一种基于机器学习的概率整形识别系统、方法及接收端技术方案

一种基于机器学习的概率整形识别方法、系统及接收端，涉及通信应用领域，系统包括：星座图生成单元，其用于将接收到的概率整形信号，归一化后生成星座图像；SNR识别网络，其用于根据输入的所述星座图像，回归得到SNR并输出；调制阶数识别网络，其用于根据输入的所述星座图像和所述SNR，通过机器学习识别出所述信号的调制格式和阶数；概率整形识别网络，其用于根据输入的所述星座图像和所述SNR，通过回归分析出所述信号的整形概率。本发明专利技术能同时获得调制格式和整形概率两种关键参数，有助于获得码字进行正确的解码。

【技术实现步骤摘要】
一种基于机器学习的概率整形识别系统、方法及接收端
本专利技术涉及通信应用领域，具体来讲涉及一种基于机器学习的概率整形识别系统、方法及接收端。
技术介绍
为进一步提高光通信系统速率，近年来研究者提出概率整形技术进行符号编解码。概率整形编码中，通过码字映射关系将均匀分布的原始比特数据流映射到不同概率分布的符号，改变了信号的星座点概率分布而不改变星座点位置形状，通过增大误码性能好的星座点概率，减小误码性能差的星座点概率，提升了总体误码性能。此外，概率整形处理后信号的平均功率得到降低，有助于降低光通信系统中的非线性效应。概率整形编码后的信号更匹配实际信道特性，由此带来的整形增益使系统容量更接近香农极限，更重要的是可以在不改变调制格式的情况下调节净信息速率，在信道变化条件下保持稳定的误码性能。接收端识别信号的调制格式对于频谱管理、干扰识别、窃听等应用都非常重要，而在使用了概率整形的光纤信道条件下，调制格式识别更为困难。概率整形识别需要识别高阶调制的阶数以及所使用的概率分布，才能正确的进行符号解码。传统的调制格式分类方法可归为两大类：一种是基于最大似然(MaximumLikelihood，ML)算法，一类是基于特征分类方法。最大似然算法比较接收信号和已知调制格式信号的相似度来判决调制格式；而特征分类方法通过从信号观察值中提取出信号特征进行判决。已有的特征分类方法中，诸如支持向量机(SupportVectorMachine，SVM)、累积量(Cumulants)、人工神经网络(ArtificialNeuralNetwork，ANN)等多种方法都能获得较高的识别正确率，但目前已有研究中缺少识别概率整形编码信号的调制格式的方法，概率整形后的调制格式识别成为通信中的一个重要研究问题。
技术实现思路
针对现有技术中存在的缺陷，本专利技术的目的在于提供一种基于机器学习的概率整形识别系统、方法及接收端，能同时获得调制格式和整形概率两种关键参数，有助于获得码字进行正确的解码。为达到以上目的，一方面，采取一种基于机器学习的概率整形识别系统，包括：星座图生成单元，其用于将接收到的概率整形信号，归一化后生成星座图像；SNR识别网络，其用于根据输入的所述星座图像，回归得到SNR并输出；调制阶数识别网络，其用于根据输入的所述星座图像和所述SNR，通过机器学习识别出所述信号的调制格式和阶数；概率整形识别网络，其用于根据输入的所述星座图像和所述SNR，通过回归分析出所述信号的整形概率。另一方面，采取一种接收端，连续接收来自发送端的信号，所述信号经处理得到概率整形后的调制符号，再经过上述的概率整形识别系统，识别出所述信号的调制格式和阶数，以及所述信号的整形概率，再进行解码。另一方面，还采取一种基于机器学习的概率整形识别方法，包括步骤：接收概率整形信号，归一化后生成星座图像，分别输入预配置的SNR识别网络、调制阶数识别网络和概率整形识别网络；所述SNR识别网络基于所述星座图像回归得到所述信号的SNR，分别作为调制阶数识别网络和概率整形识别网络的输入；所述调制阶数识别网络根据所述星座图像和SNR，通过机器学习识别出所述信号的调制格式和阶数；所述概率整形识别网络根据所述星座图像和SNR，通过回归分析出所述信号的整形概率。优选的，所述接收概率整形信号之前，还包括：采用已知的星座图像和对应的SNR作为训练样本，在SNR识别网络中进行机器学习，直至SNR识别网络达到稳定。优选的，所述接收概率整形信号之前，还包括：采用已知参数的星座图像和SNR，以及对应的调制格式和调制阶数作为训练样本，在调制阶数识别网络中进行机器学习，直至调制阶数识别网络达到稳定。优选的，所述接收概率整形信号之前，还包括：采用已知参数的星座图像和SNR，以及对应的整形概率作为训练样本，在概率整形识别网络中进行机器学习，直至概率整形识别网络达到稳定。优选的，所述接收信号是接收端连续接收和处理的概率整形后的调制符号，且所述调制符号未进行概率整形解码。优选的，所述归一化后生成星座图像包括步骤：对调制符号的幅值进行归一化，将归一化后的符号按坐标划分到不同的像素区域，对每个像素区域内的符号数量进行统计，各像素区域内的累计值再除以所有各区域中符号数量的最大值，再乘以256，得到一幅M×M个像素的灰度图像。优选的，每N个所述调制符号生成一幅所述星座图像，针对不同的调制格式，N的取值支持调制阶数识别网络达到的最高识别率。优选的，所述SNR识别网络、调制阶数识别网络和概率整形识别网络均为深度学习网络。上述技术方案中具有如下有益效果：根据深度学习网络建立信噪比(SignaltoNoiseRatio，SNR)识别网络、调制阶数识别网络和概率整形识别网络，通过接收的概率整形信号归一化生成星座图像，由于星座图像包含了接收信号的星座点分布信息，结合SNR识别网络输出的SNR，通过机器学习可以区分不同阶数的高阶调制格式，根据信号幅度的分布可以回归分析出信号采用的整形概率，再根据调制格式和整形概率两种关键参数，可以协助解码过程，为解码提供重要辅助。附图说明图1为本专利技术实施例基于机器学习的概率整形识别系统示意图；附图标记：1-星座图生成单元，2-SNR识别网络，3-调制阶数识别网络，4-概率整形识别网络。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。此外，下面所描述的本专利技术各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。本专利技术提供一种基于机器学习的概率整形识别方法的实施例，具体包括如下步骤：S1、接收概率整形信号，归一化后生成星座图像，分别输入预配置的SNR识别网络、调制阶数识别网络和概率整形识别网络。S2、SNR识别网络基于星座图像回归得到信号的SNR，分别作为调制阶数识别网络和概率整形识别网络的输入。S3、调制阶数识别网络根据星座图像和SNR，通过机器学习识别出所述信号的调制格式和阶数。概率整形识别网络根据所述星座图像和SNR，通过回归分析出所述信号的整形概率。优选的，SNR识别网络、调制阶数识别网络和概率整形识别网络均为深度学习网络，例如人工神经网络等。具体的，在进行步骤S1之前，还需要预先配置SNR识别网络、调制阶数识别网络和概率整形识别网络，包括：采用大量已知的星座图像和对应的SNR作为训练样本，在SNR识别网络进行机器学习，直至SNR识别网络达到稳定后，用于准确输出接收信号的SNR。采用大量已知参数的星座图像和SNR，以及对应的调制格式和调制阶数作为训练样本，在调制阶数识别网络中进行机器学习，通过模型参数的不断调节优化，直至调制阶数识别网络达到稳定，即根据输入的星座图像和本文档来自技高网...

【技术保护点】
1.一种基于机器学习的概率整形识别系统，其特征在于，包括：/n星座图生成单元，其用于将接收到的概率整形信号，归一化后生成星座图像；/nSNR识别网络，其用于根据输入的所述星座图像，回归得到SNR并输出；/n调制阶数识别网络，其用于根据输入的所述星座图像和所述SNR，通过机器学习识别出所述信号的调制格式和阶数；/n概率整形识别网络，其用于根据输入的所述星座图像和所述SNR，通过回归分析出所述信号的整形概率。/n

【技术特征摘要】
1.一种基于机器学习的概率整形识别系统，其特征在于，包括：
星座图生成单元，其用于将接收到的概率整形信号，归一化后生成星座图像；
SNR识别网络，其用于根据输入的所述星座图像，回归得到SNR并输出；
调制阶数识别网络，其用于根据输入的所述星座图像和所述SNR，通过机器学习识别出所述信号的调制格式和阶数；
概率整形识别网络，其用于根据输入的所述星座图像和所述SNR，通过回归分析出所述信号的整形概率。


2.一种接收端，连续接收来自发送端的信号，其特征在于，所述信号经处理得到概率整形后的调制符号，再经过如权利要求1所述的概率整形识别系统，识别出所述信号的调制格式和阶数，以及所述信号的整形概率，再进行解码。


3.一种基于机器学习的概率整形识别方法，其特征在于，包括步骤：
接收概率整形信号，归一化后生成星座图像，分别输入预配置的SNR识别网络、调制阶数识别网络和概率整形识别网络；
所述SNR识别网络基于所述星座图像回归得到所述信号的SNR，分别作为调制阶数识别网络和概率整形识别网络的输入；
所述调制阶数识别网络根据所述星座图像和SNR，通过机器学习识别出所述信号的调制格式和阶数；
所述概率整形识别网络根据所述星座图像和SNR，通过回归分析出所述信号的整形概率。


4.如权利要求3所述的基于机器学习的概率整形识别方法，其特征在于，所述接收概率整形信号之前，还包括：
采用已知的星座图像和对应的SNR作为训练样本，在SNR识别网络中进行机器学习，直至SNR识别网络达到稳定。

【专利技术属性】
技术研发人员：刘武，罗鸣，贺志学，
申请(专利权)人：武汉邮电科学研究院有限公司，
类型：发明
国别省市：湖北;42