⚡ electrical engineering

ML-Enabled Deformable Matched Filters for Band-Limit Compensation in Free-Space Optics

本文提出了一种神经网络辅助的可变形匹配滤波框架，该框架通过紧凑的信号特征学习残余滤波器变形，以有效补偿自由空间光通信 CAP 调制系统中由带宽引起的脉冲失真，在不增加延迟的情况下，其性能显著优于传统的固定滤波器。

原作者： Paul Anthony Haigh

发布于 2026-06-16

📖 1 分钟阅读☕ 轻松阅读

原作者： Paul Anthony Haigh

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

大局观：修复模糊的信息

想象一下，你正试图用手电筒向房间另一头发送一条清晰、锐利的信息。在一个理想的世界里，光束保持紧凑且聚焦，精准地击中你的目标。但在现实世界中，空气可能很浑浊，或者你的手电筒透镜可能有些陈旧模糊。当光到达墙面时，光束已经扩散开来，并与相邻的光束发生了重叠。如果你试图发送一系列点和划（比如摩斯电码），这些模糊的点就会挤压在一起，让你很难分辨哪里是一个点的结束，哪里是下一个点的开始。

在自由空间光学（通过空气利用光传输数据）领域，这种“模糊”是由带宽限制引起的。这就像是试图把一条宽阔的河流挤进一根细窄的管道；水流（数据信号）会发生扭曲、溅射和延迟。

旧方法：僵硬的模板

传统上，工程师使用“匹配滤波器”（Matched Filter）来捕捉这些信号。你可以把这个滤波器想象成一个饼干模具。

问题所在： 这个饼干模具是为完美的圆形饼干设计的。但如果面团（信号）被这根细窄的管道（带宽限制）挤压和拉伸了，圆形的饼 cutter 就不再适用了。它会切掉边缘或漏掉中心，导致做出的饼干一团糟（糟糕的数据）。
局限性： 你不能每当风向改变时就更换一个不同形状的模具，因为那样太慢且太复杂了。因此，工程师通常只能接受那个糟糕的饼干，或者尝试在饼干被切好之后再去修复它，但这往往为时已晚。

新方案：“智能、可拉伸”的饼干模具

这篇论文提出了一种名为可变形匹配滤波器（DMF）的新系统，由机器学习驱动。

与其使用一个僵硬、不可改变的饼干模具，不如想象一个由智能、可拉伸橡胶制成的饼干模具。

“感知”（特征）： 在模具接触面团之前，一小组传感器（神经网络）会先观察面团。它们不会看整个混乱的堆积物，而是检查 16 个特定的线索，比如“表面有多颠簸？”或“扩散有多宽？”。这些被称为信号特征。
“大脑”（神经网络）： 一个微型、快速的计算机大脑会观察这 16 个线索，并瞬间做出判断：“好吧，面团向左边挤压了，所以我需要拉伸模具的左侧并收缩右侧。”
“行动”（残差修正）： 系统并不会丢弃原始的完美饼干模具。相反，它会计算出对模具形状的一个微小的调整（一个“残差”）。这就像是拿着那个完美的模具，并根据当前的混乱情况轻轻地弯曲它，使其刚好契合。
结果： 模具能完美地扣在扭曲的信号上，干净利落地提取数据，而不会产生模糊。

他们是如何测试的

研究人员搭建了一个真实的实验室测试台。

设置： 他们使用激光将光线在 20 厘米（约 8 英寸）的间隙中传输。
挑战： 他们通过数字滤波器人为地制造了“糟糕”的连接，以模拟一个非常狭窄的管道（严重的带宽限制）。
对比： 他们将这种“智能可拉伸模具”与旧的“僵硬模具”进行了对比。

他们的发现

当信号高度扭曲时： 旧的僵硬模具表现得很糟糕，产生了“乱七八糟的饼干”（高错误率）。然而，智能模具能够自我弯曲以适应扭曲，保持数据清晰。在最极端的情况下，它将性能提升了 40% 以上。
当信号良好时： 如果连接很清晰，带宽没有问题，智能模具会意识到：“嘿，我不需要弯曲。”它几乎保持与原始僵硬模具完全一致。这很重要，因为它意味着新系统在原本运行良好的情况下不会破坏原有性能。
速度： 该系统的学习和调整速度极快，因此不会减慢数据传输速度。

为什么这很重要

这篇论文表明，你不需要用一个复杂的、黑箱式的计算机程序来替换整个通信系统。相反，你可以保留旧系统中可靠且经过验证的数学逻辑，只需添加一个“智能助手”，让它在运行过程中进行微小且必要的调整。

简而言之： 他们教会了计算机如何轻轻地弯曲一个标准的数据滤波器，使其即使在光信号因狭窄通道而发生扭曲时也能完美契合，从而在不需要减慢速度或改变整个系统的情况下，实现更清晰的通信。

技术摘要：用于自由空间光学中带宽限制补偿的机器学习增强型可变形匹配滤波器

问题陈述
载波无关幅度与相位（CAP）调制是带宽受限的光通信系统中的一种频谱高效解决方案。然而，其性能对由带宽限制、大气湍流和硬件损伤（如光电探测器饱和）引起的脉冲形状失真高度敏感。传统的 CAP 接收机依赖于为理想信道设计的固定解析匹配滤波器（CMF）。在实际应用中，带宽限制会导致信号统计特性发生快速变化，从而导致标称滤波器与最优接收器结构之间出现失配。虽然存在自适应均衡技术，但它们通常需要消耗带宽的训练序列、频繁的重训练，或者在符号级运行，无法直接补偿采样前发生的脉冲形状失真。此外，现有的用于光学接收机的机器学习（ML）方法通常作用于高维波形或符号序列，往往缺乏物理可解释性，且需要大量的计算资源。

方法论
本文提出了一种神经网络辅助的可变形匹配滤波（DMF）框架。该方案并非使用“黑盒”模型取代解析推导的 CAP 匹配滤波器，而是学习标称滤波器的残差变形。

特征提取： 系统从接收到的波形中提取一组紧凑的、具有物理意义的 16 维信号特征。这些特征在四个时间段内进行平均，以确保鲁棒性。特征分为以下三类：
1. 时域统计量： RMS 幅度、方差、偏度、超额峰度以及平均包络。
2. 频域特性： 频谱展宽、滚降、平坦度、熵以及 3 dB 带宽。
3. 信号质量指标： 峰值平均功率比（PAPR）、峰值功率、特定滞后下的自相关以及包络波峰因子。
神经网络架构： 一个轻量级的全连接神经网络（两层：16 $\rightarrow$ 256 $\rightarrow$ 384 个神经元）将 16 维特征向量映射为复数值滤波器修正项 ( $\Delta h$ )。该网络预测的是对基准 CMF 系数的残差修正，而非从零开始学习滤波器。
滤波器自适应： 最终的可变形滤波器通过将预测的修正项添加到解析推导的逆时间滤波器中获得。生成的滤波器在应用前会进行能量归一化。
训练： 该网络通过硬件在环（HITL）设置进行端到端训练。损失函数是误差矢量幅度（EVM）与平滑正则化惩罚（一阶和二阶）的加权组合，以确保滤波器系数具有物理可实现性且无振荡。训练利用具有系统性带宽变化的在线数据生成，避免使用固定的训练集以防止对特定符号模式的过拟合。

实验设置
验证是在一个运行于 850 nm 的 200 mm 自由空间光学链路上的 CAP 传输系统上进行的。系统使用了 Xilinx Zynq ZCU102 板卡，并配合 Analog Devices FMC-DAQ3 进行 DAC/ADC 转换。带宽限制通过一个 101 抽头的 FIR 滤波器在数字域进行模拟，其归一化截止频率 ( $\omega_n$ ) 范围为 0.5 到 0.9。系统测试了 4-QAM 和 16-QAM 调制格式，接收光功率范围为 -25 dBm 至 +5 dBm。

关键结果

严苛约束下的性能： 在严重的带宽限制下（ $\omega_n = 0.5$ ），传统匹配滤波器（CMF）的 EVM 指标超过 50%，导致解调无法进行。在相同条件下，所提出的 DMF 将 EVM 降低至 30% 以下，代表了超过 40% 的相对性能提升。
中间机制： 在过渡区域（ $\omega_n \in [0.65, 0.75]$ ），DMF 相比 CMF 提供了 5–15% 的稳定 EVM 提升。
优雅降级： 随着带宽限制的放宽（ $\omega_n \ge 0.85$ ），DMF 的性能趋于与 CMF 一致。神经网络学习到的修正项趋近于零，从而有效地回归到解析最优滤波器，避免了在有利条件下的性能下降。
与均衡器的比较：
- 一个在符号速率运行的 192 抽头 LMS 线性均衡器相比 CMF 未提供任何可测量的改进，这证实了脉冲形状失真在降采样后是不可逆转地丢失了。
- 一个在符号速率运行的多层感知器（MLP）后均衡器在受码间干扰（ISI）主导的机制（中度至严重带宽限制）中，表现与 DMF 持平或被其超越。虽然 MLP 在噪声主导机制中略有优势，但 DMF 通过在降采样前运行，无需导频符号或定期重训练，提供了更优的复杂度-性能权衡。
泛化能力： DMF 在 4-QAM 和 16-QAM 调制格式下均表现出鲁棒性，并展示了在无需重训练的情况下，将基于 16-QAM 训练的模型应用于 4-QAM 的泛化能力。

意义与主张
本文声称所提出的 DMF 框架成功弥合了经典通信理论与数据驱动优化之间的鸿隙。其主要意义在于：

混合策略： 它结合了解析推导匹配滤波器的可靠性与可解释性，以及机器学习的适应性，通过学习残差修正而非取代整个接收器结构来实现。
降采样前干预： 通过在符号速率采样前对匹配滤波器本身进行自适应，该方法补偿了符号速率均衡器无法恢复的脉冲形状失真。
高效性与可解释性： 使用紧凑的、基于物理信息的特征集使得小型神经网络架构（102,528 个参数）成为可能，确保了快速收敛并保持了物理可解释性，这与高维波形类的深度学习模型不同。
鲁棒性： 系统在严苛带宽限制下表现出显著的性能增益，同时在条件良好时能优雅地退化为传统性能，消除了机器学习引发不稳定的风险。

作者得出结论，这种方法为带宽受限的光学链路提供了一种实用的、无导频且块自适应的解决方案，特别是在 ISI 为主要损伤的场景下。未来的工作确定为研究大气损伤（湍流、闪烁）以及与分数间隔均衡器及完整 DSP 链进行对比。