论文部分内容阅读
随着诸如物联网,5G等新兴技术的发展,通信系统的容量需求也在日益增长,对于更大通信容量的迫切需求推动着光纤通信系统的物理层调制格式的革新。对比传统的方形QAM星座图,由于基于概率整形技术(Probabilistic shaping,PS)的星座图有着更接近于香农限的信道容量,所以成为一种能够提升通信容量的可行方案。然而,在发送端星座图映射技术不断发展的同时,传统数字相干信号处理技术需要相应改进以实现最优化接收,如频偏估计,偏振解复用以及判决域选取等。尤其,在光纤非线性作用下算法的适应性。经典的最大后验概率(maximum a posteriori probability,MAP)算法适用于概率不均匀分布的情况,但这一算法是在白高斯噪声信道假设下得到的,没有考虑到调制相关非线性以及光纤中非线性效应所带来的影响。本文主要从判决域选取上对概率整形星座图在非线性作用下的判决域选择展开讨论。最近几年,机器学习方法在许多学科中展现了其强大的学习与拟合能力,在光纤通信中也引起了许多研究者的深入研究和应用。本文利用机器学习对于非线性函数的较好拟合能力,构建了一种能够在概率整形与非线性效应影响下工作的分类器,具体工作如下:1.本文通过对于常见机器学习算法的特点进行分析,筛选并采用支持向量机(support vector machine,SVM)作为分类器的算法。针对于星座图的编码特点,构造了若干个子分类器来减少机器学习的复杂度。该方法相比于MAP算法有着一定程度对非线性噪声的容忍性。仿真和实验结果显示,在非线性噪声影响较大时,基于SVM的判决算法相比于MAP算法有着一定的提升;2.本文对机器学习在概率整形星座图和光纤非线性效应的条件下的表现进行了分析,利用基于马尔可夫链-蒙特卡洛(Markov Chain Monte Carlo)方法的过采样针对SVM的不足之处进行弥补。通过分位数-分位数图可以直观的看出,MCMC方法生成的样本相比于一般的过采样技术表现更好。通过仿真和实验数据验证表明,基于MCMC的SVM能够正常工作在概率幅度整形的星座图环境中,并且依然能对抗非线性效应产生的影响。在实验数据中,基于MCMC-SVM的判决算法相比于MAP算法有着最大0.5d B的Q值增益。