[发明专利]基于SVM训练的权重系数迁移的改进Volterra滤波器的均衡方法

权利要求书

1.基于SVM训练的权重系数迁移的改进Volterra滤波器的均衡方法，应用于高速光纤传输系统，其特征在于，所述均衡方法包括以下步骤：

S1、经过光纤传输的光信号经过解调后，从接收端的接收信号中提取训练序列；

S2、根据Volterra滤波器的结构为训练序列构建特征向量，并构建训练集；

S3、将训练集输入SVM训练器，通过计算得到最优超平面；

S4、提取最优超平面的法向量作为权重系数，并将其迁移至Volterra滤波器中作为抽头系数；

S5、将待测信号序列输入步骤S4得到的Volterra滤波器，并对Volterra滤波器的输出进行判决，从而实现信道均衡。

2.根据权利要求1所述的基于SVM训练的权重系数迁移的改进Volterra滤波器的均衡方法，其特征在于，所述高速光纤传输系统是基于直接调制激光器的短距离光纤通信系统，具有器件带限引起的码间干扰以及啁啾效应引起的非线性损伤。

3.根据权利要求2所述的基于SVM训练的权重系数迁移的改进Volterra滤波器的均衡方法，其特征在于，所述步骤S1中，所述训练序列是伪随机序列。

4.根据权利要求3所述的基于SVM训练的权重系数迁移的改进Volterra滤波器的均衡方法，其特征在于，所述步骤S2中，Volterra滤波器为三阶Volterra滤波器，包括前向滤波器和反馈滤波器。

5.根据权利要求4所述的基于SVM训练的权重系数迁移的改进Volterra滤波器的均衡方法，其特征在于，所述步骤S2中，特征向量的构建，包括：训练序列中每个原始信号数据、经过抽头延时器处理的信号数据以及接收的信号数据作为特征构建特征向量；

训练集的构建，包括：根据原始信号数据对应设置标签，将其构建的特征向量及其对应的标签构建训练集。

6.根据权利要求5所述的基于SVM训练的权重系数迁移的改进Volterra滤波器的均衡方法，其特征在于，所述步骤S3中，所述训练集中的数据，包括信号数据及其平方项和立方项。

7.根据权利要求6所述的基于SVM训练的权重系数迁移的改进Volterra滤波器的均衡方法，其特征在于，所述步骤S3中，最优超平面的计算方法，包括：

(1)初始化超平面，计算各特征向量点至超平面的距离，将距离超平面最近的特征向量点作为支持向量；

(2)调节超平面使支持向量到超平面的间隔和最大化；

(3)根据拉格朗日数乘法求凸优化问题的条件极值，得到超平面法向量和截距与拉格朗日乘子的对应关系；

(4)根据对偶问题、SMO算法求出拉格朗日乘子，继而得到最优超平面。

8.根据权利要求7所述的基于SVM训练的权重系数迁移的改进Volterra滤波器的均衡方法，其特征在于，所述步骤S5中，所述判决的判决门限为不同类别的偏移量，不同类别的偏移量为不同类别的数据至最优超平面的平均距离。

9.根据权利要求1-8任一项所述的基于SVM训练的权重系数迁移的改进Volterra滤波器的均衡方法，其特征在于，还包括：

S6、信号序列每隔一定数据长度构成训练序列，返回步骤S2。