一种基于凸优化的黄金分割法的软件同步方法

    公开(公告)号:CN114884582B

    公开(公告)日:2023-12-12

    申请号:CN202210625841.6

    申请日:2022-06-02

    Abstract: 本发明公开了一种基于凸优化的黄金分割法的软件同步方法,经过较少符号周期FFT变换处理后的采样数据信号得到待测信号的频谱信息,找到采样点的粗周期数,然后在该周期数的附近区间通过凸优化的黄金分割法实现区间的频谱细化,在更高的频谱分辨率下得到采样点的精确周期,用于精确恢复待测信号的眼图。这种在局部频谱区间提高分辨率的方法,作为一种线性区间收敛的方法,极大地降低了运算的复杂度,而且分辨率更小,能准确地找到数据点的周期信息,同时,在估计精度很小的时候,可以降低几个数量级的计算量,提高了系统的运行效率,更加易于实施。(56)对比文件陈根华;李院民;喻祥;詹斌;曾春花.一种常规雷达脉冲信号频率估计快速算法.南昌工程学院学报.2017,(第03期),全文.段虎明;秦树人;李宁.离散频谱的校正方法综述.振动与冲击.2007,(第11期),全文.

    一种S波段信号的增益均衡方法及系统

    公开(公告)号:CN115361066B

    公开(公告)日:2023-09-26

    申请号:CN202210985856.3

    申请日:2022-08-16

    Abstract: 本发明涉及一种S波段信号的增益均衡方法及系统。该方法包括:获取传输链路参数;根据所述传输链路参数,通过灰狼优化算法确定混合光纤放大器HOA的HOA参数;所述混合光纤放大器HOA为掺铥光纤放大器TDFA和拉曼光纤放大器RFA组成的TDFA‑RFA混合光纤放大器;将所述HOA参数输出至所述混合光纤放大器HOA,得到优化后的混合光纤放大器;获取输入信号光;所述输入信号光为S波段1460nm到1520nm之间间隔2nm的波分复用WDM信号;将所述输入信号光输入至所述优化后的混合光纤放大器,输出S波段的放大信号。本发明能够实现S波段放大器高增益平坦的效果。

    基于自适应级联经验模态分解的降噪方法、系统及设备

    公开(公告)号:CN116743269A

    公开(公告)日:2023-09-12

    申请号:CN202310370251.8

    申请日:2023-04-10

    Abstract: 本发明公开一种基于自适应级联经验模态分解的降噪方法、系统及设备,涉及光纤通信领域,该方法主要包括根据经过经验模态分解得到的信号分量和自适应多段线性重构系数函数,确定每个信号分量的线性重构系数,进而得到初始降噪信号;根据初始降噪信号的误差值确定自适应多段线性重构系数函数的参数更新量;根据初始降噪信号和自适应相位线性重构系数函数,确定每个相位分量的线性重构系数,得到不同幅值序号下的复值信号;根据各个复值信号的误差,确定自适应相位线性重构系数函数的参数更新量;当全部参数更新量均小于设定阈值时,对不同幅值序号下的复值信号进行组合并输出,否则返回最初步骤。本发明能够解决光传输信号在接收端面临的噪声问题。

    基于多级LDPC编码和概率整形的信道容量提升方法及装置

    公开(公告)号:CN116707706A

    公开(公告)日:2023-09-05

    申请号:CN202310530152.1

    申请日:2023-05-11

    Abstract: 本发明提供一种基于多级LDPC编码和概率整形的信道容量提升方法及装置,包括:获取输入信号序列,串并变换为多路并行输入信号序列,构建各级LDPC编码对应的校验矩阵,确定各级编码,将各级编码进行进制转换,得到第一输入序列;获取目标概率分布、输出序列长度以及目标幅度集合,确定可用分集,获取混沌序列,将混沌序列中的各元素按照取值范围划分为多个取值区间,构建各取值区间与可用分集之间的混沌索引映射关系;将第一输入序列分为多组子序列,确定各组子序列对应的具体分集,构建各可用分集对应的分布匹配概率整形映射关系,确定输入信号序列对应的分布匹配概率整形输出序列。该方法降低了码率损失,提升了信道容量,改善了误码率性能。

    基于Wide&Deep-CNN的光纤非线性均衡方法

    公开(公告)号:CN116366165A

    公开(公告)日:2023-06-30

    申请号:CN202211537436.5

    申请日:2022-12-01

    Abstract: 本发明公开的基于Wide&Deep‑CNN的光纤非线性均衡方法,属于光纤通信技术领域。本发明实现方法为:构建每个M‑QAM信号的第一特征序列和第二特征图谱,构建训练数据集;构建基于Wide&Deep‑CNN模型的非线性均衡模型,第一特征序列作为Wide&Deep‑CNN模型中Wide网络子模型的输入特征序列,第二特征图谱作为Wide&Deep‑CNN模型中Deep‑CNN子模型的输入特征图谱;利用训练数据集对Wide&Deep‑CNN模型进行训练;将每个待非线性均衡的M‑QAM信号的特征输入到训练好的Wide&Deep‑CNN模型,输出得到每个M‑QAM信号的预测标签;将输出的预测标签结果作为M‑QAM信号所对应的类别,得到M‑QAM信号的非线性均衡结果,显著改善M‑QAM信号的质量,通过M‑QAM星座符号解映射,得到相对应二进制数据,实现高准确度的数据恢复,降低误比特率,提升相干光通信系统的传输性能。

Patent Agency Ranking