zh) * | 2021-04-14 | 2021-07-20 | 北京邮电大学 | 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 |
CN116232823A (zh) * | 2023-01-30 | 2023-06-06 | 杭州天智融通科技有限公司 | 基于多级盲数字接收机联合的幅相调制信号识别方法 |
CN116389207A (zh) * | 2023-04-11 | 2023-07-04 | 四川轻化工大学 | 一种基于信号幅度直方图的调制格式识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9413584B2 (en) * | 2014-04-07 | 2016-08-09 | University Of Utah Research Foundation | Blind phase-shift keying (PSK) and quadrature amplitude modulation (QAM) identification |
-
2023
- 2023-10-27 CN CN202311407224.XA patent/CN117155748B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101722505B1 (ko) * | 2016-03-03 | 2017-04-18 | 국방과학연구소 | 입력 신호의 변조 형태 인식 방법 및 장치 |
JP2020041845A (ja) * | 2018-09-07 | 2020-03-19 | 日本電気株式会社 | 電波監視システム、電波監視処理装置、電波監視方法およびプログラム |
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 |
CN112699777A (zh) * | 2020-12-29 | 2021-04-23 | 成都信息工程大学 | 一种基于卷积神经网络的盲信号调制类型识别方法 |
CN113141325A (zh) * | 2021-04-14 | 2021-07-20 | 北京邮电大学 | 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 |
CN116232823A (zh) * | 2023-01-30 | 2023-06-06 | 杭州天智融通科技有限公司 | 基于多级盲数字接收机联合的幅相调制信号识别方法 |
CN116389207A (zh) * | 2023-04-11 | 2023-07-04 | 四川轻化工大学 | 一种基于信号幅度直方图的调制格式识别方法 |
Non-Patent Citations (6)
Title |
---|
Automatic Modulation Classification Using Combination of Genetic Programming and KNN;Muhammad Waqar Aslam et al.;IEEE Transactions on Wireless Communications;第11卷(第8期);正文第3-4章 * |
Low-Complexity Modulation Format Identification Based on Amplitude Histogram Distributions for Digital Coherent Receivers;Ming Hao et al.;Photonics;第10卷(第4期);正文第2章 * |
OSNR Monitoring Using Support Vector Ordinal Regression for Digital Coherent Receivers;Ming Hao et al.;IEEE Photonics Journal;第11卷(第6期);全文 * |
一种抗频偏的常见幅相调制信号识别算法;李东波;欧阳喜;;信息工程大学学报(第01期);全文 * |
利用稀疏自编码器的调制样式识别算法;杨安锋;赵知劲;陈颖;;信号处理(第07期);全文 * |
基于高阶循环累积量的OFDM-弹性光网络信号调制格式识别;陈家佑;白成林;许恒迎;罗清龙;蔡跃进;;光电子・激光(第09期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117155748A (zh) | 2023-12-01 |
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 | |
CN102656824B (zh) | 用于相干光系统中非线性损害监视和减轻的载波相位估计器 | |
Lin et al. | Modulation classification using received signal’s amplitude distribution for coherent receivers | |
CN109361471B (zh) | 一种基于幅度偏差分析的光通信信号调制格式识别方法 | |
CN110933005B (zh) | 一种密度聚类的调制格式识别与osnr估计的联合方法 | |
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 | |
CN109005136B (zh) | 一种基于多概率阵列波束映射的多载波光信号发射方法 | |
CN109309640B (zh) | 基于机器学习的盲信号格式识别方法 | |
CN105119698B (zh) | 非平坦信道下dco‑ofdm直流偏置和功率联合优化方法 | |
Jiang et al. | An effective modulation format identification based on intensity profile features for digital coherent receivers | |
CN110190906A (zh) | 一种针对高阶qam相干光系统的非线性均衡方法 | |
CN111083078B (zh) | 一种概率整形正交振幅调制格式盲识别方法及系统 | |
CN111049586B (zh) | 一种基于降幅式概率成形的脉冲幅度位置调制系统 | |
CN112565133B (zh) | 一种基于高维信息特征提取的复杂格式解析方法 | |
CN109450836B (zh) | 一种状态转换概率分布的光数字通信调制格式识别方法 | |
CN116389207A (zh) | 一种基于信号幅度直方图的调制格式识别方法 | |
CN111935056A (zh) | 一种信号解调方法及相关装置 | |
CN117155748B (zh) | 基于多维幅度分布特征的调制格式识别方法 | |
CN113542172A (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 | |
CN113285762B (zh) | 一种基于相对熵计算的调制格式识别方法 | |
CN107911321B (zh) | 一种分块超奈奎斯特传输方法和系统 | |
Yang et al. | Joint modulation format identification and OSNR estimation method based on trajectory information analysis | |
CN114584212B (zh) | 一种特征相似度分析的调制格式与光信噪比监测方法 | |
CN111313974A (zh) | 一种信号幅度排序与比值计算的调制格式识别方法 | |
EP3994809A1 (en) | Modulation formats with fractional spectral efficiency |
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 |