基于智能计算和学习方法的SDM系统绿色化设计研究

The few mode fiber based space division multiplexing (SDM) technology is one promising solution to break through the capacity bottleneck of the current single mode optical fiber based backbone communication network. However, the current signal processing techniques of SDM system are always labeled with high computation, high energy consumption and high cost. To this end, the research on the green design of the signal processing techniques in SDM system has great significance and prospects in practical application. Focusing on the key issues of dispersion compensation, loss mitigation and energy efficiency optimization of SDM system, this research attempts to explore the new solutions to the above-mentioned problems based on intelligent computing and learning method, with the purpose of pursuing green design with high energy efficiency and low cost. Specifically, through the introduction of support vector machine technique in optimizing the tap coefficient in OFDM equalization, low training task and real time OFDM equalization method is acquired; through the introduction of soft-input intelligent evolutionary algorithm in the decoding process of MIMO space-time encoding to suppress mode dependent loss, low complexity adaptive and robust detecting strategy is obtained; Through studying the optimization methods for the energy efficiency and spectral efficiency trade-off non-convex multi-objective optimization problem, fast and efficient hybrid parallel multi-objective evolutionary method, integrated with different learning methods or evolutionary mechanisms, is achieved. Finally, the time efficiency, robustness and energy efficiency of the above related signal processing techniques in SDM system are testified on the hardware platform, with the purpose of providing the theory basis and technical support for the practical application of SDM system.

基于少模光纤的空分复用(SDM)技术是突破当前单模光纤骨干通信网容量瓶颈极具潜力的方案，然而目前SDM系统信号处理技术往往呈现高计算量、高能耗和高成本的特点，此时，研究SDM系统信号处理技术的绿色化设计无疑具有重要的研究意义和应用前景。本课题重点围绕SDM系统色散补偿、损耗抑制、能效优化等核心问题，以绿色化高能效低开销为目标，探索基于智能计算和学习方法的求解新思路。具体而言，通过在OFDM均衡器引入支持向量机优化设计抽头系数来获得低训练量实时OFDM均衡方法；通过在MIMO空时编码抑制模式相关损耗的译码过程中，引入软输入智能进化算法，获得低复杂度自适应稳健检测算法；通过研究能效谱效折中非凸多目标优化问题求解方法，设计出高效快速、融合不同学习方法或进化策略混合并行多目标进化算法，并最终在硬件平台上完成上述相关技术时效性、稳健性和能效性的验证，从而为SDM系统实际应用提供理论基础和技术支持。

本项目按照原计划开展研究，完成了关于空分复用（SDM）系统高能效绿色化优化设计的研究，包括模式相关损耗（MDL）抑制技术、能量效率分析、收发机制优化设计和智能学习求解方案等，完成了全部研究内容，共发表期刊论文18篇，全部被SCI收录，其中JCR 1区期刊收录8篇，JCR 2区期刊收录8篇，申报国家发明专利7项，实现了项目全部预期研究目标。.本项目搭建了模分复用系统（MDM）模型，研究了系统信道特性并给出了4种不同类型信道配置，分析了MIMO均衡技术的传输性能、色散补偿能力和适用范围，讨论了基于线性代数空时码的MDM系统在抑制MDL方面的必要性、可行性和优越性。提出了一种基于线性代数空时码MDM系统混合检测方法，研究了一种基于软决策辅助的MDM系统检测方法，设计了一种应用于5G终端的宽带8元MIMO天线。另外，搭建了非线性SDM系统模型，定义了能效表达式，建立了SDM系统能效-谱效（EE-SE）折中问题，给出了最优放大器个数和功率配置。面向5G通信高能效需求，提出了一种开关延迟线模型相位调制阵列混合预编码方案。研究了大规模MIMO系统EE-SE折中问题，直流偏置光正交频分复用系统中的EE-SE折中问题，分析了LED非线性对EE-SE折中的影响。此外，设计了一种小型化低剖面可重构超表面天线和一种新型频率可重构宽带圆极化交叉偶极子天线，提出了基于对数优化静态频偏的频率分集阵列，实现了具有低旁瓣和窄波束宽度的准静态距离-角度维方向图解耦；提出了紧凑的双频带平衡-不平衡滤波功率分配器和新型不平衡-平衡四频道双工器。最后，提出了一种新的基于人工神经网络的阵列综合方法，对具有任意给定几何形状线阵，可以成功实现聚焦或赋形方向图综合，并具有计算效率高的优势。提出了一种基于多分支编码器-解码器的人工神经网络综合框架，提出了一种阵列综合静态动态凸优化算法，提出了一种高效的在线数据驱动E-XGBoost天线优化方法，提出了一种基于卷积神经网络的混合预编码算法，具有鲁棒性好和复杂度低的优势；提出了一种新的骨干CSP-Hourglass网络，以解决深度网络中小目标特征容易丢失的问题。