-
公开(公告)号：CN109309640A
公开(公告)日：2019-02-05
申请号：CN201811046509.4
申请日：2018-09-08
Applicant: 苏州大学
CPC classification number: H04L27/0012 , G06K9/6221 , H04B10/61
Abstract: 本发明公开了一种基于机器学习的盲信号格式识别方法，包括以下步骤：(1)从相干光接收机后端获取信号，信号经过色散补偿和时钟恢复算法补偿之后，获得信号的振幅圆用作识别目标，振幅圆的圈数为识别特征参数；(2)将步骤(1)获得的振幅圆映射转化为振幅对角线，实现非线性到线性的映射；(3)利用聚类算法求出振幅对角线的聚类中心；(4)计算出决策图对数的差值，求出振幅圆的圈数，识别信号调制格式。本发明在对相干光通信数据的处理过程中，采用基于幅度特征的MFI方法，在没有任何其它先验知识的情况下，经过非线性转为线性的映射，在线性空间中无迭代地快速识别幅度对角线的聚类中心的个数，从而判定信号调制格式。该方法对噪声具有高鲁棒性，能适应目前通信系统中流行的M-QAM的调制格式信号，为下一代认知光网络提供了技术基础。
-
公开(公告)号：CN108667523B
公开(公告)日：2021-02-26
申请号：CN201810183719.1
申请日：2018-03-06
Applicant: 苏州大学
Abstract: 本发明公开了一种基于无数据辅助的KNN算法的光纤非线性均衡方法，包括：获取各数据点的分布密度参数，选取分布密度参数大于预设阈值的数据点进行信号解调，获得各数据点对应的标签，根据标签分成M个簇，获得对应的质心：根据获得的质心，将数据点按照欧几里得距离重新进行分类，构成训练样本集；取未获得标签的数据点X，从训练样本集中获取数据点X的K个最近邻点；计算数据点X的KNN欧氏距离数据，并找出K个最近邻点的标签簇；使用加权总和投票规则确定数据点X的预测标签，将X分配至对应簇；重复直至完成对所有数据点的处理。本发明大大降低计算复杂度，实现了系统的零冗余，能够显著地提升系统的分类性能，使系统误码率得以改善。
-
公开(公告)号：CN107707494B
公开(公告)日：2020-02-11
申请号：CN201710936433.1
申请日：2017-10-10
Applicant: 苏州大学
Abstract: 本发明公开了一种用于64‑QAM相干光通信系统的光纤非线性均衡方法，对接收到的64‑QAM数据进行处理，包括：将接收到的数据集设置为第一级数据集，计算每个数据点的密度参数，设定阈值，选择密度参数超过指定阈值的数据作为第二级数据集；对第二级数据集点进行解调，划分为64个簇，并获得64个质心；根据获得的质心，将第二级数据集中的数据根据最近的欧式距离分类到相应簇中，用64个获得的新簇群的质心来更新；将第一级数据集根据最近的欧式距离分配到相应的簇群中，获得分类后的64个簇，计算获得各簇的最优质心。本发明在不需要迭代的前提下，能够快速和准确地选取出K‑means聚类的全局最优质心，很好地降低了光纤中Kerr非线性的影响，得到的误码率性能比之前没处理的性能要高半个数量级。
-
公开(公告)号：CN107819513B
公开(公告)日：2019-07-05
申请号：CN201711059737.0
申请日：2017-11-01
Applicant: 苏州大学
IPC: H04B10/2543 , H04B10/58
Abstract: 本发明涉及本发明公开了一种用于64‑QAM相干光传输系统缓和光纤非线性的方法，对接收到的64‑QAM数据进行处理。首先将接收到的数据集分成64个簇，找到64个簇中心，并且找到每个数据点属于的簇。本次发明的k‑means SVM算法是一种全局最优泛化算法，利用简单结构的k‑means算法对无噪声信号点进行分类，然后应用SVM分类器来缓和失真信号。在所提出的方法中，我们利用k‑means聚类算法对无噪声64‑QAM信号进行分类，从而减少支持向量的数量，以节省SVM分类器的实现时间。同时，我们使用SVM分类器进行噪声泛化，以提高损伤信号的性能。本发明能够快速和准确地选取出k‑means聚类的全局最优质心，并且很好地缓和了光纤中克尔非线性的影响，同时得到与SVM算法差不多的误码率性能。
-
公开(公告)号：CN107707494A
公开(公告)日：2018-02-16
申请号：CN201710936433.1
申请日：2017-10-10
Applicant: 苏州大学
Abstract: 本发明公开了一种用于64-QAM相干光通信系统的光纤非线性均衡方法，对接收到的64-QAM数据进行处理，包括：将接收到的数据集设置为第一级数据集，计算每个数据点的密度参数，设定阈值，选择密度参数超过指定阈值的数据作为第二级数据集；对第二级数据集点进行解调，划分为64个簇，并获得64个质心；根据获得的质心，将第二级数据集中的数据根据最近的欧式距离分类到相应簇中，用64个获得的新簇群的质心来更新；将第一级数据集根据最近的欧式距离分配到相应的簇群中，获得分类后的64个簇，计算获得各簇的最优质心。本发明在不需要迭代的前提下，能够快速和准确地选取出K-means聚类的全局最优质心，很好地降低了光纤中Kerr非线性的影响，得到的误码率性能比之前没处理的性能要高半个数量级。
-
Patent Agency Ranking
公开(公告)号：CN108965178A
公开(公告)日：2018-12-07
申请号：CN201810713653.2
申请日：2018-06-29
Applicant: 苏州大学
CPC classification number: H04L27/0014 , H04L27/3483 , H04L27/3854 , H04L2027/0038
Abstract: 本发明公开了一种基于机器学习的智能自适应均衡器及均衡解调方法，对于获取的信号先进行数据预处理，将输入的数据进行能量归一化，然后在没有任何其他先验知识下利用高斯核函数和距离函数对数据中的簇群进行聚类，将聚类好的数据用最近邻算法对簇群贴标签，实现调制信号的有用信息化。簇群外面的噪声离散点没有聚类，对这些没有聚类标签的簇晕，利用加权K最近邻算法进行标记。最后，将数据全部整合获得整体标签，与预存的标签进行比较来估计系统误码率。本发明的方法可以在没有任何其他先验知识的情况下识别真正的聚类中心，而不管其形状和大小；本发明降低了计算复杂度，显著地提高分类结果准确性，能适应目前通信系统中绝大部分的调制格式。
-
公开(公告)号：CN108667523A
公开(公告)日：2018-10-16
申请号：CN201810183719.1
申请日：2018-03-06
Applicant: 苏州大学
Abstract: 本发明公开了一种基于无数据辅助的KNN算法的光纤非线性均衡方法，包括：获取各数据点的分布密度参数，选取分布密度参数大于预设阈值的数据点进行信号解调，获得各数据点对应的标签，根据标签分成M个簇，获得对应的质心：根据获得的质心，将数据点按照欧几里得距离重新进行分类，构成训练样本集；取未获得标签的数据点X，从训练样本集中获取数据点X的K个最近邻点；计算数据点X的KNN欧氏距离数据，并找出K个最近邻点的标签簇；使用加权总和投票规则确定数据点X的预测标签，将X分配至对应簇；重复直至完成对所有数据点的处理。本发明大大降低计算复杂度，实现了系统的零冗余，能够显著地提升系统的分类性能，使系统误码率得以改善。
-
公开(公告)号：CN108965178B
公开(公告)日：2021-03-02
申请号：CN201810713653.2
申请日：2018-06-29
Applicant: 苏州大学
Abstract: 本发明公开了一种基于机器学习的智能自适应均衡器及均衡解调方法，对于获取的信号先进行数据预处理，将输入的数据进行能量归一化，然后在没有任何其他先验知识下利用高斯核函数和距离函数对数据中的簇群进行聚类，将聚类好的数据用最近邻算法对簇群贴标签，实现调制信号的有用信息化。簇群外面的噪声离散点没有聚类，对这些没有聚类标签的簇晕，利用加权K最近邻算法进行标记。最后，将数据全部整合获得整体标签，与预存的标签进行比较来估计系统误码率。本发明的方法可以在没有任何其他先验知识的情况下识别真正的聚类中心，而不管其形状和大小；本发明降低了计算复杂度，显著地提高分类结果准确性，能适应目前通信系统中绝大部分的调制格式。
-
公开(公告)号：CN109309640B
公开(公告)日：2021-11-05
申请号：CN201811046509.4
申请日：2018-09-08
Applicant: 苏州大学
Abstract: 本发明公开了一种基于机器学习的盲信号格式识别方法，包括以下步骤：(1)从相干光接收机后端获取信号，信号经过色散补偿和时钟恢复算法补偿之后，获得信号的振幅圆用作识别目标，振幅圆的圈数为识别特征参数；(2)将步骤(1)获得的振幅圆映射转化为振幅对角线，实现非线性到线性的映射；(3)利用聚类算法求出振幅对角线的聚类中心；(4)计算出决策图对数的差值，求出振幅圆的圈数，识别信号调制格式。本发明在对相干光通信数据的处理过程中，采用基于幅度特征的MFI方法，在没有任何其它先验知识的情况下，经过非线性转为线性的映射，在线性空间中无迭代地快速识别幅度对角线的聚类中心的个数，从而判定信号调制格式。该方法对噪声具有高鲁棒性，能适应目前通信系统中流行的M‑QAM的调制格式信号，为下一代认知光网络提供了技术基础。
-
公开(公告)号：CN107819513A
公开(公告)日：2018-03-20
申请号：CN201711059737.0
申请日：2017-11-01
Applicant: 苏州大学
IPC: H04B10/2543 , H04B10/58
CPC classification number: H04B10/2543 , H04B10/58
Abstract: 本发明涉及本发明公开了一种用于64-QAM相干光传输系统缓和光纤非线性的方法，对接收到的64-QAM数据进行处理。首先将接收到的数据集分成64个簇，找到64个簇中心，并且找到每个数据点属于的簇。本次发明的k-means SVM算法是一种全局最优泛化算法，利用简单结构的k-means算法对无噪声信号点进行分类，然后应用SVM分类器来缓和失真信号。在所提出的方法中，我们利用k-means聚类算法对无噪声64-QAM信号进行分类，从而减少支持向量的数量，以节省SVM分类器的实现时间。同时，我们使用SVM分类器进行噪声泛化，以提高损伤信号的性能。本发明能够快速和准确地选取出k-means聚类的全局最优质心，并且很好地缓和了光纤中克尔非线性的影响，同时得到与SVM算法差不多的误码率性能。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.027 seconds)
