[發(fā)明專(zhuān)利]基于無(wú)數(shù)據(jù)輔助的KNN算法的光纖非線(xiàn)性均衡方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201810183719.1
• 申請(qǐng)日: 2018-03-06
• 公開(kāi)（公告）號(hào): CN108667523B
• 公開(kāi)（公告）日: 2021-02-26
• 發(fā)明（設(shè)計(jì)）人: 高明義;張俊峰;陳偉;沈綱祥
• 申請(qǐng)（專(zhuān)利權(quán)）人: 蘇州大學(xué)
• 主分類(lèi)號(hào): H04B10/61
• 分類(lèi)號(hào): H04B10/61;H04L27/38
• 代理公司: 蘇州創(chuàng)元專(zhuān)利商標(biāo)事務(wù)所有限公司 32103
• 代理人: 陶海鋒

本發(fā)明公開(kāi)了一種基于無(wú)數(shù)據(jù)輔助的KNN算法的光纖非線(xiàn)性均衡方法，包括：獲取各數(shù)據(jù)點(diǎn)的分布密度參數(shù)，選取分布密度參數(shù)大于預(yù)設(shè)閾值的數(shù)據(jù)點(diǎn)進(jìn)行信號(hào)解調(diào)，獲得各數(shù)據(jù)點(diǎn)對(duì)應(yīng)的標(biāo)簽，根據(jù)標(biāo)簽分成M個(gè)簇，獲得對(duì)應(yīng)的質(zhì)心：根據(jù)獲得的質(zhì)心，將數(shù)據(jù)點(diǎn)按照歐幾里得距離重新進(jìn)行分類(lèi)，構(gòu)成訓(xùn)練樣本集；取未獲得標(biāo)簽的數(shù)據(jù)點(diǎn)X，從訓(xùn)練樣本集中獲取數(shù)據(jù)點(diǎn)X的K個(gè)最近鄰點(diǎn)；計(jì)算數(shù)據(jù)點(diǎn)X的KNN歐氏距離數(shù)據(jù)，并找出K個(gè)最近鄰點(diǎn)的標(biāo)簽簇；使用加權(quán)總和投票規(guī)則確定數(shù)據(jù)點(diǎn)X的預(yù)測(cè)標(biāo)簽，將X分配至對(duì)應(yīng)簇；重復(fù)直至完成對(duì)所有數(shù)據(jù)點(diǎn)的處理。本發(fā)明大大降低計(jì)算復(fù)雜度，實(shí)現(xiàn)了系統(tǒng)的零冗余，能夠顯著地提升系統(tǒng)的分類(lèi)性能，使系統(tǒng)誤碼率得以改善。

技術(shù)領(lǐng)域

本發(fā)明涉及一種光纖通信方法，具體涉及一種用于光纖通信系統(tǒng)的非線(xiàn)性均衡方法。

背景技術(shù)

對(duì)于遠(yuǎn)距離大容量光纖通信系統(tǒng)來(lái)說(shuō)，系統(tǒng)的通信容量和通信距離是研發(fā)者追求的目標(biāo)。為提升傳輸速率，這類(lèi)系統(tǒng)通常具有高頻譜效率的高階調(diào)制信號(hào)，例如，M進(jìn)制相移鍵控（M-PSK）和M進(jìn)制正交幅度調(diào)制（M-QAM）都是競(jìng)爭(zhēng)性候選的調(diào)制信號(hào)。當(dāng)前，結(jié)合相干檢測(cè)和數(shù)字信號(hào)處理（DSP）技術(shù)，16-QAM在200G通道中、64-QAM在400G以上的信道中被普遍采用。這些高階調(diào)制信號(hào)提升了數(shù)據(jù)傳輸速率，但同時(shí)由于較高的光信噪比（OSNR）需求導(dǎo)致了實(shí)際傳輸距離的減小。

為提升傳輸距離，有必要對(duì)信號(hào)進(jìn)行非線(xiàn)性補(bǔ)償。目前，采用的非線(xiàn)性補(bǔ)償方法是，在接收端將光信號(hào)轉(zhuǎn)化為電信號(hào)，經(jīng)過(guò)模數(shù)轉(zhuǎn)換器采樣后，再進(jìn)行數(shù)字信號(hào)處理（DSP）。已經(jīng)有許多DSP算法被開(kāi)發(fā)用于補(bǔ)償線(xiàn)性和非線(xiàn)性光纖傳輸損傷以延長(zhǎng)高階QAM信號(hào)的傳輸距離。線(xiàn)性傳輸損傷，如色散和偏振模色散都可以在有限的數(shù)字領(lǐng)域基于脈沖響應(yīng)（FIR）- 濾波器的自適應(yīng)均衡器中得到有效的補(bǔ)償。然而，光纖中的克爾效應(yīng)會(huì)引起非線(xiàn)性波形失真從而限制高階QAM信號(hào)的最大傳輸距離。因此，非線(xiàn)性均衡的DSP技術(shù)對(duì)于減輕光纖非線(xiàn)性來(lái)說(shuō)是不可或缺的。

當(dāng)前，一些非線(xiàn)性均衡DSP算法已經(jīng)被提出，如最大后驗(yàn)概率（MAP）檢測(cè)器、最大期望值（EM）、最大似然值估計(jì)（MLE）、非線(xiàn)性Volterra非線(xiàn)性均衡器、數(shù)字反向傳播（DBP）、人工神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)（ANN）、支持向量機(jī)（SVM）和k-means等。然而，其中大部分的算法具有較高的計(jì)算復(fù)雜性，同時(shí)有一些算法需要更長(zhǎng)的訓(xùn)練序列，這無(wú)疑增加了額外的帶寬需求。

因此，迫切需要提供一種改進(jìn)的光纖非線(xiàn)性均衡方法，以在相對(duì)較低復(fù)雜情況下提供高效的非線(xiàn)性補(bǔ)償，以降低計(jì)算成本，實(shí)現(xiàn)低數(shù)據(jù)冗余商業(yè)應(yīng)用。

鄰近算法，又稱(chēng)為K最近鄰（KNN）算法，參見(jiàn)附圖2所示，是一個(gè)分類(lèi)和回歸的非參數(shù)方法，同時(shí)也是一個(gè)簡(jiǎn)單的和有效的分類(lèi)方法，對(duì)于類(lèi)域的交叉或重疊較多的待分樣本集來(lái)說(shuō)，KNN方法較其它方法更為適合。但是，在用于光纖通信后端的非線(xiàn)性均衡的DSP處理過(guò)程中時(shí)，存在以下問(wèn)題：

(1) 在傳統(tǒng)的KNN算法中需要額外的訓(xùn)練序列，用有標(biāo)簽的訓(xùn)練序列通過(guò)計(jì)算最近的歐氏距離來(lái)預(yù)測(cè)未知的測(cè)試數(shù)據(jù)。但是因?yàn)檩^少的訓(xùn)練樣本會(huì)導(dǎo)致錯(cuò)誤的分類(lèi)，即小規(guī)模的訓(xùn)練數(shù)據(jù)更容易受到噪聲的影響，因此算法的性能高度取決于訓(xùn)練序列的長(zhǎng)度，但更多的訓(xùn)練樣本也意味著更大的系統(tǒng)冗余。

(2) 對(duì)于傳統(tǒng)的KNN而言，k值太小，分類(lèi)結(jié)果易受噪聲點(diǎn)影響；k值太大，近鄰中又可能包含太多的其它類(lèi)別的點(diǎn)。

(3) 在進(jìn)行類(lèi)別判定時(shí)，傳統(tǒng)的KNN使用投票法來(lái)進(jìn)行判定，但是投票法并沒(méi)有考慮近鄰的距離的遠(yuǎn)近，這會(huì)影響最終的分類(lèi)性能。

綜上所述，如果在光通信DSP處理中采用傳統(tǒng)的KNN聚類(lèi)方法，那么就意味著需要額外添加輔助的訓(xùn)練系列進(jìn)行聚類(lèi)，在聚類(lèi)過(guò)程中，毫無(wú)疑問(wèn)地就增加了通信系統(tǒng)的數(shù)據(jù)冗余度。因此，這種應(yīng)用不能解決目前遇到的問(wèn)題。

發(fā)明內(nèi)容