[发明专利]一种基于SOFM神经网络聚类的DRoF前端信号量化方法

说明书

一种基于SOFM神经网络聚类的DRoF前端信号量化方法，步骤如下：对射频载波已调的OFDM信号分别进行同向和正交分量的带通采样，将幅值离散的采样信号经过串并变换构建成一个多维的输入矢量集信号，截取部分输入矢量集信号作为训练序列，输入到SOFM神经网络中进行线下训练和线上测试，经神经网络输出的量化信号为最终码书中码字对应的索引编号，PAM‑4调制器将量化信号编码后经电光转换并在单模光纤中传输。基站接收信号解调后被映射成索引编号对应的码字，再进行并串变换恢复出已采样的OFDM信号，最后经过带通滤波器恢复射频信号。本发明在保证DRoF系统射频信号数字化性能大幅度提升的基础上，实现了传输的实时性，丰富了DRoF系统模拟信号数字化的方法。

技术领域

本发明涉及光纤通信、调制、射频光子学邻域，尤其是模拟信号数字化的调制技术。

背景技术

第五代移动通信(5G)的商业化浪潮即将来袭,大带宽、高速率是5G技术的一大亮点。利用毫米波作为射频载波的5G技术也存在信号在无线空间损耗大、传输距离短等问题。云无线接入网(C-RAN)是一种基于5G的集中化处理信号，通过减少基站机房数量，大规模安装价格低廉的简化基站，实现传输距离较短的毫米波信号的全方位覆盖的接入网架构。数字型光载无线(DRoF)系统可以视为C-RAN接入网架构的移动数字前传部分，基站机房为实施射频信号集中数字化处理的中心局，简化基站承载射频信号的恢复和发射等任务，中心局和基站之间利用传输数字信号的单模光纤连接。模拟信号的数字化技术作为DRoF前端的关键技术，一直是DRoF系统需要攻克的难题之一。

目前，在DRoF系统前端中有多种模拟信号数字化的实现方法，其中的主要区别在于信号的量化阶段。传统的信号量化以标量量化为主，PCM作为最原始的模拟信号数字化方法采用均匀或者压缩的标量量化实现过程较为简单。此外，矢量量化的方法也开始应用在DRoF系统，基于k-means聚类的传统矢量量化技术相比于标量量化，量化性能更显得优越。

需要指出的是，PCM量化需要的量化比特数过大，导致数字信号的频谱利用率过低；而基于k-means聚类的矢量量化技术过于依赖初始码本的选择，聚类算法不够灵活，可调整空间较小，而且码字搜索的时间过长，信号的实时传输性能不佳。本发明给出了一种基于SOFM神经网络聚类的DRoF前端信号量化方法。

发明内容

针对现有技术的不足，本发明的目的是提供一种基于自组织特征映射(SOFM)神经网络聚类的DRoF前端信号量化方法，旨在保证了矢量量化信号优异的量化性能的前提下，增加DRoF系统量化过程的灵活性和可调节性，并保证系统线上量化部分的实时性。

为实现上述目的，本发明采用如下技术方案：

一种基于SOFM神经网络聚类的DRoF前端信号量化方法包括以下步骤：

(1)将OFDM信号的同相分量和正交分量分别进行带通采样(100)，已采样的序列按照一定的规律构建成一个多维输入矢量集(200)；

(2)利用基于SOFM神经网络聚类的方法进行信号量化，包括创建SOFM神经网络并设置网络的参数、SOFM神经网络的线下训练生成量化所需要的最终码书、输入矢量集进行线上测试得到最终码书中基于码字索引的量化信号(300)；

(3)利用编码器将量化信号进行PAM-4编码，然后经过电光调制器调制成光信号(400)；

(4)调制的光信号输入到单模光纤中进行光路传输(500)，完成光路传输的光信号被光电探测器接收，然后经过PAM-4译码后恢复出基于码字索引的量化信号(600)；

(5)将恢复的基于码字索引的量化信号按照步骤(2)生成的码书映射为码书中的码字量化信号(700)；

(6)码字量化信号矢量集按照步骤(2)的矢量信号构建规律反变换恢复出OFDM同向和正交的两路采样信号(800)；