论文部分内容阅读
在信息技术发展的大趋势下,越来越多的新技术相继涌现,以通信作为接入方式的大数据、人工智能等技术逐渐渗入到日常生活中,如虚拟现实技术、互联网电视、在线直播等多样的新式用户体验形式,带来新奇体验的同时也产生了巨大的通信流量需求。特别是2020年开始受新冠疫情的影响,人们生活学习工作的主要场景由线下搬上了网络,远程办公、视频会议和在线教育等成为了日常,对于网络的依赖程度不断提升。随之而来的还有网络传输中沉重的数据承载负担。作为互联网数据流量的主要承载力量,光纤通信系统如何进一步地提升传输速率、增大信道容量是目前亟待解决的关键问题。本论文以相干光正交频分复用（Coherent Optical Orthogonal Frequency Division Multiplexing,CO-OFDM）系统为主要背景,重点研究了这类高速大容量系统的自适应调制技术、调制格式识别技术和非线性判决技术以提高系统的传输性能。基于深度神经网络（Deep Neural Network,DNN）辅助子载波性能监测的自适应调制方案来为系统分配更优的传输方案,提高系统传输性能;基于卷积神经网络（Convolutional Neural Network,CNN）和 I/Q 分量分布直方图的子载波调制格式识别方案在减少信令开销的同时在接收端实现子载波调制格式的识别,继而完成后续信号处理和判决;基于高斯混合模型无监督聚类算法（Unsupervised Clustering Algorithm based on the Gaussian Mixture Model,UCGMM算法）的非线性判决方案,使用该算法对接收信号进行判决,有效补偿了非线性损伤的影响,降低系统误码率,提高可靠性。论文的主要工作内容如下:（1）提出了基于DNN辅助子载波性能监测的自适应调制方案。本方案首先使用深度学习中的DNN模型对子载波的有效信噪比进行估计,达到子载波性能监测的目的,然后根据估计的子载波有效信噪比对OFDM的子载波进行分组并选择合适的调制格式,从而实现为系统提供更优的传输方案的目的。通过仿真分析,本方案在固定传输速率和发射功率的情况下,与16QAM固定调制格式的传输方案相比,在le-3的误码率阈值下,获得了 1.75dB的光信噪比（Optical Signal-to-Noise Ratio,OSNR）增益,更好地利用了信道条件,有效地降低了系统的整体误码率。（2）提出了基于CNN和I/Q分量分布直方图的子载波调制格式识别方案。本方案使用低信噪比下有更高分辨性的I/Q分量分布直方图作为识别样本,利用同相分量和正交分量的分布特征,使用CNN模型实现对 BPSK、QPSK、8QAM、16QAM、32QAM、64QAM 几种调制格式的识别,从而实现在系统接收端的盲调制格式识别。通过模型训练和仿真分析,在光信噪比大于10dB情况下,对除64QAM之外的调制格式均实现了 100%的识别准确率,对64QAM调制格式的信号也实现了光信噪比在16dB以上的100%识别准确率,在减少信令开销的同时为加入自适应调制的系统接收端提供准确的调制格式信息。（3）提出了基于UCGMM算法的非线性判决方案。通过仿真对比分析K-means和高斯混合模型两种聚类算法在受非线性影响的64QAM传输系统中的性能,提出了 UCGMM算法作为相干光OFDM系统的非线性判决方法。使用该算法进行星座点判决,有效降低了光纤非线性对信号的影响,降低系统的误码率。在64QAM-OFDM相干光通信系统中对本方案在背靠背传输和光纤中传输两种情况下的传输性能进行仿真研究。仿真结果表明,所提方案在背靠背的传输系统中,与直接解调和K-means算法相比,UCGMM算法分别可以获得约2dB和0.6dB的OSNR增益;在光纤传输系统中,UCGMM算法相对于直接解调的情况增加了 75km的传输距离,相对于K-means算法也增加了 45km的传输距离。