[发明专利]用于高阶PAM光传输系统中的SVM分类器优化的均衡算法

说明书

本发明公开了一种用于高阶PAM光传输系统中的SVM分类器优化的均衡算法，包括：步骤1：发送端将包含训练序列的数据通过光纤传输到接收端，接收端将采样后的包含训练序列的数据输入到均衡器模块；步骤2：均衡器模块提取接收到的训练序列，为其构建特征向量，训练序列发生器重新产生训练序列，并将其分为两个大类，作为对应特征向量的标签，构成训练集；步骤3：将训练集输入到SVM训练器，计算得到一个中心最优超平面，计算不同类别的点到超平面的平均距离作为不同的偏移；步骤4：提取最优超平面的法向量，当作滤波器的抽头系数，将不同类别的偏移当作判决器对应的判决门限，对后续有效数据进行均衡。本发明所述方法可大幅减少计算以及实现复杂度。

技术领域

本发明涉及一种用于高阶PAM光传输系统中的SVM分类器优化的均衡算法。

背景技术

随着如云计算，虚拟/增强现实，5G等业务的发展，推动了高速光接入网和短距离光通信的需求。与长距离网络相比，这些短距离网络由于部署规模庞大，因此对成本非常敏感。这使得低复杂度和低成本的强度调制和直接检测(IM/DD)技术被采用作为主流技术。同时，最近报道的超过100-Gbps甚至200-Gbps IM/DD系统的诸多研究，大多使用了先进的高阶调制格式，例如四/六/八级脉冲幅度调制(PAM-4/6/8)和离散多音(DMT)调制。同时，为了解决由带宽限制和光纤的累积色散产生的符号间干扰(ISI)，需要在发送/接收端进行信号前/后均衡处理。因此，基于IM/DD的系统与电子数字信号处理(DSP)技术相结合是最有希望的下一代光接入网和短距离光通信的候选系统之一。

经对现有文献检索发现，基于数字信号处理(DSP)的电信号上的均衡研究主要分为传统电信号均衡器以及新兴的机器学习算法。传统电信号均衡技术主要基于前馈均衡器(FFE)和判决反馈均衡器(DFE)进行改进，例如Jinlong Wei于2018年在EuropeanConference on Optical Communications中发表的《Linear Pre-equalizationTechniques for Short Reach Single Lambda 225-Gb/s PAM IMDD Systems》，其通过实验证明并比较了三种线性预均衡技术，用于短距离IMDD的225-Gb/s-PAM-6和PAM-8系统。但该方案不仅在发送端采用了基于FFE的预均衡技术，而且接收端也采用了基于Volterra滤波器的FFE均衡器，因此整个系统的均衡运算复杂度很高，效率较低。

同时，为了进一步提高系统性能，国内外学者陆续提出了一些基于机器学习的均衡方案，如支持向量机(SVM)和神经网络(NN)。其中，SVM相对于NN复杂度低的同时，性能也令人满意，因此受到学者的青睐。但由于SVM本身仅仅是一个二分类器，对于高阶调制的系统往往需要多个SVM组合才能完成均衡。如，上海交通大学学者Guoyao Chen于2018年在Optical Interconnects Conference上发表的《Machine learning of SVMclassification utilizing complete binary tree structure for PAM-4/8 opticalinterconnection》采用的基于SVM分类器完成了PAM-4以及PAM-8的均衡。其基于二叉树的算法，将分别组合了3个和7个SVM完成了PAM-4和PAM-8的多类别均衡任务。该数量的SVM导致了无论是训练最优超平面，还是均衡信号，都具有很高的复杂度，因此难以实现。

发明内容

针对现有技术中的缺陷，本发明提供了一种用于高阶PAM光传输系统中的SVM分类器优化的均衡算法。

本发明采取如下技术方案：

用于高阶PAM光传输系统中的SVM分类器优化的均衡算法，包括如下步骤：

步骤1：发送端将包含训练序列的数据通过光纤传输到接收端，接收端将采样后的包含训练序列的数据输入到简化SVM均衡器模块；