CN110020695A - 用于滤波器组多载波调制光通信***的K-means非均匀量化算法 - Google Patents
用于滤波器组多载波调制光通信***的K-means非均匀量化算法 Download PDFInfo
- Publication number
- CN110020695A CN110020695A CN201910319988.0A CN201910319988A CN110020695A CN 110020695 A CN110020695 A CN 110020695A CN 201910319988 A CN201910319988 A CN 201910319988A CN 110020695 A CN110020695 A CN 110020695A
- Authority
- CN
- China
- Prior art keywords
- vector
- quantization
- filter bank
- communication system
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/25—Arrangements specific to fibre transmission
- H04B10/2589—Bidirectional transmission
- H04B10/25891—Transmission components
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Optical Communication System (AREA)
Abstract
本发明提出一种用于滤波器组多载波调制光通信***的K‑means非均匀量化算法,包括:步骤1:将滤波器组多载波调制发射机发送的数据序列输入到数据预处理模块,将生成的向量作为K均值量化模块的输入;步骤2:选取K个向量作为初始量化阶,计算各向量与量化阶向量之间的距离,根据距离将各个向量聚类到距离最小的量化阶向量的集合中,计算量化区间和每个量化区间的中心向量;步骤3:将步骤2产生的中心向量作为距离计算的初始量化阶,迭代步骤2直至收敛,得到K个量化区间和中心向量;步骤4:将步骤3中得到的量化区间和中心向量输出得到量化结果。本发明所述K‑means非均匀量化算法降低了***量化误差,提高了***误码率性能,节省了成本。
Description
技术领域
本发明涉及一种用于滤波器组多载波调制光通信***的K-means非均匀量化算法。
背景技术
近年来,随着机器学习、社交网络、云计算等新兴技术的出现,对流量吞吐量和带宽的需求也在快速增长对高光谱效率、低成本的光传输网络提出了更高的要求。基于多载波调制技术的强度调制直接检测技术由于其实现简单、复杂度低,在短距离光纤链路中备受青睐。然而,相比于传统的多载波调制技术如正交频分复用(OFDM),基于滤波器组的多载波调制信号包括基于滤波器组的多载波(FBMC),通用滤波器多载波(UFMC)等,在光纤、无线通信***中得到了广泛的应用。其优点是旁瓣抑制比高,异步传输特性好,不需要循环前缀,频谱效率高,提高了***对载波间干扰(ICI)的鲁棒性,降低了带外功率泄露功率等。在光传输***中,高比特分辨率的数字模拟转换器(DAC)是将数字信号转换成电子模拟信号的理想选择。而高分辨率均匀量化DAC的使用会导致非常高的功耗和***成本,因此需采用一种基于非均匀量化DAC的方法来提升低分辨率DAC的性能以降低***成本。
量化方法可以分为均匀量化和非均匀量化。非均匀量化方法中包括指数量化、次方量化、折线量化、基于信号分布估计量化等。基于信号分布估计的量化阶可以通过非参数估计方法来确定。在传统OFDM***中,例如Jizong Peng于2017年在IEEE PhotonicsJournal发表的《SQNR Improvement Enabled by Nonuniform DAC Output Levels forIM-DD OFDM Systems》,根据OFDM信号符合高斯分布的事实,使用Matlab确定量化噪声最小时的量化阶,提升了IMDD-OFDM***的传输性能。但在IMDD滤波器组多载波***中,波形经过滤波器处理后,波形分布并非完全呈高斯分布,无法使用基于高斯分布的假设,也就无法使用Jizong Peng所提出的量化阶优化算法,所以只能使用非参数估计的方法对信号分布进行估计才能确定量化阶。
2018年,本发明人在IEEE Photonics Journal发表的《PerformanceOptimization by Nonparametric Histogram Estimation for Low Resolution inIMDD-OQAM-OFDM System》采用非参数估计直方图法对IMDD-OQAM-OFDM波形进行信号估计确定量化阶。但非参数估计直方图法对样本数量需求较大,计算复杂度和存储复杂度都比较大,且只适用于低维数据,当维度升高,直方图所需的空间将随维度的增加呈指数级增加。所以量化阶优化确定算法仍存在改进空间。
发明内容
针对现有技术中的缺陷,本发明提供一种用于滤波器组多载波调制光通信***的K-means非均匀量化算法,以改进DAC的量化性能。
K均值(K-means)是一种基于统计学习理论的机器学习算法。K-means的优点是原理简单,实现容易,收敛速度快,聚类效果较优。同时,由于K-means是一种无监督的聚类分析算法,不需要前期的训练,通过对滤波器组多载波的发射信号数据进行聚类计算得到该波形的K个量化区间,就可以确定其量化阶。
基于此,本发明采用如下技术方案:
用于滤波器组多载波调制光通信***的K-means非均匀量化算法,包括如下步骤:
步骤1:将滤波器组多载波调制发射机发送的数据序列输入到数据预处理模块,将生成的特征向量作为K均值量化模块的输入;
步骤2:选取K个特征向量作为初始量化阶,计算各向量与量化阶向量之间的距离,根据距离将各个向量聚类到距离最近的量化阶向量的集合中,计算得到量化区间和每个量化区间的中心向量;
步骤3:将步骤2产生的中心向量作为距离计算的初始量化阶,迭代步骤2直至收敛,得到K个量化区间和中心向量;
步骤4:将步骤3中得到的量化区间和中心向量输出得到量化结果。
优选地,步骤1中:采用的数据预处理方式包括:1)向量构建的方法为:通过抽头延时器得到当前数据及它的若干个前后数据的采样值作为每个数据的特征值,构建特征向量。2)向量处理方法为:在中心抽头的特征值赋予权重,增加其在计算距离时产生的影响,得到最终的特征向量。所述权重参数可以取1~1.5之间的固定值。其中,输入数据序列的构成方法为:拆分数据实部和虚部发射端数据,将实部数据Re{x1}Re{x2}…Re{xn}和虚部数据Im{x1}…Im{xn}按照原数据顺序独立输入。
优选地,步骤2中:具体步骤如下:随机选取K个特征向量作为初始量化阶,计算各向量与量化阶向量之间的欧式距离,根据距离将各个向量聚类到距离最近的量化阶向量的集合中,通过计算即可得到经过一轮量化后的量化区间和每个量化区间的中心向量。其中,第一组量化阶的选取方法为:随机选择K个向量作为量化阶,其中K等于2n,n为目标量化位数。所述距离为欧几里得距离。聚类操作方法为:根据每个向量到量化阶向量之间的距离,将向量聚类至距离最近的量化阶组成一个集合,该集合所在数值区间即为量化区间,计算各量化区间的中心向量作为量化阶。所述新的中心向量是量化区间内各点向量的均值。
优选地,步骤3中:所述收敛的定义为中心向量不再发生变化,各个量化区间中的点向量不再发生变动。
优选地,步骤4中:所述量化结果输出的方式为:K个量化区间的中心向量即为各个量化间中所包含的点向量的量化结果,在一维量化中即为数据序列的量化结果,将K个中心向量按照所对应特征向量的输入顺序输出即可得到量化结果。
本发明的量化算法,充分考虑了高速率滤波器组多载波***的特点,针对滤波器组多载波波形的特点找到适合该波形的量化方式,进而大幅提高DAC量化的性能。
与现有技术相比,本发明具有如下的有益效果:
1、本发明的算法性能相比于传统均匀量化方法,可以得到更好的量化性能,从而提升滤波器组多载波调制光通信***的性能。
2、本发明的算法性能相比于基于信号估计的非线性规划量化方法,可以得到更好的信号估计效果以及量化效果,且算法更加简单,复杂度更低
3、本发明的算法相比与其他聚类学习算法如神经网络,支持向量机等原理更简单,容易实现。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为基于K-means的DAC量化原理示意图。
图2为IMDD滤波器组多载波光通信应用***示意图。
图3为IMDD滤波器组多载波光通信***使用不同位数基于一维K-means非均匀量化方法与使用传统均匀量化方法SQNR对比图。kmeans-q为本发明算法的一个实例,q为量化分辨率。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
本发明提供了一种用于滤波器组多载波调制光通信***的K-means非均匀量化算法。如图1所示,数据预处理模块,对输入数据序列进行预处理并将数据序列组成M个特征向量。K均值量化模块根据量化阶向量与各向量之间的欧式距离进行聚类操作至中心向量不再发生改变,以聚类后每个量化区间的中心向量作为该量化区间的量化阶,K均值量化模块的中最后迭代产生的量化区间和中心向量即为最后量化输出。具体地,包括以下步骤:
步骤1:将滤波器组多载波调制发射机发送的数据序列输入到数据预处理模块,将生成的特征向量作为K均值量化模块的输入;
步骤2:选取K个特征向量作为初始量化阶,计算各向量与量化阶向量之间的距离,根据距离将各个向量聚类到距离最近的量化阶向量的集合中,计算得到量化区间和每个量化区间的中心向量;
步骤3:将步骤2产生的中心向量作为距离计算的初始量化阶,迭代步骤2直至收敛,得到K个量化区间和中心向量;
步骤4:将步骤3中得到的量化区间和中心向量输出得到量化结果。
更进一步地,对下文需使用的术语先进行介绍:
1)数据预处理指的是把原发射数据序列转变为特征向量的过程,以获取更好的数据序列特征,使得K均值量化模型逼近其上限。
2)基于向量构建的第n个码元的特征值向量可以描述为:
Xn=[xn-(L-1)/2,…,xn-1,c×xn,xn+1,…,xn+(L-1)/2]
其中,xn表示当前码元,xn-(L-1)/2,…,xn-1表示先前码元,xn+1,…,xn+(L-1)/2表示后续码元,c当前码元的权重,可以取1~1.5之间的固定值。
3)所计算的距离指N维空间中的欧式距离,其可以描述为:
步骤1中:采用的数据预处理方式包括:1)向量构建的方法为:通过抽头延时器得到当前数据及它的若干个前后数据的采样值作为每个数据的特征值,构建特征向量。2)向量处理方法为:在中心抽头的特征值赋予权重,增加其在计算距离时产生的影响,得到最终的特征向量。所述权重参数可以取1~1.5之间的固定值。其中,输入数据序列的构成方法为:拆分数据实部和虚部发射端数据,将实部数据Re{x1}Re{x2}…Re{xn}和虚部数据Im{x1}…Im{xn}按照原数据顺序独立输入。
步骤2中:第一组量化阶的选取方法为:随机选择K个向量作为量化阶,其中K等于2n,n为目标量化位数。所述距离为欧几里得距离。聚类操作方法为:根据每个向量到量化阶向量之间的距离,将向量聚类至最近的量化阶组成一个集合,该集合的数值区间即为量化区间,计算各量化区间的中心向量作为量化阶。所述新的中心向量是量化区间内各点向量的均值。
步骤3中:所述收敛的定义为中心向量不再发生变化,各个量化区间中的点向量不再发生变动。
步骤4中:量化结果输出的方式为:K个量化区间的中心向量即为各个量化间中所包含的点向量的量化结果,在一维量化中即为输入数据序列的量化结果,将K个中心向量按照所对应特征向量的输入顺序输出即可得到量化结果。
本实例提供了一种基于K-means聚类的滤波器组多载波调制光通信***,如图2所示,包括:光发射模块、光接收模块以及光纤信道。在所述光发射模块中将包含有数据信息的数字信号输入基于K-means聚类的量化模块得到模拟信号,通过光调制器转换成高速光信号发送至光纤信道,由所述光接收模块将光信号转化为相应的电信号,经过解调得到信息数据。
光发射模块包括:数字信号模块、基带调制模块、基于K-means的非均匀量化模块、光调制器;所述数字信号模块与基带调制模块相连,对输入数据序列进行编码映射处理,并产生需要传输的高速率数字电信号,所述基带调制模块输出数字信号至基于K-means的非均匀量化模块,将数字信号序列转换成特征向量,随机选择K个向量作为量化阶并计算其余向量与量化阶向量之间的距离,判断其余向量和与其最近的向量阶向量为同一类别并重新计算中心向量,迭代运算至中心向量不再发生改变,按照数据序列输入顺序输出向量所在量化区间和中心向量作为量化输出,最后由光调制器完成电光转换。
光接收模块包括:光电探测器、实时示波器、基带解调制模块、数据输出单元;其中,光电探测器将接收到的电信号经过实时示波器采样后,所述实时示波器的输出信号经过基带解调制模块处理输出,实现用户数据的接收。
本实例验证一维K-means非均匀量化方法参数为:信号采用OQAM-OFDM调制,输入数字信号序列长度为516096,抽头数为1,抽头系数为1。均匀量化方法输入数字信号序列长度为516096。
图3为高速光滤波器组多载波***分别经过3-5位的均匀量化和1维K-means非均匀量化后发射信号的SQNR性能对比图,图中:横轴为限幅值,纵轴是SQNR表示量噪比大小,单位为dB。可以看到本发明的算法在相同量化位数的情况下取得了比传统均匀量化方法更好的量化性能。
综上所述,采用本发明基于K-means的非均匀量化算法,可以更好地考虑到小幅值信号在信号量化中的影响因素。相比于均匀量化DAC所需要的成本更低,且量化效果更好。同时K-means的原理简单,容易实现。因此,本发明的算法,能比较好的应用于滤波器组多载波光通信***的需求。
本发明一种用于滤波器组多载波调制光通信***的K-means非均匀量化算法,包括:在滤波器组多载波调制光通信***中,通过数据预处理生成输入数据的特征向量,每个向量根据离其最近量化区间的中心向量,决定该向量的对应的量化阶。K-means聚类的结果即为数模转换器的输出。本发明解决了高速率信号传输过程中小幅值信号量化性能较差问题。相比于传统均匀量化,在减少了量化位数的同时还能保持相同的量化性能,因而适合滤波器组多载波调制光通信***。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (8)
1.用于滤波器组多载波调制光通信***的K-means非均匀量化算法,其特征在于,包括如下步骤:
步骤1:将滤波器组多载波调制发射机发送的数据序列输入到数据预处理模块,将生成的向量作为K均值量化模块的输入;
步骤2:选取K个向量作为初始量化阶,计算各向量与量化阶向量之间的距离,根据距离将各个向量聚类到距离最近的量化阶向量的集合中,计算得到量化区间和每个量化区间的中心向量;
步骤3:将步骤2产生的中心向量作为距离计算的初始量化阶,迭代步骤2直至收敛,得到K个量化区间和中心向量;
步骤4:将步骤3中得到的量化区间和中心向量输出得到量化结果。
2.根据权利要求1所述的用于滤波器组多载波调制光通信***的K-means非均匀量化算法,其特征在于,滤波器组多载波调制光通信***包括基于滤波器组多载波调制光通信***以及通用滤波器多载波调制光通信***。
3.根据权利要求2所述的用于滤波器组多载波调制光通信***的K-means非均匀量化算法,其特征在于,所述步骤1中,数据预处理模块采用的数据预处理方式包括:
1)向量构建的方法:通过抽头延时器得到当前数据及其前后数据的采样值,将采样值作为每个数据的特征值,构建特征向量;
2)向量处理方法:在中心抽头的特征值赋予权重,增加其在计算距离时产生的影响,得到最终的特征向量,权重参数取1~1.5之间的固定值。
4.根据权利要求3所述的用于滤波器组多载波调制光通信***的K-means非均匀量化算法,其特征在于,所述步骤1中:
输入数据序列的构成方法为:拆分数据实部和虚部发射端数据,将实部数据Re{x1}Re{x2}…Re{xn}和虚部数据Im{x1}…Im{xn}按照原数据顺序独立输入。
5.根据权利要求4所述的用于滤波器组多载波调制光通信***的K-means非均匀量化算法,其特征在于,所述步骤2具体如下:
随机选取K个特征向量作为初始量化阶,计算各向量与量化阶向量之间的欧式距离,根据欧式距离将各个向量聚类到距离最近的量化阶向量的集合中,计算得到经过一轮量化后的量化区间和每个量化区间的中心向量。
6.根据权利要求5所述的用于滤波器组多载波调制光通信***的K-means非均匀量化算法,其特征在于,所述步骤2中,
第一组量化阶的选取方法为:随机选择K个向量作为量化阶,其中K等于2n,n为目标量化位数,
聚类操作方法为:根据每个向量到量化阶向量之间的距离,将向量聚类至距离最近的量化阶组成一个集合,该集合所在数值区间即为量化区间,计算各量化区间的中心向量作为量化阶。
7.根据权利要求6所述的用于滤波器组多载波调制光通信***的K-means非均匀量化算法,其特征在于,所述步骤3具体如下:
所述收敛的定义为中心向量不再发生变化,各个量化区间中的点向量不再发生变动。
8.根据权利要求7所述的用于滤波器组多载波调制光通信***的K-means非均匀量化算法,其特征在于,所述步骤4中,量化结果输出的方式为:
K个量化区间的中心向量为各个量化区间中所包含的点向量的量化结果,在一维量化中为数据序列的量化结果,将K个中心向量按照所对应特征向量的输入顺序输出即可得到量化结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910319988.0A CN110020695A (zh) | 2019-04-19 | 2019-04-19 | 用于滤波器组多载波调制光通信***的K-means非均匀量化算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910319988.0A CN110020695A (zh) | 2019-04-19 | 2019-04-19 | 用于滤波器组多载波调制光通信***的K-means非均匀量化算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110020695A true CN110020695A (zh) | 2019-07-16 |
Family
ID=67191995
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910319988.0A Pending CN110020695A (zh) | 2019-04-19 | 2019-04-19 | 用于滤波器组多载波调制光通信***的K-means非均匀量化算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110020695A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111327558A (zh) * | 2020-02-28 | 2020-06-23 | 杭州电子科技大学 | 用于滤波器多载波调制光通信的gmm非均匀量化的方法及*** |
CN112737694A (zh) * | 2020-12-28 | 2021-04-30 | 杭州电子科技大学 | 基于som的滤波器多载波调制光通信***的非均匀量化*** |
CN112769728A (zh) * | 2020-12-31 | 2021-05-07 | 杭州电子科技大学 | 基于滤波器组的多载波调制光通信***的kde非均匀量化方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102324075A (zh) * | 2011-10-29 | 2012-01-18 | 大连理工大学 | 一种基于WebGIS的绿色建筑智能化节能评估管理*** |
CN103001825A (zh) * | 2012-11-15 | 2013-03-27 | 中国科学院计算机网络信息中心 | Dns流量异常的检测方法和*** |
CN105844302A (zh) * | 2016-04-07 | 2016-08-10 | 南京新与力文化传播有限公司 | 基于深度学习的自动计算商品潮流指数的方法 |
US20170250744A1 (en) * | 2016-02-26 | 2017-08-31 | Hobbit Wave, Inc. | Devices and methods using the hermetic transform for transmitting and receiving signals using multi-channel signaling |
CN108123908A (zh) * | 2017-12-14 | 2018-06-05 | 杭州电子科技大学 | 一种用于ng-pon的改进svm均衡方法及*** |
CN108141598A (zh) * | 2015-09-02 | 2018-06-08 | 汤姆逊许可公司 | 用于视频编码和解码中的量化的方法和装置 |
CN108205682A (zh) * | 2016-12-19 | 2018-06-26 | 同济大学 | 一种用于个性化推荐的融合内容和行为的协同过滤方法 |
CN108353193A (zh) * | 2015-08-19 | 2018-07-31 | Lg 电子株式会社 | 基于多个基于图的模型通过使用优化转换编码/解码视频信号的方法和设备 |
CN108494488A (zh) * | 2018-02-12 | 2018-09-04 | 杭州电子科技大学 | 用于短距离光通信***的基于dfe的svm均衡方法 |
CN109150781A (zh) * | 2018-09-04 | 2019-01-04 | 哈尔滨工业大学(深圳) | 一种基于k-k相干接收的调制格式识别方法 |
CN109308496A (zh) * | 2018-10-11 | 2019-02-05 | 南昌工程学院 | 一种基于模糊聚类迭代与投影寻踪的最优方案遴选方法 |
-
2019
- 2019-04-19 CN CN201910319988.0A patent/CN110020695A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102324075A (zh) * | 2011-10-29 | 2012-01-18 | 大连理工大学 | 一种基于WebGIS的绿色建筑智能化节能评估管理*** |
CN103001825A (zh) * | 2012-11-15 | 2013-03-27 | 中国科学院计算机网络信息中心 | Dns流量异常的检测方法和*** |
CN108353193A (zh) * | 2015-08-19 | 2018-07-31 | Lg 电子株式会社 | 基于多个基于图的模型通过使用优化转换编码/解码视频信号的方法和设备 |
CN108141598A (zh) * | 2015-09-02 | 2018-06-08 | 汤姆逊许可公司 | 用于视频编码和解码中的量化的方法和装置 |
US20170250744A1 (en) * | 2016-02-26 | 2017-08-31 | Hobbit Wave, Inc. | Devices and methods using the hermetic transform for transmitting and receiving signals using multi-channel signaling |
CN105844302A (zh) * | 2016-04-07 | 2016-08-10 | 南京新与力文化传播有限公司 | 基于深度学习的自动计算商品潮流指数的方法 |
CN108205682A (zh) * | 2016-12-19 | 2018-06-26 | 同济大学 | 一种用于个性化推荐的融合内容和行为的协同过滤方法 |
CN108123908A (zh) * | 2017-12-14 | 2018-06-05 | 杭州电子科技大学 | 一种用于ng-pon的改进svm均衡方法及*** |
CN108494488A (zh) * | 2018-02-12 | 2018-09-04 | 杭州电子科技大学 | 用于短距离光通信***的基于dfe的svm均衡方法 |
CN109150781A (zh) * | 2018-09-04 | 2019-01-04 | 哈尔滨工业大学(深圳) | 一种基于k-k相干接收的调制格式识别方法 |
CN109308496A (zh) * | 2018-10-11 | 2019-02-05 | 南昌工程学院 | 一种基于模糊聚类迭代与投影寻踪的最优方案遴选方法 |
Non-Patent Citations (6)
Title |
---|
DAOJUN XUE ET AL: "Performance Improvement of IM-DD OFDM Systems by Nonuniform DAC Output Levels", 《2018 ASIA COMMUNICATIONS AND PHOTONICS CONFERENCE》 * |
ELIAS GIACOUMIDIS ET AL: "Comparison of DSP-based nonlinear equalizers for intra-channel nonlinearity compensation in coherent optical OFDM", 《OPTICS LETTERS》 * |
MUTSAM A. JARAJREH ET AL: "Artificial Neural Network Nonlinear Equalizer for Coherent Optical OFDM", 《IEEE PHOTONICS TECHNOLOGY LETTERS》 * |
TIANCHENG HUANG ET AL: "A novel FABP quantization scheme for improving performance in low-bit IMDD-FBMC system", 《OPTICS COMMUNICATIONS》 * |
俞嘉生等: "基于非均匀量化ADC/DAC的IMMDD-UMFC***性能提升", 《聊城大学学报(自然科学版)》 * |
虞淼: "高速相关光通信***中的调制与解调技术研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111327558A (zh) * | 2020-02-28 | 2020-06-23 | 杭州电子科技大学 | 用于滤波器多载波调制光通信的gmm非均匀量化的方法及*** |
CN111327558B (zh) * | 2020-02-28 | 2022-06-21 | 杭州电子科技大学 | 用于滤波器多载波调制光通信的gmm非均匀量化的方法及*** |
CN112737694A (zh) * | 2020-12-28 | 2021-04-30 | 杭州电子科技大学 | 基于som的滤波器多载波调制光通信***的非均匀量化*** |
CN112737694B (zh) * | 2020-12-28 | 2021-11-16 | 杭州电子科技大学 | 基于som的滤波器多载波调制光通信***的非均匀量化*** |
CN112769728A (zh) * | 2020-12-31 | 2021-05-07 | 杭州电子科技大学 | 基于滤波器组的多载波调制光通信***的kde非均匀量化方法 |
CN112769728B (zh) * | 2020-12-31 | 2022-06-21 | 杭州电子科技大学 | 基于滤波器组的多载波调制光通信***的kde非均匀量化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110020695A (zh) | 用于滤波器组多载波调制光通信***的K-means非均匀量化算法 | |
CN109104248B (zh) | 一种基于SOFM神经网络聚类的DRoF前端信号量化方法 | |
CN103283200A (zh) | 光正交频分复用收发器中的自适应比特或功率负载 | |
CN107949065B (zh) | 一种noma的自适应比特功率分配方法 | |
CN110233755B (zh) | 一种物联网中雾计算的计算资源和频谱资源分配方法 | |
CN101902747A (zh) | 基于模糊逻辑遗传算法的频谱分配方法 | |
CN109005136A (zh) | 一种基于多概率阵列波束映射的多载波光信号发射方法 | |
CN111083078B (zh) | 一种概率整形正交振幅调制格式盲识别方法及*** | |
CN108600999A (zh) | Fd-d2d基于信道分配与功率控制联合优化方法 | |
CN103124250A (zh) | 接收设备、信号处理设备以及信号处理方法 | |
CN109981223A (zh) | 基于frft的多载波ftn发送/接收方法及相关设备 | |
CN114598582A (zh) | 一种基于迁移学习的超高阶信号调制格式快速识别方法 | |
CN115296737A (zh) | 基于自由空间光通信的adm-gsmppm星座构建方法和装置 | |
CN109951412B (zh) | 深度神经网络抑制信号立方度量的方法 | |
CN106899347A (zh) | 基于2d tcm pam8实现高速信号传输的***和方法 | |
CN112543056B (zh) | Pd-noma-vlc***功率和分组联合优化方法 | |
CN102724670B (zh) | 一种用于sc-fdma***中的动态资源分配方法 | |
Wu et al. | A probabilistic shaping method based on intrinsic bit-level labeling and asymmetric polygon modulation for optical interconnects | |
CN111327558B (zh) | 用于滤波器多载波调制光通信的gmm非均匀量化的方法及*** | |
CN111884980A (zh) | 一种无线光通信的广义索引调制光ofdm调制方法 | |
CN108111226B (zh) | 一种极坐标编码调制的***及方法 | |
CN113938209B (zh) | 一种针对概率整形的脉冲幅度调制信号的整形方法及*** | |
CN113271280B (zh) | 一种调制方法、装置、设备及存储介质 | |
Kadhum et al. | Dynamic bit loading with the OGFDM waveform maximises bit-rate of future mobile communications | |
CN112737694B (zh) | 基于som的滤波器多载波调制光通信***的非均匀量化*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190716 |