CN113534454A - 一种多芯光纤信道损伤均衡方法及*** - Google Patents

Abstract

本发明涉及一种多芯光纤信道损伤均衡方法及***，根据高速大容量光传输***的发展需求，通过在多芯光纤的接收端使用K最邻近法(K‑NearestNeighbor，KNN)对损伤的二维信号进行均衡，从而提升七芯光纤传输***的误码率性能。本发明首次提出了一种基于KNN算法的检测器用来均衡多芯光纤中的信道损伤，在没有任何先验信息和训练过程的情况下，单纯从一小组数据中训练和学习二维数据信号的欧氏距离属性，来提升***的误码率性能。并且提出了一种自适应KNN算法来改进传统KNN算法的性能，可以在接收端较好的均衡光信号在信道中受到的诸如非线性效应和芯间串扰所引起的损伤。

Description

一种多芯光纤信道损伤均衡方法及***

技术领域

本发明涉及数字通信技术领域，特别是涉及一种基于机器学习的多芯光纤信道损伤均衡方法及***。

背景技术

随着移动互联网、大数据、云计算等新型业务的飞速发展，对网络传输的速率和带宽需求急剧增加。对于支撑这些新型业务发展的光纤通信***已经不能完全满足和适应时代的要求，作为骨干传输网络，光纤通信***必须具有更大的传输容量、更快的传输速率和更远的传输距离，因此光纤通信技术的研究对信息产业的发展有非常重要的意义。

面对着互联网时代高速增长的数据流量，必须大大提高光通信***的传输能力以容纳更大的流量。从光信号的本质出发，其物理复用维度包括五个方面，分别为时间，频率，偏振，正交和空间。时至今日，光纤通信***中唯一未被深入研究的空间维度——空分复用(SDM)技术成为突破光纤通信***容量限制的必然选择。多芯光纤(Multicore Fiber，MF)是实现空分复用技术的一种重要手段，因此成为了热门研究领域。然而在多芯光纤信道中，光信号会受到诸如非线性效应及芯间串扰等因素的干扰造成损伤。

因此，本领域亟需一种在接收端均衡光信号在多芯光纤中的信道损伤的技术方案。

发明内容

本发明的目的是提供一种多芯光纤信道损伤均衡方法及***，利用基于 KNN算法的检测器来均衡多芯光纤中的信道损伤，以解决光信号在多芯光纤信道传输时会受到的诸如非线性效应及芯间串扰等问题。

为实现上述目的，本发明提供了如下方案：

一种多芯光纤信道损伤均衡方法，所述方法包括：

在原始训练数据上设置标签，得到标签原始训练数据；

将所述标签原始训练数据与原始待均衡数据一起送入多芯光纤信道，得到接收端数据；所述接收端数据包括：训练数据和待均衡数据；

计算所述待均衡数据中的一个待均衡数据点到每个训练数据的欧氏距离，得到若干个欧氏距离；

将所述若干个欧氏距离从小到大排序，得到k个与所述待均衡数据点最近的训练数据；

获取每个所述最近的训练数据的标签，得到最近标签集合；

利用KNN算法找到所述最近标签集合中出现次数最多的标签，得到预测标签；

将所述待均衡数据点判决到所述预测标签对应的星座点。

可选的，所述在原始训练数据上设置标签，得到标签原始训练数据，具体包括：

根据原始训练数据的星座分布为所述原始训练数据设置标签，得到标签原始训练数据；所述原始训练数据为一组原始未受损伤的数据。

可选的，所述计算所述待均衡数据中的一个待均衡数据点到每个训练数据的欧氏距离，得到若干个欧氏距离，具体包括：

利用欧氏距离计算公式计算所述待均衡数据中的一个待均衡数据点到每个训练数据的欧氏距离，得到若干个欧氏距离；

所述欧氏距离计算公式为：

其中，d(x_q,x_i)表示待均衡数据点x_q和任意训练数据点x_i的欧氏距离，I(x_q) 和Q(x_q)分别是二维测试数据点x_q的同向和正交分量，I(x_i)和Q(x_i)分别是二维训练数据点x_i的同向和正交分量。

可选的，所述利用KNN算法找到所述最近标签集合中出现次数最多的标签，得到预测标签，具体包括：

利用类标签预测函数模型f_KNN找到所述最近标签集合中出现次数最多的标签，得到预测标签；

所述类标签预测函数模型f_KNN为：

其中，l_i是训练数据对应的标签，l为待均衡数据点的预测标签，L为标签集，N_k(x_q)表示最近标签集合；如果l＝l_i，则δ(l,l_i)＝1，如果l≠l_i，则δ(l,l_i)＝0。

可选的，在所述将所述待均衡数据点判决到所述预测标签对应的星座点之后，还包括：

依次将所有待均衡数据点判决到对应的星座点。

可选的，在所述利用KNN算法找到所述最近标签集合中出现次数最多的标签，得到预测标签之后，还包括：

当所述标签集合中具有出现次数相等的标签时，令k值加1，并返回至所述将所述若干个欧氏距离从小到大排序，得到k个与所述待均衡数据点最近的训练数据步骤，直至不具有出现次数相等的标签时继续下一步骤。

可选的，所述k的初始值为6。

可选的，所述多芯光纤信道为七芯光纤信道。

可选的，所述原始训练数据和所述原始待均衡数据均为16QAM信号；所述16QAM信号由16个星座点组成。

一种多芯光纤信道损伤均衡***，所述***包括：

设置标签单元，用于在原始训练数据上设置标签，得到标签原始训练数据；

接收端数据获取单元，用于将所述标签原始训练数据与原始待均衡数据一起送入多芯光纤信道，得到接收端数据；所述接收端数据包括：训练数据和待均衡数据；

欧氏距离计算单元，用于计算所述待均衡数据中的一个待均衡数据点到每个训练数据的欧氏距离，得到若干个欧氏距离；

最近训练数据获取单元，用于将所述若干个欧氏距离从小到大排序，得到 k个与所述待均衡数据点最近的训练数据；

标签集合获取单元，用于获取每个所述最近的训练数据的标签，得到最近标签集合；

预测标签获取单元，用于利用KNN算法找到所述最近标签集合中出现次数最多的标签，得到预测标签；

判决单元，用于将所述待均衡数据点判决到所述预测标签对应的星座点。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明实施例根据高速大容量光传输***的发展需求，通过在多芯芯光纤的接收端使用K最邻近法(K-Nearest Neighbor，KNN)对损伤的二维信号进行均衡，从而提升七芯光纤传输***的误码率性能。首次提出了一种基于KNN 算法的检测器用来均衡多芯光纤中的信道损伤，在没有任何先验信息和训练过程的情况下，单纯从一小组数据中训练和学习二维数据信号的欧氏距离属性，来提升***的误码率性能。并且提出了一种自适应KNN算法来改进传统KNN 算法的性能，可以在接收端较好的均衡光信号在信道中受到的诸如非线性效应和芯间串扰所引起的损伤。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例1提供的多芯光纤信道损伤均衡方法的流程图。

图2为本发明实施例1提供的KNN算法均衡16QAM信号演示图。

图3为本发明实施例1提供的信号经过KNN算法均衡后的误码率曲线。

图4为本发明实施例1提供的七芯光纤结构图。

图5为本发明实施例1提供的16QAM经过七芯光纤信道的星座图。

图6为本发明实施例1提供的多芯光纤信道损伤均衡***的***框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种多芯光纤信道损伤均衡方法及***，利用基于 KNN算法的检测器来均衡多芯光纤中的信道损伤，以解决光信号在多芯光纤信道传输时会受到的诸如非线性效应及芯间串扰等问题。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例一：

如图1所述，本发明实施例提供了一种多芯光纤信道损伤均衡方法，该方法包括：

S1、在原始训练数据上设置标签，得到标签原始训练数据；

具体的，根据原始训练数据的星座分布为所述原始训练数据设置标签，得到标签原始训练数据；所述原始训练数据为一组原始未受损伤的数据。

首先，将一组原始未受损伤的数据根据其星座分布贴上标签，如16QAM 信号就是1-16个标签，这组原始未受损伤的数据即为原始训练数据。

16QAM信号由16个星座点组成，每个星座点为一个簇，每个簇由许多数据组成。将16QAM的不同星座点视为二维空间中不同类别的数据，其中每个数据点x可以用它的同相分量I(x)和正交分量Q(x)来表示。

S2、将所述标签原始训练数据与原始待均衡数据一起送入多芯光纤信道，得到接收端数据；所述接收端数据包括：训练数据和待均衡数据；

具体的，将贴好标签的原始训练数据和一组原始待均衡数据一起送入多芯光纤信道，在接收端得到接收端数据，接收端数据中包括一组训练数据和一组待均衡数据，如图2(a)所示，待均衡数据的每个数据点并不用贴上标签。训练数据由N个带有标签l_i∈L的数据点x_i组成，其中标签集L＝{1，2，…,16} 代表具体的星座点。

本实施例中是建立七芯光纤的传输***，提升信道容量，并在接收端利用 KNN算法对损伤信号进行均衡，以提升信号的误码率性能。值得注意的是，本实施例提供的方法并不仅仅限制于七芯光纤，因为KNN算法不需要先验信息和信道属性，仅仅根据经过信道后得到的信号二维星座点图像进行数据的训练和处理来对信号进行均衡。

S3、计算所述待均衡数据中的一个待均衡数据点到每个训练数据的欧氏距离，得到若干个欧氏距离；

具体的，

利用欧氏距离计算公式计算所述待均衡数据中的一个待均衡数据点到每个训练数据的欧氏距离，得到若干个欧氏距离；

所述欧氏距离计算公式为：

其中，d(x_q,x_i)表示待均衡数据点x_q和任意训练数据点x_i的欧氏距离，I(x_q) 和Q(x_q)分别是二维测试数据点x_q的同向和正交分量，I(x_i)和Q(x_i)分别是二维训练数据点x_i的同向和正交分量。

为待均衡数据中的每个数据点x_q计算在待均衡数据集中与其相邻的点的欧式距离。

S4、将所述若干个欧氏距离从小到大排序，得到k个与所述待均衡数据点最近的训练数据；

S5、获取每个所述最近的训练数据的标签，得到最近标签集合；

S6、利用KNN算法找到所述最近标签集合中出现次数最多的标签，得到预测标签；

具体的，利用类标签预测函数模型f_KNN找到所述最近标签集合中出现次数最多的标签，得到预测标签；

所述类标签预测函数模型f_KNN为：

其中，l_i是训练数据对应的标签，l为待均衡数据点的预测标签，L为标签集，N_k(x_q)表示最近标签集合；如果l＝l_i，则δ(l,l_i)＝1，如果l≠l_i，则δ(l,l_i)＝0。

以此统计得出出现次数最多的标签因此可以得到k个最近训练数据点对应的k个标签，并将其中出现次数最多的标签作为该数据点x_q的预测分类。

S7、将所述待均衡数据点判决到所述预测标签对应的星座点。

例如，如图2(b)所示：假设k＝5，本实施例为x_q找到了最相邻的5个训练数据点，其标签为{9，9，9，10，13}，根据f_KNN，得到的输出结果是“9”因为大部分即五分之三的数据点具有标签“9”，此时就将x_q分类为具有标签“9”的数据，并以此得到其应被判决的星座点。

然后依次将所有待均衡数据点判决到对应的星座点即完成均衡过程。

作为一种可选的实施方式，本实施例中还提出一种自适应KNN算法。

具体的，在所述利用KNN算法找到所述最近标签集合中出现次数最多的标签，得到预测标签之后，

当所述标签集合中具有出现次数相等的标签时，令k值加1，并返回至步骤S4，直至不具有出现次数相等的标签时继续下一步骤。

在KNN算法中，因为使用了传统的欧式算法，各特征对于分类的贡献是相同的，这显然不符合实际情况，同等的权重使得特征向量之间相似度计算不够准确导致分类精度受到影响，例如图2(c)，当k＝7时，这时标签“9”和标签“13”的权重相同，因此容易出现误判。因此也有人对KNN算法进行了改进，提出了DW-KNN算法等，通过将较大的权值赋给较近的近邻从而提高分类精度。这里本实施例提出一种自适应KNN算法，当对待均衡数据点x_q进行分类出现如图2(c)的情况时，通过改变k的值再次对x_q进行分类，如果这时再次出现多个不同标签的训练数据点拥有相同权重的时候，再次改变k值对x_q进行分类，直到出现某个标签的训练数据拥有唯一且最大的权重时，再把x_q判决到该标签所对应的星座点。

图3是得到的光信号经过七芯光纤信道并在接收端经过KNN均衡的误码率曲线，可以看到，在k取值较小的时候，误码率性能较差，这是因为每个测试数据点找到的训练数据点太少，会使得算法性能不太稳定；而当k值取值较大的时候，会有大量不相关的训练数据被包含在集合N_k(x_q)中，这些不相关的数据会对最终的分类结果进行干扰，从而导致误码率性能的下降。还可以看到当6≤k≤16的条件下，KNN算法的性能比较平稳，因此在自适应KNN算法中，对于每个信道，先令k＝6，当对测试数据点x_q进行分类出现多个不同标签的训练数据点拥有相同权重的时候，令k值加一即k＝7再次对x_q进行分类，如果这时再次出现多个不同标签的训练数据点拥有相同权重，再次令k值加1即 k＝8对x_q进行分类，直到出现某个标签的训练数据拥有唯一且最大的权重时，再把x_q判决到该标签所对应的星座点。

本实施例主要展示了在七芯光纤空分复用通信***中，建立非线性与芯间串扰的模型，在接收端得到受损信号后，利用KNN算法进行均衡。相较于其他算法，KNN算法比较简单，没有训练阶段的数据集，事先已有了分类和特征值，待接受到新样本后直接进行处理，可以用来识别不同类别的数据，在处理数据集大、维数比较低的二维信号数据集时特别有效。

作为一种具体的实施方式，本实施例还进行了具体的实验用于验证该方法的有效性。

首先建立起七芯光纤的传输模型，信号在经过信道时受到了诸如高斯白噪声、非线性效应(包括自相位调制和交叉相位调制)以及芯间串扰(XT)的影响，这里不考虑色散因素的影响，在接收端对受损的信号进行KNN均衡。

将一组原始未受损伤的数据根据其星座分布贴上标签，如16QAM信号就是1-16个标签，然后将这组信号与一组不加标签的信号送入七芯光纤信道，在接收端得到一组带标签的训练数据和一组不加标签的待均衡数据。然后为待均衡数据中的每个待均衡数据点x_q计算在训练数据集中与其相邻的点的欧式距离，将计算距离从最小到最大进行排序，确定k个相距距离最小的训练数据点以及这些点的标签所组成的集合，然后依据集合中出现频率最多的标签，将待均衡数据点x_q判决到相应的星座点，将均衡后的信号与原始信号相比得到误码率性能。

作为对比，在接收端不进行信号均衡，七个纤芯的信号在经过信道时，受到非线性效应与芯间串扰的影响，采用的七芯光纤如图4所示，结构采用的是同质纤芯，即每个纤芯中的信号受到的干扰是一样的，在芯间串扰的因素上，设计为每个纤芯只受到邻近的纤芯的串扰，即2-7号芯只受到邻近的三个纤芯的芯间串扰，如2芯会和3芯和7芯以及1芯三个芯之间发生芯间串扰，而1 芯因为处于正中间，会和其他的所有芯发生芯间串扰。芯间串扰的信道矩阵可以写成下式：

其中

是入射信号，

是经过芯间串扰后的信号，C_ij是不同芯间的串扰系数，

是C_ij的共轭。信号经过信道损伤后的星座图如图5 所示。

将一组信号送入信道当作训练数据，训练数据由N个带有标签的数据点组成，其中标签集L＝{1，2，…,16}代表具体的星座点，如图2(a)所示。待均衡数据则没有标签，在图2(b)中，可以看出待均衡数据点被四个训练数据簇“9”、“10”、“13”、“14”包围，(对于每一个信道，将发送数据分为两组，其中第一组有1000个数据点，作为训练数据；第二组有100000个数组点，作为测试数据，经过信道后，每个测试数据点会被若干个训练数据点包围)，这些数字是为训练数据依据落入的星座点而贴的标签，接着计算测试数据到每个训练数据的欧式距离，然后将距离从小到大排序，确定k个最近的训练数据点，并且得到由它们的标签组成的集合。利用KNN提供一个合理的类标签预测函数模型，统计得出出现次数最多的标签，因此可以得到k个最近训练数据点对应的k个标签，并将其中出现次数最多的标签作为该待均衡数据点的预测分类。依次将所有待均衡数据点预测分类，最终得到的待均衡数据的误码率曲线如图3所示。

如图6所示，本发明实施例还提供了一种多芯光纤信道损伤均衡***，该***包括：

设置标签单元M1，用于在原始训练数据上设置标签，得到标签原始训练数据；

接收端数据获取单元M2，用于将所述标签原始训练数据与原始待均衡数据一起送入多芯光纤信道，得到接收端数据；所述接收端数据包括：训练数据和待均衡数据；

欧氏距离计算单元M3，用于计算所述待均衡数据中的一个待均衡数据点到每个训练数据的欧氏距离，得到若干个欧氏距离；

最近训练数据获取单元M4，用于将所述若干个欧氏距离从小到大排序，得到k个与所述待均衡数据点最近的训练数据；

标签集合获取单元M5，用于获取每个所述最近的训练数据的标签，得到最近标签集合；

预测标签获取单元M6，用于利用KNN算法找到所述最近标签集合中出现次数最多的标签，得到预测标签；

判决单元M7，用于将所述待均衡数据点判决到所述预测标签对应的星座点。

本发明实施例根据高速大容量光传输***的发展需求，通过在七芯光纤的接收端使用K最邻近法(K-Nearest Neighbor，KNN)对损伤的二维信号进行均衡，从而提升七芯光纤传输***的误码率性能。在本实施例中，首次提出了一种基于KNN算法的检测器用来均衡多芯光纤中的信道损伤，在没有任何先验信息和训练过程的情况下，单纯从一小组数据中训练和学习二维数据信号的欧氏距离属性，来提升***的误码率性能。并且提出了一种自适应KNN算法来改进传统KNN算法的性能，可以在接收端较好的均衡光信号在信道中受到的诸如非线性效应和芯间串扰所引起的损伤。

对于本说明书实施例公开的***而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种多芯光纤信道损伤均衡方法，其特征在于，所述方法包括：

在原始训练数据上设置标签，得到标签原始训练数据；

将所述标签原始训练数据与原始待均衡数据一起送入多芯光纤信道，得到接收端数据；所述接收端数据包括：训练数据和待均衡数据；

计算所述待均衡数据中的一个待均衡数据点到每个训练数据的欧氏距离，得到若干个欧氏距离；

将所述若干个欧氏距离从小到大排序，得到k个与所述待均衡数据点最近的训练数据；

获取每个所述最近的训练数据的标签，得到最近标签集合；

利用KNN算法找到所述最近标签集合中出现次数最多的标签，得到预测标签；

将所述待均衡数据点判决到所述预测标签对应的星座点。

2.根据权利要求1所述的多芯光纤信道损伤均衡方法，其特征在于，所述在原始训练数据上设置标签，得到标签原始训练数据，具体包括：

根据原始训练数据的星座分布为所述原始训练数据设置标签，得到标签原始训练数据；所述原始训练数据为一组原始未受损伤的数据。

3.根据权利要求1所述的多芯光纤信道损伤均衡方法，其特征在于，所述计算所述待均衡数据中的一个待均衡数据点到每个训练数据的欧氏距离，得到若干个欧氏距离，具体包括：

利用欧氏距离计算公式计算所述待均衡数据中的一个待均衡数据点到每个训练数据的欧氏距离，得到若干个欧氏距离；

所述欧氏距离计算公式为：

其中，d(x_q,x_i)表示待均衡数据点x_q和任意训练数据点x_i的欧氏距离，I(x_q)和Q(x_q)分别是二维测试数据点x_q的同向和正交分量，I(x_i)和Q(x_i)分别是二维训练数据点x_i的同向和正交分量。

4.根据权利要求1所述的多芯光纤信道损伤均衡方法，其特征在于，所述利用KNN算法找到所述最近标签集合中出现次数最多的标签，得到预测标签，具体包括：

利用类标签预测函数模型f_KNN找到所述最近标签集合中出现次数最多的标签，得到预测标签；

所述类标签预测函数模型f_KNN为：

其中，l_i是训练数据对应的标签，l为待均衡数据点的预测标签，L为标签集，N_k(x_q)表示最近标签集合；如果l＝l_i，则δ(l,l_i)＝1，如果l≠l_i，则δ(l,l_i)＝0。

5.根据权利要求1所述的多芯光纤信道损伤均衡方法，其特征在于，在所述将所述待均衡数据点判决到所述预测标签对应的星座点之后，还包括：

依次将所有待均衡数据点判决到对应的星座点。

6.根据权利要求1所述的多芯光纤信道损伤均衡方法，其特征在于，在所述利用KNN算法找到所述最近标签集合中出现次数最多的标签，得到预测标签之后，还包括：

当所述标签集合中具有出现次数相等的标签时，令k值加1，并返回至所述将所述若干个欧氏距离从小到大排序，得到k个与所述待均衡数据点最近的训练数据步骤，直至不具有出现次数相等的标签时继续下一步骤。

7.根据权利要求6所述的多芯光纤信道损伤均衡方法，其特征在于，

所述k的初始值为6。

8.根据权利要求1所述的多芯光纤信道损伤均衡方法，其特征在于，

所述多芯光纤信道为七芯光纤信道。

9.根据权利要求1所述的多芯光纤信道损伤均衡方法，其特征在于，

所述原始训练数据和所述原始待均衡数据均为16QAM信号；所述16QAM信号由16个星座点组成。

10.一种多芯光纤信道损伤均衡***，其特征在于，所述***包括：

设置标签单元，用于在原始训练数据上设置标签，得到标签原始训练数据；

接收端数据获取单元，用于将所述标签原始训练数据与原始待均衡数据一起送入多芯光纤信道，得到接收端数据；所述接收端数据包括：训练数据和待均衡数据；

欧氏距离计算单元，用于计算所述待均衡数据中的一个待均衡数据点到每个训练数据的欧氏距离，得到若干个欧氏距离；

最近训练数据获取单元，用于将所述若干个欧氏距离从小到大排序，得到k个与所述待均衡数据点最近的训练数据；

标签集合获取单元，用于获取每个所述最近的训练数据的标签，得到最近标签集合；

预测标签获取单元，用于利用KNN算法找到所述最近标签集合中出现次数最多的标签，得到预测标签；

判决单元，用于将所述待均衡数据点判决到所述预测标签对应的星座点。

Images