基于决策树TWSVM的高速光信号调制格式识别方法技术

本发明专利技术公开一种基于决策树TWSVM的高速光信号调制格式识别方法，步骤包括：S1.预先构建决策树框架并在构建的决策树架构的每个节点中使用TWSVM，得到DT‑TWSVM分类器，决策树框架中定义第一特征参数以实现初始分类，定义第二特征参数以及第三特征参数以实现最终分类；S2.进行高速光信号调制格式识别时，对所需混合速率多调制格式光信号进行低速率采样，得到待识别信号；S3.分别提取待识别信号的所述第一特征参数、第二特征参数以及第三特征参数；S4.将提取到的各特征参数数据输入到DT‑TWSVM分类器中，得到识别结果。本发明专利技术实现方法简单、在低光信噪比时识别精度及识别效率高、计算复杂度低等优点。

Modulation Format Recognition of High Speed Optical Signals Based on Decision Tree TWSVM

The invention discloses a high-speed optical signal modulation format recognition method based on decision tree TWSVM. The steps include: S1. Pre-construct the decision tree framework and use TWSVM in each node of the decision tree framework to obtain DT TWSVM classifier. The first feature parameter is defined in the decision tree framework to achieve the initial classification, the second feature parameter and the third feature parameter are defined to achieve the most. The final classification; S2. When recognizing the modulation format of high-speed optical signals, the required mixed-rate multi-modulation format optical signals are sampled at low rates to obtain the signals to be identified; S3. The first characteristic parameters, the second characteristic parameters and the third characteristic parameters of the signals to be identified are extracted respectively; S4. The extracted characteristic parameters are input into DT TWSVM classifier to obtain the recognition results. \u3002 The method has the advantages of simple implementation, high recognition accuracy, high recognition efficiency and low computational complexity at low optical signal-to-noise ratio.

【技术实现步骤摘要】
基于决策树TWSVM的高速光信号调制格式识别方法
本专利技术涉及高速光通信
，尤其涉及一种基于决策树(DecisionTree，DT)TWSVM(twinsupportvectormachine，孪生支持向量机)的高速光信号调制格式识别方法。
技术介绍
随着电子技术和光通信技术的快速发展，光通信信号的调制格式更加多样化和复杂化，以充分利用通信资源。由于信号环境日益密集，不同调制格式的不同信号会同时进入宽带接收机，这需要同时识别多个调制信号。在接收端的接收和解调过程中，调制格式识别(ModulationFormatIdentification，MFI)位于整个信号接收解调过程的前端，因此MFI的准确性和效率将影响整个信号处理的结果。然而，下一代光网络使接收机可以从接收信号中盲目识别调制格式。因此，光信号调制格式的盲识别和自动识别已成为没有任何先验知识的研究重点。目前，现代光通信系统主要用于骨干传输网络，由于骨干网需要实现大容量、高带宽、高速率和长距离传输，因此对现代光通信系统的传输能力和性能维护提出了更高的要求。为了满足不同传输业务和网络升级的需求，未来的光纤通信网络是异构的，多种调制格式和信号速率可以在同一网络中共存。光网络的异构化趋势使光通信系统的网络管理、优化和信号接收更加复杂。为了实现光网络的智能管理和自适应光接收机，MFI技术对异构光网络的管理控制和自适应光信号接收具有重要价值。此外，光网络也将向智能光网络发展，因为智能光网络具有重构、灵活和安全的特点，并且提高网络的整体利用率需要有效、高效和准确的光信号质量监测。当前的光网络正朝着具有速率自适应收发器的弹性光网络(EON)和智能认知光网络(ICON)发展来支持多种调制格式，它具有更好的可扩展性和协作性，能够协调发送器和接收器，实现光信号速率和调制格式的实时动态调整，实现网络节点中的智能信道管理和带宽分配等链路管理功能，同时它可以通过光学性能监测(OPM)技术监控信号质量，为动态路由和网络管理提供基础。光网络中的MFI技术目前主要是采用基于特征的(FB)统计模式识别方法，该方法是从接收信号中提取重要特征，由分类器对提取的观测值进行分类和识别，当前的研究重点即是针对分类器的分类算法，寻找合适的算法，最大可能地在较少的特征参数的情况下解决在低光信噪比(OSNR)时识别精度低、识别时间长的问题。分类器的分类过程是在选择或构造特征参数与样本训练集相结合的基础上，设计合理的分类器结构和分类标准，最后通过训练分类器进行分类决策。机器学习在分类决策中具有优越的性能，典型的如支持向量机(supportvectormachine，SVM)方法，SVM广泛应用在高速光信号的调制格式盲识别中。SVM是建立在统计学习理论和结构风险最小原理基础上，根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度)和学习能力(即无错误地识别任意样本的能力)之间寻求最佳折衷，来获得最好的泛化能力。对于二分类问题，SVM旨在输入样本空间中找到一个最优分离超平面对两类样本进行正确分割，这个超平面通过估计训练样本集中两类样本最接近数据点的距离来获得，如果训练样本中的数据点在输入空间中线性不可分，这些训练样本将会通过核函数实现将各输入特征向量到高维特征空间的转换，通过高维空间中寻找最优分类超平面实现对信号调制方式的判决，利用SVM解决二分类问题中最优超平面与分类样本的关系如图1所示。由于随着相干光通信技术的发展，高速率和高阶调制格式已被广泛应用，而针对高速率和高阶调制格式的光信号信号量大，大数据量就意味着使用传统的如SVM等的机器学习算法需要较多的训练特征以及额外的复杂性和计算时间，尤其是在低OSNR(光信噪比)情况下，会存在泛化能力不足、计算时间长、不平衡数据分类精度低等问题。
技术实现思路
本专利技术要解决的技术问题就在于：针对现有技术存在的技术问题，本专利技术提供一种实现方法简单、在低光信噪比时识别精度及识别效率高、计算复杂度低的高速光信号调制格式识别方法。为解决上述技术问题，本专利技术提出的技术方案为：一种基于决策树(DecisionTree，DT)TWSVM(TwinSupportVectorMachine，孪生支持向量机)的高速光信号调制格式识别方法，步骤包括：S1.DT-TWSVM分类器构建：预先构建决策树框架并在构建的所述决策树架构的每个节点中使用TWSVM，得到DT-TWSVM分类器，所述决策树框架中根据高阶累积量定义第一特征参数T1以实现初始分类，根据差分运算后的累积量定义第二特征参数T2以及根据循环谱定义第三特征参数T3以实现最终分类；S2.信号采样：进行高速光信号调制格式识别时，对所需混合速率多调制格式光信号进行低速率采样，得到待识别信号；S3.特征提取：分别提取所述待识别信号的所述第一特征参数T1、第二特征参数T2以及第三特征参数T3；S4.格式识别：将所述步骤S3提取到的各特征参数数据输入到所述DT-TWSVM分类器中，得到识别结果。作为本专利技术的进一步改进：所述步骤S2中基于压缩感知理论方法进行低速率采样。作为本专利技术的进一步改进，所述基于压缩感知理论方法进行低速率采样的步骤包括：S21.选择最佳稀疏基来实现光信号的稀疏表示；S22.构造满足约束等距特性的测量矩阵，将采样的信号从高维空间映射到低维度空间，以实现对信号的线性测量；S23.选择重构算法将原信号在所述测量矩阵下的投影进行重构恢复，重构得到待识别信号。作为本专利技术的进一步改进：所述步骤S3中提取得到各特征参数数据时，通过使用压缩感知理论方法，计算在指定压缩率下各特征参数数据的值，重构得到各特征参数的压缩采样值。作为本专利技术的进一步改进：所述第一特征参数T1定义为T1＝|C8,0|/|C4,0|，所述第二特征参数T2定义为T2＝|Cd8,0|/|Cd4,02，其中C4,0、C8,0分别为四阶、八阶累积量值，Cd表示差分运算后的累积量值，所述第三特征参数T3定义为其中为循环谱值。作为本专利技术的进一步改进，所述步骤S3中还包括对各特征参数使用压缩感知理论方法，计算在压缩率为δ的情况下经过线性测量后的四阶、八阶累积量值和循环谱值为：其中，Φ为线性测量中的测量矩阵，F为离散傅里叶变换矩阵，P为对角线投影矩阵，KM和HN均为投影矩阵，IN为N维的识别矩阵，Λv为N×N的矩阵且只有它的对角线元素为1，其他元素为0。作为本专利技术的进一步改进：所述步骤S1中构建DT-TWSVM分类器时，还包括比较不同核函数下所述DT-TWSVM分类器的识别性能，根据比较结果确定最佳核函数。作为本专利技术的进一步改进：使用K折分层交叉验证方法对不同核函数下所述DT-TWSVM分类器的识别性能进行评估，以确定最佳核函数。作为本专利技术的进一步改进：所述DT-TWSVM分类器中具体选择RBF核函数作为最佳核函数。作为本专利技术的进一步改进：所述DT-TWSVM分类器中训练集比例为70～80％。与现有技术相比，本专利技术的优点在于：1、本专利技术基于决策树TWSVM的高速光信号调制格式识别方法，充分利用TWSVM以及决策树框架的特性，通过基于高阶累积量和循环谱特征构建决策树框架，同时将TWSVM置于决策树框架中构建得到DT-TWSVM分类器，对高速混合速率多调制格式光信本文档来自技高网...

【技术保护点】
1.一种基于决策树TWSVM的高速光信号调制格式识别方法，其特征在于，步骤包括：S1.DT‑TWSVM分类器构建：预先构建决策树框架并在构建的所述决策树架构的每个节点中使用TWSVM，得到DT‑TWSVM分类器，所述决策树框架中根据高阶累积量定义第一特征参数T1以实现初始分类，根据差分运算后的累积量定义第二特征参数T2以及根据循环谱定义第三特征参数T3以实现最终分类；S2.信号采样：进行高速光信号调制格式识别时，对所需混合速率多调制格式光信号进行低速率采样，得到待识别信号；S3.特征提取：分别提取所述待识别信号的所述第一特征参数T1、第二特征参数T2以及第三特征参数T3；S4.格式识别：将所述步骤S3提取到的各特征参数数据输入到所述DT‑TWSVM分类器中，得到识别结果。

【技术特征摘要】
1.一种基于决策树TWSVM的高速光信号调制格式识别方法，其特征在于，步骤包括：S1.DT-TWSVM分类器构建：预先构建决策树框架并在构建的所述决策树架构的每个节点中使用TWSVM，得到DT-TWSVM分类器，所述决策树框架中根据高阶累积量定义第一特征参数T1以实现初始分类，根据差分运算后的累积量定义第二特征参数T2以及根据循环谱定义第三特征参数T3以实现最终分类；S2.信号采样：进行高速光信号调制格式识别时，对所需混合速率多调制格式光信号进行低速率采样，得到待识别信号；S3.特征提取：分别提取所述待识别信号的所述第一特征参数T1、第二特征参数T2以及第三特征参数T3；S4.格式识别：将所述步骤S3提取到的各特征参数数据输入到所述DT-TWSVM分类器中，得到识别结果。2.根据权利要求1所述的基于决策树TWSVM的高速光信号调制格式识别方法，其特征在于，所述步骤S2中基于压缩感知理论方法进行低速率采样。3.根据权利要求2所述的基于决策树TWSVM的高速光信号调制格式识别方法，其特征在于，所述基于压缩感知理论方法进行低速率采样的步骤包括：S21.选择最佳稀疏基来实现光信号的稀疏表示；S22.构造满足约束等距特性的测量矩阵，将采样的信号从高维空间映射到低维度空间，以实现对信号的线性测量；S23.选择重构算法将原信号在所述测量矩阵下的投影进行重构恢复，重构得到待识别信号。4.根据权利要求1所述的基于决策树TWSVM的高速光信号调制格式识别方法，其特征在于，所述步骤S3中提取得到各特征参数数据时，通过使用压缩感知理论方法，计算在指定压缩率下各特征参数数据的值，重构得到各特征参数的压缩采样值。5.根据权利要求1～4中任意...

【专利技术属性】
技术研发人员：苏绍璟，孙晓永，郭晓俊，左震，周靖，黄芝平，孙备，陈洋溢，谭晓朋，吴鹏，吕云霄，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：湖南,43