[发明专利]一种光纤非线性均衡方法、系统、电子设备及介质

权利要求书

1.一种光纤非线性均衡方法，其特征在于，包括：

获取目标码元序列；所述目标码元序列为接收端收到的待测试接收光信号的码元序列；所述码元序列包括多个符号；

采用微扰理论构造所述目标码元序列中各个符号的微扰三重积特征值，得到目标特征值集合；

将所述目标特征值集合输入均衡器模型中，得到所述目标码元序列均衡后的数据类别；

其中，所述均衡器模型是采用训练数据对复值全连接神经网络进行训练得到的；

所述训练数据，包括：训练特征集以及发射端的发送光信号的码元序列的数据类别；所述训练特征集包括采用微扰理论构造的接收端收到的训练接收光信号的码元序列中各个符号的微扰三重积特征值。

2.根据权利要求1所述的一种光纤非线性均衡方法，其特征在于，采用微扰理论构造所述目标码元序列中各个符号的微扰三重积特征值，得到目标特征值集合，具体包括：

对于目标码元序列中的第k个符号，确定第k个符号以及相邻符号的实部分量数据和虚部分量数据，所述相邻符号包括与第k个符号相邻的设定范围内的符号；

构建光信号在单模光纤中传输时传输特性需满足的非线性薛定谔方程；

基于所述非线性薛定谔方程，采用微扰理论构造目标码元序列中的第k个符号的微扰三重积特征值；

根据所述目标码元序列中所有符号的微扰三重积特征值，构建目标特征值集合。

3.根据权利要求2所述的一种光纤非线性均衡方法，其特征在于，第k个符号的微扰三重积特征值的表达式为：

其中，T_xy(z＝L,t＝k)表示第k个符号的微扰三重积特征值；z表示传输距离；t表示符号的序号；L表示表示单模光纤的长度；第k个符号的微扰三重积特征值的第一部分；A表示第k个符号的微扰三重积特征值的第二部分；U_x(z＝L,t＝k+n)表示光信号在x偏振态下第k+n个符号的光场；表示光信号在x偏振态下第k+m+n个符号的光场的共轭转置；U_x(z＝L,t＝k+m)表示光信号在x偏振态下第k+m个符号的光场；U_y(z＝L,t＝k+n)表示光信号在y偏振态下第k+n个符号的光场；表示光信号在y偏振态下第k+m+n个符号的光场的共轭转置；U_y(z＝L,t＝k+m)表示光信号在y偏振态下第k+m个符号的光场；x偏振态和y偏振态垂直；m和n确定设定范围的大小。

4.根据权利要求3所述的一种光纤非线性均衡方法，其特征在于，m和n满足约束条件；所述约束条件为

其中，P为设定的常量。

5.根据权利要求1所述的一种光纤非线性均衡方法，其特征在于，所述均衡器模型的确定方法为：

获取接收端收到的训练接收光信号的码元序列以及发射端的发送光信号的码元序列的数据类别；

采用微扰理论构造训练接收光信号的码元序列中各个符号的微扰三重积特征值，得到训练特征集；

根据所述训练特征集和发射端的发送光信号的码元序列的数据类别，确定训练数据；

构建复值全连接神经网络；所述复值全连接神经网络，包括：依次连接的输入层、隐藏层和输出层；所述隐藏层，包括两层全连接层；所述全连接层中的神元均为复值神经元；

将所述训练数据输入所述复值全连接神经网络，采用Adam优化器以衡量误差损失函数最小为目标，对所述复值全连接神经网络中的网络参数进行优化，得到训练好的复值全连接神经网络；所述衡量误差损失函数是根据发射端的发送光信号的码元序列的数据类别以及所述复值全连接神经网络输出的预测数据类别确定的；

将训练好的复值全连接神经网络确定为均衡器模型。