[发明专利]用于短距离光通信的基于特征工程的KNN均衡算法

权利要求书

1.用于短距离光通信的基于特征工程的KNN均衡算法，其特征在于，包括如下步骤：

步骤1：将接收端采样后的包含训练序列的数据输入到特征工程模块，采用特征工程模块为训练序列中的每个数据构建特征向量，并进行特征处理；

步骤2：训练序列发生器重新产生训练序列，作为与训练序列的特征向量相对应的标签，构成训练集；

步骤3：对有效数据使用相同的特征工程得到其特征向量，将训练集和有效数据的特征向量作为KNN分类器的输入；

步骤4：根据特征空间中，每个有效数据离其最近的k个训练数据的类别，决定有效数据的类别，KNN分类的结果即为均衡输出。

2.根据权利要求1所述的用于短距离光通信的基于特征工程的KNN均衡算法，其特征在于，所述步骤1具体如下：训练序列采用的特征工程包括，1)特征构建方法：通过抽头延时器得到当前数据及它的若干个前后数据的采样值作为每个数据的特征值，构建特征向量，该长度由信道码间串扰的长度决定；2)特征处理方法：在中心抽头的特征值赋予权重，所述权重参数取1～1.5之间的固定值。

3.根据权利要求1所述的用于短距离光通信的基于特征工程的KNN均衡算法,其特征在于，所述步骤2具体如下：训练序列中每个数据的标签，为接收端训练序列发生器重新产生的训练序列，所述训练集由步骤1中构建的训练序列特征向量与其对应的标签构成。

4.根据权利要求3所述的用于短距离光通信的基于特征工程的KNN均衡算法，其特征在于，所述步骤3具体如下：有效数据所采用特征工程与步骤2中的特征工程一致，将所述训练集和有效数据的特征向量作为KNN分类器的输入。

5.根据权利要求1所述的用于短距离光通信的基于特征工程的KNN均衡算法，其特征在于，所述步骤4具体如下：计算得到与有效数据k个距离最近的训练数据，选择k个最近数据中出现次数最多的类别作为待均衡有效数据的类别；其中，所述距离为欧几里得距离，k是奇数。