[發明專利]一種相位噪聲補償方法及系統

有效

• 申請號: 202010071317.X
• 申請日: 2020-01-21
• 公開（公告）號: CN111325238B
• 公開（公告）日: 2023-06-09
• 發明（設計）人: 劉川;劉守東;陶靜;戴勇;李沛;張會彬;劉世棟
• 申請（專利權）人: 全球能源互聯網研究院有限公司;國網江蘇省電力有限公司信息通信分公司;北京郵電大學;國家電網有限公司
• 主分類號: G06F18/23213
• 分類號: G06F18/23213;G06N3/126;G06F18/214;H04B10/61
• 代理公司: 北京三聚陽光知識產權代理有限公司 11250
• 代理人: 張琳琳

本發明公開了一種相位噪聲補償方法及系統，該方法包括：獲取傳輸系統的數據信息，根據預設剪切系數，將數據信息進行更新；根據預設算法及更新后的數據信息構建多個初始種群；根據預設控制參數求解各初始種群的目標函數，得到初始目標函數值；利用遺傳算法對各初始種群進行迭代，得到新種群將遺傳結果中的目標函數值與初始目標函數值進行比較，根據比較結果得到目標種群；如果當前溫度小于預設終止溫度，將當前聚類中心確定為最優聚類中心；根據預設補償算法、目標種群及對應的最優聚類中心，對數據信息進行相位噪聲的補償。本發明不依賴于任何鏈路狀態信息以及系統參數，降低了計算的復雜度，實現更方便，進而提升了系統的穩定性。

技術領域

本發明涉及光傳輸技術領域，具體涉及一種相位噪聲補償方法及系統。

背景技術

光傳輸系統中存在的線性損傷和非線性損傷對傳輸性能、信號質量等造成了很大的影響。近年來，基于多層感知器(Multilayer?perceptron,MLP)的人工神經網絡等機器學習算法開始應用于非線性補償，與線性判決邊界的補償器相比，基于人工神經網絡(Artificial?neural?network，ANN)的非線性補償器可采用非線性判決邊界，與傳統的光纖非線性補償技術相比，利用機器學習進行光纖非線性補償的潛在好處是可以在較低復雜度下提供幾乎相同的性能，因此，它能有效補償系統的非線性效應。近幾年出現的基于各種機器學習算法的非線性補償方案，也都存在著各種缺點，大部分基于人工神經網絡和支持向量機的非線性補償方面在訓練開銷、收斂速度、復雜度等方面存在一定的問題，而基于無監督聚類的非線性補償方案在補償穩定性方面存在一定的問題。

發明內容

有鑒于此，本發明實施例提供了一種相位噪聲補償方法及系統，解決現有技術中非線性補償的訓練開銷大、收斂速度慢、復雜度高及穩定性差等問題。

為達到上述目的，本發明提供如下技術方案：

第一方面，本發明實施例提供了一種相位噪聲補償方法，包括：獲取傳輸系統的數據信息，根據預設剪切系數，將數據信息進行更新，得到更新后的數據信息；根據預設算法及更新后的數據信息構建多個初始種群；根據預設控制參數求解各初始種群的目標函數，得到初始目標函數值；利用遺傳算法對各初始種群進行迭代，得到新種群及遺傳結果，將遺傳結果中的目標函數值與初始目標函數值進行比較，根據比較結果得到目標種群；判斷當前迭代種群的當前溫度是否小于預設終止溫度，如果當前溫度小于預設終止溫度，將當前聚類中心確定為最優聚類中心；根據預設補償算法、目標種群及對應的最優聚類中心，對數據信息進行相位噪聲的補償。

在一實施例中，計算數據信息的最大幅值；將最大幅值乘以預設剪切系數，得到更新閾值；判斷各數據信息是否大于更新閾值，當數據信息大于更新閾值時，對數據信息進行更新，得到更新后的數據信息。

在一實施例中，通過以下公式對數據信息進行更新：

Stream′＝Stream/(Stream*clip_amp)，

其中，Stream′表示更新后的數據信號，Stream表示數據信號，clip_amp表示更新閾值。

在一實施例中，利用遺傳算法對各初始種群進行迭代，得到新種群，并對新種群進行求解，得到遺傳結果；判斷新種群遺傳結果中的目標函數值是否小于初始目標函數值，當新種群的目標函數值小于初始目標函數值時，將初始種群替換新種群，得到目標種群。

在一實施例中，通過以下公式表示種群的目標函數：

其中，L表示種群數量，t_i表示第i個數據信息的實部或虛部，c_j表示第j個種群的聚類中心，μ_ij表示第i個數據信息的實部/虛部對第j個種群的聚類中心的成員度，N表示數據信息的子載波數量，R表示數據信息的數量，m表示模糊劃分矩陣的指數；