System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于光纤通信领域,涉及一种基于能量均衡和深度强化学习的16qam星座混合整形方法。
技术介绍
1、光纤通信技术有着大容量、远距离、低时延等特点,是21世纪信息传输的重要手段。为了适用持续增长的的流量需求,光通信系统要求不断增加吞吐量。在带宽受限的情况下,提高频谱效率是提高光纤通信系统的重要技术。为了提高频谱效率,应该使用优化的信号调制技术。
2、近年来,概率整形(ps)和几何整形(gs)技术在光纤通信系统中的应用表现出优异的性能,特别是在提高传输容量和降低误码率方面。然而,尽管这些技术各自具有优势,但它们在实际应用中仍存在局限性。具体而言,概率整形虽然可以有效提高通信系统的信噪比,但其在处理非线性效应时的能力有限;而几何整形虽然能够减少星座图中的非线性干扰,但对于整体系统容量的提升作用并不显著。
技术实现思路
1、有鉴于此,本专利技术的目的在于提供一种联合概率整形、几何整形的全整形16qam光纤通信方法,在不增加系统复杂性和传输功率的前提下,实现更高的频谱效率和传输容量,同时有效降低误码率,此外,本专利技术还提供基于能量均衡思想的多分布成分匹配器,以进一步优化星座图的形状和能量分布,从而提高光通信系统的灵活性和可靠性。
2、为达到上述目的,本专利技术提供如下技术方案:
3、一种基于能量均衡和深度强化学习的16qam星座混合整形方法,包括以下步骤:
4、s1:发送端加载发送数据,利用基于遗传算法优选的能量均衡序列方案优选的序列
5、s2:使用ccdm生成不同成分的概率整形输出序列;
6、s3:使用交织编码器与ccsds标准的ldpc码对数据源进行交织编码,得到ps-16qam星座图;
7、s4:利用基于自编码器神经网络aenn的深度强化学习几何整形方案对ps-16qam星座图进行几何整形,得到最佳的星座图坐标;
8、s5:对经过几何整形优化后的星座图进行映射,生成光波调制信号hpgs-16qam信号;
9、s6:将hpgs-16qam信号通过光纤信道发送给接收端;
10、s7:接收端接收hpgs-16qam信号,并采用与步骤s1-s5互逆的过程解码得到原始数据。
11、进一步,步骤s1所述基于遗传算法优选的能量均衡序列方案,具体包括:
12、在同一数据帧中,使用能量近似的多个块实现分布匹配,将多个块的平均能量与目标能量的差别控制在一定范围;能量近似块依赖于输入比特数据具有伯努利分布的特点,采用输入比特数据对近似能量序列进行选择使用,使整个数据帧达到近似能量互补的状态;每个能量近似的块成分对应一个ccdm;
13、有限块长度nc中的每种成分的数量通过目标分布的量化来实现,这是一个近似过程:
14、
15、通过将舍入到最接近的整数实现组成成分的最优量化。,实际上实现目标分布的总能量为与e近似能量e′;在同一数据帧中,使用能量近似的多个块实现分布匹配,多个块的平均能量与e的差别小于e-e′,即:
16、
17、运用遗传算法来确定哪些成分序列和发射能量组合能够最大化通信性能,首先,通过编码将实际问题抽象成算法可处理的染色体形式,在多成分序列调制的场景下,发射能量和成分序列表示为数字组,进而转化为二进制字符串;然后进行种群初始化,生成n个随机染色体,每个染色体代表一种可能的发射能量和成分序列组合;接着选择策略的实施,设计适应度函数,考虑使得具有低误比特率(bit error rate,ber)和高几何平均互信息(geometric mean of mutual information,gmi)的染色体拥有更高的适应度值;应用交叉和变异策略,在染色体上随机选择两个点作为交叉点,子代继承父代在这两点之间的基因,使新染色体集成其父代的特性,产生更优的解;通过变异引入新的遗传信息,增加种群的多样性;通过位翻转策略,随机选定染色体的某一位进行翻转;最后通过解码将优化后的染色体转换回具体的发射能量和成分序列组合。
18、进一步,步骤s2所述使用ccdm生成不同成分的概率整形输出序列,具体包括:
19、采用概率成形信号分布匹配器,将独立的伯努利分布输入比特信息转换成期望分布的恒定成分输出;
20、假设恒定成分输出符号序列的分布为输出块长度为n,单个输出序列表示为所有恒定成分输出序列的组合c的排列数表示为:
21、
22、所有输出序列表示的输入比特数为log2 m(c);log2 mc(c)做取整操作,最大的输入比特数k表示为:
23、
24、其中,为向下取整运算,有限块长度下的速率损失定义为:
25、
26、编码时,依赖于输入比特数据具有伯努利分布的特点,采用输入比特数据对近似能量序列进行选择使用,使整个数据帧达到近似能量互补的状态;每个能量近似的块成分对应一个ccdm;创建2l个ccdms,每个需要匹配的块前预留l个比特用于ccdms概率表的索引并选择对应的ccdm进行编码;
27、解码时,统计各个块中的幅值的频率,并与存储于解码器中的ccdms的概率表进行比较,识别出特定的ccdm并解码出l个比特,再使用该ccdm解码剩下的部分。
28、进一步,步骤s4中考虑高斯噪声(gn)模型和非线性干扰噪声(nlin)模型两种信道模型,其中离散的nlin模型描述如下:
29、y=c(x,p3,κ,κ3)
30、=x+nase+nnlin
31、
32、
33、其中y代表接收的码字,x代表发送的码字,c(·)代表信道模型,nase代表具有方差的高斯噪声样本,nnlin代表具有方差的高斯噪声样本;
34、nlin模型将光纤系统的有效信噪比描述如下:nlin模型对光纤系统的有效信噪比如下所示:
35、
36、假设所有的通道具有相同的光学发射功率ptx,代表光发射功率,并且从同一星座中汲取能量;其中,ptx代表光发射功率,代表累积放大自发辐射(ase)噪声的方差,代表nlin的方差;μ4代表星座的四阶矩,假设所有通道都具有相同的光学发射功率,并从相同的星座中汲取能量μ6代表星座的六阶矩。
37、进一步,步骤s4中所述基于自编码器神经网络aenn的深度强化学习几何整形方案,具体包括:aenn网络由状态输入层、若干隐藏层、aenn模块和输出层组成,输出层产生适当的动作;
38、状态输入层包括接收与当前通信状态相关的输入;隐藏层包含多个神经元,通过非线性转换提取关键特征;aenn模块作为几何整形的特征提取模块,深入挖掘成分序列的细节和模式;输出层能够根据当前状态和学到的策略,推荐一个动作;aenn模型通过以下各式定义:
39、
40、
...【技术保护点】
1.一种基于能量均衡和深度强化学习的16QAM星座混合整形方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的基于能量均衡和深度强化学习的16QAM星座混合整形方法,其特征在于:步骤S1所述基于遗传算法优选的能量均衡序列方案,具体包括:
3.根据权利要求1所述的基于能量均衡和深度强化学习的16QAM星座混合整形方法,其特征在于:步骤S2所述使用CCDM生成不同成分的概率整形输出序列,具体包括:
4.根据权利要求1所述的基于能量均衡和深度强化学习的16QAM星座混合整形方法,其特征在于:步骤S4中考虑高斯噪声GN模型和非线性干扰噪声NLIN模型两种信道模型,其中离散的NLIN模型描述如下:
5.根据权利要求1所述的基于能量均衡和深度强化学习的16QAM星座混合整形方法,其特征在于:步骤S4中所述基于自编码器神经网络AENN的深度强化学习几何整形方案,具体包括:AENN网络由状态输入层、若干隐藏层、AENN模块和输出层组成,输出层产生适当的动作;
6.根据权利要求1所述的基于能量均衡和深度强化学习的16QAM星座混合整
7.根据权利要求1所述的基于能量均衡和深度强化学习的16QAM星座混合整形方法,其特征在于:在信号质量不好或者噪声较大的时候,采用RS或CCSDS标准的LDPC纠错码,以保障无误码传输。
...【技术特征摘要】
1.一种基于能量均衡和深度强化学习的16qam星座混合整形方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的基于能量均衡和深度强化学习的16qam星座混合整形方法,其特征在于:步骤s1所述基于遗传算法优选的能量均衡序列方案,具体包括:
3.根据权利要求1所述的基于能量均衡和深度强化学习的16qam星座混合整形方法,其特征在于:步骤s2所述使用ccdm生成不同成分的概率整形输出序列,具体包括:
4.根据权利要求1所述的基于能量均衡和深度强化学习的16qam星座混合整形方法,其特征在于:步骤s4中考虑高斯噪声gn模型和非线性干扰噪声nlin模型两种信道模型,其中离散的nlin模...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。