[发明专利]一种针对高阶QAM相干光系统的非线性均衡方法

摘要

一种针对高阶QAM相干光系统的非线性均衡方法，接收端数据经相位噪声补偿后，先用FCM算法实现有效剪裁训练数据，同时对测试数据进行分类判决，从而大大缩小了后续KNN算法的测试和训练集。该方法基于传输速率112Gb/s，传输距离为160km的相干光16QAM系统进行了非线性均衡仿真验证。仿真结果表明，本发明可取得与传统KNN算法同样的系统非线性损伤补偿效果，但其算法复杂度远低于传统KNN算法，算法运行时间远小于KNN。本发明能极大促进相干光QAM系统在中长距离光纤传输中的应用。

主权项

1.一种针对高阶QAM相干光系统的非线性均衡方法，其特征在于，所述方法包括以下步骤：(1)首先按下式计算星座图上各类簇的质心c′_j，其中，训练数据集T＝{(x₁,y₁),(x₂,y₂),…,(x_N,y_N)}，x_i与y_i分别表示训练数据点的特征向量及其类别，i＝1,2,…,N，j＝1,2,…,K，其中N为数据点总数，K为类别总数，S_j为属于第j类的数据点集合，card(·)表示集合中元素个数；(2)然后按下式计算训练集点的初始隶属度μ_ij，表示数据点x_i对于第j个聚类中心的隶属度，其中，c'_k为第k个质心。(3)用初始隶属度μ_ij计算初始聚类中心c_j：(4)按下式更新隶属度μ_ij；其中，c_k为第k个聚类中心。(5)一旦获得更新后的隶属度μ_ij后，计算如下目标函数，其中，m为模糊指数，FCM算法的训练过程即为该目标函数最小化的过程；(6)设定目标函数J_m阈值为q，如果当前目标函数值大于q，重复步骤(3)至(5)，直到目标函数值小于设定阈值q；(7)测试点分类，若训练集和测试集具有相同的聚类中心，则对测试数据集中采用传统判决方式进行，即离每个聚类中心欧氏距离小于等于阈值R的点直接分类为该聚类；反之若该欧氏距离大于阈值R，则被视为该簇边缘测试点，用以下KNN算法进行；(8)对某测试点首先计算其与所有聚类中心的欧氏距离，并根据欧氏距离最小的聚类中心c_j将其模糊分类为该类，筛选出训练集数据点中对于该聚类c_j的隶属度μ_ij大于某一阈值p的数据点，以此作为测试点判决的训练集T₁；(9)使用筛选后的训练集对测试集使用KNN进行最终分类，过程如下：a.星座图上的点x是二维矢量，用同相和正交分量表示为(I(x),Q(x))，需要计算它与训练集T₁中任意训练数据点x_i的距离，根据给定的距离度量，在训练集T₁中找出与x最邻近的k个点，包括这k个训练集点的x领域记作N_k(x)；b.在N_k(x)中根据分类决策规则决定x的类别y；其中，N₁为训练集元素个数；K为总类别数；I(·)为指示函数，即当y_i＝c_j时I(·)为1，否则为0。