论文部分内容阅读
不像无线通信领域,调制模式识别技术起步早,发展相对成熟,在光通信领域,特别是智能光网络(Automatic Switch Optical Network,ASON)的调制模式识别技术才刚刚发展。但是对光调制模式的识别,由于其潜在的研究价值和巨大的应用前景,近些年来引起了越来越多的关注。为了从理论上更好的分析智能光网络物理层光传输系统,在本文的研究中采用ASON+DWDM组网方案,提出了一种基于密集波分复用(Dense Wavelength Division Multiplexing,DWDM)的非补偿光传输系统(Uncompensation Transfer,UT)模型,并对该模型的推导进行详细讨论。本文模式识别算法的研究就是基于该DWDM-UT系统模型展开的。研究中共涉及到四类共18种调制信号的判决,它们分别是强度调制信号MASK,相位调制信号MPSK,幅相调制信号MQAM和MAPSK。文中所提出的调制模式识别算法(Modulation Format Identification,MFI)主要基于调制信号高阶累积量(High Order Cumulants,HOC)的特征值参数,利用所设计的分类决策算法对不同的调制信号进行分类判决。对分类判决算法中所使用的阈值,考虑到存在一些调制信号特征值参数随信噪比变化的特性,提出了一种实时训练序列阈值优化(Real-time Training Sequence Threshold Optimization,RT-TSTO)算法,通过对比测试,发现该算法能够有效的保证阈值的精确性,极大地改善了不同调制信号的识别效果。考虑到智能光网络物理层DWDM-UT系统受色散(D)、非线性效应(γ)和传输距离(L)的影响,我们分别研究了这些因素的改变对模式识别性能的影响,并利用仿真工具Matlab给出了相应的仿真结果。与此同时,为了进一步验证本文所提出的MFI算法的有效性,我们对当前已经广泛投入商用的基于PM-QPSK调制的高速率Nyquist WDM也进行了讨论,通过VPI和Matlab的联合仿真,结果表明该系统即使经过超长距离的传输,PM-QPSK调制信号的识别率也能达到96.5%以上。以上仿真结果对今后智能光网络物理链路的工程实施提供了一定的理论依据。