超高速高灵敏高阶光调制信号的产生与检测技术解析【附数据】

✨ 长期致力于异步非线性采样、线性光采样、载波包络相位、光高阶调制、相干光检测、光学频率梳、数字信号处理研究工作，擅长数据搜集与处理、建模仿真、程序编写、仿真设计。
✅ 专业定制毕设、代码
✅如需沟通交流，点击《获取方式》

（1）基于正交调制与任意波形发生器的16-QAM光信号产生系统：

设计了两路四电平电信号发生器，采用任意波形发生器输出符号率10Gbaud的基带信号，经过线性放大器和偏置控制电路驱动IQ调制器。通过优化电信号的上升沿时间和过冲，使调制器的I/Q两路幅度平衡度优于0.1dB，正交相位误差小于2度。产生的16-QAM光信号中心波长1550.12nm，线宽<100kHz。在背靠背测试中，接收端使用窄线宽本振激光器和90度光混频器，平衡探测器输出经20GSa/s ADC采样。星座图的误差向量幅度为4.2%，满足标准要求。改变任意波形发生器的采样率可产生不同速率信号，实验实现了28Gbaud 16-QAM，EVM为6.8%。

（2）基于四次方FFT的载波频偏估计与多模均衡算法：

提出一种改进的载波频偏估计方法，对接收信号进行四次方运算后做FFT，频谱峰值对应4倍频偏。在10Gbaud信号中，频偏估计范围±5MHz，精度±10kHz。频偏补偿后，采用级联多模算法进行盲均衡：先用恒模算法收敛，再切换至半径定向算法跟踪相位噪声。均衡器抽头长度15，步长0.001。经过2km标准单模光纤传输后，均衡后的星座图EVM从15%改善至6.2%。针对激光器相位噪声，设计了一种基于卡尔曼滤波的载波相位恢复算法，在信噪比15dB时相位噪声方差降低70%。

（3）光线性采样实现恒定载波包络相位测量：

利用光频梳作为采样源，对DQPSK光信号进行线性采样。理论推导表明，通过测量采样后信号的两路正交分量，可以解算出载波包络相位。在LabVIEW仿真中，设定载波包络相位为0.8rad，线性采样恢复值为0.79rad，误差0.01rad。脉冲宽度对测量精度的影响研究表明，当脉冲宽度从200fs增加到500fs时，测量误差从0.003rad增至0.015rad。实验搭建了重复频率100MHz的飞秒激光器，载波包络相位锁定在0相位，对高速16-QAM信号进行线性采样，成功获取了信号电场演变轨迹。该方法可应用于超高速光信号质量监控，测量速率达到40Gbaud以上。

import numpy as np import scipy.signal as sig from scipy.fft import fft, ifft def generate_16qam(symbols): # 16-QAM 映射 Gray编码 mapping = {0: -3-3j, 1: -3-1j, 2: -3+3j, 3: -3+1j, 4: -1-3j, 5: -1-1j, 6: -1+3j, 7: -1+1j, 8: 3-3j, 9: 3-1j, 10: 3+3j, 11: 3+1j, 12: 1-3j, 13: 1-1j, 14: 1+3j, 15: 1+1j} return np.array([mapping[s] for s in symbols]) def carrier_freq_offset_estimation(rx_signal, fs): # 四次方FFT频偏估计 fourth = rx_signal**4 N = len(fourth) spec = fft(fourth) freq = np.fft.fftfreq(N, 1/fs) idx = np.argmax(np.abs(spec)) f_est = freq[idx] / 4 return f_est def blind_equalization(rx, taps=15, mu=0.001): # 恒模算法+半径定向 w = np.zeros(taps, dtype=complex) w[taps//2] = 1.0 y = np.zeros_like(rx, dtype=complex) for n in range(taps, len(rx)): x_n = rx[n-taps:n][::-1] y[n] = np.dot(w, x_n) # 半径定向误差 r = np.abs(y[n]) if r > 1.5: target = 2.0 * np.exp(1j*np.angle(y[n])) else: target = 1.0 * np.exp(1j*np.angle(y[n])) e = target - y[n] w += mu * e.conj() * x_n return y def linear_sampling_carrier_envelope(signal, sampler_pulse): # 光线性采样重建电场 sampled = np.convolve(signal, sampler_pulse, mode='same') # 假设可以分解出包络相位 envelope = np.abs(sampled) phase = np.angle(sampled) return envelope, phase if __name__ == '__main__': # 生成16-QAM符号 np.random.seed(42) data = np.random.randint(0,16,1000) tx = generate_16qam(data) # 加入频偏和噪声 fs = 20e9 t = np.arange(len(tx))/fs freq_offset = 250e3 rx = tx * np.exp(2j*np.pi*freq_offset*t) + 0.05*np.random.randn(len(tx)) f_est = carrier_freq_offset_estimation(rx, fs) print(f'估计频偏: {f_est/1e3:.1f} kHz, 实际: {freq_offset/1e3:.1f} kHz') # 均衡 rx_eq = blind_equalization(rx, taps=11, mu=0.005) # 线性采样模拟 pulse = np.exp(-(t[:200]-t[100])**2/(2*(1e-12)**2)) # 1ps脉冲 env, ph = linear_sampling_carrier_envelope(rx_eq[:200], pulse) print('线性采样完成，已提取包络和相位')