技术领域
[0001] 本
发明涉及光传输网技术领域，具体涉及一种联合强度波动与相位波动特征的调制格式识别方法。
背景技术
[0002] 下一代光网络被期望更加灵活、更加自适应的满足网络终端用户的各种要求；光网络的发射端能够根据传输链路不同的服务需求，动态的改变发射端
信号的特性；如：调制格式、传输波特速率、载波个数、传输信道的中心
波长等；因此为了使光网络更加灵活、自主，接收端需要自主的识别传输信号相关特性，进而能够优化的、自适应的调解信号；其中，调制格式识别是其中最重要性能特征，调制格式信息的正确获知；可使
数字信号处理模
块中的调制格式相关
算法选择更加优化的算法，进而提升调解的性能。
[0003] 最近，各种调制格式识别算法已经提出：2010年，丹麦技术大学的研究人员提出使用Kmeans算法识别调制格式
星座图对应的簇点实现识别过程；该方法需要载波相位恢复以后得到星座图，在实际应用中具有一定局限性，载波相位恢复算法也是调制格式有关的算法；2012年，香港理工大学的研究人员提出使用
人工神经网络的方法识别调制格式的异步直方图实现识别过程，该方法需要额外的调制格式探测设备，增加了调制格式识别的成本；2013年，美国佐治亚理工大学的研究人员提出在斯托克斯空间和琼斯空间的高阶统计量的识别算法；该算法需要提前预知近似的光
信噪比，以及接收信号的载波
频率；2014年，香港理工大学提出使用信号功率分布实现调制格式有关，很大程度上制约其实用程度，同时仅对
正交幅度调制起作用；2016年，香港中文大学研究人员提出使用
图像处理的方法实现调制格式的识别，该方法需要对通过斯托克斯空间获得的二维平面图像进行去噪处理；然后再进行星座点识别过程。2018年，西南交通大学闫连山教授团队提出一种基于斯托克斯空间二维平面的调制格式识别方法，该方法可以识别多种调制格式，同时对多种效应具有一定的抗干扰性，由于斯托克斯空间在信号转换的过程中可能会加大噪声对信号的影响。
发明内容
[0004] 本发明提供一种可实现多种调制格式的识别，不需要额外预知信号的相关信息，复杂度较低的联合强度波动与相位波动特征的调制格式识别方法。
[0005] 本发明采用的技术方案是：一种联合强度波动与相位波动特征的调制格式识别方法，包括以下步骤：
[0006] 步骤1：获取接收端接收到的偏振态信号Ex和Ey，经过预处理得到信号Dx和Dy；
[0007] 步骤2：根据步骤1得到的信号Dx和Dy计算Godard’s标准差和强度噪声方差，根据Godard’s标准差和强度噪声差构建二维强度噪
声波动平面；
[0008] 步骤3：通过步骤2构建的二维强度噪声波动平面区分相位调制信号mPSK和其不同阶数的正交幅度调制信号mQAM；
[0009] 步骤4：计算信号Dx和Dy的
相位噪声方差，根据Godard’s标准差和相位噪声方差构建二维相位噪声平面；
[0010] 步骤5：根据步骤4得到的二维相位噪声平面对步骤3区分得到的相位调制信号mPSK区分其不同阶数；确定信号的调制格式，完成调制格式识别。
[0011] 进一步的，所述步骤1中的预处理包括依次进行的色散补偿、时钟恢复和恒常模预均衡。
[0012] 进一步的，所述步骤2中Godard’s标准差计算方法如下：
[0013]
[0014] 式中：εGodard为Godard’s标准差，N为数据样本点数，Dx,为经预处理后的X偏振信号，Dx,(n)为Dx,的第n个符号，Rx为Dx,的恒定功率，Dy为经预处理后的Y偏振信号，Dy,(n)为4 2
Dy的第n个符号，Ry为Dy的恒定功率，E{·}为信号的期望，|·|为信号幅度的4次方，|·|为信号功率，|·|为信号幅度。
[0015] 进一步的，所述步骤2中强度噪声方差计算方法如下：
[0016] εInt_Var＝Var(||Dx(n)|2-E{|Dx(n)|2}|2)+Var(||Dy(n)|2-E{|Dy(n)|2}|2)[0017] 式中：εInt_Var为强度噪声方差，Var为方差，Dx,为经预处理后的X偏振信号，Dx,(n)为Dx,的第n个符号，Dy为经预处理后的Y偏振信号，Dy,(n)为Dy的第n个符号，E{·}为信号的期望，|·|2为信号功率。
[0018] 进一步的，所述步骤4中计算相位噪声方差之前还需对步骤3区分得到的相位调制信号mPSK进行载波相位恢复。
[0019] 进一步的，所述步骤4中的相位噪声方差的计算方法如下：
[0020] εphase_Var＝Var(∠[(Dp(n))4]/4)
[0021] 式中：εphase_Var为相位噪声方差，∠为提取信号的相位
角操作，Dp(n)为载波相位恢复算法后的调制信号，(·)4为信号的4次方操作。
[0022] 进一步的，对步骤3得到的二维强度噪声波动平面和步骤5得到的二维相位噪声平面通过
机器学习方法辅助区分。。
[0023] 进一步的，所述机器学习方法为
支持向量机、Kmeans算法、KNN算法、神经网络算法中的一种。
[0024] 进一步的，还包括对确定调制格式的信号之后依次进行以下处理，偏振解复用、频偏估计和载波相位恢复，实现信号的最终调解。
[0025] 本发明的有益效果是：
[0026] (1)本发明可实现多种调制信号调制格式的识别，包括多种相位调制格式，多种正交幅度调制格式等；
[0027] (2)本发明不需要额外的辅助设备，直接使用传输系统的接收机即可进行调解信号；
[0028] (3)本发明不需要额外预知信号的相关信息，可以直接估计调制格式信息；
[0029] (4)本发明只需要计算信号的强度和相位波动特征，因此复杂度低；
[0030] (5)本发明能够在多种传输业务、多个传输波长、多个纤芯、多个模式、多个偏振态、多种调制格式的光传输系统中实现调制格式信息的识别。
附图说明
[0031] 图1为本发明
实施例1中信号的识别过程。
[0032] 图2为本发明流程结构示意图。
[0033] 图3为本发明中构建得到的强度噪声波动平面(a)和相位噪声波动平面(b)。
[0034] 图4为本发明不同训练点数下，正交幅度调制的识别率(a)和相位调制的正确识别率(b)。
具体实施方式
[0035] 下面结合附图和具体实施例对本发明做进一步说明。
[0036] 一种联合强度波动与相位波动特征的调制格式识别方法，包括以下步骤：
[0037] 步骤1：获取接收端接收到的偏振态信号Ex和Ey，经过预处理得到信号Dx和Dy；包括色散补偿、时钟恢复、恒常模预均衡；其中Ex为X方向偏振态信号，Ey为Y方向偏振信号。
[0038] 其中恒常模预均衡对相位调制信号mPSK(呈现一级恒定的幅度模)可以起到很好的均衡效果；对正交幅度调制信号mQAM(具有多级幅度模)只能起到初步均衡的效果；此时得到的信号Dx和Dy可展现不一样的强度特征；所以可通过强度特征来区分相位调制信号mPSK和正交幅度调制信号mQAM。
[0039] 步骤2：根据步骤1得到的信号Dx和Dy计算Godard’s标准差和强度噪声方差，根据Godard’s标准差和强度噪声差构建二维强度噪声波动平面。
[0040] Godard’s标准差计算方法如下：
[0041]
[0042] 式中：εGodard为Godard’s标准差，N为数据样本点数，Dx,为经预处理后的X偏振信号，Dx,(n)为Dx,的第n个符号，Rx为Dx,的恒定功率，Dy为经预处理后的Y偏振信号，Dy,(n)为Dy的第n个符号，Ry为Dy的恒定功率，E{·}为信号的期望，|·|4为信号幅度的4次方，|·|2为信号功率，|·|为信号幅度。
[0043] 强度噪声方差计算方法如下：
[0044] εInt_Var＝Var(||Dx(n)|2-E{|Dx(n)|2}|2)+Var(||Dy(n)|2-E{|Dy(n)|2}|2)[0045] 式中：εInt_Var为强度噪声方差，Var为方差，Dx,为经预处理后的X偏振信号，Dx,(n)为Dx,的第n个符号，Dy为经预处理后的Y偏振信号，Dy,(n)为Dy的第n个符号，E{·}为信号的期望，|·|2为信号功率。
[0046] 步骤3：通过步骤2构建的二维强度噪声波动平面区分相位调制信号mPSK和正交幅度调制信号mQAM；
[0047] 在二维强度噪声波动平面中，所有的相位调制信号mPSK呈现同样的强度波动特征，出现在在同一个区域；各种调制阶数的正交幅度调制信号mQAM呈现不同的强度波动特征，出现在不同的区域；因此可通过强度噪声波动平面来区分mPSK和各种调制阶数的mQAM(如：8QAM、16QAM、32QAM、64QAM、128QAM、256QAM、mQAM等)；区分不同区域的强度特征可通过机器学习的方法(例如：支持向量机(SVM)、Kmeans算法、KNN算法、神经网络算法等；不局限于上述算法)来辅助区分。
[0048] 步骤4：计算信号Dx和Dy的相位噪声方差，根据Godard’s标准差和相位噪声方差构建二维相位噪声平面；
[0049] 相位噪声方差的计算方法如下：
[0050] εphase_Var＝Var(∠[(Dp(n))4]/4)
[0051] 式中：εphase_Var为相位噪声方差，∠为提取信号的相位角操作，Dp(n)为载波相位恢复算法后的调制信号，(·)4为信号的4次方操作。
[0052] 因为具体的mPSK调制格式无法直接使用强度波动特征来区分，因此需要使用相位特征对mPSK信号进行进一步区分；计算相位噪声方差之前还需对步骤3区分得到的相位调制信号mPSK进行载波相位恢复。
[0053] 步骤5：根据步骤4得到的二维相位噪声平面对步骤3区分得到的相位调制信号mPSK区分其不同阶数；确定调制格式的信号，完成调制格式识别。
[0054] 通过二维相位噪声波动平面用于区分不同阶数的mPSK(例如：QPSK、8PSK、16PSK、32PSK、mPSK)信号；在二维相位噪声波动平面中，不同阶数的相位调制格式出现在不同区域；同时区分不同区域的相位波动特征可通过机器学习的方法(例如：支持向量机(SVM)、Kmeans算法、KNN算法、神经网络算法等，但是并不局限于上述算法)来辅助区分。
[0055] 还包括对确定调制格式的信号之后依次进行以下处理，偏振解复用、频偏估计和载波相位恢复，实现信号的最终调解。
[0056] 实施例
[0057] 如图1所示，由一路或N路波长(业务)的发射机1011～101N调制出相位调制/正交幅度调制mPSK/mQAM的信号；经过波分复用器102将多个波长(业务)的发射信号耦合到一起；通过一段或N段光纤1031～103N进行传输，相应的传输损耗由一个或N个
光放大器1041～
104N进行补偿；由于
光放大器将带入自发
辐射噪声，因此光放大器1041～104N后端使用带通
滤波器1051～105N滤除频带外自发辐射噪声；最后传输信号通过波分解复用器(106)将多个波长的信号分开，然后进入接收机1071～107N进行相应的
数模转换、以及数字
信号处理等操作；本发明即在接收机中进行调制格式识别。
[0058] 具体过程如图2所示，在接收机1071～107N中，信号通过光电转换后，进行数模转换得到数字信号。接收到的数字信号经过色散补偿、时钟恢复、恒常模预均衡。用预均衡以后的数据首先计算两种强度特征Godard’s标准差和强度噪声方差，并且构建二维强度噪声波动平面。通过强度噪声波动平面来区分mPSK与各种调制阶数的mQAM(例如：8QAM、16QAM、32QAM、64QAM、128QAM、256QAM、mQAM等)。使用机器学习的方法(例如：支持向量机(SVM)、Kmeans算法、KNN算法、神经网络算法等，可以使用但不局限这些算法)来辅助区分。由于强度噪声波动平面无法区分具体调制阶数的mPSK，使用Godard’s标准差和相位噪声方差构建一个二维相位噪声波动平面，用于区分不同的阶数的mPSK(例如：QPSK、8PSK、16PSK、32PSK、mPSK)信号。同样使用机器学习的方法(例如：支持向量机(SVM)、Kmeans算法、KNN算法、神经网络算法等，可以使用但不局限这些算法)来辅助区分。识别结束以后，将已经确定调制格式的信号进行偏振解复用、频偏估计和载波相位恢复，实现信号的最终解调。
[0059] 如图3所示，为本发明根据以下具体实例构建的强度噪声波动平面(a)和相位噪声波动平面(b)；为了验证本发明的可行性，以几种简单的调制格式为例(例如：QPSK、8PSK、8QAM、16QAM、32QAM)；在强度噪声波动平面中可以看到，不同的调制格式的强度波动特征出现在平面的不同区域；通过支持向量机的方法来辅助区分不同的特征区域；QPSK和8PSK，由于本身都只是一个强度能级，因此在该强度噪声波动平面内无法区分；通过相位噪声波动平面来区分具体阶数的mPSK信号，发现QPSK和8PSK出现在不同区域，使用支持向量机的方法来辅助区分不同的特征区域。
[0060] 通过不同的训练点数，验证本发明的正确性；如图4所示，a为正交幅度调制的正确识别率，b为相位调制的正确识别率；在图4a中可以看出训练点数越多，调制格式识别的
精度就越高；当上升到10000个训练样本的时候，mPSK、8QAM、16QAM、32QAM的正确识别率分别为100％,100％,97.17％,和97.18％。在图4b中可以看出相位调制识别率在训练点数很小的时候即可达到100％的识别率，其中QPSK、8PSK的正确识别率分别为100％、100％；具体识别率如表1所示。
[0061] 从表1可以看出，所测试的调制格式在较低性噪比的情况下，仍然可以正确的识别调制格式。
[0062] 表1.调制格式识别率
[0063]
[0064] 为了验证本发明方法的有效性，还计算了不同调制格式在长距离传输链路中不同发射功率对识别率的影响；从计算结果可以看出本发明方法能够对线性损伤和非线性损伤具有一定的冗余性；能够适应多种传输业务、多个传输波长、多个纤芯、多个模式、多个偏振态、动态的、大量的光传输网领域。
[0065] 本发明可实现多种调制格式的识别，不需要额外预知信号的相关信息；不需要额外的辅助设备，只需要计算信号的强度和相位波动特征，因此复杂度较低。
