一种针对高阶QAM相干光系统的非线性均衡方法技术方案

一种针对高阶QAM相干光系统的非线性均衡方法，接收端数据经相位噪声补偿后，先用FCM算法实现有效剪裁训练数据，同时对测试数据进行分类判决，从而大大缩小了后续KNN算法的测试和训练集。该方法基于传输速率112Gb/s，传输距离为160km的相干光16QAM系统进行了非线性均衡仿真验证。仿真结果表明，本发明专利技术可取得与传统KNN算法同样的系统非线性损伤补偿效果，但其算法复杂度远低于传统KNN算法，算法运行时间远小于KNN。本发明专利技术能极大促进相干光QAM系统在中长距离光纤传输中的应用。

A Nonlinear Equalization Method for Higher Order QAM Coherent Optical Systems

【技术实现步骤摘要】
一种针对高阶QAM相干光系统的非线性均衡方法
本专利技术属于光通信网络
，特别涉及一种相干光正交幅度调制(QAM)的通信系统非线性均衡方法。
技术介绍
多相移键控和高阶QAM调制等高阶调制格式具有高频谱效率，已被广泛应用提高光纤网络传输容量。这些高阶调制信号在光纤传输系统中更易受到各种噪声的影响，为获得理想误码率性能一般需要更高的光信噪比。进而为提高光信噪比需要发射端高能量信号，但是发射端高能量信号进入光纤后，不可避免的受到光纤非线性的影响。因此在长距离相干光通信系统中，光纤非线性是限制系统性能的主要因素之一。此外在相干光通信系统中，噪声源主要来自在线放大器的放大自发辐射噪声(amplifiedspontaneousemission,ASE)和发射端和相干接收端本地激光器形成的激光相位噪声。更严重的是，由信号和光纤的非线性相互作用产生的非线性相位噪声(nonlinearphasenoise,NLPN)成为影响系统性能的非线性劣化主要因素。随着相干接收端数字信号处理技术的发展，大量数字信号处理方法被用来补偿非线性相位噪声等光纤非线性引起的系统损伤。其中包括DBP(DigitalBack-Propagation)，IVSTF(InverseVolterraSeriesTransferFunction)，人工神经网络(Artificialneuralnetworks,ANN)，支持向量机，K-means和模糊c均值(Fuzzyc-means，FCM)聚类方法，K最近邻方法(KNN,k-nearestneighbors)。DBP基于分步傅里叶法用数字域后向传播方法求解光纤链路的逆非线性薛定谔方程，同时从接收信号计算发射信号。尽管DBP方法取得了非常好的光纤非线性效果，但是其较多的迭代导致实际应用中计算复杂度太大。IVSTF需要得到先验的光纤信道信息，获知该信息也十分困难。作为机器学习均衡技术，SVMs显示了独特的非线性均衡效果，但是SVM的训练复杂性高度依赖于数据集的大小，因此基于牛顿法的SVM被提出去减小分类复杂度。ANN与SVM有类似的非线性均衡效果，但是其学习时间过程且经常达不到学习的目的。K-means和FCM都是无监督聚类方法，不用信道估计和发射端先验信息，能够很好的从不对称星座图恢复数据符号。但传统K-means方法因初始质心选择不当会引起较大的方法复杂度。在文献1的相干光正交频分复用系统中，对2PSK和QPSK调制，FCM方法的非线性均衡效果超过了K-means，快速牛顿SVM，无监督神经网络以及IVSTF等方法(文献1，GiacoumidisE.,AmirMatin,JinlongWei,etal.Blindnonlinearityequalizationbymachinelearningbasedclusteringforsingle-andmulti-channelcoherentopticalOFDM[J].IEEEJ.ofLightw.Techn.2018,36,721–727.即GiacoumidisE.,AmirMatin,JinlongWei等.单通道及多通道相干光OFDM系统基于机器学习聚类的盲非线性均衡[J].光波技术学报,2018,36,721–727.)。然而，对于CO-OFDM16QAM调制长距传输，FCM方法非线性均衡效果却低于IVSTF方法。对商用相干光16QAM色散管理和未管理系统，KNN已经被用来克服非线性损伤。不像K-means方法，KNN是用于分类和回归的监督学习方法。文献(文献2，DanshiWang,MinZhang,MeixiaFu,etal.Nonlinearitymitigationusingamachinelearningdetectorbasedonk-NearestNeighbors[J].IEEEPhotonicsTechnologyLetters,2016,28(19):2102-2105.即DanshiWang,MinZhang,MeixiaFu,等.使用基于k最近邻的机器学习检测器的非线性抑制[J].光子技术快报,2016,28(19):2102-2105.)所提出的距离权重KNN(DW-KNN)方法非线性均衡效果超过了传统的最大似然补偿优化方法(ML-PC)。该方法能处理非高斯分布的损伤，如系统中非线性相位噪声造成的影响等，而ML-PC在处理此类问题时经常产生不理想的结果。但是KNN需要计算所有训练集点和测试集点之间的距离，随训练集和测试集样本的增大方法计算复杂度剧增，给实际应用带来亟待解决的问题。另外在非线性均衡方法之前需要对接收端数据进行其他数字信号处理。包括色散补偿和符号和载频同步以及相位恢复等。此处的相位噪声恢复方法采用一种低复杂度的盲相位恢复方法实现，详见文献3(文献3，ZhangPing,HongliangRen,MingyiGao,JinLu,ZichunLe,YaliQin,WeishengHu,Low-complexityblindcarrierphaserecoveryforC-mQAMcoherentsystems[J],IEEEPhotonicsJournal,2019,11(1):7200214.即ZhangPing,HongliangRen,MingyiGao,JinLu,ZichunLe,YaliQin,WeishengHu,C-mQAM相干系统的低复杂度盲载波相位恢复,IEEE光子杂志,2019,11(1):7200214.)。综上所述，如何在利用KNN方法取得较好非线性均衡效果的同时，有效减小传统KNN算法的复杂度，使其在相干光QAM系统中实用化成为亟待解决的关键问题。
技术实现思路
为了克服传统KNN方法在相干光16QAM系统中计算复杂度过高的不足，本专利技术提出一种FCM和KNN相结合的方法，用于相干光16QAM系统的非线性均衡，该方法通过用FCM方法有效减少KNN方法的训练集大小，同时采用传统判决与KNN方法相结合方法有效减少KNN方法的测试集大小，从而在保持KNN方法较好非线性均衡效果的同时，极大降低了KNN方法的计算复杂度。为了解决上述技术问题，本专利技术提供如下的技术方案：一种针对高阶QAM相干光系统的非线性均衡方法，包括以下步骤：(1)首先按下式计算星座图上各类簇的质心c'j，其中训练数据集T＝{(x1,y1),(x2,y2),…,(xN,yN)}，xi与yi分别表示训练数据集点的特征向量及其类别，i＝1,2,…,N，j＝1,2,…,K，其中N为数据点总数，K为类别总数，Sj为属于第j类的数据点集合，card(·)表示集合中元素个数；(2)然后按下式计算训练集点的初始隶属度μij，表示数据点xi对于第j个聚类中心的隶属度，其中，c'k为第k个质心。(3)用初始隶属度μij计算初始聚类中心cj：(4)按下式更新隶属度μij；其中，ck为第k个聚类中心。(5)一旦获得更新后的隶属度μij后，计算如下目标函数，其中，m为模糊指数，FCM方法的训练过程即为该目标函数最小化的过程；(6)设定目标函数Jm阈值为q，如果当前目标函数值大于q，重复步骤(3)至(5)，直到目标函数值小于设定阈值q；本文档来自技高网...

【技术保护点】
1.一种针对高阶QAM相干光系统的非线性均衡方法，其特征在于，所述方法包括以下步骤：(1)首先按下式计算星座图上各类簇的质心c′j，

【技术特征摘要】
1.一种针对高阶QAM相干光系统的非线性均衡方法，其特征在于，所述方法包括以下步骤：(1)首先按下式计算星座图上各类簇的质心c′j，其中，训练数据集T＝{(x1,y1),(x2,y2),…,(xN,yN)}，xi与yi分别表示训练数据点的特征向量及其类别，i＝1,2,…,N，j＝1,2,…,K，其中N为数据点总数，K为类别总数，Sj为属于第j类的数据点集合，card(·)表示集合中元素个数；(2)然后按下式计算训练集点的初始隶属度μij，表示数据点xi对于第j个聚类中心的隶属度，其中，c'k为第k个质心。(3)用初始隶属度μij计算初始聚类中心cj：(4)按下式更新隶属度μij；其中，ck为第k个聚类中心。(5)一旦获得更新后的隶属度μij后，计算如下目标函数，其中，m为模糊指数，FCM算法的训练过程即为该目标函数最小化的过程；(6)设定目标函数Jm阈值为q，如果当前目标函数值大于q，重复步骤(3)至(5)，直到目标函数值小于设定阈值q；(7)测试点分...

【专利技术属性】
技术研发人员：毛怡帆，周宇涵，任宏亮，卢瑾，覃亚丽，乐孜纯，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江,33