As data traffic has increased continuously, Elastic Optical Networks (EON) have been proposed to increase transmission efficiency over a limited bandwidth of a communication media. For a conventional optical networks, a receiver assumes a pre-defined modulation format. However, for the EON, the modulation format can be changed adaptively to the channel condition. Therefore the receiver should understood the modulation format by himself for demodulation of the received signal.
In this thesis, we propose a modulation format identification method for square M-Quadrature Amplitude Modulation (QAM) signals. The variance of the received signals as a function of Optical Signal to Noise Ratio (OSNR) was used to set threshold of the modulation format decision. We performed a simulation at 10 Gb/s as a test of the proposed method. After identification of the modulation format, we calculated Bit Error Rate (BER) by passing Digital Signal Processing (DSP).
Moreover, we verified that it is possible to identify the modulation format by using machine learning without the pre-calculated threshold value. We performed training of the proposed neural network using different values of the OSNR and the variance of the received signal. The neural network contains 3 layers; an input layer, a hidden layer with 8 neurons, and an output layer. We confirmed that the proposed neural network successively identifies the modulation format, when the OSNR of the received signal is within in acceptable range of communication.
데이터 통신량이 지속적으로 늘어남에 따라 제한되어 있는 대역폭을 효율적으로 사용하기 위해 유연한 광통신 시스템에 대한 연구가 진행되고 있다. 기존의 광통신에서는 수신기가 수신된 신호의 변조 형식에 따라 정해진 수신기를 사용하고 있다. 하지만, 유연한 광통신 시스템에서는 통신 거리 및 정보량에 따라서 변조 형식을 변경해야 하므로 수신기가 변조 형식을 자체적으로 판단하여 이를 복조해야 하는 필요성이 생기게 된다.
이 논문에서는 square M-Quadrature Amplitude Modulation (QAM) 신호에 대해서 변조 형식을 판별할 수 있는 방법을 제안하고 시뮬레이션을 통해서 이를 확인하였다. 시뮬레이션은 10Gb/s로 변조된 QPSK, 16-QAM, 그리고 64-QAM 신호를 사용하였다. 광통신에서 광신호는 Optical Signal to Noise Ratio (OSNR)에 따라 왜곡되므로 이들이 변조 형식 판별에 미치는 영향을 분석하였다. 변조 형식 판별 후에 오프라인 디지털 신호 처리를 거쳐서 정상적으로 신호를 수신할 수 있음을 보였다.
Threshold 값을 미리 계산하지 않고 변조 형식을 판별하기 위해 기계 학습 방식을 도입하여 임의의 신호에 대해서 변조 형식 판별이 가능함을 확인하였다. 즉, 알고 있는 OSNR과 그에 따른 신호의 분산 값을 이용하여 신경망을 통해 수신기를 학습시키고, 임의의 시험 데이터에 대해서 변조 형식이 정확하게 판별되는지를 시뮬레이션을 통해 확인하였다. 입력 층 (Input layer)과 1개의 숨겨진 층 (Hidden layer), 출력 층 (Output layer)으로 3개의 층을 가진 신경망을 사용하면 실제 통신이 가능한 영역에서 변조 형식을 정확히 판별할 수 있음을 확인할 수 있었다.
