多载波光传输系统中的自组织映射神经网络的非均匀量化方案.docxVIP

多载波光传输系统中的自组织映射神经网络的非均匀量化方案 0引言近年来，随着人工智能、云计算和大数据等技术的不断发展，网络流量不断激增，人们对网络接入带宽的需求不断提高由于UFMC中的高PAPR问题，IMDD-UMFC传输系统中的数模转换器/模数转换器（DAC/ADC）需要有着更高的量化位数来保证系统传输性能。然而，高分辨率的DAC/ADC的使用将会带来高功耗和高成本等问题1基于IMDD-UFMC的SOM非均匀量化方案1.1 IMDD-UFMC系统构架及信号特性分析不同于普通的多载波光传输系统，IMDD-UFMC先将输入信号转换成UFMC电信号，然后通过IM将电信号转换为光信号，并在光纤链路上进行光信号传输，在光纤的接收端通过光电探测器进行光电转换，获取UFMC电信号，最后把UFMC电信号恢复成原始的输入信号，实现信号的传输，具体如图1所示。该系统主要由发射机、光链路传输模块和接收机组成。在发射端，输入的原始随机信号（0、1数据）先经过M进制正交幅度调制（M-QAM）将原始信号映射成相应的复数信号。产生的复数信号通过串/并转换，将用户数据分成通过UFMC调制后的信号表达式为： (1.1)其中，在接收端，通过光电探测器（PD）检测SMF输出端的光信号，并将探测到的光信号转换成电信号送入电信号处理模块。在UFMC电信号处理模块中，首先通过Q位量化比特的ADC将UFMC电信号进行模/数转换，并经过串/并转换，然后将信号进行2N-FFT，同时信号进入FFT模块时要进行补零操作。对经过FFT后的信号进行每隔一点采样，并把采样后的信号对应到相应子载波上，得到经过M-QAM调制的信号，最后进行QAM解调得到原始的输入信号。对UFMC信号来说，其滤波器组的添加带来较好的边模抑制比的同时，也改变其信号分布的概率密度，如图2（b）所示。由该图可知，不同普通的OFDM信号，UFMC信号的概率密度函数不再是一个完美的高斯分布，而是在信号区域出现一个明显的尖峰。图2（c）是UFMC的PAPR图，该图横坐标是PAPR，纵坐标是互补累计分布函数（CCDF），表示峰均功率比超过某一门限值z的概率。由该图可得，在UFMC信号中，UFMC信号的PAPR大于8dB的概率为1，所能达到的最高的PAPR接近14dB，这说明UFMC信号有着很高的峰值平均功率比。在此情况下，均匀量化的ADC/DAC或者基于高斯分布的非均匀量化的ADC/DAC，其带来的大量化噪声势必要求高的比特精度，这将大大增加系统的成本。因此，本文提出了一种基于SOM的非均匀量化方案，来降低量化噪声以提高信噪比，使系统可以在较低量化比特精度的情况下仍有拥有较好的系统性能。1.2 基于SOM的非均匀量化原理SOM是一种聚类的无监督学习算法，由芬兰赫尔辛基大学教授TeuvoKohonen于1981年提出在SOM非均匀量化方案中，如图1.3（a），首先将待量化信号分成2路，第一路进入训练集提取模块，训练集提取模块会从待量化信号中选取一定数量的数据作为训练数据进入SOM训练神经网络；第二路则进入信号缓存模块，该模块用于当SOM处于训练模式时，暂时储存信号的数据以阻止信号进入SOM量化神经网络。当SOM神经网络训练完成后，将训练完的权值存入权值保存模块，并把新的权值放入SOM量化神经网络，同时，通过权值保存模块的权值更新来控制缓存区中的待量化信号进入SOM量化神经网络中量化。最后，SOM量化神经网络输出其中SOM网络训练过程为：1）SOM模型参数初始化：根据输入SOM模型的训练集大小2）将训练集归一化处理。3）寻找获胜神经元 (1.2)4）获胜神经元 (1.3)5）循环步骤3、4，直到学习次数达到其中，神经网络的输出2仿真系统搭建及配置在IMDD-UFMC仿真系统中，我们用Matlab模拟UFMC电信号的产生与接收，用OptiSystem仿真软件仿真电信号与光信号的相互转换以及光信号的传输。仿真的参数配置如下：在UFMC电信号发射模块，调制方式为16QAM，UFMC总的子载波数为120，资源块个数为12，每个子载波的符号数为473，IFFT点数为512，FIR滤波器长度为40；在光传输仿真模块上，传输速率为10Gb/s，传输的序列长度为524288bits，激光光源的波长为1550nm，光纤长度为0km和80km（本文对2种光纤长度都进行了仿真研究）。在光链路传输系统仿真中，如图4所示，在发射端，Matlab仿真产生的UMFC电信号进入MZM中进行电光调制，同时，CW laser产生1550nm的连续光，也进入MZM中作为调制的光载波，而MZM输出端产生的光信号则进入单模光纤中进行传输；在接收端，用PIN光电二