[发明专利]基于无数据辅助的KNN算法的光纤非线性均衡方法

说明书

本发明公开了一种基于无数据辅助的KNN算法的光纤非线性均衡方法，包括：获取各数据点的分布密度参数，选取分布密度参数大于预设阈值的数据点进行信号解调，获得各数据点对应的标签，根据标签分成M个簇，获得对应的质心：根据获得的质心，将数据点按照欧几里得距离重新进行分类，构成训练样本集；取未获得标签的数据点X，从训练样本集中获取数据点X的K个最近邻点；计算数据点X的KNN欧氏距离数据，并找出K个最近邻点的标签簇；使用加权总和投票规则确定数据点X的预测标签，将X分配至对应簇；重复直至完成对所有数据点的处理。本发明大大降低计算复杂度，实现了系统的零冗余，能够显著地提升系统的分类性能，使系统误码率得以改善。

技术领域

本发明涉及一种光纤通信方法，具体涉及一种用于光纤通信系统的非线性均衡方法。

背景技术

对于远距离大容量光纤通信系统来说，系统的通信容量和通信距离是研发者追求的目标。为提升传输速率，这类系统通常具有高频谱效率的高阶调制信号，例如，M进制相移键控（M-PSK）和M进制正交幅度调制（M-QAM）都是竞争性候选的调制信号。当前，结合相干检测和数字信号处理（DSP）技术，16-QAM在200G通道中、64-QAM在400G以上的信道中被普遍采用。这些高阶调制信号提升了数据传输速率，但同时由于较高的光信噪比（OSNR）需求导致了实际传输距离的减小。

为提升传输距离，有必要对信号进行非线性补偿。目前，采用的非线性补偿方法是，在接收端将光信号转化为电信号，经过模数转换器采样后，再进行数字信号处理（DSP）。已经有许多DSP算法被开发用于补偿线性和非线性光纤传输损伤以延长高阶QAM信号的传输距离。线性传输损伤，如色散和偏振模色散都可以在有限的数字领域基于脉冲响应（FIR）- 滤波器的自适应均衡器中得到有效的补偿。然而，光纤中的克尔效应会引起非线性波形失真从而限制高阶QAM信号的最大传输距离。因此，非线性均衡的DSP技术对于减轻光纤非线性来说是不可或缺的。

当前，一些非线性均衡DSP算法已经被提出，如最大后验概率（MAP）检测器、最大期望值（EM）、最大似然值估计（MLE）、非线性Volterra非线性均衡器、数字反向传播（DBP）、人工神经网络网络（ANN）、支持向量机（SVM）和k-means等。然而，其中大部分的算法具有较高的计算复杂性，同时有一些算法需要更长的训练序列，这无疑增加了额外的带宽需求。

因此，迫切需要提供一种改进的光纤非线性均衡方法，以在相对较低复杂情况下提供高效的非线性补偿，以降低计算成本，实现低数据冗余商业应用。

邻近算法，又称为K最近邻（KNN）算法，参见附图2所示，是一个分类和回归的非参数方法，同时也是一个简单的和有效的分类方法，对于类域的交叉或重叠较多的待分样本集来说，KNN方法较其它方法更为适合。但是，在用于光纤通信后端的非线性均衡的DSP处理过程中时，存在以下问题：

(1) 在传统的KNN算法中需要额外的训练序列，用有标签的训练序列通过计算最近的欧氏距离来预测未知的测试数据。但是因为较少的训练样本会导致错误的分类，即小规模的训练数据更容易受到噪声的影响，因此算法的性能高度取决于训练序列的长度，但更多的训练样本也意味着更大的系统冗余。

(2) 对于传统的KNN而言，k值太小，分类结果易受噪声点影响；k值太大，近邻中又可能包含太多的其它类别的点。

(3) 在进行类别判定时，传统的KNN使用投票法来进行判定，但是投票法并没有考虑近邻的距离的远近，这会影响最终的分类性能。

综上所述，如果在光通信DSP处理中采用传统的KNN聚类方法，那么就意味着需要额外添加辅助的训练系列进行聚类，在聚类过程中，毫无疑问地就增加了通信系统的数据冗余度。因此，这种应用不能解决目前遇到的问题。

发明内容