WO2019071947A1 - 用于64-qam相干光通信系统的光纤非线性均衡方法 - Google Patents

用于64-qam相干光通信系统的光纤非线性均衡方法 Download PDF

Info

Publication number
WO2019071947A1
WO2019071947A1 PCT/CN2018/086413 CN2018086413W WO2019071947A1 WO 2019071947 A1 WO2019071947 A1 WO 2019071947A1 CN 2018086413 W CN2018086413 W CN 2018086413W WO 2019071947 A1 WO2019071947 A1 WO 2019071947A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
data set
qam
clusters
level data
Prior art date
Application number
PCT/CN2018/086413
Other languages
English (en)
French (fr)
Inventor
高明义
张俊峰
陈伟
沈纲祥
Original Assignee
苏州大学张家港工业技术研究院
苏州大学
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 苏州大学张家港工业技术研究院, 苏州大学 filed Critical 苏州大学张家港工业技术研究院
Publication of WO2019071947A1 publication Critical patent/WO2019071947A1/zh

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L25/00—Baseband systems
    • H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
    • H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
    • H04L25/03006—Arrangements for removing intersymbol interference
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/32—Carrier systems characterised by combinations of two or more of the types covered by groups H04L27/02, H04L27/10, H04L27/18 or H04L27/26
    • H04L27/34—Amplitude- and phase-modulated carrier systems, e.g. quadrature-amplitude modulated carrier systems
    • H04L27/38—Demodulator circuits; Receiver circuits
    • H04L27/3818—Demodulator circuits; Receiver circuits using coherent demodulation, i.e. using one or more nominally phase synchronous carriers

Definitions

  • the present invention relates to coherent optical data communications, and more particularly to a fiber nonlinear equalization method for a coherent optical communication system.
  • M-PSK M-phase phase shift keying
  • M-QAM M-ary quadrature amplitude modulation
  • BER bit error rate
  • high power signals are essential for adequate signal to noise ratio.
  • DBP digital signal processing
  • ANN artificial neural networks
  • SVM support vector machines
  • SVM As a machine learning equalization technique, SVM has outstanding properties, but the training complexity of SVM is highly dependent on the size of the data set, for example: For 16-quadrature amplitude modulation (QAM) signals and 64-QAM signals, 4 and 6 are required respectively. SVMs. Therefore, as the modulation order increases, more support vectors and longer training sequences will be involved. Furthermore, in SVM, quadratic programming is used to solve the support vector by calculating the m-order matrix (m is the number of samples). For larger data samples, storing and computing larger matrices will take longer. Therefore, large-scale training samples will always lead to longer implementations of SVMs. In addition, ANN has similar problems with S VM: Learning is too long, and the purpose of learning is impossible.
  • the clustering result is sensitive to the initial centroid, and the probability of finding a suitable initial centroid is particularly low.
  • the first step of the K-means clustering method the same is also an important step. If the selection of the centroid is not the exact position in the dataset, then the results obtained by the clustering method are often due to the randomness of the initial centroid selection. There is a case where the clustering result is unsatisfactory.
  • a 16QAM data block is divided into 16 clusters.
  • the QPSK signal is divided into 4 clusters
  • the 16QAM signal is divided into 16 clusters
  • the 64QAM signal is divided into 64 clusters, and so on.
  • the current clustering method randomly selects 64 points as the initial centroid, so the probability that 64 initial points fall on the cluster of 64 classes is extremely low. To accurately and quickly find the centroids of 64 clusters in a 64QAM signal, it is difficult to implement using the prior art methods.
  • the signal processing algorithm must have a small computational complexity and a short running time.
  • the k-means clustering algorithm is an iterative algorithm. In each iteration, the k-mea ns algorithm needs to calculate the distance between each data point and all the center points, and finally ends when the standard measure function begins to converge. This undoubtedly consumes a lot of computing resources and time, especially for a large amount of communication data flow is very deadly.
  • the conventional K-means clustering method uses a method of randomly selecting the initial centroid to perform clustering.
  • the iterative iteration finally converges a lot of time, with the clustering
  • the number of numbers increases, and the K-means clustering algorithm is difficult to obtain the global optimal centroid.
  • An object of the present invention is to provide a fiber nonlinear equalization method for a 64-QAM coherent optical communication system, which reduces signal impairment caused by nonlinearity of the optical fiber by reducing computational complexity and low data redundancy.
  • a fiber nonlinear equalization method for a 64-QAM coherent optical communication system and processing the received 64-QAM data, including the following steps:
  • the function range is the numerical range of the data points
  • x and y represent the real and imaginary parts of the 64-QAM data
  • i represents the point in the data set
  • i is an integer from 1 to N
  • N is the data set. The number of data points
  • the obtained first-level data set is filtered according to the density function value dd (k), and data with dd (k) exceeding the specified threshold is selected as the second-level data set;
  • the first-level data set is assigned to the corresponding cluster according to the nearest Euclidean distance, and the classified 64 pieces are obtained.
  • Cluster calculate the highest quality of each cluster, and output the final label Y 2st .
  • the threshold is set in the step (3) such that the number of points in the threshold range among all the data points is 60 ⁇ 3 ⁇ 4 ⁇ 70 ⁇ 3 ⁇ 4 of the total number.
  • the threshold is set in step (3) such that the number of points in the threshold range among all data points is 2/3 of the total number.
  • the threshold set in step (3) is 90.
  • the value range of the real part and the imaginary part of the received 64-QAM data point is [-10, 10].
  • the present invention has the following advantages over the prior art:
  • the invention adopts a new blind K-means algorithm, firstly uses a density function to provide high quality initial clusters and mitigates the influence of noise, and secondly combines demodulation.
  • the function method can approximate these high-quality 64 clusters.
  • the two-stage centroid tracking technology is used to accurately determine the global optimal 64 centroids. Therefore, it can be quickly and accurately selected without the need for iteration.
  • the global best quality of K-means clustering greatly reduces the influence of K-means cluster centroid on clustering results, and clusters 64 clusters using these global optimal centroids.
  • the clustering results are well reduced.
  • the effect of Kerr nonlinearity in the fiber results in a bit error rate performance that is half an order of magnitude higher than previously unprocessed performance.
  • the present invention utilizes the density parameter of the data object to achieve blind 64 centroid tracking.
  • the proposed blind centroid tracking method has the following advantages: (1) The position of the centroid can be quickly located, and the cluster tracking effect cluster is significantly improved. Quality; (2) can greatly reduce the computational complexity, does not require any iterative calculations; (3) is particularly suitable for large-scale data sets in high-speed optical communication systems.
  • 1 is a device setting diagram of an embodiment of the present invention
  • FIG. 2 is a schematic diagram of clustering of a blind K-means algorithm for a simple QPSK signal
  • FIG. 4 is a clustering effect diagram of a 64QAM signal of a blind K-means algorithm implemented by an embodiment
  • FIG. 5 is a graph showing experimental results of a blind k-means algorithm after transmitting an 80 KM fiber.
  • Embodiment 1 Referring to FIG. 1 , a device setting diagram is provided according to an embodiment of the present invention, and the obtained 64-QAM data is processed by using a blind K-means algorithm to obtain the highest quality heart and implement data decoding.
  • a fiber nonlinear equalization method for a 64-QAM coherent optical communication system first sampling a 64-QAM data set using a density function to obtain a sample set, using a 64-QAM demodulation function pair The sample set is demodulated to form 64 clusters, and its centroid is taken as the initial centroid. K-means clustering is performed according to the initial quality, a group of clusters is obtained, the centroid of the new cluster is calculated, and the highest quality is obtained, and then K is obtained. -means clustering to get the final result.
  • the classical K-means algorithm belongs to the class of unsupervised algorithms, mainly depends on the initial cluster center, and easily converges to the local optimal centroid. As the k-value of the centroid increases, the classic K-means algorithm will find it harder to find the best quality in the world. In the 64-QAM coherent optical communication system, 64 centroids are required. Therefore, this embodiment provides a blind K-means algorithm in which the most critical step is to accurately locate 64 centroids.
  • FIG. 2 shows a QPSK signal tracking method of the blind centroid algorithm.
  • the QPSK signal with widely dispersed constellation points and rotational phase is used to simulate the distortion signal through the amplifier's spontaneous emission noise (ASE) and fiber nonlinearity as the original signal, as shown in Figure 2 (a).
  • ASE spontaneous emission noise
  • Figure 2 (b) the density-based spatial constellation cluster as the input data set to estimate the initial centroid position, as shown in Figure 2 (b), where the black snowflake represents the first-generation centroid obtained.
  • the output Y represents the 64 best centroids to mark the 64-QAM data.
  • the function range is a numerical range of data points.
  • x and y represent the real and imaginary parts of the 64-QAM data, respectively.
  • the obtained first level data is filtered by the density function value dd (k), and the data whose dd (k) exceeds the specified threshold is selected as the second level data set, where the threshold is specified as 90.
  • dd (k) the density function value
  • the density method is chosen to better select the appropriate clusters, which can be well separated and have the potential to form an initial centroid.
  • the second level data set point on the constellation map uses a demodulation function to perform signal recovery on the 64-QAM constellation signal. Then get the decimal data 0-63 as a label attached to the corresponding data. Based on the label, the second-level data set in step (d) is divided into 64 clusters, and these clusters are averaged to obtain 64 centroids C i , as shown in (i) of FIG. 4 .

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Optical Communication System (AREA)
  • Digital Transmission Methods That Use Modulated Carrier Waves (AREA)

Abstract

本发明公开了一种用于64-QAM相干光通信系统的光纤非线性均衡方法，对接收到的64-QAM数据进行处理，包括：将接收到的数据集设置为第一级数据集，计算每个数据点的密度参数，设定阈值，选择密度参数超过指定阈值的数据作为第二级数据集；对第二级数据集点进行解调，划分为64个簇，并获得64个质心；根据获得的质心，将第二级数据集中的数据根据最近的欧式距离分类到相应簇中，用64个获得的新簇群的质心来更新；将第一级数据集根据最近的欧式距离分配到相应的簇群中，获得分类后的64个簇，计算获得各簇的最优质心。本发明在不需要迭代的前提下，能够快速和准确地选取出K-means 聚类的全局最优质心，很好地降低了光纤中Kerr非线性的影响，得到的误码率性能比之前没处理的性能要高半个数量级。

Description

说明书 发明名称:用于 64-QAM相干光通信系统的光纤非线性均衡方法 技术领域
[0001] 本发明涉及相干光数据通信， 具体涉及用于相干光通信系统的光纤非线性均衡 方法。
背景技术
[0002] 为了满足网络流量上升的需求， 已经广泛应用了诸如 M进制相移键控 （M-PSK ) 和 M进制正交幅度调制 （M-QAM) 等具有高频谱效率的高阶调制信号， 以增 加传输容量。 这些信号在传输系统中极易受到各种噪声的影响， 并且通常需要 较高的信噪比来获得所需的误比特率 （BER) 。 此外， 高功率信号对于足够的信 噪比是必不可少的。 然而， 一旦这些高功率信号被发射到光纤中， kerr效应引起 的非线性损伤将是不可避免的。 因此， 光纤中的 kerr非线性限制了长距离相干光 通信系统中的高阶调制信号性能。
[0003] 为了补偿光纤非线性， 已经提出了许多数字信号处理 （DSP) 算法， 如数字反 向传播 （DBP) ， 人工神经网络 （ANN) 和支持向量机 （SVM) 。 DBP利用数 字域中的反向传播算法， 基于分步傅立叶方法 （SSFM) 求解光纤链路的反向非 线性薛定方程， 并从接收信号中计算发射信号。 虽然基于 DBP的光纤非线性补偿 技术是有效的， 但在实际操作过程中， 大量的迭代形成了很高的复杂度。 作为 机器学习均衡技术， SVM具有突出的性质， 但 SVM的训练复杂度高度依赖于数 据集的大小， 例如： 对于 16-正交幅度调制 （QAM) 信号和 64-QAM信号， 分别 需要 4和 6个 SVM。 因此， 随着调制阶数的增加， 将涉及更多的支持向量和更长 的训练序列。 此外， 在 SVM中， 二次规划用于通过计算 m阶矩阵来求解支持向量 (m是样本数量） 。 对于较大的数据样本， 存储和计算较大矩阵将需要更长的吋 间。 因此， 大规模的训练样本总会导致 SVM的实施吋间更长。 另外， ANN也与 S VM有相似的问题： 学习吋间太长， 有吋学习的目的无法实现。 因此， 研究新的 均衡技术对于降低计算复杂度和低数据冗余度以减轻光纤非线性弓 I起的信号损 伤来说是非常重要的。 [0004] 为解决以上问题， 本申请考虑引入 K-means算法。 与上述减轻光纤非线性 DSP 算法相比， K-means算法具有更简单的结构， 其计算复杂度较低的优势。 但是在 数据处理的过程中存在以下问题：
[0005] 1.在传统的 K-means算法中， 聚类结果对初始质心很敏感， 找到合适的初始质 心的概率特别低。 作为 K-means聚类方法的第一步， 同吋也是很重要的一步， 如 果对质心的选取不是数据集中的准确位置， 那么对于聚类方法获得的结果， 由 于初始质心选择的随机性， 往往出现聚类结果不令人满意的情况。
[0006] 2.随着输入质心 k的增加， 也就是要分类簇的个数增加， k-means聚类算法很容 易陷入局部最优的困境， 这是因为 k-means算法中的准则函数是非凸平方误差评 估函数， 这推动了算法偏离全局最优解的搜索范围。 例如： 一个 16QAM的数据 块上要分 16个簇， （在 QAM调制格式中， QPSK信号要分 4个簇， 16QAM信号要 分 16个簇， 64QAM信号要分 64个簇， 依次类推） ， 按照目前的聚类方法随机选 择 64个点作为初始质心 ,那么 64个初始点正好落在 64个类的集群上的概率是极 低的。 而要在一个 64QAM的信号中准确快速地找到 64个簇的质心， 采用现有技 术的方法是很难实现的。
[0007] 3.作为通信系统后端的信号处理过程来说， 信号处理的算法一定要计算复杂度 小， 运行吋间短。 但是 k-means聚类算法是一个迭代算法， 在每次迭代中， k-mea ns算法都需要计算每个数据点与所有中心点之间的距离， 最后当标准测度函数幵 始收敛吋才结束， 这无疑消耗了大量的计算资源和吋间， 特别是对于海量的通 信数据流来说是很致命的。
[0008] 综上所述， 目前传统的 K-means聚类方法， 采用随机选取初始质心的方法进行 聚类， 在聚类过程中， 反复迭代最终收敛消耗了大量的吋间， 随着分类簇的个 数增加， K-means聚类算法很难得到全局最优的质心。 这些问题使得 K-means聚 类方法难以在通信系统的数据处理过程中被应用。
技术问题
问题的解决方案
技术解决方案 [0009] 本发明的发明目的是提供一种用于 64-QAM相干光通信系统的光纤非线性均衡 方法， 通过降低计算复杂度和低数据冗余度来减轻光纤非线性弓 I起的信号损伤
， 以提高相干光通信系统的误码率性能。
[0010] 为达到上述发明目的， 本发明采用的技术方案是： 一种用于 64-QAM相干光通 信系统的光纤非线性均衡方法， 对接收到的 64-QAM数据进行处理， 包括以下步 骤：
[0011] (1)将接收到的 64-QAM数据集设置为第一级数据集， k的最大值为 64， 用于表 示 64-QAM数据的 64个质心数；
[0012] (2)计算第一级数据集中每个数据点的密度参数 dd(k) :
Figure imgf000005_0001
[0013] 其中，
.、、'
f +
[0014] 式中， 函数 range是数据点的数值范围， x和 y分别表示 64-QAM数据的实部和虚 部， i代表数据集中的点， i是 1到 N的整数， N是数据集中数据点的个数；
[0015] (3)设定阈值，
将获得的第一级数据集根据密度函数值 dd (k) 进行筛选， 选择 dd (k) 超过指 定阈值的数据作为第二级数据集；
[0016] (4)对第二级数据集点用解调函数对 64-QAM星座图信号进行信号恢复， 将获取 的十进制数据 0-63作为标签附加到对应数据； 基于标签， 将第二级数据集划分为
64个簇， 并且将这些簇群进行平均以获得 64个质心 C i；
[0017] (5)根据获得的质心 C i， 将第二级数据集中的数据根据最近的欧式距离分类到 相应簇中， 以得到标签 Y 用 64个获得的新簇群的质心来更新 C i ;
[0018] (6)
将第一级数据集根据最近的欧式距离分配到相应的簇群中， 获得分类后的 64个 簇， 计算获得各簇的最优质心， 输出最后的标签 Y 2st。
[0019] 上述技术方案中， 步骤 (3)中所述阈值的设定使得所有数据点中在阈值范围内的 点数为总数的 60<¾〜70<¾。
[0020] 优选地， 步骤 (3)中所述阈值的设定使得所有数据点中在阈值范围内的点数为总 数的 2/3。
[0021] 优选的技术方案， 步骤 (3)中设定的阈值为 90。
[0022] 上述技术方案中， 接收的 64-QAM数据点的实部和虚部的数值范围为 [-10,10]。
发明的有益效果
有益效果
[0023] 由于上述技术方案运用， 本发明与现有技术相比具有下列优点：
[0024] 1、 本发明在对相干光通信数据的处理过程中， 采用了全新的盲 K-means算法， 首先利用密度函数来提供高质量的初始簇并减轻了噪声的影响， 其次结合解调 函数的方法可以近似区分这些高质量的 64个簇， 最后使用两阶段质心跟踪技术 精准地确定全局的最优 64个质心， 由此， 在不需要迭代的前提下， 能够快速和 准确地选取出 K-means聚类的全局最优质心， 大大降低 K-means聚类质心对聚类 结果的影响， 并且利用这些全局最优的质心进行 64个簇的聚类， 聚类结果很好 地降低了光纤中 Kerr非线性的影响， 得到的误码率性能比之前没处理的性能要高 半个数量级。
[0025] 2、 本发明利用数据对象的密度参数来实现盲 64个质心跟踪， 所提出的盲质心 跟踪方法具有以下优点： （1) 可以快速定位质心的位置， 显着提高集群跟踪效 果簇的质量； （2) 可以大大降低计算复杂度， 不需要任何迭代计算； （3) 特 别适用于高速光通信系统中的大规模数据集。
对附图的简要说明
附图说明
[0026] 图 1是本发明实施例的装置设置图；
[0027] 图 2是对简单的 QPSK信号进行的盲 K-means算法聚类示意图；
[0028] 图 3是实施例实验盲 K-means算法的流程图；
[0029] 图 4是实施例实现的盲 K-means算法的 64QAM信号聚类效果图； [0030] 图 5是传输 80KM光纤后盲 k-means算法的实验结果图。
本发明的实施方式
[0031] 下面结合附图及实施例对本发明作进一步描述：
[0032] 实施例一： 参见图 1所示， 为本发明实施例的装置设置图， 对获取的 64-QAM数 据， 采用盲 K-means算法进行处理， 获取最优质心， 实现数据解码。
[0033] 参见附图 3， 一种用于 64-QAM相干光通信系统的光纤非线性均衡方法， 首先利 用密度函数对 64-QAM数据集进行抽样得到样本集， 利用 64-QAM解调函数对样 本集进行解调形成 64个簇， 将其质心作为初始质心， 根据初始质性进行 K-means 聚类， 获得一组簇群， 计算新的簇群的质心， 得到最优质心， 再进行 K-means聚 类， 得到最终结果。
[0034] 经典的 K-means算法属于无监督算法的类， 主要取决于初始的聚类中心， 并且 容易收敛到局部最优的质心。 随着质心 k值的增大， 经典 K-means算法将更难找 到全局最优质心。 在 64-QAM相干光通信系统中， 需要 64个质心。 因此， 本实施 例提供了一种盲 K-means算法， 其中最关键的一步是准确定位 64个质心。
[0035] 由于 64QAM系统上分类的簇很多， 不易观看， 本实施例中先用一个简单 QPSK 星座为例来说明所提出的方法的原理， 图 2所示为盲质心算法的 QPSK信号跟踪 方法的流程图。 首先， 使用具有广泛分散的星座点和旋转相位的 QPSK信号通过 放大器自发辐射噪声 （ASE) 和光纤非线性作为原始信号来模拟失真信号， 如图 2 (a) 所示。 其次， 定义数据集的密度参数， 并提取基于密度的空间星座簇作为 输入数据集， 以估计初始质心位置， 如图 2 (b) 所示， 其中黑色雪花表示获得 的第一代质心。 再次， 计算第一代质心与每个数据之间的距离， 并根据最小距 离重新组合群集， 如图 2 (c) 所示。 计算每个簇的平均值以实现更新的质心， 如 图 2 (d) 所示。 提取的基于密度的空间星座簇及其最佳质心如图 2 (e) 所示。 最 后， 应用由黑色雪花标记的获得的最优质心来分类原始信号， 如图 2 (f) 所示。
[0036] 将上述盲质心跟踪方法应用于 64-QAM信号， 其算法的流程图如图 3所示：
[0037] 按照这种方法， 64-QAM盲 K-means算法的过程描述如下：
[0038] (a)将接收到的 64-QAM数据集设置为第一级数据集， 并将 k的值设计为 64， 因 为 64-QAM信号的星座图中有 64个簇。
[0039] (b)将输出 Y表示 64个最佳质心的来标记 64-QAM数据。
[0040] (c)为了方便计算， 将接收的 64-QAM数据点的实部和虚部规定为 [-10,10]。
[0041] (d)使用下列公式 （1) 和 （2) 来计算第一级数据中每个数据点的密度参数:
Figure imgf000008_0001
[0043] 这里
[0044]
： r— 麵 摩着 + (賺 賺 3
(2)
[0045] 在这里函数 range是数据点的数值范围。 在等式 （2) 和 （3) 中， x和 y分别表 示 64-QAM数据的实部和虚部。 根据指定的阈值,将获得的第一级数据由密度函 数值 dd (k) 进行筛选， 并且选择 dd (k) 超过指定阈值的数据作为第二级数据 集， 在这里阈值被指定为 90。 在离线处理过程中， 使用了 25,000个符号点的数据 块。 选用密度法是为了更好地选择适当的聚类群， 能把这些聚类很好地分离， 并且具有形成初始质心的潜力。
[0046] (e)星座图上的第二级数据集点用解调函数对 64-QAM星座图信号进行信号恢复 。 然后将获取十进制数据 0-63作为标签附加到相应数据。 基于标签， 步骤 （d) 中的第二级数据集被划分为 64个簇， 并且将这些簇群进行平均以获得 64个质心 C i， 见图 4的 （i) 。
[0047] (f)根据获得的质心 C i， 步骤 （d) 中的第二级数据集将被分类到相应簇中， 根 据最近的欧式距离以得到标签 Y ^ 用 64个获得的新簇群的质心来更新 C i ， 见图 4的 (ii) 。
[0048] (g)最后， 实现了质心全局优化， 得到 64个最优质心 C k， k = l,2， ...， 64。 第一 级数据集将根据最近的欧式距离被分配到不同的集群中，最优质心和原始的数据 集见图 4 (iii) 。 将获得的最后的标签 Y 2St输出与预先存储的发送数据进行比较 来估计发送数据的 BER。 参见附图 5所示， 结果表明利用盲 k-means均衡要比原来 的 BER性能要高半个数量级。

Claims

权利要求书 [权利要求 1] 一种用于 64-QAM相干光通信系统的光纤非线性均衡方法， 对接收到 的 64-QAM数据进行处理， 其关键在于质心的选取， 包括以下步骤：
(1)将接收到的 64-QAM数据集设置为第一级数据集， k的最大值为 64 ， 用于表示 64-QAM数据的 64个质心数；
2)计算第一级数据集中每个数据点的密度参数 dd(k) :
Figure imgf000010_0001
其中
Figure imgf000010_0002
式中， 函数 range是数据点的数值范围， x和 y分别表示 64-QAM数据的 实部和虚部， i代表数据集中的点， i是 1到 N的整数， N是数据集中数 据点的个数；
(3)设定阈值,将获得的第一级数据集根据密度函数值 dd (k) 进行筛 选， 选择 dd (k) 超过指定阈值的数据作为第二级数据集；
(4)对第二级数据集点用解调函数对 64-QAM星座图信号进行信号恢复 ， 将获取的十进制数据 0-63作为标签附加到对应数据； 基于标签， 将 第二级数据集划分为 64个簇， 并且将这些簇群进行平均以获得 64个质 心 C i ;
(5)根据获得的质心 C " 将第二级数据集中的数据根据最近的欧式距 离分类到相应簇中， 以得到标签 Y 1 用 64个获得的新簇群的质心来 更新 C i ;
(6)将第一级数据集根据最近的欧式距离分配到相应的簇群中， 获得 分类后的 64个簇， 计算获得各簇的最优质心， 输出最后的标签 [权利要求 2] 根据权利要求 1所述的用于 64-QAM相干光通信系统的光纤非线性均 衡方法， 其特征在于： 步骤 (3)中所述阈值的设定使得所有数据点中 在阈值范围内的点数为总数的 60<¾〜70<¾。
[权利要求 3] 根据权利要求 2所述的用于 64-QAM相干光通信系统的光纤非线性均 衡方法， 其特征在于： 步骤 (3)中所述阈值的设定使得所有数据点中 在阈值范围内的点数为总数的 2/3。
[权利要求 4] 根据权利要求 2所述的用于 64-QAM相干光通信系统的光纤非线性均 衡方法， 其特征在于： 步骤 (3)中所述阈值设定的阈值为 90。
[权利要求 5] 根据权利要求 1所述的用于 64-QAM相干光通信系统的光纤非线性均 衡方法， 其特征在于： 接收的 64-QAM数据点的实部和虚部的数值范 围为 [-10,10]。
PCT/CN2018/086413 2017-10-10 2018-05-11 用于64-qam相干光通信系统的光纤非线性均衡方法 WO2019071947A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201710936433.1A CN107707494B (zh) 2017-10-10 2017-10-10 用于64-qam相干光通信系统的光纤非线性均衡方法
CN201710936433.1 2017-10-10

Publications (1)

Publication Number Publication Date
WO2019071947A1 true WO2019071947A1 (zh) 2019-04-18

Family

ID=61183499

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2018/086413 WO2019071947A1 (zh) 2017-10-10 2018-05-11 用于64-qam相干光通信系统的光纤非线性均衡方法

Country Status (2)

Country Link
CN (1) CN107707494B (zh)
WO (1) WO2019071947A1 (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107707494B (zh) * 2017-10-10 2020-02-11 苏州大学 用于64-qam相干光通信系统的光纤非线性均衡方法
CN107819513B (zh) * 2017-11-01 2019-07-05 苏州大学 用于64-qam相干光传输系统的缓和光纤非线性方法
CN108667523B (zh) * 2018-03-06 2021-02-26 苏州大学 基于无数据辅助的knn算法的光纤非线性均衡方法
CN108521385B (zh) * 2018-03-30 2020-12-15 中山大学 一种使用交叉混合状态的相干光通信均衡方法
CN108965178B (zh) * 2018-06-29 2021-03-02 苏州大学 基于机器学习的智能自适应均衡器及均衡解调方法
CN109039472B (zh) * 2018-07-11 2021-05-07 南通智大信息技术有限公司 一种基于深度学习的数据中心光通信色散估计与管理方法
CN109067695B (zh) * 2018-10-12 2020-11-17 苏州大学 基于级联卡尔曼滤波器减少噪声干扰的方法及系统
CN109495183B (zh) * 2018-10-29 2020-06-23 武汉邮电科学研究院有限公司 一种相干光通信系统中星座点中心的跟踪方法及系统
CN109861760B (zh) * 2019-02-26 2020-05-08 北京邮电大学 相干光通信系统码型相关损伤自适应补偿方法及系统
CN110190906B (zh) * 2019-04-15 2020-08-04 浙江工业大学 一种针对高阶qam相干光系统的非线性均衡方法
CN110598859B (zh) * 2019-08-01 2022-12-13 北京光锁科技有限公司 基于门控循环神经网络的非线性均衡方法
CN112887028A (zh) * 2021-01-26 2021-06-01 珠海复旦创新研究院 光纤接入网中基于gs-qam星座的判决解码方法
CN116094596A (zh) * 2023-02-20 2023-05-09 兰州理工大学 一种基于改进K-means的室内可见光通信信道均衡方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110182387A1 (en) * 2010-01-27 2011-07-28 I Zakir Ahmed Blind Mechanism for the Joint Estimation of Frequency Offset and Phase Offset for QAM Modulated Signals
CN104079524A (zh) * 2014-07-24 2014-10-01 电子科技大学 一种基于ofdm的qam调制下的已失真通信信号识别方法
CN104202289A (zh) * 2014-09-18 2014-12-10 电子科技大学 一种用于短距离无线通信的抗iq不平衡失真的信号判决方法
CN107707494A (zh) * 2017-10-10 2018-02-16 苏州大学 用于64‑qam相干光通信系统的光纤非线性均衡方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101750017B1 (ko) * 2015-11-05 2017-06-23 중앙대학교 산학협력단 무선 이미지 센서 네트워크를 위한 k-평균 클러스터링 기반의 데이터 압축 시스템 및 방법
CN106203507A (zh) * 2016-07-11 2016-12-07 上海凌科智能科技有限公司 一种基于分布式计算平台改进的k均值聚类方法
CN107180391B (zh) * 2017-03-31 2023-03-24 中国电力科学研究院 一种风电数据跨度选取方法及装置
CN107145791B (zh) * 2017-04-07 2020-07-10 哈尔滨工业大学深圳研究生院 一种具有隐私保护的K-means聚类方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110182387A1 (en) * 2010-01-27 2011-07-28 I Zakir Ahmed Blind Mechanism for the Joint Estimation of Frequency Offset and Phase Offset for QAM Modulated Signals
CN104079524A (zh) * 2014-07-24 2014-10-01 电子科技大学 一种基于ofdm的qam调制下的已失真通信信号识别方法
CN104202289A (zh) * 2014-09-18 2014-12-10 电子科技大学 一种用于短距离无线通信的抗iq不平衡失真的信号判决方法
CN107707494A (zh) * 2017-10-10 2018-02-16 苏州大学 用于64‑qam相干光通信系统的光纤非线性均衡方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
PENG, . JUN ET AL.: "An Improved K-means Clustering Algorithm for Demodulation of Distorted QAM Signals", APPLICATION OF ELECTRONIC TECHNIQUE, vol. 40, no. 11, 31 December 2014 (2014-12-31) *
SALEM, S.A. ET AL.: "New Assessment Criteria for Clustering Algorithms", IEEE CONFERENCE XPLORE DIGITAL LIBRARY, 28 September 2005 (2005-09-28), pages 285 - 290, XP010853906 *

Also Published As

Publication number Publication date
CN107707494B (zh) 2020-02-11
CN107707494A (zh) 2018-02-16

Similar Documents

Publication Publication Date Title
WO2019071947A1 (zh) 用于64-qam相干光通信系统的光纤非线性均衡方法
CN108667523B (zh) 基于无数据辅助的knn算法的光纤非线性均衡方法
US10873493B2 (en) Carrier-phase recovery system and method
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
CN111064512B (zh) 基于深度学习的光正交频分复用调制方法与系统
WO2023245828A1 (zh) 一种多载波接入网失真信号的补偿方法及非线性均衡器
CN112350965B (zh) 无线光通信系统中自适应最小二乘信道估计方法及接收机
Li et al. Low-complexity tone reservation scheme using pre-generated peak-canceling signals
Kumar et al. A survey of blind modulation classification techniques for ofdm signals
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
Abdelmutalab et al. Automatic modulation classification using polynomial classifiers
CN114500200B (zh) 数字信号处理方法、动态均衡方法、装置、介质以及设备
KR101262287B1 (ko) 가우시안 2-군집 모델을 사용한 적응 블라인드 등화기
CN107911321B (zh) 一种分块超奈奎斯特传输方法和系统
CN109861760B (zh) 相干光通信系统码型相关损伤自适应补偿方法及系统
Qian et al. Novel intersymbol interference cancellation scheme to enable parallel computational and high-performance faster-than-Nyquist signaling
Sezginer et al. Peak power reduction in OFDM systems using dynamic constellation shaping
CN112953678B (zh) 一种大范围snr内接近容量限的无速率调制解调方法
CN109495183B (zh) 一种相干光通信系统中星座点中心的跟踪方法及系统
CN111327558B (zh) 用于滤波器多载波调制光通信的gmm非均匀量化的方法及系统
Salama et al. Deep learning based channel estimation optimization in VLC systems
Mathews et al. A Non-Linear Improved CNN Equalizer with Batch Gradient Decent in 5G Wireless Optical Communication
Xue et al. A stop and go blind equalization algorithm for QAM signals
CN114070687B (zh) 一种基于载波体制键控的混合载波调制解调方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18865404

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18865404

Country of ref document: EP

Kind code of ref document: A1