Matlab PAM代码-Optical-Comm-ML：基于机器学习的色散光纤光通信

简介：
Matlab PAM代码-Optical-Comm-ML项目专注于利用机器学习技术优化基于部分幅度调制(PAM)的光学通信系统性能，特别是在色散管理方面。该研究在Matlab环境中进行，旨在提升长距离光纤通信系统的数据传输效率和稳定性。 该项目的目标是使用机器学习技术来解码通过模拟光纤接收的失真信号。 我们检查了两种编码方式：二进制（NRZ）和4位（4-PAM）。对于这两种情况，都采用了最大似然估计器进行处理，在Matlab中实现。假设每个时间样本在一个时钟周期内遵循高斯分布，并按方差缩放输入样本以找到与每个符号均值的偏差，然后由最近的符号给出预测。 此外，我们还使用了卷积神经网络（CNN）来对1D波形进行分类，在Python中实现。为了适应信号处理需求，我们将通常用于2D图像分类的CNN修改为采用1D扩张因果卷积的方式操作于一维数据上。 支持向量机(SVM)也被应用于时域信号解码任务之中。首先将根据比特率划分出样本集，并将其转换成一个包含16个维度特征向量的数据形式，之后使用这些经过处理的样本对SVM进行训练。 项目依赖关系如下： - Matlab：无 - Python：版本3.6及其以上、Numpy 1.14及以上及TensorFlow 1.6 在代码文件方面，有以下几个关键部分： - 特征提取相关的auto_labeler.m用于从TX数据生成标签。 - data_parser.m则负责将RX和标签文件解析为训练与测试所需的数据集。 对于最大似然估计器的具体实现，则包括了MLbin.m（针对二进制NRZ编码）以及MLpam.m (面向4-PAM的信号)。