用于滤波器组多载波调制光通信系统的K-means非均匀量化算法的制作方法

本发明涉及一种用于滤波器组多载波调制光通信系统的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、无线通信系统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，提高了系统对载波间干扰(ici)的鲁棒性，降低了带外功率泄露功率等。在光传输系统中，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系统成本，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的性能以降低系统成本。

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系统中，例如jizongpeng于2017年在ieeephotonicsjournal发表的《sqnrimprovementenabledbynonuniformdacoutputlevelsforim-ddofdmsystems》，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系统的传输性能。但在imdd滤波器组多载波系统中，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jizongpeng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ieeephotonicsjournal发表的《performanceoptimizationbynonparametrichistogramestimationforlowresolutioninimdd-oqam-ofdmsystem》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。

技术实现要素：

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系统的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系统的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系统的特点，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系统的性能。

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系统示意图。

图3为imdd滤波器组多载波光通信系统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系统的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系统，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系统分别经过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系统的需求。

本发明一种用于滤波器组多载波调制光通信系统的k-means非均匀量化算法，包括：在滤波器组多载波调制光通信系统中，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系统。

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。