一种基于机器学习的模分复用信号解调优化方法

1.本发明属于光纤通信技术领域，特别是涉及一种基于机器学习的模分复用信号解调优化方法。


背景技术：

2.随着当今社会信息化进程不断推进，涌现出了大量带宽消耗型的技术与业务，全球的骨干网数据流量需求呈现爆发性增长。而作为电信骨干网络基础的商用单模光纤，目前已经接近非线性香农极限。近年来基于少模、多模光纤的空分复用、模分复用技术被认为是可以打破这一瓶颈，完成通信容量突破的候选方案。在理想情况下模分复用系统中传输的各个模式是相互正交的，因此传输的信息也是相互独立的，但是因为光纤一些内外的不理想特性，使得模式之间产生了耦合，这就需要多入多出(mimo)均衡来去除耦合引发的信道间串扰。其中为了避免复用模式增多引入的mimo维度提升导致数字信号处理的复杂度增加，模分复用系统通常会采用部分mimo均衡的方案，即对模组内的强串扰模式进行mimo均衡，而忽略模组之间的串扰，将其视作噪声。
3.虽然相较于模组内模式的串扰模组之间的串扰是足够低的，但是模组之间的串扰可能会因为光纤拉制工艺造成光纤的不理想特性而对数据的传输造成严重的影响，此外还存在电光调制畸变、光纤非线性效应等带来的影响，这些是限制模分复用系统的带宽以及传输长度进一步增长的重要因素。在传统的数字信号处理方案中，常规的mimo均衡算法(如恒模算法)、载波相位恢复算法等通常为线性算法，这是为了避免引入高阶项从而提升数字信号处理复杂度。如何以较低的复杂度代价，降低模组间的串扰、电光调制畸变、光纤非线性效应等对信号质量的影响，显得尤为重要。


技术实现要素：

4.本发明针对以上情况，提供一种基于机器学习的模分复用信号解调优化方法。本发明在光模分复用相干通信系统的数字信号处理环节加入机器学习算法以协助判决，并且有二次判决，包括了在恒模算法之后对圆环归属的判决，以及对最后判决解码的协助。本发明有效地降低了数字信号处理的复杂度，并使模组间的串扰、电光调制畸变、光纤非线性效应等对信号质量的影响得到良好的改善。
5.本发明的技术方案如下：
6.一种基于机器学习的模分复用信号解调优化方法，包括以下步骤：
7.s1、获取经恒模算法处理后输出的信号数据，并划分出测试集和训练集；
8.s2、将训练集输入第一支持向量机中，以正确的圆环半径作为期望输出，对第一支持向量机进行训练，使其具有判决圆环归属的能力；
9.s3、将训练集输入频偏估计和载波相位恢复模块，从而获得消除相位影响的数据点；
10.s4、将上述获得的数据点输入到第二支持向量机中，以正确的星座点位置作为期
望输出，对第二支持向量机进行训练，使得数据点通过第二支持向量机能够归类到正确的星座点位置上；
11.s5、将测试集输入到训练完毕的第一支持向量机中，对数据点所属圆环进行判决，获得判定的圆环标签；
12.s6、将圆环标签与测试集根据半径决定的所属圆环进行对比，如有差异，则保持数据点的相位不变，调整数据点的模值至第一支持向量机输出的半径上，得到正确的数据点；
13.s7、将正确的数据点输入到训练好的频偏估计和载波相位恢复模块中，消除相位噪声与频偏的影响，逐步恢复出星座图；
14.s8、将获得的星座图输入到第二支持向量机中进行判决，第二支持向量机进行星座点的重新分类，以使数据点归类到正确的星座点位置上。
15.进一步，步骤s1划分测试集和训练集的具体过程如下：
16.在相干通信的dsp流程中，将恒模算法的输出依据采集时间划分成两个长度相同的数据段，然后将这两个数据段分别作为测试集和训练集。
17.进一步，考虑二阶串扰的影响，那么在接收模式i中，测试集和训练集的数据y
i,n
在时刻t＝nt表示为：
[0018][0019]
其中a
p,n
为当前时刻模式p所携带的符号，a
q,n
为当前时刻模式q所携带的符号，t表示符号间隔，代表卷积运算，h
2,pqi
为模式p和模式q到模式i的二阶冲激响应函数，nn是所有噪声的统称，j指的是虚数单位，是发射端和本征光的差异导致的相位影响。
[0020]
进一步，
[0021]
其中δf是频偏，ψ代表相位噪声，nt表示时刻t。
[0022]
进一步，步骤s2中第一支持向量机进行训练的过程为：
[0023]
由于训练集中的复数信号原本具有恒定的模值，表示在星座点上具有恒定的半径，但是由于高噪声以及非线性因素导致数据点脱离圆环，因此在训练第一支持向量机的过程中，将期望的输出设定为数据点正确归属的圆环，通过不断地训练和调整权重，使第一支持向量机寻找一个平面将数据点进行正确的圆环分类，从而形成具有判决圆环归属的能力。
[0024]
进一步，步骤s3中频偏估计和载波相位恢复模块对数据进行处理的过程为：
[0025]
先利用频偏估计算法排除信号频偏的影响，再利用载波相位恢复算法排除相位噪声的影响，从而获得消除相位影响的数据点。
[0026]
进一步，步骤s4中第二支持向量机进行训练的过程为：
[0027]
在频偏估计和载波相位恢复的处理之后，将数据点输入到第二支持向量机中，设定其期望输出为正确的星座点位置，让数据不断地训练以及调整权重，使得数据点通过第二支持向量机能够归类到正确的星座点位置上。
[0028]
进一步，步骤s6中，圆环标签的对比过程如下：
[0029]
对比测试集根据半径决定的所属圆环和第一支持向量机输出的圆环标签，如果出现差异，则对相应数据点进行处理，保持相位不变，调整数据点的模值至第一支持向量机输
出的半径上，并设在理想的情况下，第一支持向量机输出的数据点z
i,n
只剩下频偏和相位噪声的影响，写为：
[0030][0031]
其中，a
i,n
为当前时刻模式i所携带的符号。
[0032]
进一步，步骤s8中，第二支持向量机对数据点进行星座点的重新分类，理想情况下，获得数据点z
i,n
输出为：
[0033]zi,n
＝a
i,n
nn。
[0034]
进一步，根据第二支持向量机所作出的星座点分类，对数据点进行解码，再对误码率作出评估。
[0035]
本发明的有益效果为：
[0036]
本发明所采用的利用两个支持向量机的二次判决，将会增加恒模算法判决圆环归属以及最后星座点的门限判决的准确性，同时支持向量机构建的非线性映射对非线性损伤的抑制将会有很好的效果。本发明在判决圆环归属之后，依据判决结果加入了对星座点幅度的调整，而此时的星座点只剩下残余的频偏和相位噪声，这是只对星座点的相位的影响，因此对星座点幅度的调整有利于最后其落到正确的位置。
附图说明
[0037]
图1是本发明的流程示意图。
具体实施方式
[0038]
附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明，不能理解为对本专利的限制。
[0039]
实施例1：
[0040]
如图1所示，一种基于机器学习的模分复用信号解调优化方法，包括以下步骤：
[0041]
s1、获取经恒模算法处理后输出的信号数据，并划分出测试集和训练集；
[0042]
s2、将训练集输入第一支持向量机中，以正确的圆环半径作为期望输出，对第一支持向量机进行训练，使其具有判决圆环归属的能力；
[0043]
s3、将训练集输入频偏估计和载波相位恢复模块，从而获得消除相位影响的数据点；
[0044]
s4、将上述获得的数据点输入到第二支持向量机中，以正确的星座点位置作为期望输出，对第二支持向量机进行训练，使得数据点通过第二支持向量机能够归类到正确的星座点位置上；
[0045]
s5、将测试集输入到训练完毕的第一支持向量机中，对数据点所属圆环进行判决，获得判定的圆环标签；
[0046]
s6、将圆环标签与测试集根据半径决定的所属圆环进行对比，如有差异，则保持数据点的相位不变，调整数据点的模值至第一支持向量机输出的半径上，得到正确的数据点；
[0047]
s7、将正确的数据点输入到训练好的频偏估计和载波相位恢复模块中，消除相位
噪声与频偏的影响，逐步恢复出星座图；
[0048]
s8、将获得的星座图输入到第二支持向量机中进行判决，第二支持向量机进行星座点的重新分类，以使数据点归类到正确的星座点位置上。
[0049]
在本实施例中，步骤s1划分测试集和训练集的具体过程如下：
[0050]
在相干通信的dsp流程中，将恒模算法的输出依据采集时间划分成两个长度相同的数据段，因为两段数据在时间上前后相接，因此在极短的时间内可以把它们看作是在相同条件采集的，然后将这两个数据段分别作为测试集和训练集。如果同时考虑线性和非线性的串扰，这里只考虑二阶串扰的影响，那么在接收模式i中，测试集和训练集的数据y
i,n
在时刻t＝nt表示为：
[0051][0052]
其中a
p,n
为当前时刻模式p所携带的符号，a
q,n
为当前时刻模式q所携带的符号，t表示符号间隔，代表卷积运算，h
2,pqi
为模式p和模式q到模式i的二阶冲激响应函数，nn是所有噪声的统称，j指的是虚数单位，是发射端和本征光的差异导致的相位影响，表示为其中δf是频偏，ψ代表相位噪声，nt表示时刻t。
[0053]
在本实施例中，步骤s2中第一支持向量机进行训练的过程为：
[0054]
由于训练集中的复数信号原本具有恒定的模值，表示在星座点上具有恒定的半径，但是由于高噪声以及非线性因素导致数据点脱离圆环，因此在训练第一支持向量机的过程中，将期望的输出设定为数据点正确归属的圆环，通过不断地训练和调整权重，使第一支持向量机寻找一个平面将数据点进行正确的圆环分类，从而形成具有判决圆环归属的能力。
[0055]
在本实施例中，步骤s3中频偏估计和载波相位恢复模块对数据进行处理的过程为：
[0056]
第二支持向量机的作用是对最终恢复的星座点进行误码判决，那么训练集还需要排除信号频偏和相位噪声的影响，因此先利用频偏估计算法排除信号频偏的影响，再利用载波相位恢复算法排除相位噪声的影响，从而获得消除相位影响的数据点。
[0057]
需要说明的是频偏估计算法和载波相位恢复算法均为本领域技术人员所公知对数据进行处理的过程，此处不再叙述。
[0058]
在本实施例中，步骤s4中第二支持向量机进行训练的过程为：
[0059]
在频偏估计和载波相位恢复的处理之后，将数据点输入到第二支持向量机中，设定其期望输出为正确的星座点位置，让数据不断地训练以及调整权重，使得数据点通过第二支持向量机能够归类到正确的星座点位置上。
[0060]
在本实施例中，步骤s6中，圆环标签的对比过程如下：
[0061]
对比测试集根据半径决定的所属圆环和第一支持向量机输出的圆环标签，如果出现差异，则对相应数据点进行处理，保持相位不变，调整数据点的模值至第一支持向量机输出的半径上，并设在理想的情况下，第一支持向量机输出的数据点z
i,n
只剩下频偏和相位噪声的影响，写为：
[0062][0063]
其中，a
i,n
为当前时刻模式i所携带的符号。
[0064]
在本实施例中，步骤s7中，按照常规的数字信号处理流程，第一支持向量机的输出进入到频偏估计和载波相位恢复模块中去除相位的影响，可以逐步恢复出星座图。
[0065]
在本实施例中，步骤s8中，第二支持向量机对数据点进行星座点的重新分类，理想情况下，获得数据点z
i,n
输出为：
[0066]zi,n
＝a
i,n
nn。
[0067]
并根据第二支持向量机所作出的星座点分类，对数据点进行解码，再对误码率作出评估。
[0068]
本发明的机器学习选用支持向量机，其具有严格的数学理论支持，且不依靠统计方法，是一种典型的对数据进行二元分类的广义线性分类器。支持向量机最大的特点是决策函数只由少量的支持向量决定，计算的复杂度仅仅依赖于支持向量的数目而不是样本空间的维度，这一特性在传输数据的处理中具有优势。
[0069]
在基于恒模算法的mimo均衡处理过后，数据因为残余的频偏以及相位噪声将在星座图上将会呈现环状分布，为了保证判决的正确性，本发明将前后的两段长度相同的数据分别作为训练集和测试集，训练集首先依据正常的圆环归属训练第一支持向量机，第一支持向量机的输入为所有模式对应的数据的实部与虚部，数据长度为一般的抽头长度，输出为单个数据点所属的圆环。然后经过频偏估计和载波相位恢复之后恢复出星座点，但是此时可能因为信噪比比较低导致判决的困难，训练集再根据正确的星座点位置完成对第二支持向量机的训练，第二支持向量机的输入与第一支持向量机类似，包括了多个模式信道的数据，输出为各星座点的位置类别。在获得两个训练之后的支持向量机之后，测试集经过第一支持向量机判决其星座点的圆环归属，并且根据判决的结果来调整星座点的位置(调整幅度，保持相位信息不变)，再经过频偏估计和载波相位恢复模块，此时的星座点判决不再通过传统的门限判决方法，而是经过训练得到的第二支持向量机来完成判决，同时对相位噪声也具有一定的抑制作用，有利于载波相位的正确恢复。
[0070]
本发明的具体原理如下：
[0071]
恒模算法输出的数据，分成前后两个数据块，分别作为训练集和测试集。由于此时已经利用恒模算法收敛到各个圆环上，但是由于噪声等影响，导致在星座图上原本属于正确圆环上的数据点移动到其他圆环上，这会导致后面流程执行的困难并出现误码；训练集首先通过正确的圆环半径作为期望的输出，训练出第一支持向量机，使其具有判决圆环归属的能力；然后训练集经过频偏估计和载波相位恢复模块去除相位项的影响，为了更好地执行判决和评估误码率，经过处理后地训练集完成对第二支持向量机的训练；训练好后，输入测试集，在恒模算法之后再经过第一支持向量机的辅助判决，通过其判决的圆环归属，将对测试集的数据点幅值做出相应的调整，接下来进入频偏估计和载波相位恢复模块，消除相位噪声与频偏的影响并进入第二支持向量机中进行判决，第二支持向量机在判定数据点的正确位置之外还有利于载波相位的正确恢复，最后评估误码率。
[0072]
本发明利用支持向量机和数字信号处理结合以提高均衡的准确度；并在处理流程中执行了两次支持向量机的训练和验证，一次是在恒模算法之后的模值判决，另外一次是在最后的接收码元的判决；在模值的判决之后，依据支持向量机的输出调整相应数据点的
幅值，从而保证恒模算法的准确性。本发明有效地降低了数字信号处理的复杂度，并使模组间的串扰、电光调制畸变、光纤非线性效应等对信号质量的影响得到良好的改善。
[0073]
实施例2：
[0074]
本实施例中，提供了一种电子设备，包括存储器及处理器，存储器中储存有计算机程序，计算机程序被处理器执行时，使得处理器执行如上述实施例1中所述的一种基于机器学习的模分复用信号解调优化方法的步骤。
[0075]
本实施例中的电子设备可以单元的形式描述。例如，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0076]
另外，实现逻辑的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，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，也可以采用软件功能单元的形式实现。
[0077]
实施例3：
[0078]
本实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上述实施例1所述的一种基于机器学习的模分复用信号解调优化方法的步骤。
[0079]
本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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步骤。而前述的存储介质包括：u盘、移动硬盘、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。
[0080]
显然，本发明的上述实施例仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。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，均应包含在本发明权利要求的保护范围之内。