基于广义回归神经网络的CO-OFDM系统非线性均衡 下载: 1165次
1 引言
相干光正交频分复用(CO-OFDM) 综合了电域正交频分复用(OFDM)调制技术和相干光通信的优点,具有传输速率高、抗色散能力强、频谱利用率高等特点,能够灵活、有效地补偿接收端数字信号处理(DSP)系统的线性和非线性损伤,已成为中长距离高速通信系统和光接入网等领域备受关注的技术之一[1-10]。但CO-OFDM系统中OFDM信号的峰均比(PAPR)较高,在中长距离传输中对光纤非线性效应非常敏感,严重影响了系统的传输性能。高PAPR不仅会影响光纤的非线性,还要求部分非线性器件具有较大的线性范围,增加了系统成本和复杂度[11-16]。传输信道的非线性损伤主要包括两部分:一部分是由光纤中的克尔非线性效应引起的,表现为自相位调制(SPM)的非线性相位噪声,以及子载波间的非线性串扰效应,如交叉相位调制(XPM)和四波混频(FWM)等;另一部分是偏振模色散和放大器中自发辐射噪声引起的随机非线性损伤。
很多研究者已经提出了CO-OFDM系统非线性损伤的补偿方案,例如采用限幅技术[17]、预编码[18]、星座图扩展算法[19-20]等来降低系统的PAPR。但这些方案在系统性能、计算复杂度和频谱效率方面都存在着不同程度的缺点。接收端数字信号处理算法也被广泛应用于CO-OFDM系统的非线性均衡研究,其中包括数字反向传输(DBP)和逆沃尔泰拉级传递函数(IVSTF)两种算法。DBP算法虽然实现了较好的基于克尔效应的非线性补偿,却需要一定的导频开销,而且涉及大量的快速傅里叶变换运算,计算复杂度较大[21-23];IVSTF算法需要得到先验光纤信道信息,但该信息的获取十分困难。近年来,基于多层感知器(MLP)的人工神经网络(ANN)等机器学习算法开始应用于CO-OFDM系统的非线性均衡。与线性判决边界的均衡器相比,基于ANN的均衡器可采用非线性判决边界,因此,它能有效均衡系统的非线性效应[24-30]。在对反向传播神经网络 (BPNN)进行非线性均衡的基础上,Jarajreh等[24-25]提出了用径向基函数(RBF)神经网络结合K-means聚类算法均衡CO-OFDM的非线性效应,与一般BPNN算法相比,该方法的非线性均衡效果得到一定提高,且训练开销大大降低。与传统的数字信号处理算法相比,ANN算法不仅能有效补偿光纤中克尔非线性效应引起的确定性非线性损伤,还能部分补偿随机非线性损伤,如偏振模色散和放大器自发辐射噪声引起的非线性效应。
目前,CO-OFDM传输系统采用昂贵的外腔激光器,其线宽约为100 kHz,这极大地提高了CO-OFDM系统的造价,限制了其在长距离传输和光接入网中的应用。同时,高阶正交幅度调制(QAM)极大地提高了符号速率,节省了系统带宽,提高了系统传输的频谱效率[31],但是高阶QAM是以牺牲其抗干扰性来获取其高频谱利用率,且调制阶数越高,其抗非线性失真的能力就越差。因此,适用于大线宽和高阶QAM的CO-OFDM 系统的非线性均衡算法不仅可以有效提升系统性能,节省宝贵的带宽资源,而且可以极大降低相干系统对激光器线宽的容忍度,从而极大降低系统的造价。
广义回归神经网络(GRNN)[32-37]是RBF神经网络的一个重要分支,它基于非线性回归理论,通过激活神经元来逼近目标函数。与BPNN相比,GRNN 在逼近能力和收敛速度上具有较大的优势,并收敛于样本积聚较多的优化回归面。当样本数据较少以及存在不稳定数据时,GRNN的逼近效果也较好。本文提出了应用于大线宽和高阶QAM的CO-OFDM系统的基于GRNN的非线性均衡(GRNN-NLE) 算法。在个人计算机上对传输速率为50 Gb/s且16QAM和32QAM的CO-OFDM系统进行仿真验证。在系统进行相位噪声恢复的基础上,应用GRNN-NLE算法进行非线性均衡。仿真结果表明,在大线宽条件下,GRNN-NLE算法的非线性均衡效果优于反向传播非线性均衡(BPNN-NLE)算法, 且在16QAM和32QAM系统中GRNN-NLE训练运行时间稳定在7 s左右,而32QAM时BPNN-NLE的训练运行时间最高长达210 s左右。这表明GRNN-NLE算法能较好地抑制CO-OFDM系统的非线性损伤,且收敛速度快,对CO-OFDM系统在中长距离光纤传输中的应用具有重要意义。
2 GRNN-NLE算法
2.1 GRNN神经网络结构
GRNN的第一层为输入层,直接将输入向量传送至隐含层,即径向基层。本文中输入向量是指对CO-OFDM系统接收端进行相位噪声恢复后的数据
图 1. QAM CO-OFDM系统中GRNN-NLE结构图
Fig. 1. Architecture of the proposed GRNN-NLE for QAM CO-OFDM system
所有训练样本组成一个1×
式中:符号“.*”表示将两个相同维度的矩阵中对应的元素进行相乘操作;
最后两个子网络复数输出为
2.2 GRNN的特点
GRNN是RBF神经网络的一种特殊形式,通过径向基神经元和线性神经元建立网络,具有很强的非线性映射能力,适用于解决非线性问题。与目前常用的前馈神经网络BPNN相比,GRNN具有以下优点:1)网络结构简单,除了输入和输出层外,只有一个径向基层,而径向基层的神经元个数与训练样本的个数是相同的,一旦训练样本确定,网络结构即可确定;2)网络训练速度快,当训练样本通过径向基层时,只需确定平滑因子单个参数,即可完成训练学习,不需要较长的训练时间;3)网络计算结果的全局收敛性好,而一般前馈神经网络如BPNN的计算不能达到全局收敛。因此基于GRNN的优点,将其用于CO-OFDM系统的非线性均衡。
3 仿真结果与性能分析
GRNN的训练样本集为接收端的8个OFDM符号,目标向量是这些数据在发射端编码后映射到QAM星座图上的数据。训练样本集确定之后,相应的网络结构和各层神经元之间的连接权值矩阵也随之确定。GRNN训练的目的仅为确定最优的平滑因子
图 3. (a) 16QAM和 (b) 32QAM CO-OFDM系统在不同线宽下,GRNN-NLE的Q因子随平滑因子σo变化时的关系曲线; (c)不同目标误差rg下,BPNN-NLE的Q因子随激光器线宽的变化时的关系曲线
Fig. 3. Q factor versus σo in CO-OFDM system with (a) 16QAM and (b) 32QAM at different laser linewidths; (c) Q factor versus laser linewidth in the CO-OFDM system with different errors rg of objective function
为了评估GRNN-NLE算法的性能,采用文献[
23]提出的BPNN-NLE算法作为对比算法对本文的CO-OFDM系统进行仿真。BPNN-NLE的训练样本集与GRNN-NLE一致,该神经网络的相关参数来自文献[
24],径向基层神经元个数等于QAM星座点的个数,径向基层的激活函数为
图 4. (a)没有非线性均衡(W/O NLE)以及用BPNN-NLE和GRNN-NLE得到的系统Q因子随激光器线宽的变化曲线; (b)用BPNN-NLE和GRNN-NLE在MATLAB中训练运行时间随激光器线宽变化的关系曲线
Fig. 4. (a) Q factor versus laser linewidth using W/O-NLE, BPNN-NLE and GRNN-NLE; (b) training running time of BPNN-NLE and GRNN-NLE versus laser linewidth
BPNN-NLE和GRNN-NLE在MATLAB中的训练运行时间随激光器线宽的变化曲线。BPNN-NLE和GRNN-NLE两种算法都运行在同一台CPU主频为 2.8 GHz (Intel 酷睿i7 7700HQ) 和内存为8 G的微型计算机上,两种算法的训练运行时间取50次运行结果的均值。可以看出,GRNN-NLE算法在16QAM和32QAM的运行时间都一直稳定在7 s左右,而BPNN-NLE的训练运行时间变化较大。在16QAM系统中,当激光器线宽小于0.6 MHz时,BPNN-NLE的训练运行时间约为2.5 s;而当激光器线宽为0.7 MHz时,训练运行时间增加到75 s。在32QAM系统中,当激光器线宽从0.3 MHz增加到0.5 MHz时,BPNN-NLE的训练运行时间逐渐增加,而在激光器线宽大于0.5 MHz时,BPNN-NLE训练运行时间约为210 s。在16QAM系统中激光器线宽为0.7 MHz和32QAM系统中激光器线宽为0.3~0.5 MHz时,BPNN-NLE算法的训练运行时间增加,其原因是随着激光器线宽的增加,CO-OFDM系统的残余非线性相位噪声和其他非线性损伤增强,导致BPNN-NLE神经网络训练时间加长。而32QAM系统中激光器线宽大于0.5 MHz时,BPNN-NLE的训练运行时间约为210 s,这是由于BPNN-NLE算法涉及目标误差与迭代次数两个参数,当网络误差小于目标误差或者达到初始设定的迭代次数时,BPNN-NLE神经网络都会终止训练。在32QAM系统中激光器线宽大于0.5 MHz时,BPNN-NLE训练均为达到初始设置迭代次数而终止,而非网络误差小于目标误差而终止。由于每步迭代耗费时间固定,所以不同线宽下BPNN-NLE训练运行时间均约为210 s。这也从侧面反映了在对大线宽CO-OFDM系统进行非线性损伤均衡时,BPNN-NLE算法的局部逼近能力较差,因此需要更长的训练时间。而当训练样本通过径向基层时,GRNN-NLE算法已完成训练,训练速度远远快于BPNN-NLE算法,且耗时十分稳定。
图 5. 对本文仿真的CO-OFDM系统,使用GRNN-NLE(蓝色)与没有非线性均衡(红色)时接收端接收到的32QAM信号星座图。 (a)激光器线宽为0.3 MHz; (b)激光器线宽为0.7 MHz
Fig. 5. For the proposed CO-OFDM system, 32QAM constellation diagrams at the receiver after using GRNN-NLE (blue) and without nonlinear equalizer (red). (a) Laser linewidth ν=0.3 MHz; (b) ν=0.7 MHz
4 结论
提出了一种适用于大线宽和高阶QAM的CO-OFDM系统接收端进行非线性均衡的GRNN-NLE算法。对接收端经相位恢复后的一定样本训练数据经GRNN进行训练学习,确定GRNN唯一需确定的平滑因子,然后对测试数据进行非线性均衡。通过传输速率为50 Gb/s,传输距离为100 km, 对16QAM和32QAM的CO-OFDM系统进行非线性均衡效果仿真验证。结果表明,在大线宽CO-OFDM系统中,GRNN-NLE算法较BPNN-NLE算法具有更好的非线性映射能力,比BPNN-NLE算法更适用于解决非线性问题,非线性均衡效果好,且GRNN-NLE算法仅需调整一个参数,训练样本通过径向基层即可完成网络训练,训练运行时间远小于BPNN-NLE算法。以上优点使得GRNN-NLE算法能够较好地抑制大线宽CO-OFDM系统的非线性,对促进大线宽CO-OFDM系统在中长距离光纤传输中的应用具有重要意义。
[2] Armstrong J. OFDM for optical communications[J]. Journal of Lightwave Technology, 2009, 27(3): 189-204.
[4] 杨奇, 余少华. 兆兆比特每秒(Tb/s)级相干光OFDM超长距离传输[J]. 科学通报, 2014, 59(16): 1497-1507.
[5] 陈锦妮, 柯熙政. 基于副载波外差检测的副载波-正交频分复用系统误码性能研究[J]. 光学学报, 2016, 36(2): 0206001.
[6] 刘剑飞, 王少影, 曾祥烨, 等. 基于群智能算法的光OFDM系统PAPR抑制[J]. 光学学报, 2017, 37(1): 0106006.
[7] 张帅, 白成林, 罗清龙, 相干光, 等. OFDM 系统中 MMSE 信道估计研究[J]. 光电子·激光, 2013, 24(3): 508-513.
Zhang S, Bai C L, Luo Q L, et al. Optimization of channel estimation for coherent optical OFDM systems with MMSE method[J]. Journal of Optoelectronics·Laser, 2013, 24(3): 508-513.
[8] 童峥嵘, 郭尊礼, 曹晔, 等. 小波包变换对CO-OFDM系统高峰均比的抑制性能研究[J]. 光子学报, 2015, 44(12): 1206001.
[9] 李宝, 余建军, 何晶, 等. 相干光OFDM系统中基于导频辅助的采样时钟频率偏差估计和补偿算法[J]. 光子学报, 2015, 44(1): 0106003.
[10] 邓明亮, 易兴文, 于振明, 等. 通过恒包络调制提高相干光OFDM系统的光纤非线性容限[J]. 光电子·激光, 2013, 24(10): 1922-1929.
[12] ForozeshK, Jansen SL, RandelS, et al. The influence of the dispersion map in coherent optical OFDM transmission systems[C]∥2008 IEEE/LEOS Summer Topical Meetings, July 21-23, 2008, Acapulco, Mexico. New York:IEEE, 135- 136.
[15] 郝耀鸿, 李玉权, 王荣, 等. 一种基于限幅的降低相干光OFDM系统非线性效应的方法[J]. 电路与系统学报, 2012, 17(5): 115-119.
[16] 郝耀鸿, 李玉权, 王荣. 一种降低相干光OFDM系统非线性效应的方法[J]. 光电子技术, 2011, 31(1): 46-49.
[17] Lu CH, Feng K M. Reduction of high PAPR effect with FEC enhanced deep data clipping ratio in an optical OFDM system[C]∥2007 Conference on Lasers and Electro-OpticsSociety, October 21-25, 2007, Lake Buena Vista, FL, USA. New York:IEEE, 941- 942.
[18] BulakciÖ, SchusterM, Bunge CA, et al. Precoding based peak-to-average power ratio reduction for optical OFDM demonstrated on compatible single-sideband modulation with direct detection[C]∥2008 National Fiber Optic Engineers Conference, February 24-28, 2008, San Diego, CA, USA. New York:IEEE, 1- 3.
[19] Krongold BS, TangY, Shieh W. Fiber nonlinearity mitigation by PAPR reduction in coherent optical OFDM systems via active constellation extension[C]∥2008 34th European Conference on Optical Communication, September 21-25, 2008, Brussels, Belgium. New York:IEEE, 1- 2.
[20] 刘剑飞, 余美龙, 曾祥烨, 等. 一种降低CO-OFDM系统PAPR改进的星座图扩展算法[J]. 光电工程, 2014, 41(10): 63-67.
[25] Jarajreh MA, RajbhandariS, GiacoumidisE, et al. Fibre impairment compensation using artificial neural network equalizer for high-capacity coherent optical OFDM signals[C]∥2014 9th International Symposium on Communication Systems, Networks & Digital Signal Processing, July 23-25, 2014, Manchester, UK. New York:IEEE, 1112- 1117.
[30] Giacoumidis E, Mhatli S. Stephens M F C, et al. Reduction of nonlinear intersubcarrier intermixing in coherent optical OFDM by a fast newton-based support vector machine nonlinear equalizer[J]. Journal of Lightwave Technology, 2017, 35(12): 2391-2397.
[32] 王萍, 陈健, 由骁迪, 等. 光相干QAM信号的弹性DAML相位估计[J]. 光学学报, 2016, 36(8): 0806007.
[33] Su IJ, Tsai CC, Sung W T. Comparison of BP and GRNN algorithm for factory monitoring[J]. Applied Mechanics and Materials, 2011, 52/53/54: 2105- 2110.
[34] 丁硕, 常晓恒, 巫庆辉. GRNN与BPNN的函数逼近性能对比研究[J]. 现代电子技术, 2014, 37(7): 114-117.
[35] 张小钒, 兰生. 基于GRNN神经网络的变压器励磁涌流识别方法[J]. 电测与仪表, 2016, 53(23): 84-89.
[36] YuR, Ke ZW, Li XL, et al. PNN and GRNN approach for fault diagnosis of steam turbine[J]. Applied Mechanics and Materials, 2012, 271/272: 1592- 1596.
[37] Rooki R. Application of general regression neural network (GRNN) for indirect measuring pressure loss of Herschel-Bulkley drilling fluids in oil drilling[J]. Measurement, 2016, 85: 184-191.
[38] 董月军, 唐英杰, 任宏亮, 等. 基于无迹卡尔曼滤波的CO-OFDM系统相位噪声补偿算法[J]. 中国激光, 2017, 44(11): 1106010.
[39] 任宏亮, 康少源, 卢瑾, 等. 大线宽相干光正交频分复用系统中盲相位噪声补偿[J]. 光学学报, 2017, 37(1): 0106005.
[40] 唐英杰, 董月军, 任宏亮, 等. 基于时频域卡尔曼滤波的CO-OFDM系统相位噪声补偿算法[J]. 光学学报, 2017, 37(9): 0906002.
Article Outline
吴金达, 卢瑾, 任宏亮, 覃亚丽, 郭淑琴, 胡卫生. 基于广义回归神经网络的CO-OFDM系统非线性均衡[J]. 光学学报, 2018, 38(9): 0906002. Jinda Wu, Jin Lu, Hongliang Ren, Yali Qin, Shuqin Guo, Weisheng Hu. Nonlinear Equalizer Based on General Regression Neural Network in Coherent Optical OFDM System[J]. Acta Optica Sinica, 2018, 38(9): 0906002.