基于机器学习的智能自适应均衡器及均衡解调方法技术

本发明专利技术公开了一种基于机器学习的智能自适应均衡器及均衡解调方法，对于获取的信号先进行数据预处理，将输入的数据进行能量归一化，然后在没有任何其他先验知识下利用高斯核函数和距离函数对数据中的簇群进行聚类，将聚类好的数据用最近邻算法对簇群贴标签，实现调制信号的有用信息化。簇群外面的噪声离散点没有聚类，对这些没有聚类标签的簇晕，利用加权K最近邻算法进行标记。最后，将数据全部整合获得整体标签，与预存的标签进行比较来估计系统误码率。本发明专利技术的方法可以在没有任何其他先验知识的情况下识别真正的聚类中心，而不管其形状和大小；本发明专利技术降低了计算复杂度，显著地提高分类结果准确性，能适应目前通信系统中绝大部分的调制格式。

【技术实现步骤摘要】
基于机器学习的智能自适应均衡器及均衡解调方法
本专利技术涉及智能相干光纤通信方法，具体涉及一种智能自适应算法用于相干光通信系统。
技术介绍
随着大数据、云服务、智能手机和网络视频等各种带宽密集型应用的增加，网络流量增长迅速。认知光网络（CON）可以通过自学习和认知决策提供自动配置，自我优化和自治网络操作，还能够协调发射机和接收机，实现调制格式、线路速率和频谱分配等的实时动态调整，具有更好的可扩展性和互操作性。通过对收发器进行协调管理，可以实现网络节点的智能信道管理和带宽分配等链路功能，从而提高服务质量和传输质量。因此，为了为大象流数据提供灵活和价格合理的按需网络服务，开发认知光网络意义重大。在认知异构光网络中，物理层具有各种不同的架构和硬件，并且包括具有多种调制格式和符号率的各种类型的光信号。相干光接收机中的相位恢复高度依赖于接收的信号调制格式，如何构建一种不受调制影响的光学接收器来自动检测所有类型的光学信号是具有挑战性的。为了实现智能光网络管理，可以考虑通过数字信号处理（DSP）算法来识别调制格式信息并补偿光纤传输中的信道失真，为此，需要安装不同的DSP算法，用于各种调制格式的光信本文档来自技高网...

【技术保护点】
1.一种基于机器学习的智能自适应均衡解调方法，包括以下步骤：(1) 从光接收装置获取待处理的信号数据，对数据进行预处理，基于平均能量归一化载波相位恢复信号，表示为

【技术特征摘要】
1.一种基于机器学习的智能自适应均衡解调方法，包括以下步骤：(1)从光接收装置获取待处理的信号数据，对数据进行预处理，基于平均能量归一化载波相位恢复信号，表示为其中，xi是数据点，k是数据点的数目，pi是一级数据点的平均能量归一化后的数据点，构成数据集P；(2)在数据集P中计算欧几里德距离dij，其中，i和j是数据集中的第i个数据点和第j个数据点，dij=dji，i<j，按升序排列计算距离dij，选取2%处的点的值作为截断距离dc；(3)获取聚类中心：假设N个类别的数据集由n个数据组成，用表示，其标签IS={1,2,…,N}，对于数据集S中的每个数据点Xi，分别计算密度ρi和距离δi，以高斯核函数作为点i的密度ρi，写为，其中dij表示数据点i与数据点j之间的距离，dc是截断距离；以qi代表ρi经降序排列后的数据，距离δi定义为：根据以上定义计算数据点的距离参数和密度参数来确定聚类中心，M-QAM信号的聚类中心数量为M，先得到密度ρi和距离δi的乘积γi将γi以降序排列，其中前M个点选作聚类中心；(4)贴数据标签：计算聚类中心与常规QAM决策点之间的距离，并利用K均值算法的最近距离原则来标记聚类中心，将聚类中心的标签用作相应聚类数据的标签；(5)对簇晕贴标签：基于加权投票KNN算法标记簇晕，将步骤(4)中已标记的簇群作为加权KNN的训练集，T={(x1,y1),(x2,y2),…,(xN,yN)},其中包含已知标签yi∈{C1,C2,C3,…,Cm}的N个训练数据xi(i=1,2,…,N)，m是类别数；没有标签的簇晕作为加权KNN的测试集，通过计算欧式距离在训练集T中找到最接近数据点x的K个点，在x范围中，这些K个点被写为Nk(x)，根据Nk(x)，得到公式中K个最近训练数据的标签，据此获得决策标签y，其中ωi=1/D(x,xi),i=1,2,…,N和j=1,2,…,m.，I是指标函数，当yi=Cj时，I是1，否则I是0，D(x,xi)是点x到点xi的欧式距离，由此实现对信号数据的均衡解调。2.根据权利要求1所述的基于机器学习的智能自适应均衡解调方法，其特征在于：通过将包括群集核心和群集...

【专利技术属性】
技术研发人员：高明义，张俊峰，陈伟，沈纲祥，
申请(专利权)人：苏州大学，
类型：发明
国别省市：江苏,32