[发明专利]一种基于IPCA-DNN算法的光纤非线性均衡方法

说明书

本发明公开了一种基于IPCA‑DNN算法的光纤非线性均衡方法，首先用色散补偿模块来补偿传输链路的线性损伤，然后计算信道内交叉相位调制和信道内四波混频的三元组；再通过改进型PCA算法与聚类分析结合对所述三元组进行数据预处理；然后通过神经网络训练预处理后的三元组，生成该传输链路的黑箱模型，并在执行阶段得到该模型的非线性损伤值；最后利用非线性损伤值的预测值与神经网络的标签值来计算该非线性补偿方案的性能。本发明通过神经网络对光纤非线性损伤进行均衡处理，可以逼近任意非线性函数，建立更好的黑箱模型，能够准确的预测光纤非线性损伤，并且只依赖于接收到的数据来模拟传输模型，可以在预先不知道链路参数的情况下工作，具有普适性。

技术领域

本发明涉及光纤通信技术领域，具体为一种基于IPCA-DNN算法的光纤非线性均衡方法。

背景技术

随着信息社会的不断发展，光网络承载了大量的数据流量，其容量在过去五年里急剧增长了十倍。大数据，云服务，VR/AR和高清全景直播等应用仍在推动光网络向更高的频谱效率和更大的信道容量发展。但是光纤线性损伤和非线性损伤这两类因素限制了光通信技术的进一步发展。随着数字信号处理技术的飞速发展，光纤线性损伤得到很好的补偿，所以目前光纤非线性损伤是长距离高速光纤传输系统的主要障碍，补偿光纤非线性效应具有很大的实用意义。

在传统的光纤非线性补偿算法中，共轭孪生波创造性地提出了两种共轭方案：时域共轭孪生波和频域共轭孪生波，可消除由克尔非线性效应与色散相互作用引起的非线性失真，但是共轭孪生波补偿的精度会随着WDM(Wavelength Division Multiplexing波分复用)系统复用信道数量的增加而下降，并且会浪费一半的传输带宽；通过Volterra级数来求解非线性薛定谔方程，计算的复杂度较高并且非线性的补偿效果受滤波器抽头系数影响而并不稳定；作为一种在数字域上补偿光纤非线性效应的方法，数字反向传播使用分步傅里叶变换来得到非线性薛定谔方程的近似时域解，数字处理的精度跟与选择的步长有关，很难平衡性能与复杂度之间的关系，并且它需要准确的链路参数，而在一些实际应用下(如海底光缆)链路参数无法准确获得。

随着机器学习技术不断发展，将机器学习引入光纤非线性补偿，已成为解决光纤通信中许多新挑战的一个创新方向。其中，基于分类算法的补偿方案(如：k-NearestNeighbors，KNN)，通过生成非线性决策边界来确定测试数据的类别，由于KNN的全局遍历性导致了相对较大的计算复杂度；基于聚类算法的NLC(Nonlinear ImpairmentCompensation)方案(如：k-Mean)，由于初始质心的随机选择使其难以得到全局最优解，导致较高的计算复杂度。

发明内容

针对上述问题，本发明的目的在于提供一种基于IPCA-DNN(Improved principalcomponent analysis-Deep Neural Networks改进主成分分析-深度神经网络)算法的光纤非线性均衡方法，通过神经网络对光纤非线性损伤进行均衡处理，可以逼近任意非线性函数，建立更好的黑箱模型，能够准确的预测光纤非线性损伤，并且只依赖于接收到的数据来模拟传输模型，可以在预先不知道链路参数的情况下工作，具有普适性。技术方案如下：

一种基于IPCA-DNN算法的光纤非线性均衡方法，包括以下步骤：

步骤1：用色散补偿模块来补偿传输链路的线性损伤，然后计算信道内交叉相位调制和信道内四波混频的三元组；

步骤2：通过改进型PCA算法与聚类分析结合对所述三元组进行数据预处理；

步骤3：通过神经网络训练预处理后的三元组，生成该传输链路的黑箱模型，并在执行阶段得到该模型的非线性损伤值；

步骤4：利用神经网络迭代出的非线性损伤值，与神经网络的标签值来计算系统的误码率，从而得到系统的非线性补偿方案性能。

进一步的，所述步骤1中三元组的计算和选择过程包括：