一种密度聚类的调制格式识别与OSNR估计的联合方法与流程

本发明涉及一种密度聚类的调制格式识别与osnr估计的联合方法，属于相干光通信中的调制识别技术领域。

背景技术：

21世纪以来，信息产业迅猛发展，人们对信息获取的即时性，丰富性产生极大需求，对全球网络提出更高需求。超高速光纤通信技术作为当今互联网、核心网、城域网和接入网的最主要载体，系统容量的提升显得迫在眉睫。对于传统的波分复用网络(wavelengthdivisionmultiplexing，wdm)，频谱只能划分为50ghz或100ghz的固定频谱栅格，对各种速率的信号的适应性很差，产生频谱碎片的同时造成频谱资源的极大浪费。另外，信号速率与调制格式随波长通道确定后，无法再根据用户的需求实时更改波长通道占据的带宽，体现了wdm光网络灵活性的不足。最后，光网络需要具备自适应能力来满足链路传输条件与服务质量的动态可变要求来动态调整传输信号的速率、带宽以及调制格式，而物理属性配置固定的wdm网络是无法满足以上要求的。综上所述，传统wdm光网络存在频谱资源浪费、网络自适应能力差、网络灵活性不足等诸多问题。未来更大容量、更高速率的网络需求，促使光网络向资源合理分配、频谱效率高、智能灵活的要求发展。

在2017年，日本学者jinno提出了一种基于ofdm技术的弹性光网络(elasticopticalnetwork,eon)。弹性光网络采用灵活分配频谱资源的技术可以提高网络的效率和灵活性。弹性光网络系统除了允许数据连接一次占用多个频谱槽，并提供了标称为12.5ghz的频谱槽宽度和6.25ghz的中心频率颗粒度，这样就保证了对原wdm固定50ghz频谱栅格的兼容，又可以为下一代400gbit/s乃至1tbit/s系统提供75ghz、112.5ghz和125ghz等多种频谱资源，从而极大提高了频谱利用率。

调制格式识别技术是针对灵活、动态改变的弹性光网络提出的新的监测项目，也是相干通信系统信号检测和信号解调之间的必要环节。无论是弹性动态网络系统、网络节点路由器的设计还是信号的自适应接收机的设计，均需要首先对信号实现调制格式识别。在接收端进行的信号恢复操作，诸如载波相位恢复方法与对信号的解调等，都需要预知信号的调制方式和调制参数，如此则需要对信号的调制格式进行监测。另外，在光纤通信网络的中间节点处，对接收信号的网络资源分配(信道选择、解调方式选择)也依赖于信号的调制格式信息。

一般情况下，在整个光纤网络中的每个节点建立起适当的监测机制以获取有关传输链路质量和光信号健康状况的精确和实时信息是十分必要的。光信噪比(opticalsignalnoiseratio,osnr)作为衡量光网络质量最重要的参数之一，与评判系统误码性能的误码率(biterrorrate,ber)直接相关，对于自动故障检测和诊断以及信号质量的在线表征至关重要，在光网络的设计和维护方面都具有重要意义。

在调制格式识别领域，目前使用的方法有很多，比如接收信号功率分布分析的方法、峰均值功率比分析的方法、斯托克斯空间分析的方法、基于神经网络的方法等。在osnr估计领域，目前使用的方法有基于统计量分析的方法、误差矢量分析的方法、延迟线干涉仪的方法、斯托克斯空间分析的方法、格雷序列分析的方法、射频脉冲频谱分析的方法和振幅噪声相关的方法等。

以上的调制格式识别或osnr估计技术一般只能实现单一功能。多参数估计的方法受到越来越多的重视与研究。目前提出的基于神经网络(深度神经网络与卷积神经网络)的调制格式识别与osnr估计联合方法，则需要在前期准备工作中产生大量训练数据，并需要额外的训练步骤产生稳定的、泛化能力强的网络后才可使用，这无疑增加了方法的复杂度。

针对以上调制格式识别与osnr估计的联合方法存在的问题，为了更高效且准确地对调制格式进行识别的同时进行osnr估计，本发明致力于基于密度聚类方法的调制格式识别与osnr估计的联合方法，利用基于dbscan密度聚类方法提取接收数据的簇信息与密度信息，在无需大量训练数据的前提下，实现五种常用的调制格式(qpsk,8psk,16qam,32qam,64qam)的准确识别与osnr的低误差估计。

技术实现要素：

本发明的目的是针对现有调制格式识别与osnr估计的联合方法存在的复杂度较高的技术缺陷，提出了一种密度聚类的调制格式识别与osnr估计的联合方法。

本发明的核心思想是：第一步，利用相干接收数据的iq两路信号构建时域星座图，结合基于dbscan的密度聚类方法，识别出满足预设密度阈值的数据聚类簇，然后利用聚类簇的个数作为调制格式识别的因子，通过划分判决阈值将不同接收数据识别为不同调制格式；第二步，计算第一步中满足密度阈值的数据在总数据中的占比，利用该密度信息进行高阶多项式拟合，利用得到的拟合多项式实现未知数据的osnr估计。

所述密度聚类的调制格式识别与osnr估计的联合方法，主要包括以下步骤：

步骤1：将经过光纤链路传输的待处理数字通信信号输入相干接收机中；

其中，待处理数字通信信号的调制格式为qpsk、8psk、16qam、32qam及64qam中的一种；

步骤2：相干接收机基于相干接收原理，结合本振激光器将步骤1中的待处理数字通信信号进行相干解调，输出基带模拟信号；随后基带模拟信号经模数转换器转换为数字信号；

步骤3：将步骤2中转换的数字信号输入数字信号处理器进行数字信号的调制格式识别与osnr估计，具体包括如下子步骤：

步骤3.1：对步骤2中产生的数字信号进行色散均衡、时钟恢复、归一化、恒模方法以及频偏均衡，生成恢复信号；

步骤3.2：将步骤3.1中生成的恢复信号以每比特一个采样点为标准进行下采样，输出下采样后信号，并将下采样后信号的i路数据和q路数据分别作为二维坐标系上的x轴及y轴坐标，形成信号的时域星座图；

其中，下采样后信号，即单倍采样数字信号，该单倍采样数字信号包括i路数据和q路数据；

步骤3.3：将步骤3.2输出的时域星座图通过dbscan密度聚类方法进行聚类，得到n个聚类簇及拟合因子r，再分别利用n个聚类簇实现调制格式识别，利用拟合因子r实现osnr估计；

其中，拟合因子r定义为：核心点的个数在总数据点中的占比；核心点定义为：若以某数据点为圆心，在半径为ε的范围内，存在其他数据点的个数大于minpts，则该数据点定义为核心点；

步骤3.3，具体包括如下子步骤：

步骤3.3.1：通过设置邻域参数ε与minpts找出步骤3.2形成的星座图中的核心点，并得到拟合因子r；

其中，拟合因子r是核心点数占总数据点数的比；

步骤3.3.2：随机选择步骤3.3.1核心点中的一个，从该核心点出发找到所有与该核心点密度相连的数据点，并将该核心点及与其相连的所有数据点归类到一个簇中；

其中，密度相连定义为：两个数据点可由同一个核心点密度可达；密度可达定义为：两个数据点间存在一系列数据点依次满足密度直达；密度直达定义为：数据点到核心点的欧氏距离小于ε，则该数据点到核心点密度直达；

步骤3.3.3：重复步骤3.3.2，直至遍历步骤3.3.1中生成的核心点，并通过步骤3.3.2生成各核心点对应的聚类簇，统计聚类簇的个数n，并结合步骤3.3.1中得到的拟合因子r，做如下判断：

若n≤6，则将待处理数字通信信号判定为qpsk信号；

若6<n≤12，则待处理数字通信信号判定为8psk信号；

若12<n≤24，则待处理数字通信信号判定为16qam信号；

若n>24，且则待处理数字通信信号判定为32qam信号；

若n>24，且则待处理数字通信信号判定为64qam信号；

至此，获取了待处理数字通信信号的信号调制格式；

步骤3.3.4：经过步骤3.3.3获取待处理数字通信信号的信号调制格式后，再根据调制格式选取不同的邻域参数ε与minpts，经过步骤3.3.1得到的拟合因子带入相应的拟合多项式中以估计osnr值；

其中，拟合多项式由于不同调制格式信号理想星座点分布的差异性而有所不同，分别根据五个信号模式的下采样数据的拟合因子的均值拟合得到的；

至此，经过步骤1到步骤3.3.4，实现了一种密度聚类的调制格式识别与osnr估计的联合方法。

有益效果

本发明一种密度聚类的调制格式识别与osnr估计的联合方法，与现有技术相比，具有如下有益效果：

1.本发明所述方法与调制格式识别与osnr估计的单一功能方法相比，实现了多参数联合估计从而满足了未来eon网络的需求；

2.本发明所述方法与基于神经网络的调制格式识别与osnr估计联合方法相比，无需生成大量训练数据，也无需进行繁琐的对网络训练的过程，降低了系统的复杂度，具有实现对信号实时监测的潜力；

3.本发明所述方法，与基于深度神经网络和幅度分析的调制格式识别与osnr估计联合方法相比，可实现对幅度分布相同的调制格式(比如qpsk和8psk信号)的准确识别与osnr估计，应用更加广泛；

4.本发明具有进一步应用在误码率计算、线性与非线性损伤监测上的应用前景。

附图说明

图1为本发明一种密度聚类的调制格式识别与osnr估计的联合方法依托的系统原理图；

图2为本发明一种密度聚类的调制格式识别与osnr估计的联合方法的流程图；

图3为本发明一种密度聚类的调制格式识别与osnr估计的联合方法调制格式识别结果图；

图4为本发明一种密度聚类的调制格式识别与osnr估计的联合方法osnr估计的结果图。

具体实施方式

下面结合具体实施例来对本发明一种密度聚类的调制格式识别与osnr估计的联合方法进行详细说明。

实施例1

本实施例叙述了本发明密度聚类的调制格式识别与osnr估计的联合方法的具体实施过程。

以附图1的原理图搭建仿真系统，生成不同osnr条件下的五种常用调制格式(pdm-qpsk,pdm-8psk,pdm-16qam,pdm-32qam,pdm-64qam)的信号，并通过改变发射端的prbs生成多模式的数据，经过不同距离的链路传输(pdm-qpsk信号传输4000km，pdm-8psk信号传输2000km，pdm-16qam信号传输1000km，32qam信号传输500km，pdm-64qam信号传输500km)。按照步骤1和步骤2生成待处理数字通信信号。

对步骤2生成的待处理数字通信信号，执行步骤3.1与3.2，生成下采样后的信号的时域星座图后，以附图2中所示的流程执行步骤3.3，经过长距离传输的pdm-qpsk,pdm-8psk,pdm-16qam，pdm-32qam，pdm-64qam信号，当osnr值在各自的7％fec门限以上时，可进行正确区分，得到如附图3展示的调制格式识别结果。

附图3a为在光纤链路中分别传输4000km的qpsk信号，2000km的8psk信号和1000km的16qam信号的聚类簇个数n随osnr变化的结果，附图3b为在光纤链路中传输500km的32qam和64qam信号的聚类簇个数n与拟合因子r的比值随osnr变化的结果。可知不同调制格式的信号均可以通过步骤3.3.3中的判决实现区分。

附图4a显示了不同参考osnr条件下，五个待处理的pdm-qpsk信号的估计osnr值，并显示了在每个osnr条件下的平均绝对误差，最终得到总的平均绝对误差为0.3db；附图4b显示了不同参考osnr条件下，五个待处理的pdm-8psk信号的估计osnr值，并显示了在每个osnr条件下的平均绝对误差，最终得到总的平均绝对误差为0.2db；附图4c显示了不同参考osnr条件下，五个待处理的pdm-16qam信号的估计osnr值，并显示了在每个osnr条件下的平均绝对误差，最终得到总的平均绝对误差为0.5db；附图4d显示了不同参考osnr条件下，五个待处理的pdm-32qam信号的估计osnr值，并显示了在每个osnr条件下的平均绝对误差，最终得到总的平均绝对误差为0.5db；附图4e显示了不同参考osnr条件下，五个待处理的pdm-64qam信号的估计osnr值，并显示了在每个osnr条件下的平均绝对误差，最终得到总的平均绝对误差为0.6db；

至此，先后获得了下采样信号的调制格式信息与osnr估计值，实现了多参数联合估计；从而能够满足未来eon网络的需求，体现了第1个有益效果。

对于基于卷积神经网络的方法，需要至少9600组数据才可实现对卷积神经网络的训练。本发明的调制格式识别基于阈值划分无需训练，并且只需25组数据即可构建估计osnr的拟合多项式。即本发明所述方法与基于神经网络的调制格式识别与osnr估计联合方法相比，无需生成大量训练数据，也无需进行繁琐的对网络训练的过程，降低了系统的复杂度；具有实现对信号实时监测的潜力，体现了本发明的第2个有益效果。

对于基于深度神经网络的方法，无法实现qpsk与8psk信号的识别，并且qpsk，16qam和64qam信号的平均绝对误差分别为1.2db,0.4db和1db。因此，与基于深度神经网络和幅度分析的调制格式识别与osnr估计联合方法相比，可实现对幅度分布相同的调制格式(比如qpsk和8psk信号)的准确识别与osnr估计，应用更加广泛；体现了本发明的第3个有益效果，并且实现了更佳的osnr估计准确度。

在步骤3.3.1中，邻域参数的取值为ε＝0.09，minpts＝25；在步骤3.3.4中在对不同调制格式信号的拟合因子进行多项式拟合时，邻域参数的取值情况如下：当信号调制格式为qpsk时，ε＝0.05,minpts＝23；当信号调制格式为8psk时，ε＝0.09,minpts＝25；当信号调制格式为16qam时，ε＝0.07,minpts＝22；当信号调制格式为32qam时，ε＝0.1,minpts＝26；当信号调制格式为64qam时，ε＝0.05,minpts＝24。

以上所述的实施例作为实施例之一，本发明还具有进一步应用在误码率计算、线性与非线性损伤监测上的应用前景。不应该局限于该实施例和附图所公开的内容。该实施例只是用于帮助理解本发明的方法及其核心思想；本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。

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，本说明书内容不应理解为对本发明的限制。凡是不脱离本发明所公开的精神下完成的等效或修改，都落入本发明保护的范围。