[发明专利]一种基于傅立叶神经算子的光纤信道快速建模方法

说明书

本发明公开了一种基于傅立叶神经算子的光纤信道快速建模方法，具体为：首先基于传统的分步傅立叶算法建立长距离光信号传输仿真系统，获取由输入信号与各跨段的输出信号组成的训练对；随后利用神经网络构建傅立叶神经算子；最后利用训练数据对傅立叶神经算子的权重参数进行迭代更新以完成对映射的逼近。本发明与传统的光纤信道建模方法相比，省去了大量迭代步骤，大大提升了计算效率；同时与现有的深度学习方法相比，将建模精度提升了一个数量级，并且实现了1000km以上的长距离建模，并且克服了传统人工神经网络泛化性能不足的问题，能够应对由不同的发射功率所带来的非线性效应的变化；不需要针对不同的传输场景而多次重复训练。

技术领域

本发明属于光纤通信技术领域，尤其涉及一种基于傅立叶神经算子(FourierNeural Operator,FNO)的光纤信道快速建模方法。

背景技术

近年来，随着各种多媒体数据业务(例如：大数据、云计算、物联网、机器对机器通信、远程手术等)的快速发展，人们对传输容量的需求也在不断的提升，全球网络流量在过去十年中呈现爆发式增长。光纤通信以其具有高带宽、抗电磁干扰等优点正日益取代铜缆，被广泛应用于现代社会的通信数据传输。光纤通信系统的仿真是光纤通信系统研究和设计的基础，其在数字空间对信号传输过程进行预演和分析，能够帮助研究人员了解光通信的传输限制，从而为光网络的设计提供指导。在长距离通信过程中，光纤信道所具有复杂的物理效应(如衰减、色散效应、克尔非线性效应等)会对信号造成不同性质的损伤，而光放大器在补偿功率损耗的同时又会引入噪声，这些物理现象之间的相互作用使得对信号的估计变得十分具有挑战性。因此，光纤信道建模成为整个光通信系统仿真中的重中之重。

光信号在光纤中的传播过程可以利用非线性薛定谔方程(NonlinearSchrodinger equation，NLSE)进行描述，当同时考虑衰减、色散、克尔非线性等物理效应时，此方程没有解析解。因此，现有的研究主要通过数值方法对NLSE进行求解以对光纤信道进行建模。分步傅里叶算法(Split Step Fourier Method,SSFM)是目前最为有效的一种数值解法，它将光纤划分为若干个子跨段进行解析求解，这是一种迭代的运算方式，每个子跨段的长度越短，需要的迭代步骤越多，结果也就越精确。显而易见，此种方式下的信道建模无法取得时效性与准确性的共适。

近年来，深度学习的最新进展已经在不同的科学学科中取得了革命性的成果，作为一种快速求解器，其性能与计算效率相较于传统方法具有显著优势。目前，已有研究针对深度学习在光纤信道建模中的应用进行了初步探索，其在有限维欧氏空间中对特定距离和发射功率下的中短距离传输情景进行了快速准确的信道建模。但对于1000km以上的长距离传输仍存在准确率不高以及泛化能力不足等问题，往往需要重复训练以适配不同的传输场景。

发明内容

针对上述问题，为满足当前复杂多变的光网络的需求。本发明提供一种基于傅立叶神经算子的光纤信道快速建模方法。

本发明的一种基于傅立叶神经算子的光纤信道快速建模方法，首先基于传统的分步傅立叶算法建立长距离光信号传输仿真系统，获取由输入信号与各跨段的输出信号组成的训练对；随后利用神经网络构建傅立叶神经算子；最后利用训练数据对傅立叶神经算子的权重参数进行迭代更新以完成对映射的逼近，具体包括以下步骤：

步骤1：生成神经网络数据集。

S11：生成二进制比特流b。

S12：将步骤S11中得到的比特流b按照格雷映射规则映射至对应星座图，得到符号流s，随后对符号流s进行上采样以及升余弦脉冲成型得到发射信号x(t)。

S13：将发射信号x(t)送入光纤信道进行传输，光纤信道由N_span个跨段级联而成，其中，第k个跨段的输出信号记为y_k(t)；此处包含衰减、各阶色散以及自相位调制的光纤信道由分步傅立叶算法精确模拟。