[发明专利]一种基于幅度分布特征的概率整形信号整形分布识别方法

说明书

本发明公开了一种基于幅度分布特征的概率整形信号整形分布识别方法，涉及通信技术领域，包括：提取信号的幅度均值和幅度方差特征及不同幅度区域内样本点分布特征，然后将提取的幅度特征输入到全连接的深度神经网络(DNN)，从而利用DNN提取幅度特征对应发送信号的整形分布信息。本发明只需对接收信号进行简单的预处理，无需对信息进行载波相位恢复和时钟恢复处理，也无需预知信号的信噪比等信息；并且在较高的信号熵粒度的概率整形正交幅度调制系统中，也能实现较高的识别准确度。

技术领域

本发明涉及通信技术领域，更具体的，涉及一种基于幅度分布特征的概率 整形信号整形分布识别方法。

背景技术

随着云计算、物联网和第五代(5G)移动通信等等为代表的新业务和新技 术的迅猛发展，每年全球数据流量呈现指数爆发的态势，这对作为整个通信系 统基础的光传输网提出了更高的性能要求。如今已经广泛研究了概率整形正交 幅度调制(PS-MQAM)系统，它能提高光纤通信系统的性能和灵活性。通过为星 座符号分配不同的概率，PS-MQAM允许根据链路条件动态调整信息速率，并能缩 小到香农极限差距。为了能够在接收端正确恢复概率整形信号，在概率整形体 统中一些关键的数字信号处理(DSP)算法需要将整形分布信息作为先验信息。 例如，逆分布匹配器和前向纠错(FEC)解码器。此外，一些研究表明，PS-MQAM 信号的频偏估计、载波相位恢复和极化解复用算法的性能可以根据整形分布信 息进行优化。因此，自动的整形分布识别技术可能在PS-MQAM信号接收器的数 字处理模块中发挥非常关键的作用。

为了能够识别概率整形系统中的整形分布参数，有研究人员使用人工神经 (ANN)网络寻找非线性系数与整形分布的关系，从而实现整形分布的识别。此 外，有研究者利用卷积神经网络提取2D斯托克斯映射图形特征，能够完成熵粒 度较大的整形分布的识别。同时也有研究者提出了一种基于半径的期望最大化 算法整形分布识别，能够识别相位旋转的整形信号，但该方法需要信噪比(SNR) 作为先验信息。上述所有这些方法都成功地进行了整形分布的识别，并取得了 良好的性能。然而，这些方法所能识别的熵粒度有限，具有更窄熵粒度分布识 别方法研究也很有必要。

发明内容

为了能够实现更加精准的识别准确度，同时提高识别的整形分布粒度，本 发明为偏振复用概率整形正交幅度调制(PMD-PS-MQAM)系统提供了一种基于幅 度分布特征的概率整形信号整形分布识别方法，具体的技术方案如下：

一种基于幅度分布特征的概率整形信号整形分布识别方法包括：

步骤S1，获取接收端光信号的数字符号序列，经过预处理后得到数字符号 序列Y；所述预测处理包含色散补偿、时钟恢复和偏振解复用；预处理的后的数 字符号序列表示为y(n)＝{y₁,y₂,...,y_i,...,y_N}，其中y_i为预处理后的复数信号采 样点，N为接收光信号序列总的采样点数；

步骤S2，通过归一化函数对预处理后的光信号序列y(n)进行归一化，使其 幅度范围归一化到[0,1]，所述归一化公式为：

其中，y′(n)表示经过归一化后的光信号，||表示取模操作，max表示取最大 值操作；

步骤S3，获取归一化后整体信号的幅度均值和幅度方差，所述幅度均值和 幅度方差的计算方法，具体为：

其中，i表示采样信号序号，N表示采样点总数。

步骤S4，通过统计归一化光信号复数符号在不同幅度范围内数目获取整形 信号的幅度分布特征；

步骤S5，将获取到的幅度特征输入到全连接的DNN模型获取信号的整形分 布信息。