[發(fā)明專利]一種基于高維信息特征提取的復雜格式解析方法

有效

• 申請?zhí)枺?/td>: 202110213661.2
• 申請日: 2021-02-26
• 公開（公告）號: CN112565133B
• 公開（公告）日: 2021-05-28
• 發(fā)明（設(shè)計）人: 劉博;忻向軍;任建新;毛雅亞;朱旭;王瑞春;沈磊;吳泳鋒;孫婷婷;趙立龍
• 申請（專利權(quán)）人: 南京信息工程大學
• 主分類號: H04L27/00
• 分類號: H04L27/00
• 代理公司: 南京蘇高專利商標事務(wù)所(普通合伙) 32204
• 代理人: 張華蒙

1.一種基于高維信息特征提取的復雜格式解析方法，其特征在于：包括如下步驟：

S1：特征學習訓練，通過訓練得到各類調(diào)制格式的概率密度函數(shù)，作為后續(xù)判別的基礎(chǔ)；

S2：信號特征提取，先對信號進行濾波、偏振不均衡補償預處理，接著提取相應(yīng)的高維信息特征作為分類特征，為后續(xù)判別提供依據(jù)；

S3：格式解析，采用極大似然函數(shù)估計的方式，從所有調(diào)制格式的集合當中選擇一個概率最大的結(jié)果，判別未知信號的調(diào)制格式；

所述的步驟S1中，具體包括如下步驟：

1.1）先將各種調(diào)制格式類別的偏振信號信息作為樣本數(shù)據(jù)；

1.2）通過斯托克斯公式，將偏振復用中信號能夠反映調(diào)制特征的相關(guān)信息，映射成一個四維的斯托克斯矢量，映射過程中只涉及兩路偏振信號的幅值和相位差，因此避免一定的相位頻偏和偏振相關(guān)損耗；

1.3）將映射之后的四維斯托克斯矢量當做信號的分類特征，利用線性判別分析法，將四維的信號特征投影到一個最佳的分類平面；在高維信息特征投影之后，使用極大似然函數(shù)估計的方式去計算各種調(diào)制格式投影后的數(shù)據(jù)均值和方差，進而得到每一種調(diào)制格式所對應(yīng)的概率密度函數(shù)；

所述的步驟S2中，具體包括如下步驟：

在偏振復用的相干光通信系統(tǒng)中，接收端的相干接收機先利用偏振分光器將在光纖中傳輸?shù)钠窆庑盘柗蛛x成兩路，同時與本地振蕩產(chǎn)生的兩路偏振光在兩個90°光學混頻器中進行混頻，分別得I_x，Q_x，I_y，Q_y四路信號，通過數(shù)模轉(zhuǎn)換，加上虛部i就得了X路的偏振信號e_x，和Y路的偏振信號e_y；

將得到的代表X和Y兩路偏振態(tài)的復數(shù)信號e_x和e_y，通過上式的映射規(guī)則進行映射，轉(zhuǎn)變成一個四維的斯托克斯矢量，其中e_x^*和e_y^*分別表示e_x和e_y的共軛；其中表示兩路偏振信號的總功率，S₁表示兩路偏振信號的能量差，S₂和S₃分別表示兩路偏振信號的兩種相位差，a_x和a_y分別表示兩路偏振信號的幅值，Ф表示兩路偏振信號的相位差；

所述的步驟S3中，具體包括如下步驟：

使用線性判別分析法對傳輸信號的分類特征進行降維和分類處理；

線性判別分析法將帶上標簽的高維矢量數(shù)據(jù)，投影到維度更低的分類空間中；投影后的各個原始數(shù)據(jù)，會形成按不同的類別區(qū)分，根據(jù)廣義瑞利熵的性質(zhì)，得到：

其中A，B為n*n的Hermitan矩陣，Z為n維向量，且，λ_min和λ_max分別為矩陣的特征值的最小值和最大值；利用廣義瑞利熵的這個特殊性質(zhì)，對高維數(shù)據(jù)進行降維和分類；

所述的對高維數(shù)據(jù)進行降維和分類，具體包括如下步驟：

對于一個多維數(shù)據(jù)集D={(z₁，v₁)， (z₂，v₂)... (z_m，v_m)}，其中每一組數(shù)據(jù)的前一項為n維向量，后一項是數(shù)據(jù)類別；

定義N_j（j=1，2，...k）為第j類樣本的個數(shù)，Z_j（j=1，2，...k）為第j類樣本的集合，則：

為第j類樣本的均值向量，為第j類樣本的協(xié)方差矩陣；

假設(shè)投影到的低維空間的維度為d，對應(yīng)的基向量為（W₁，W₂，...W_d），基向量組成一個n*d的矩陣W；那么，對于任意一個高維度樣本數(shù)據(jù)Z_i，它在低維空間的投影為W^TZ_i；最大化，μ為所有樣本均值向量，最小化；

將需要最大值化或最小值化的數(shù)據(jù)定義成兩個新的矩陣：，；

其中S_b為類間散度矩陣，S_W為類內(nèi)散度矩陣，設(shè)定的優(yōu)化目標：，其中П_diagX為X的主對角線元素的乘積；

J（W）的優(yōu)化過程轉(zhuǎn)化為：，其中d為低維空間的維度，W^T為矩陣W的轉(zhuǎn)置，W_i為第i個基向量，W_i^T為第i個基向量的轉(zhuǎn)置；

將A設(shè)為數(shù)據(jù)的類間散度矩陣S_b，將B設(shè)為數(shù)據(jù)的類內(nèi)散度矩陣S_W，利用類內(nèi)散度矩陣和類間散度矩陣的特征值與特征向量找到類間散度矩陣S_b和類內(nèi)散度矩陣S_W的最大值，得到不同類別樣本數(shù)據(jù)投影之后的方差和均值進而計算各自的概率密度函數(shù)；

利用線性判別分析法得到的概率密度函數(shù)，作為復雜格式解析的依據(jù)；將未知信號的輸入分別帶入各個調(diào)制格式的概率密度函數(shù)之中，在所有的計算結(jié)果之中找到一個最大值作為輸出，該概率密度函數(shù)所對應(yīng)的調(diào)制格式即是該未知信號的調(diào)制格式。