一种低复杂度光通信系统非线性补偿方法

本发明涉及一种低复杂度光通信系统非线性补偿方法，属于光纤通信。

背景技术：

1、光纤通信系统是承载高速长距离信息传输的重要支撑，在新型业务需求激增的背景下，其容量受到越来越严峻的挑战。单模光纤通信技术尽管成熟且广泛商用，然而其传输容量存在上限，难以满足容量激增的需求。模分复用光通信技术能够在单根光纤中同时传输多种模式的光信号，可以成倍提升系统容量，为光纤通信系统的发展提供了一个新方向。然而模分复用光通信系统由于使用了更多更复杂的光电器件，各类光电器件导致的非线性效应相互影响和叠加，从而严重影响信号质量，降低系统的传输性能。因此，研究模分复用光通信系统的非线性补偿方法具有重要的意义。

2、目前常用的非线性补偿方法，例如基于沃尔泰拉级数的非线性补偿，通过拟合系统的非线性数学模型来均衡畸变的信号，然而，在面对复杂的非线性效应时，其补偿效果校为有限。随着人工智能的发展，基于深度学习的方法大量涌现，为模分复用光纤通信系统的非线性补偿提供了新思路，然而基于深层神经网络的补偿方法，复杂度较高，工程应用难度较大，因此有必要研究低复杂度的光通信系统非线性补偿方法。

技术实现思路

1、针对目前基于深层神经网络的非线性补偿方法存在复杂度较高，工程应用难度较大的问题，本发明的主要目的是提供一种低复杂度光通信系统非线性补偿方法，针对模分复用光通信系统传输中的非线性损伤，采用低复杂度极限随机树-隐马尔科夫模型混合模型(ert-hmm)对模分复用光通信系统中的信号进行补偿，提高模分复用光通信系统中非线性补偿的精度，降低补偿方法的复杂度。

2、本发明的目的是通过下述技术方案实现的：

3、本发明公开的一种低复杂度光通信系统非线性补偿方法，包括如下步骤：

4、步骤一、通过信号的传输及预处理，构建数据集；

5、步骤1.1、模分复用光纤通信系统为轨道角动量模分复用强度调制直接检测系统(oam-mdm-im/dd)。该系统传输4阶脉冲幅度信号即pam4信号，接收信号经过时钟恢复、重采样处理之后，得到接收符号序列r＝[r1,r2,...,rn]，其中ri(i＝1,2,...,n)为接收符号序列的第i个符号，n为接收符号序列长度。对于每一个pam4接收符号ri(i＝1,2,...,n)，将当前符号与其前后l个时序相邻符号组合起来，作为当前符号的特征向量，表示为xi＝[ri-l,...,ri,...,ri+l]。

6、步骤1.2：构建数据集。根据步骤1.1中得到的接收符号序列r＝[r1,r2,...,rn]，特征向量xi＝[ri-l,...,ri,...,ri+l]以及发送符号序列[y1,y2,...,yn1]，构建训练数据集d＝{xi,yi},i＝1,2,...,n1，及测试数据集其中yi∈{q1,q2,q3,q4}，其中q1＝-3,q2＝-1,q3＝1,q4＝3，表示pam4的4种符号；n1为训练数据集大小；xi表示第i个pam4符号的特征向量；yi表示相对应的隐变量。

7、步骤二、构建ert-hmm模型，使用训练数据集训练ert-hmm。

8、步骤2.1、根据步骤1.2构建的训练数据集d＝{xi,yi},i＝1,2,...,n1构建ert-hmm模型。隐马尔科夫模型即hmm，是关于时间序列的概率模型，描述一个含有隐变量的马尔科夫过程，能够从可观察变量计算并确定该过程的隐变量。可观察变量，对应步骤1.1所述的xi，构成的序列为观测序列；隐变量，对应步骤1.2所述的yi，构成的序列为状态序列。极端随机树即ert，是一种基于决策树的集成机器学习算法。ert中每一组决策树分类器，都在训练集中进行训练。在构建单个决策树时，ert随机选择特征子集，并通过随机阈值进行分裂，具有很好的泛化能力。在做最终分类的决策时，所有单个决策树的分类结果经过统计，得到分类到每个类别的概率。

9、一个hmm表示为λ(a,b,π)，其中a为状态转移矩阵，a＝[aij]，其中状态转移概率aij＝p(yt+1＝qj|yt＝qi),i∈{1,2,3,4},j∈{1,2,3,4},t＝1,2,...,n1描述隐变量不同状态转移的概率；b为发射概率矩阵，其中发射概率描述已知隐变量状态得到观测变量的概率；π为初始概率分布，π＝(πk)，πk＝p(y1＝qk)，k∈{1,2,3,4}，描述初始时刻隐变量不同状态的概率。

10、步骤2.2、从训练数据集d中统计得到状态转移矩阵a，初始概率分布π以及p(y＝qm),m∈{1,2,3,4}。

11、步骤2.3、根据训练数据集d构建并训练一个极端随机树(ert)模型，ert中包括m棵随机树，表示为tert＝{ti},i＝1,2,...,m。

12、生成一棵决策树的具体如下：

13、a)首先判断是否满足节点分裂条件，即数据集中的样本非零且数据集中的样本类别数大于1。

14、b)满足节点分裂条件，进行节点分裂，在每个分裂节点随机从d中2l+1个特征中选择k个特征{a1,a2,...,ak}，并产生k个分裂阈值{d1,d2,...,dk}，其中

15、为d中特征ai的最小值，为d中特征ai的最大值，di从中随机取值。k个分裂阈值{d1,d2,...,dk}中的每一个都将训练集分为两个样本集合dl和dr，分别对应ai＜di和ai≥di。根据

16、其中计算出k个分裂阈值对应的分数，保留分数最高的分裂阈值，用该阈值把训练集分为左子树样本集合dl和右子树样本集合dr。继续对左子树和右子树进行节点分裂条件判断，直到不满足节点分裂条件为止。

17、c)不满足节点分裂条件，输出叶子节点，其类别标记为样本中占比最高的类别，得到ti,i∈{1,2,...,m}

18、将生成一棵决策树的操作执行m次，得到包含m棵随机树的ert模型

19、tert＝{ti},i＝1,2,...,m。

20、步骤2.4、结合步骤2.1,2.2,和2.3中得到的ert模型和hmm模型，得到训练完毕的ert-hmm模型。

21、步骤三：使用步骤二中的ert-hmm对接收到的模分复用光纤通信信号进行非线性补偿。

22、步骤3.1：对于步骤1.2得到的测试数据集由步骤三中得到的ert-hmm模型计算得到发射概率矩阵t＝n+1,...,n,m∈{1,2,3,4}。使用ert-hmm模型对接收符号序列对应的特征向量序列x进行分类，最终通过投票产生最终的分类结果，即p(yt＝qm|xt),m∈{1,2,3,4},t＝n1+1,...,n。根据贝叶斯公式，能够得到其中由于hmm的观测独立性假设，p(xt)被指定为常数1，p(y＝qm)于步骤2.2中得到。

23、步骤3.2：使用步骤3.1得到的发射概率矩阵和步骤2.2得到的状态转移概率矩阵和初始概率分布，利用维特比算法对测试数据集进行解码识别，得到符号序列完成对信号的非线性补偿，实现低复杂度、高准确度的损伤补偿，有效缓解模分复用信号在光纤传输过程中收到非线性损伤的影响，提升通信系统的鲁棒性。

24、有益效果：

25、1、本发明公开的一种低复杂度光通信系统非线性补偿方法，采用极端随机树-隐马尔科夫模型混合模型，对oam-mdm-im/dd光传输系统进行建模，针对传输系统的信号损伤特点，对信号进行非线性损伤补偿，与采用传统的非线性补偿算法相比，能够针对不同oam模式的信道情况进行建模，自适应信道情况做出有效补偿，降低误码率，提高大容量高速率的光纤通信质量。

26、2、本发明公开的一种低复杂度光通信系统非线性补偿方法，采用极端随机树-隐马尔科夫模型混合模型，与基于神经网络的新型人工智能非线性补偿方法和基于沃尔泰拉级数的工程常用非线性补偿方法相比，因为极端随机树模型不需要实数乘法运算，计算复杂度较低，简化接收端数字信号处理的复杂度，具有很高的工程应用价值。