光纤模拟无线电链路中的非线性问题的机器学习方法研究

⃝可在www.sciencedirect.com上在线获取ScienceDirectICTExpress 7（2021）253www.elsevier.com/locate/icte使用机器学习方法减轻光纤模拟无线电链路中的非线性Muhammad UsmanHadi丹麦奥尔堡大学电子系统系接收日期：2020年8月18日;接受日期：2020年11月9日2020年11月16日网上发售摘要机器学习（ML）技术被认为是解决光纤通信中非线性问题的一个创新和现实的方向。本文提出了一种基于64正交幅度调制（QAM）的光纤无线通信系统，利用支持向量机（SVM）方法对10 km的标准单模光纤长度进行测量，以表明有效的非线性缓解在前牵引。将SVM与传统的ML分类器进行了比较，以优化符号判决边界，RoF链路损伤。结果报告的BER，眼线性度和品质因数。c2021韩国通信和信息科学研究所（KICS）。出版社：Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。关键词：光纤无线电;机器学习;支持向量机;眼线性1. 介绍对未来无线网络的需求与日俱增。为了满足这种不断增长的数据速率需求，模拟光纤无线电（A-RoF）系统已被提出作为一种授权技术，以改善和扩展无线覆盖范围，并提供高容量的移动性解决方案来传输信息。A-RoF已用于从室内到室外应用场景的不同场景[1A-RoF系统可以用作用于将基带单元（BBU）连接到远程无线电头端（RRH）的集中式/云无线电接入网络（C-RAN）的构建块。这些BBU通过分配网络与RRH的互连被称为除了来自A-RoF技术的优点之外，它们还遭受由于电光（E-O）和光电（O-E）转换的类似地，长期演进（LTE）信号的使用建议使用正交频分复用（OFDM），其呈现高的峰均功率比∗ 联系人：Fredrik Bajers Vej 7，A4，9220，Aalborg，Denmark.电子邮件地址： usmanhadi@ieee.org、usmanh@es.aau.dk。同行评审由韩国通信和信息科学研究所（KICS）负责https://doi.org/10.1016/j.icte.2020.11.002（PAPR）[7]。由于A-RoF传输是基于这些光副载波调制技术，因此A-RoF链路易于受损。作为经济上可行的技术，减轻这些非线性是期望的操作。类似地，随着5G的进步，5G网络的动态跟踪增加，动态跟踪和补偿非线性信道响应将是具有挑战性的，特别是考虑到来自多个RAT的宽带时变数据业务的事实。由于A-RoF系统中的这些非线性损伤，与A-RoF相比，使用[5，8]中建议的光纤数字无线电（D-RoF）仍然是一个很好的选择，然而，精度的增加导致模数转换器的分辨率比特增加，这使得它实际上复杂且昂贵的操作。可以使用Σ-Δ光纤无线电系统来代替减轻A-RoF中的非线性，如[9，10]中所建议的，然而，由于1位模数转换器（ADC）和更高的采样率而导致的量化噪声的增加仍然是不期望的。在这种情况下，A-RoF仍然是一个更好的选择，并采用线性化这样的系统。事实上，由于廉价的部署成本和传统基础设施的存在，使得它仍然比其他技术更可取非线性缓解导致光学系统容量的增加。已经提出了许多技术来减轻这些非线性。模拟预失真方法2405-9595/2021韩国通信和信息科学研究所（KICS）。出版社：Elsevier B.V.这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。M.U. 哈迪ICT Express 7（2021）253254ˆ=I≥;==ˆˆ在[11]中解决了激光源的非线性补偿。在[12]中讨论了使用记忆多项式的数字预失真线性化技术，而基于Volterra级数的训练预失真器已应用于非线性A-RoF链路[13，14]。最近，针对基于VCSEL的光纤无线电链路提出了基于记忆和广义记忆多项式的数字预失真[10]。在[6，15]中还提出了通过实现A-RoF链路的行为模型来线性化链路然而，这些线性化技术是导致额外复杂性的复杂操作。利用机器学习分类器对A-RoF中的非线性进行抑制是光通信领域的一个新概念。近年来，ML技术在光通信系统中的应用为光通信系统的发展提供了一个新的方向。ML可用于明确描述光纤通信中的挑战[16]，例如性能优化，测试，规划和设备实现。使用基于ML的算法来减轻光纤无线电系统的非线性是一个独特的概念，应该详细研究一般来说机器学习方法，如K近邻算法（KNN）、人工神经网络（ANN）和支持向量机（SVM）广泛用于信道监测、调制格式识别、非线性补偿、均衡和解调[17在[20-23 ]中，在相干光通信系统中进行了基于SVM在[20]中进行了类似的研究，其中报告了增强的改进。ML方法有两个主要优点i它们可以部分减轻光纤非线性，Fig. 1. 基本SVM分类器。2. RoF系统一类数据点的分离可以使用寻找最佳可能超平面的SVM分类器来完成。最佳超平面的表示是具有最大余量的超平面。类似地，SVM分类依赖于找到区分两种情况的最佳边界。在[18]中表明，每个SVM分类器负责一个位。由于M-QAM信号需要log2M SVM判决，因此64 QAM将需要6个SVM分类器。为了理解SVM检测的原理，将可分离的决策函数表示为：y（x）=sign（ω. （x+b）（1）其中ω和b是超平面的参数正确分类的顺序由如下定义的函数边缘性定义：δi=（ω.x+b）。yi（ 2）其中i = 1，2，. . .，N当δi>0时样本被正确分类，因此δi的大小在超平面本身中没有影响，这意味着超平面可以有许多δi值，只要ω和b之间的方差比例保持相同。从函数边缘性出发，我们可以定义边缘性δ如[13]中所述：|ω。X+B|噪声交互作用ii不需要先验的光链路知识δi=∥ω∥这往往使它们成为需要动态跟踪和补偿链路和信道损伤的光网络的良好选择。本文采用基于SVM的机器学习方法对非线性损伤的减轻进行了评估。在所提出的系统中，具有64正交幅度调制（QAM）的20MHz LTE信号被注入到通信系统中。δ minδi=1.. N因此，SVM过程将变为：max δ当δiδ i1，. . . ，Nω，b最终优化目标公式化为：最小值1ω22（三）分布反馈（DFB）激光器，用于100 km单模光纤传输。这将导致信号遭受由于RoF链路中的光电设备引起的非线性，因为判决边界是非线性的。利用SVM方法与传统的ML分类器方法进行了比较，以减轻RoF链路的非线性为了解决这个功能，最小优化算法被使用。基本的SVM分类器如图所示。1 .一、每个信号. . ,6.每个SVM的设计边界和64-QAM的灰度编码星座图如图所示。 二、ˆM.U. 哈迪ICT Express 7（2021）253255+−+−图二. 64 QAM信号的SVM判决。. (For对本图图例中所指颜色的解释，读者可参考本文的网络版。）第一和第四比特具有由SVM 1和SVM 4表示的线性分类，其中，将黑线上方和蓝线右侧的星座点的测试数据标记为“1”，并且将其他星座点的测试数据标记为“1”。SVM2到SVM 6是非线性分类器，其矩形闭包内的星座点的测试点被称为我们在本研究中使用的传统分类器是通常用作传统解决方案的最大似然分类器（MLC）。MLC是基于贝叶斯统计，并提供参数化的决策方法。MLC在[24在他关于常规ML/MLC的工作中使用的数学描述取自[24]。3. 仿真设置分析模型演示了RoF系统的模型，如图3所示。该模型已使用VPI光子学模拟器实现。输入包括64 QAM LTE 20MHz信号。SVM决策在MATLAB中执行。电光（E-O）转换器包括：分布反馈激光器（DFB）的发射波长为1550nm。在100 km标准单模光纤（SSMF）传输之后，信号被发送到中心频率为3.5 GHz的光电二极管（PD）。模拟设置的详细信息见表1接收到的信号被发送到信号分析仪的基带DSP块，之后它通过后处理过程，在后处理过程中执行机器学习决策，然后执行参数评估块。SVM实现中涉及的步骤如下：1. 首先，数据同步传输到每个SVM。2. 对六个SVM分类器进行了参数优化。3. 通过将标记数据与原始数据进行比较来计数错误位。考虑（100 011）作为接收到的用于SVM决策的星座数据。首先，将测试数据传输到SVM1图三. 用于比较传统ML分类器和SVM的实验台。见图4。与传统的ML分类器相比，SVM的BER与训练数据点的数量。表1系统参数。参数值RF信号载波频率3.5 GHz星座64 QAM符号速率16 MSymbols/s激光波长1550 nm平均功率10 mW线宽16 MHz纤维光纤色散16 ps/nm km光纤距离100公里衰减0.2 dB/km光检测响应度0.9 A/W其中第一比特第二，它被发送到SVM 2，第二位“0”被标记为“-1”。最后，测试数据被发送到SVM 3、SVM 4和SVM5，其中第三、第四和第五位分别标记为“-1”、“-1”和“+1”。最后，SVM6接收数据，并将第六位一旦所有的测试数据被标记，我们重新计算的BER的六位数据。结果表明，这6个支持向量机可以正确地确定64-QAM信号的所有星座点。为了进行比较研究，调制格式已经从64 QAM修改为16 QAM，并且在图1和图2所示的结果中也考虑了5和10MHz LTE信号，而不是20 MHz LTE信号。8和9我们还将光纤长度从100 km更改为1000 km，以查看建议的方法。M.U. 哈迪ICT Express 7（2021）253256−图五. 与传统ML分类器相比，SVM的功率灵敏度与Eye线性。见图6。与传统ML分类器相比，SVM的BER与光功率。4. 模拟结果和讨论本节将讨论模拟结果。图4表示误比特率（BER）与训练数据点的数量的关系。将SVM与[14，15，20]中解释的传统机器学习分类器进行比较。结果表明，对于小于500个单位的训练数据，SVM的性能是有效的，因为训练样本只用于寻找边缘边界的差异。当训练数据的数量大于1500或更多时，支持向量机在性能上的改善是饱和的，因为对于支持向量机的决策，只需要测试点和六个支持向量机的边界图图5示出了光功率灵敏度随着眼线性度的增加（调制非线性失真的增加）的行为。实验结果表明，眼线性度的增加对SVM机器学习性能的影响较小。类似地，较小的斜率意味着灵敏度增益随着眼睛线性的增加而增加同样，在图。6、SVM检测与常规检测相比，误码率显著降低。传统的ML分类器的结果是随着接收光功率的增加而降低的BER。然而，可以看出，基于SVM的检测具有BER，其在光功率为OdBm之后在降低中饱和。在图7中，振幅从0.1伏变为0.8伏。据观察，随着较低的振幅，非线性是可以忽略不计的。然而，当相邻信道泄漏率较高时，链路的非线性变差。与传统的ML分类器决策相比，SVM决策提高了BER性能。类似地，在图1中比较了64 QAM调制的Q因子与输入发射功率的关系。8与见图7。与传统ML分类器相比，SVM的BER与驱动器幅度变化的关系。见图8。与传统ML分类器和无ML/SVM相比，SVM的Q因子与发射功率。传统的ML分类器方法和1000 km光纤长度没有改进方法的情况。我们展示了SVM，ML分类器和没有使用任何方法的情况下的性能。结果表明，支持向量机方法的Q因子始终高于9.5 dB，直到2 dBm，然而，ML分类器，结果总是优于没有ML/SVM方法的情况类似地，对于SVM、ML分类器和没有SVM/ML方法的RF输入功率，将Q因子与高达1000 km的光纤距离进行比较。我们选择1000 km作为距离，因为我们希望表明缓解能力不仅适用于前向场景，而且也适用于回程场景。SVM的最大改进将光纤引起的非线性损失减少了约2.2dB，这在200 km处可见。这些光纤引起的非线性惩罚的改善图。图8和图9的结果与[20此外，在图1中示出了在100 km处使用SVM和不使用任何补偿方法的眼图。10个。实验结果表明，与传统方法相比，支持向量机是一种更好的方法。5. 结论本文展示了一种新的信号决策方法的实现RoF系统，其中SVM分类器M.U. 哈迪ICT Express 7（2021）253257见图9。与传统ML分类器和没有ML/SVM相比，SVM的Q因子与传输距离。见图10。（a）SVM与（b）常规ML分类器相比在100 km处的眼图示出了在后一种情况下的抑制与传统的ML分类器进行比较，以便看到对RoF系统中的非线性缓解的影响。仿真结果表明，对于20 MHz的LTE信号，64 QAM调制具有100公里的光纤长度，SVM的结果在考虑RoF系统的误码率的降低。深入的实验评估和与其他ML技术的比较是未来工作的设想竞合利益作者声明，他们没有已知的可能影响本文所报告工作引用[1] K. Khurshid，A.A.汗，H。西迪基岛拉希德，M. U。Hadi，Bigdata assisted CRAN enabled 5G SON architecture，J. ICT Res. Appl.13（2）（2019）93http://dx.doi.org/10.5614/itbj.ict.res.appl.2019.13.2.1[2] Muhammad Usman Hadi ， PierAndreaTraverso ， GiovanniTartarini，Hyun Jung，5G C-RAN下行链路光纤上的sigma delta无线电系统的实验特性，ICT Express（ISSN：2405-9595）6（1）（2020）23http://dx.doi.org/10.1016/j.icte.2019.06.002[3] D. Visani等人，有线和无线多业务传输超过1毫米核心GI-POF的家庭网络，电子。47（3）（2011）203http://dx.doi.org/10.1049/el.2010.7273[4] Y. Shi等，首次演示了在家庭网络中采用UWB的大芯POF上的HD视频分发，见：2011年光纤通信会议和博览会以及国家光纤工程师会议，加利福尼亚州洛杉矶，2011年，第100页。1比3。[5] Muhammad Usman Hadi，Hyun Jung，Salman Ghaffar，Pier AndreaTraverso，Giovanni Tartarini，用于中程通信的优化数字光纤无线电 系 统 ， Opt. Commun. (ISSN ： 0030-4018 ） 443 （ 2019 ）177http://dx.doi.org/10.1016/j.optcom.2019.03.037[6] M.U. Hadi，J. Nanni，J.L. Polleux等人，Opt. Quantum Electron. 51（2019）205，http://dx.doi.org/10.1007/s11082-019-1923-8.[7] M.U. Hadi，将LTE的好处扩展到未授权频谱，在：2015年国际信息 和 通 信 技 术 会 议 （ ICICT ） ， 卡 拉 奇 ， 2015 年 ， pp. 1http://dx.doi.org/10。1109/ICICT.2015.7469592。[8] M. Hadi，H. Jung，P. Traverso等人，5G前传链路光纤上的数字射频 传 输 ， J. Opt. Commun. （ 2019 ） http://dx.doi.org/10.1515/joc-2019-0051。[9] M. Hadi，N. Aslam，H.郑志华，光纤无线传输系统之效能评估，国立成功大学，硕士论文。选购配件Commun. （2019）http：//dx.doi.org/10.1515/joc-2018-0227网站。[10] M. Hadi，M. Hadi，N. Aslam等人，5G C-RAN下行链路的基于MASH的sigma delta无线电光纤系统的实验演示，J. Opt. Commun.（2019）http://dx.doi.org/10.1515/joc-2019-0011.[11] L.罗塞利诉博焦尼，F.泽帕雷利F.安布罗西，M. 科梅斯，P. Faccin，A.陈志华，多业务光纤无线电系统的模拟激光预失真，2003年第37卷第5期第1211-1223页。[12] M.U. Hadi等人， 基于VCSEL-SSMF的光纤无线电链路的数字预失真实验评估，在：2018年国际微波光子学专题会议（MWP），图卢兹，2018年，pp. 1http://dx.doi.org/10.1109/MWP.2018.8552895[13] M.U. Hadi，P.A. Traverso，G.塔尔塔里尼岛Venard，G. Baudoin，J.Polleux，用于基于VCSEL-SSMF的光纤无线电链路的线性度改进的数字预失真，IEEE Microw.威尔。康朋让...[14] M.U. Hadi，J. Nanni，P.A. Traverso，G.塔尔塔里尼岛Venard，G.鲍登，J.L. Polleux，利用数字预失真的基于VCSEL的光纤无线电系统的线性度改进，Adv. Sci.技术工程系统J. 4（3）（2019 ）156http://dx.doi.org/10.25046/aj040321[15] F.福冈大学Hadi，J. Nanni，P.A. Traverso，G. Tartarini，用于补偿光纤无线电链路中非线性效应的数字预失真技术，2016年IEEE第二届国际社会和工业研究与技术论 坛 （RTSI），2016年，第 10 0页。1比6[16] D. Zibar， M. 皮 尔斯 河 琼斯 ，C.G. Schäeffer ， Machine learningtechniques in optical communication，J. Lightwave Technol. 34（6）（2016）1442http://dx.doi.org/10.1109/JLT.2015.2508502[17] G. Chen，J. Du，L. Sun等人，PAM-4和PAM-8调制光互连的SVM分类机器学习非线性失真缓解，J. Lightwave Technol. 36（3）（2018）650-657。[18] L. Sun，J. Du，Z. He，Machine learning for nonlinearity mitigationin CAP modulated optical interconnect system by using K-nearestneighbor algorithm，in：Proc.ACPC 2016，AS1B.1。[19] D. Wang，M. Zhang，Z. Li等人，由基于机器学习的分类器创建的非线性决策边界，以减轻非线性相位噪声，见：ECOC 2015，论文0720。[20] T.阮氏Mhatli，E.贾库米迪斯湖Van Compernolle，M.陈文，基于支持向量分类的光纤非线性均衡器，北京大学学报，2001。8（2）（2016）7802009，http://dx.doi.org/10.1109/JPHOT.2016.2528886，pp. 一比九[21] E. Giacoumidis等人，使用支持向量机的16-QAM相干光OFDM的非线性盲均衡，在：ECOC 2016;第42届欧洲光通信会议，杜塞尔多夫，德国，2016，pp. 1比3。[22] Y. Zhang，J. Ren，J. Jiang，Combining MLC and SVM classifiersforlearning based decision making：analysis and evaluations computing，Intell. Neurosci. 2015（2015）423581.[23] M. P.M. Mather，高光谱数据支持向量机的有效性评估，FutureGener。Comput. 20（7）（2004）1215-1225。[24] B. Waske，J.A.张文，多传感器数据融合支持向量机分类方法，北京大学学报，2001。远程传感器45（12）（2007）3858-3866。M.U. 哈迪ICT Express 7（2021）253258[25] B.W.舒斯特角Chen，M. Borger，分类技术的比较，以支持土地覆盖和土地利用分析在热带沿海地区， 应用。地理学31（2）（2011）525[26] M.U. Hadi ， J. Nanni ， O. Venard ， G. Baudoin ， J.L. 波 略 湾Tartarini，基于VCSEL-MMF的光纤无线电链路的实际可行闭环数字 预 失 真 ， Radioengineering29 （ 1 ） （ 2020 ）37http://dx.doi.org/10.13164/re.2020.0037[27] M.U.哈迪角P.A.坎塔纳Traverso等人，DFB-SSMF无线电光纤链路线性化的数字预失真方法评估，Microw Opt. Technol. Lett. 62（2020）540http://dx.doi.org/[28] C. Huang，L.S.戴维斯，J.R.G.林文辉，土地覆被分类之支持向量机应用，国立中山大学环境工程研究所硕士论文，2002。