【技术实现步骤摘要】
本专利技术属于无线通信，具体涉及一种用于光载射频多载波信号智能识别的系统和方法。
技术介绍
1、近年来，随着通信和数字技术的不断发展，通信设备的数量和种类不断增加，新兴数字业务不断涌现，更大通信带宽和更高数据速率成为未来通信系统的发展趋势。由于目前微波区域低频段的频谱资源紧张，更多可用的频率集中在较高的微波频段。然而，无线通信所用的载波频率越高，无线信号的传输越容易受到限制，如高自由空间路径损耗、严重大气衰减、有限穿透深度等，导致高频信号的无线传输在距离和速率上受到很大限制。
2、光载射频技术作为发展较成熟的技术，能远距离高速传输超宽带的无线信号，被广泛应用于光接入网（optical access network，oan）中。光载射频技术将光通信损耗低、抗干扰能力强、传输容量大的优势与无线通信结合，发送端将电信号调制到光载波上，在光纤中稳定传输调制光信号，接收端将光信号恢复为电信号，实现无线信号的大量、高速、大范围传输。
3、尽管光载射频技术提高了无线信号的传输距离和速率，多载波复用技术如波分复用（wavelength division multiplexing，wdm）、频分复用（frequency divisionmultiplexing，fdm）的发展和应用给oan的频谱资源优化分配提出了新的挑战。另外，随着oan终端种类和数量的持续增长，下一代oan势必向自适应动态调整网络特征的方向发展。因此，为了加强频谱资源利用、提升光网络的灵活性和可靠性，有必要开展信号特征识别的研究。信号调制格式和信噪比是信
4、takahito tanimura等人于2016年在oecc会议上发表文章“osnr monitoring bydeep neural networks trained with asynchronously sampled data”，该文献提出了一个5层的深度神经网络（deep neural network，dnn）结构，经过400000个样本训练，实现了16gbaud双极化正交相移键控（dp-qpsk）相干光通信系统osnr的识别，dnn从相干接收机异步采样的数据中学习特征向量，该方法在7.5db到31db的osnr范围内实现了1.6db的测量误差。然而，该方法需要大量实验数据作为训练样本，样本量大且获取难度高。此外，该方法仅识别了单载波低阶调制格式信号。
5、zhiquan wan等人于2019年在optics express期刊上发表文章“intelligentoptical performance monitor using multi-task learning based artificial neuralnetwork”，该文献提出了一种基于多任务学习（multi-task learning，mtl）的人工神经网络（artificial neural network，ann）方法，同时识别osnr和信号的调制格式，信道均衡后的信号幅度直方图（amplitude histograms，ahs）作为mtl-ann的训练样本，经过共享隐藏层的多任务学习网络结构，结合损失权重分配，实现了20gbaud强度调制直接检测系统nrz-ook、pam4、pam8三种信号的调制格式和osnr识别，调制格式识别准确率和osnr识别均方差（mean-square error，mse）分别达到了100%和0.11db。该方案实现了单载波信号调制格式和光信噪比的同时识别。但获取训练样本数据处理比较复杂，损失权重分配需额外数学计算。另外，该方案应用于不同的信道需要重新采集训练样本进行训练，造成时间消耗。
技术实现思路
1、鉴于上述，本专利技术的目的是提供一种用于光载射频多载波信号智能识别的系统和方法，基于光载射频仿真系统和光载射频实验系统分别构建训练样本和实验样本，并基于多任务学习架构的神经网络模型进行训练和迁移学习，简化了输入特征数据处理步骤，提高了对不同信号特征的自适应学习和识别能力，有助于实现光载射频系统对频谱资源的优化分配和灵活利用。
2、为实现上述专利技术目的，本专利技术提供的技术方案如下：
3、本专利技术实施例提供的一种用于光载射频多载波信号智能识别的系统，包括：训练样本构建模块、神经网络模型训练模块、实验样本构建模块、神经网络模型迁移学习模块和光载射频多载波信号识别模块；
4、所述训练样本构建模块用于通过光载射频仿真系统生成仿真多载波信号，并提取仿真多载波信号的同相/正交分量构建训练样本；
5、所述神经网络模型训练模块用于基于训练样本对搭建的神经网络模型进行多种信号特征提取任务的训练，得到训练后的神经网络模型；
6、所述实验样本构建模块用于通过搭建光载射频实验系统生成光载射频多载波信号，并提取光载射频多载波信号的同相/正交分量构建实验样本；
7、所述神经网络模型迁移学习模块用于基于实验样本对训练后的神经网络模型进行基于迁移学习的微调，得到微调后的神经网络模型；
8、所述光载射频多载波信号识别模块用于利用微调后的神经网络模型识别光载射频多载波信号的多种信号特征。
9、优选地，训练样本构建模块包括：正交频分复用多载波信号产生单元、光载射频仿真系统传输单元和同相/正交分量产生单元；
10、所述正交频分复用多载波信号产生单元用于将串行比特序列转换为并行序列，对并行序列进行m阶正交幅度调制映射得到映射符号后基于逆快速傅里叶变换的方法生成仿真正交频分复用多载波信号并插入循环前缀，将有循环前缀的并行序列转换为串行序列后输入光载射频仿真系统；
11、所述光载射频仿真系统传输单元用于通过模拟光载射频系统器件工作原理对接收到的串行序列进行加噪处理并仿真传输串行的不同信噪比的正交频分复用多载波信号；
12、所述同相/正交分量产生单元用于将串行的不同信噪比的正交频分复用多载波信号转换为并行序列后依次经过去除循环前缀和快速傅里叶变换，得到m阶正交幅度调制符号并将其同相/正交分量作为训练样本。
13、优选地，在同相/正交分量产生单元得到的m阶正交幅度调制符号的m取值为2的m次方。
14、优选地，神经网络模型中包含多个输出层，根据输入的同相/正交分量分别进行信号识别，每个输出层对应输出一种信号特征。
15、优选地，光载射频实验系统包括：信号产生单元、信号发射单元、信号接收单元和信号处理单元；
16、所述信号产生单元用于产生m阶正交幅度调制的正交频分复用多载波信号；
17、所述信号发射单元用于将信号产生单元输出的正交频分复用多载波信号调制到光载波上形成光载波信号；
18、所述信号接收单元用于接收信号发射单元输出的光载波信号并转换为本文档来自技高网...
【技术保护点】
1.一种用于光载射频多载波信号智能识别的系统，其特征在于，包括：训练样本构建模块、神经网络模型训练模块、实验样本构建模块、神经网络模型迁移学习模块和光载射频多载波信号识别模块；
2.根据权利要求1所述的用于光载射频多载波信号智能识别的系统，其特征在于，训练样本构建模块包括：正交频分复用多载波信号产生单元、光载射频仿真系统传输单元和同相/正交分量产生单元；
3.根据权利要求2所述的用于光载射频多载波信号智能识别的系统，其特征在于，在同相/正交分量产生单元得到的M阶正交幅度调制符号的M取值为2的m次方。
4.根据权利要求1所述的用于光载射频多载波信号智能识别的系统，其特征在于，神经网络模型中包含多个输出层，根据输入的同相/正交分量分别进行信号识别，每个输出层对应输出一种信号特征。
5.根据权利要求1所述的用于光载射频多载波信号智能识别的系统，其特征在于，光载射频实验系统包括：信号产生单元、信号发射单元、信号接收单元和信号处理单元；
6.根据权利要求5所述的用于光载射频多载波信号智能识别的系统，其特征在于，信号产生单元包括：正
7.根据权利要求5所述的用于光载射频多载波信号智能识别的系统，其特征在于，信号发射单元包括：激光器、偏振控制器和光调制器；
8.根据权利要求7所述的用于光载射频多载波信号智能识别的系统，其特征在于，光调制器采用马赫增德尔调制器。
9.根据权利要求5所述的用于光载射频多载波信号智能识别的系统，其特征在于，信号接收单元包括：可调光衰减器和光电探测器；
10.一种用于光载射频多载波信号智能识别的方法，采用权利要求1-9任一项所述的用于光载射频多载波信号智能识别的系统进行光载射频多载波信号智能识别，其特征在于，包括以下步骤：
...【技术特征摘要】
1.一种用于光载射频多载波信号智能识别的系统，其特征在于，包括：训练样本构建模块、神经网络模型训练模块、实验样本构建模块、神经网络模型迁移学习模块和光载射频多载波信号识别模块；
2.根据权利要求1所述的用于光载射频多载波信号智能识别的系统，其特征在于，训练样本构建模块包括：正交频分复用多载波信号产生单元、光载射频仿真系统传输单元和同相/正交分量产生单元；
3.根据权利要求2所述的用于光载射频多载波信号智能识别的系统，其特征在于，在同相/正交分量产生单元得到的m阶正交幅度调制符号的m取值为2的m次方。
4.根据权利要求1所述的用于光载射频多载波信号智能识别的系统，其特征在于，神经网络模型中包含多个输出层，根据输入的同相/正交分量分别进行信号识别，每个输出层对应输出一种信号特征。
5.根据权利要求1所述的用于光载射频多载波信号智能识别的系统，其特征...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。