1.一种基于机器学习的智能自适应均衡解调方法,包括以下步骤:(1) 从光接收装置获取待处理的信号数据,对数据进行预处理,基于平均能量归一化载波相位恢复信号,表示为其中,xi是数据点,k是数据点的数目,pi是一级数据点的平均能量归一化后的数据点,构成数据集P;
(2) 在数据集P中计算欧几里德距离dij,其中,i和j是数据集中的第i个数据点和第j个数据点,dij = dji, i
(3) 获取聚类中心:
假设N个类别的数据集由n个数据组成,用 表示,其标签IS={1,2, … , N},对于数据集S中的每个数据点Xi,分别计算密度ρi和距离δi,以高斯核函数作为点i的密度ρi,写为,其中dij表示数据点i与数据点j之间的距离,dc是截断距离;
以qi代表ρi经降序排列后的数据,距离δi定义为:
根据以上定义计算数据点的距离参数和密度参数来确定聚类中心, M-QAM信号的聚类中心数量为M,先得到密度ρi和距离δi的乘积γi将γi以降序排列,其中前M个点选作聚类中心;
(4) 贴数据标签:
计算聚类中心与常规QAM决策点之间的距离,并利用K均值算法的最近距离原则来标记聚类中心,将聚类中心的标签用作相应聚类数据的标签;
(5) 对簇晕贴标签:
基于加权投票KNN算法标记簇晕,
将步骤(4)中已标记的簇群作为加权KNN的训练集,T={(x1, y1), (x2, y2), …, (xN, yN)}, 其中包含已知标签yi∈{C1, C2,C3, … , Cm}的N个训练数据xi (i=1,2, …, N),m是类别数;
没有标签的簇晕作为加权KNN的测试集,通过计算欧式距离在训练集T中找到最接近数据点x的K个点,在x范围中,这些K个点被写为Nk(x),根据Nk(x),得到公式中K个最近训练数据的标签,据此获得决策标签y,其中ωi=1/D(x, xi), i = 1,2, …, N和j = 1,2, …, m., I是指标函数,当yi = Cj时,I是1,否则I是0,D(x, xi)是点x到点xi的欧式距离,由此实现对信号数据的均衡解调。
2.根据权利要求1所述的基于机器学习的智能自适应均衡解调方法,其特征在于:通过将包括群集核心和群集光环在内的星座群集的已实现标签与预先存储的标签进行比较来计算系统的误码率。
3.一种基于机器学习的智能自适应均衡解调器,其特征在于,包括以下模块:(1) 数据预处理模块:
从光接收装置获取待处理的信号数据,对数据进行预处理,基于平均能量归一化载波相位恢复信号,表示为其中,xi是数据点,k是数据点的数目,pi是一级数据点的平均能量归一化后的数据点,构成数据集P;
(2) 距离计算模块:
在数据集P中计算欧几里德距离dij,其中,i和j是数据集中的第i个数据点和第j个数据点,dij = dji, i
(3) 聚类中心获取模块:
假设N个类别的数据集由n个数据组成,用 表示,其标签IS={1,2, … , N},对于数据集S中的每个数据点Xi,分别计算密度ρi和距离δi,以高斯核函数作为点i的密度ρi,写为,其中dij表示数据点i与数据点j之间的距离,dc是截断距离;
以qi代表ρi经降序排列后的数据,距离δi定义为:
根据以上定义计算数据点的距离参数和密度参数来确定聚类中心, M-QAM信号的聚类中心数量为M,先得到密度ρi和距离δi的乘积γi将γi以降序排列,其中前M个点选作聚类中心;
(4) 聚类簇群数据标签标记模块:
计算聚类中心与常规QAM决策点之间的距离,并利用K均值算法的最近距离原则来标记聚类中心,将聚类中心的标签用作相应聚类数据的标签;
(5) 簇晕数据标签标记模块:
基于加权投票KNN算法标记簇晕,
将已标记的簇群作为加权KNN的训练集,T={(x1, y1), (x2, y2), …, (xN, yN)}, 其中包含已知标签yi∈{C1, C2,C3, … , Cm}的N个训练数据xi (i=1,2, …, N),m是类别数;
没有标签的簇晕作为加权KNN的测试集,通过计算欧式距离在训练集T中找到最接近数据点x的K个点,在x范围中,这些K个点被写为Nk(x),根据Nk(x),得到公式中K个最近训练数据的标签,据此获得决策标签y,其中ωi=1/D(x, xi), i = 1,2, …, N和j = 1,2, …, m., I是指标函数,当yi = Cj时,I是1,否则I是0,D(x, xi)是点x到点xi的欧式距离。