本发明涉及光纤通信领域,特别是涉及一种基于自适应级联经验模态分解的降噪方法、系统及设备。
背景技术:
1、随着信息化时代的到来,光纤通信系统朝着长距离、大容量的方向不断发展。但在光纤通信系统中,存在着包括放大器自发辐射噪声(ase)、线宽导致的相位噪声、非线性噪声等各种噪声。且由于噪声对信号的影响,接收端的采样判决和后续的数字信号处理会受到极大的干扰,甚至出现严重误码。因此,针对ase噪声、相位噪声、非线性噪声等各种噪声的降噪方案是当前国内外学者的研究热点。目前,光纤通信系统中较常用的方法是对信号进行短时傅里叶变换处理,利用频域滤波器滤除部分噪声,但这依然残留有与信号同频域的噪声,相位噪声和非线性噪声也无法有效降低。对于相位噪声,目前比较常用的方法有viterbi-viterbi相位估计(vvpe)算法和盲相位估计(bps)算法等,其中vvpe算法只适用于qpsk调制格式,而bps算法可以用于任意阶的调制格式,但其存在着计算量大、计算复杂度高的问题,不适用于对计算复杂度敏感的光纤通信系统。对于非线性噪声,目前已提出包括数字反向传播(dbp)、基于volterra级数的非线性补偿等多种方案,但同样,较高的复杂度使这些算法在实际部署时遇到了一些阻碍。此外,基于人工智能深度学习的降噪算法在近年来也被广泛研究,这类算法降噪效果好,可同时降低多种噪声,但需要大量时间和样本对其进行训练,不适用于通信环境快速变化的光纤通信系统。
技术实现思路
1、本发明的目的是提供一种基于自适应级联经验模态分解的降噪方法、系统及设备,以解决光传输信号在接收端面临的噪声问题,包括:基于傅里叶变换的降噪算法无法兼顾相位噪声、非线性噪声的处理,处理后残留有与信号同频域的噪声;针对相位噪声以及非线性噪声的滤除或补偿算法级联后复杂度较高,不适用于对计算复杂度敏感的光纤通信系统;基于人工智能深度学习的降噪算法需要大量时间和样本对其进行训练,不适用于信息环境快速变化的光纤通信系统。
2、为实现上述目的,本发明提供了如下方案:
3、第一方面,本发明提供了一种基于自适应级联经验模态分解的降噪方法,包括:
4、对初始目标信号进行经验模态分解,得到多个信号分量;其中,在第一次迭代时,所述初始目标信号为在光纤通信系统中,对接收端接收的原始信号经过时钟恢复、色散补偿、信号均衡和频偏估计处理后得到的信号;
5、根据自适应多段线性重构系数函数,确定每个所述信号分量的线性重构系数,并根据每个所述信号分量以及对应的线性重构系数,确定初始降噪信号;
6、根据所述初始降噪信号的误差值,确定所述自适应多段线性重构系数函数中每段斜率的更新量;
7、根据信号幅值对所述初始降噪信号进行分类,得到不同幅值序号下的信号相位,并对不同幅值序号下的信号相位进行经验模态分解,得到每个幅值序号下的多个相位分量;其中,一个信号幅值对应一个或者多个幅值序号;
8、根据自适应相位线性重构系数函数,确定每个所述相位分量的线性重构系数,并根据每个所述相位分量以及对应的线性重构系数,确定每个幅值序号下的重构后的信号相位;
9、根据重构后的信号相位以及对应的信号幅值,得到不同幅值序号下的复值信号,并根据不同幅值序号下的复值信号的误差,确定所述自适应相位线性重构系数函数中每个系数的更新量;
10、按照幅值序号,对不同幅值序号下的复值信号进行组合,得到组合后的复值信号;
11、当满足设定条件时,将组合后的复值信号确定为最终降噪信号;其中,所述设定条件为每段斜率的更新量小于对应的设定阈值且每个系数的更新量小于对应的设定阈值的条件;
12、当不满足设定条件时,将组合后的复值信号确定为初始目标信号,根据每段斜率的更新量更新自适应多段线性重构系数函数,根据每个系数的更新量更新自适应相位线性重构系数函数,并返回对初始目标信号进行经验模态分解,得到多个信号分量的步骤。
13、第二方面,本发明提供了一种基于自适应级联经验模态分解的降噪系统,包括:
14、信号分量确定模块,用于对初始目标信号进行经验模态分解,得到多个信号分量;其中,在第一次迭代时,所述初始目标信号为在光纤通信系统中,对接收端接收的原始信号经过时钟恢复、色散补偿、信号均衡和频偏估计处理后得到的信号;
15、初始降噪信号确定模块,用于根据自适应多段线性重构系数函数,确定每个所述信号分量的线性重构系数,并根据每个所述信号分量以及对应的线性重构系数,确定初始降噪信号;
16、斜率更新量确定模块,用于根据所述初始降噪信号的误差值,确定所述自适应多段线性重构系数函数中每段斜率的更新量;
17、相位分量确定模块,用于根据信号幅值对所述初始降噪信号进行分类,得到不同幅值序号下的信号相位,并对不同幅值序号下的信号相位进行经验模态分解,得到每个幅值序号下的多个相位分量;其中,一个信号幅值对应一个或者多个幅值序号;
18、信号相位重构模块,用于根据自适应相位线性重构系数函数,确定每个所述相位分量的线性重构系数,并根据每个所述相位分量以及对应的线性重构系数,确定每个幅值序号下的重构后的信号相位;
19、系数更新量确定模块,用于根据重构后的信号相位以及对应的信号幅值,得到不同幅值序号下的复值信号,并根据不同幅值序号下的复值信号的误差,确定所述自适应相位线性重构系数函数中每个系数的更新量;
20、复值信号组合模块,用于按照幅值序号,对不同幅值序号下的复值信号进行组合,得到组合后的复值信号;
21、结果确定模块,用于当满足设定条件时,将组合后的复值信号确定为最终降噪信号;其中,所述设定条件为每段斜率的更新量小于对应的设定阈值且每个系数的更新量小于对应的设定阈值的条件;
22、跳转模块,用于当不满足设定条件时,将组合后的复值信号确定为初始目标信号,根据每段斜率的更新量更新自适应多段线性重构系数函数,根据每个系数的更新量更新自适应相位线性重构系数函数,并返回信号分量确定模块。
23、第三方面,本发明提供了一种电子设备,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行根据第一方面所述的基于自适应级联经验模态分解的降噪方法。
24、根据本发明提供的具体实施例,本发明公开了以下技术效果:
25、本发明基于经验模态分解以及线性重构(即自适应多段线性重构系数函数和相位线性重构系数函数)的级联,实现了对信号进行了ase噪声、相位噪声以及非线性噪声的滤除;并且引入反馈机制,通过监控误差变化情况,对自适应多段线性重构系数函数和自适应相位线性重构系数函数的关键参数进行调整,能够进一步提升对噪声分量的滤除效果,从而提高系统传输性能。
1.一种基于自适应级联经验模态分解的降噪方法,其特征在于,包括:
2.根据权利要求1所述的一种基于自适应级联经验模态分解的降噪方法,其特征在于,对初始目标信号进行经验模态分解,得到多个信号分量,具体包括:
3.根据权利要求1所述的一种基于自适应级联经验模态分解的降噪方法,其特征在于,根据自适应多段线性重构系数函数,确定每个所述信号分量的线性重构系数,并根据每个所述信号分量以及对应的线性重构系数,确定初始降噪信号,具体包括:
4.根据权利要求1或者3所述的一种基于自适应级联经验模态分解的降噪方法,其特征在于,所述自适应多段线性重构系数函数为:
5.根据权利要求1所述的一种基于自适应级联经验模态分解的降噪方法,其特征在于,根据所述初始降噪信号的误差值,确定所述自适应多段线性重构系数函数中每段斜率的更新量,具体包括:
6.根据权利要求1所述的一种基于自适应级联经验模态分解的降噪方法,其特征在于,根据自适应相位线性重构系数函数,确定每个所述相位分量的线性重构系数,并根据每个所述相位分量以及对应的线性重构系数,确定每个幅值序号下的重构后的信号相位,具体包括:
7.根据权利要求1或者6所述的一种基于自适应级联经验模态分解的降噪方法,其特征在于,所述自适应相位线性重构系数函数,具体包括:
8.根据权利要求1所述的一种基于自适应级联经验模态分解的降噪方法,其特征在于,根据不同幅值序号下的复值信号的误差,确定所述自适应相位线性重构系数函数中每个系数的更新量,具体包括:
9.一种基于自适应级联经验模态分解的降噪系统,其特征在于,包括:
10.一种电子设备,其特征在于,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行根据权利要求1至8中任一项所述的基于自适应级联经验模态分解的降噪方法。