智能光網絡物理層調制模式識別技術的研究.pdf

1、不像無線通信領域，調制模式識別技術起步早，發(fā)展相對成熟，在光通信領域，特別是智能光網絡(Automatic Switch Optical Network,ASON)的調制模式識別技術才剛剛發(fā)展。但是對光調制模式的識別，由于其潛在的研究價值和巨大的應用前景，近些年來引起了越來越多的關注。
　　為了從理論上更好的分析智能光網絡物理層光傳輸系統(tǒng)，在本文的研究中采用ASON+DWDM組網方案，提出了一種基于密集波分復用(Dense Wav

2、elength Division Multiplexing,DWDM)的非補償光傳輸系統(tǒng)(Uncompensation Transfer,UT)模型，并對該模型的推導進行詳細討論。本文模式識別算法的研究就是基于該DWDM-UT系統(tǒng)模型展開的。研究中共涉及到四類共18種調制信號的判決，它們分別是強度調制信號MASK，相位調制信號MPSK，幅相調制信號MQAM和MAPSK。
　　文中所提出的調制模式識別算法(Modulation Fo

3、rmat Identification,MFI)主要基于調制信號高階累積量(High Order Cumulants,HOC)的特征值參數(shù)，利用所設計的分類決策算法對不同的調制信號進行分類判決。對分類判決算法中所使用的閾值，考慮到存在一些調制信號特征值參數(shù)隨信噪比變化的特性，提出了一種實時訓練序列閾值優(yōu)化(Real-time Training Sequence Threshold Optimization,RT-TSTO)算法，通過對比

4、測試，發(fā)現(xiàn)該算法能夠有效的保證閾值的精確性，極大地改善了不同調制信號的識別效果。
　　考慮到智能光網絡物理層DWDM-UT系統(tǒng)受色散(D)、非線性效應(γ)和傳輸距離(Ltot)的影響，我們分別研究了這些因素的改變對模式識別性能的影響，并利用仿真工具Matlab給出了相應的仿真結果。與此同時，為了進一步驗證本文所提出的MFI算法的有效性，我們對當前已經廣泛投入商用的基于PM-QPSK調制的高速率Nyquist WDM也進行了討論，