[发明专利]一种基于机器学习的概率整形识别系统、方法及接收端

说明书

一种基于机器学习的概率整形识别方法、系统及接收端，涉及通信应用领域，系统包括：星座图生成单元，其用于将接收到的概率整形信号，归一化后生成星座图像；SNR识别网络，其用于根据输入的所述星座图像，回归得到SNR并输出；调制阶数识别网络，其用于根据输入的所述星座图像和所述SNR，通过机器学习识别出所述信号的调制格式和阶数；概率整形识别网络，其用于根据输入的所述星座图像和所述SNR，通过回归分析出所述信号的整形概率。本发明能同时获得调制格式和整形概率两种关键参数，有助于获得码字进行正确的解码。

技术领域

本发明涉及通信应用领域，具体来讲涉及一种基于机器学习的概率整形识别系统、方法及接收端。

背景技术

为进一步提高光通信系统速率，近年来研究者提出概率整形技术进行符号编解码。概率整形编码中，通过码字映射关系将均匀分布的原始比特数据流映射到不同概率分布的符号，改变了信号的星座点概率分布而不改变星座点位置形状，通过增大误码性能好的星座点概率，减小误码性能差的星座点概率，提升了总体误码性能。此外，概率整形处理后信号的平均功率得到降低，有助于降低光通信系统中的非线性效应。概率整形编码后的信号更匹配实际信道特性，由此带来的整形增益使系统容量更接近香农极限，更重要的是可以在不改变调制格式的情况下调节净信息速率，在信道变化条件下保持稳定的误码性能。

接收端识别信号的调制格式对于频谱管理、干扰识别、窃听等应用都非常重要，而在使用了概率整形的光纤信道条件下，调制格式识别更为困难。概率整形识别需要识别高阶调制的阶数以及所使用的概率分布，才能正确的进行符号解码。传统的调制格式分类方法可归为两大类：一种是基于最大似然(Maximum Likelihood，ML)算法，一类是基于特征分类方法。最大似然算法比较接收信号和已知调制格式信号的相似度来判决调制格式；而特征分类方法通过从信号观察值中提取出信号特征进行判决。已有的特征分类方法中，诸如支持向量机(Support Vector Machine，SVM)、累积量(Cumulants)、人工神经网络(Artificial Neural Network，ANN)等多种方法都能获得较高的识别正确率，但目前已有研究中缺少识别概率整形编码信号的调制格式的方法，概率整形后的调制格式识别成为通信中的一个重要研究问题。

发明内容

针对现有技术中存在的缺陷，本发明的目的在于提供一种基于机器学习的概率整形识别系统、方法及接收端，能同时获得调制格式和整形概率两种关键参数，有助于获得码字进行正确的解码。

为达到以上目的，一方面，采取一种基于机器学习的概率整形识别系统，包括：

星座图生成单元，其用于将接收到的概率整形信号，归一化后生成星座图像；

SNR识别网络，其用于根据输入的所述星座图像，回归得到SNR并输出；

调制阶数识别网络，其用于根据输入的所述星座图像和所述SNR，通过机器学习识别出所述信号的调制格式和阶数；

概率整形识别网络，其用于根据输入的所述星座图像和所述SNR，通过回归分析出所述信号的整形概率。

另一方面，采取一种接收端，连续接收来自发送端的信号，所述信号经处理得到概率整形后的调制符号，再经过上述的概率整形识别系统，识别出所述信号的调制格式和阶数，以及所述信号的整形概率，再进行解码。

另一方面，还采取一种基于机器学习的概率整形识别方法，包括步骤：

接收概率整形信号，归一化后生成星座图像，分别输入预配置的SNR识别网络、调制阶数识别网络和概率整形识别网络；

所述SNR识别网络基于所述星座图像回归得到所述信号的SNR，分别作为调制阶数识别网络和概率整形识别网络的输入；

所述调制阶数识别网络根据所述星座图像和SNR，通过机器学习识别出所述信号的调制格式和阶数；