[发明专利]一种光纤非线性均衡方法、系统、电子设备及介质

说明书

本发明公开了一种光纤非线性均衡方法、系统、电子设备及介质，涉及光纤通信技术领域，该方法包括：获取目标码元序列；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；采用微扰理论构造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；将目标特征值集合输入均衡器模型中，得到目标码元序列均衡后的数据类别；其中，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。本发明能得到更贴近真实值的均衡器模型，提升光纤信号非线性均衡的性能。

技术领域

本发明涉及光纤通信技术领域，特别是涉及一种光纤非线性均衡方法、系统、电子设备及介质。

背景技术

随着近年光纤通信技术迅猛发展，大容量、长距离、高速率的光纤通信系统越来越被人们所重视。同时由于光信号在光纤通信系统的传输过程中受到各种线性与非线性损伤等因素的限制，传输信道容量也面临着越来越大的压力。诸如最大似然序列均衡(MLSE)等的数字信号处理(DSP)算法对于色度色散(CD)和偏振模色散(PMD)等绝大多数线性损伤已经能很好地解决。而当传输高阶调制格式信号时，随着发射光功率逐渐增大，光纤的非线性效应也会加剧，进而严重影响系统性能。研究能有效克服光纤非线性效应的DSP算法成为了当今光纤通信领域热点议题。比较经典的非线性均衡算法有数字反向传播(DBP)、Volterra级数传递函数(VSTF)和基于微扰理论(PB)的均衡算法，其中PB算法是将非线性损伤看成一个非线性微扰项，根据非线性薛定谔方程(NLSE)求解微扰项用作非线性补偿，但是该方案需要预先知道光纤信道的准确参数信息以及需要大量的计算资源，不利于实际应用。

目前，人工智能的兴起已经让机器学习逐渐被认为是解决光通信中各种挑战的一种很有前途的工具。特别是基于神经网络(NN)的算法已经证明了它们在减轻光通信链路中的非线性传输损伤方面的巨大潜力。神经网络的对光信号均衡的主要思想是：通过不断学习发射端信号和接收端信号之间复杂的映射关系，并按照一定的规则(学习算法)调整网络各层的权值矩阵，待网络各层权值都收敛到一定值后建立一个拟合好的模型，最终用生成好的模型对其它受畸变的接收信号进行均衡。例如，全连接神经网络(FNN)、卷积神经网络(CNN)、循环神经网络(RNN)、长短期记忆神经网络(LSTM)和门控循环神经网络(GRU)均已被证实能用于光信号的非线性均衡中。

但是，在光纤通信系统中进行信号处理时，通常采用复数形式表示数字信号，而目前大多数神经网络框架的实现都使用实数而不是复数，在处理光信号时难以体现出幅值和相位的相关性。鉴于复数信息表示在数学上的合理性，人们更进一步想到使用复数表示输入、输出和权重等参数的人工神经网络在这些领域同样具有潜力。因此，一种全结构使用复值参数和变量处理信息的复值神经网络(CVNN)逐渐进入到研究人员的视野。

综上，尽管利用神经网络进行非线性均衡的研究已经取得了显著的效果，但神经网络通常需要大量的特征数据驱动训练以获得精准的模型。在实际应用时，神经网络直接从接收信号的码元序列学习训练获得的收益是有限的，因此，如何获取更多有意义的特征数据是应用神经网络作为非线性均衡器的首要考量。

发明内容

基于此，本发明实施例提供一种光纤非线性均衡方法、系统、电子设备及介质，采用微扰理论分析输入信号来促进复值神经网络的初始化，从而得到更贴近真实值的均衡器模型，提升光纤信号非线性均衡的性能。

为实现上述目的，本发明提供了如下方案：

一种光纤非线性均衡方法，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；