一种基于Wideamp;Deep模型的光纤非线性均衡方法

技术领域

本发明涉及一种应用于相干光纤通信系统的基于Wide&Deep模型的光纤非线性均衡方法，属于光纤通信技术领域。

背景技术

光纤通信系统是构建现代通信网络的重要桥梁，新型业务需求的不断增加以及信息时代经济发展模式的快速转型，光纤通信系统的容量承受越来越大的压力。信息与通信是现代经济社会发展的重要支柱，提高光纤通信系统的容量成为经济社会发展亟待解决的问题之一。相干光纤通信技术结合了高阶调制格式、相干检测技术和数字信号处理技术，可以实现高频谱效率、长距离、大容量的信号传输，是应对光纤通信网络容量危机的重要技术。然而，在相干光通信系统中，由光纤非线性效应导致的非线性损伤是限制系统通信容量和传输距离进一步增长的主要因素。因此，探索和研究相干光通信系统的光纤非线性均衡方法具有重要的意义。

现有的应对光纤非线性损伤的方法有：(1)数字后向传播(Digital BackPropagation,DBP)；(2)Volterra级数非线性均衡技术；(3)光学相位共轭(Optical phaseconjugation，OPC)技术。DBP算法和Volterra级数非线性均衡技术法可以提高系统应对非线性损伤的鲁棒性，但实现的成本与复杂性比较高，严重限制了其实际应用及部署。OPC方法需要将OPC模块精确地放置于光纤传输链路的中点，灵活性低。

机器学习得益于其数据驱动的“黑匣子”特性，不同于基于物理模型方法的“透明式”推演过程，根据从数据中学习和提取的特征作为先验信息，即可实现复杂问题的精确映射。随着机器学习的不断发展，基于机器学习的光纤非线性均衡方法是目前的研究热点。基于机器学习的光纤非线性均衡方法不需要精确得知光纤传输链路的参数信息，可以根据接收到的信号数据建立非线性均衡模型，并且，相比于传统的非线性均衡方法，可以在较低计算复杂度的同时实现更好的非线性均衡性能。

发明内容

为解决高速长距离大容量相干光通信系统中信号存在严重非线性损伤的问题：由于光纤非线性效应的影响，接收端接收到的信号存在严重的非线性损伤，导致信号质量严重下降，使得信号不能准确地恢复，导致通信系统性能降低。本发明的主要目的是提供一种基于Wide&Deep模型的光纤非线性均衡方法，计算和构建每个M-QAM信号的第一特征序列和第二特征序列，构建训练数据集；构建基于Wide&Deep模型的非线性均衡模型，第一特征序列作为Wide&Deep模型中Wide网络子模型的输入特征序列，第二特征序列作为Wide&Deep模型中Deep网络子模型的输入特征序列；利用训练数据集对Wide&Deep模型进行训练；将每个待非线性均衡的M-QAM信号的特征序列输入到训练好的Wide&Deep模型，输出得到每个M-QAM信号的预测标签；将输出的预测标签结果作为M-QAM信号所对应的类别，通过M-QAM星座符号解映射，得到相对应二进制数据，实现高准确度的数据恢复，有效缓解信号在光纤传输过程中受到的由光纤非线性效应造成的影响，降低误比特率，提升通信系统的传输性能。

本发明的目的是通过下述技术方案实现的：

本发明公开的一种基于Wide&Deep模型的光纤非线性均衡方法，在相干光纤通信系统的发射端，对发射的二进制数据序列进行M-QAM星座符号映射处理，M-QAM调制格式信号星座图有M个标准星座点，因此，M-QAM信号分为M个不同的类别，每一个标准星座点对应于一种类别，从1到M进行编号，作为类别的标签；在相干光纤通信系统的接收端，接收到经过光纤传输后的M-QAM信号序列，对信号进行线性均衡处理，基于线性均衡后的M-QAM信号序列，对于每个M-QAM信号，将当前M-QAM信号的实部数据和虚部数据作为该M-QAM信号的第一特征数据，构建对应每个M-QAM信号的第一特征序列，计算当前M-QAM信号对应的三重积项，将所述三重积项作为该M-QAM信号的第二特征数据，构建对应每个M-QAM信号的第二特征序列，基于所述第一特征序列和第二特征序列构建训练数据集；构建用于光纤非线性均衡的Wide&Deep模型，M-QAM信号的第一特征序列作为Wide&Deep模型中Wide网络子模型的输入特征序列，M-QAM信号的第二特征序列作为Wide&Deep模型中Deep网络子模型的输入特征序列；利用训练数据集对用于光纤非线性均衡的Wide&Deep模型进行训练；使用训练好的Wide&Deep模型对接收到的需要进行非线性均衡处理的M-QAM信号序列中的每个M-QAM信号的特征序列进行标签预测，得到每个M-QAM信号的预测标签；将输出的预测标签结果作为该M-QAM信号所对应的类别，通过M-QAM星座符号解映射后，得到相对应的二进制数据，实现高准确度的数据恢复，有效缓解信号在光纤传输过程中受到的由光纤非线性效应造成的影响，降低误比特率，提升通信系统的传输性能。

本发明公开的一种基于Wide&Deep模型的光纤非线性均衡方法，包括如下步骤：

步骤一：在相干光纤通信系统的发射端，对发射的二进制数据序列进行M-QAM星座符号映射处理，M-QAM调制格式信号星座图有M个标准星座点，因此，M-QAM信号分为M个不同的类别，每一个标准星座点对应于一种类别，从1到M进行编号，作为类别的标签；在相干光纤通信系统的接收端，接收到经过光纤传输后的M-QAM信号序列，对信号进行线性均衡处理，基于线性均衡后的M-QAM信号序列，对于每个M-QAM信号，将当前M-QAM信号的实部数据和虚部数据作为该M-QAM信号的第一特征数据，构建对应每个M-QAM信号的第一特征序列，计算当前M-QAM信号对应的三重积项，将所述三重积项作为该M-QAM信号的第二特征数据，构建对应每个M-QAM信号的第二特征序列；基于所述第一特征序列和第二特征序列构建训练数据集。

在相干光纤通信系统的发射端，对发射的二进制数据序列进行M-QAM星座符号映射处理；M-QAM调制格式信号星座图有M个标准星座点，因此，M-QAM信号分为M个不同的类别，每一个标准星座点对应于一种类别，从1到M进行编号，作为类别的标签。M-QAM信号序列经过调制后输入光纤传输信道。在相干光纤通信系统的接收端，接收到经过光纤传输后的M-QAM信号序列，对接收到的M-QAM信号序列进行线性均衡处理，得到序列长度为T的经过线性均衡后的M-QAM信号序列s＝[s

对于Y偏振方向上的M-QAM信号，计算公式为：

其中，H表示接收到的X偏振方向上的M-QAM信号序列，V表示接收到的Y偏振方向上的M-QAM信号序列，m和n为相对于当前M-QAM信号H

其中，L为超参数，表示m和n的绝对值的最大值。

对于X偏振方向上的M-QAM信号，第二特征数据序列为

步骤二：构建用于光纤非线性均衡的Wide&Deep模型，所述Wide&Deep模型包括输入层、Wide网络子模型、Deep网络子模型、线性层和输出层。输入层将M-QAM信号的第一特征序列和第二特征序列分别输入至Wide&Deep模型中的Wide网络子模型和Deep网络子模型。Wide&Deep模型中Wide网络子模型是一个线性模型，通过Wide网络子模型对M-QAM信号的第一特征数据进行记忆性处理，提升Wide&Deep模型对M-QAM信号的实部数据和虚部数据的记忆能力，防止Wide&Deep模型过度拟合，输出对M-QAM信号的实部数据和虚部数据的记忆序列。Wide&Deep模型中Deep网络子模型是一个深度神经网络模型，通过深度神经网络对M-QAM信号的第二特征序列中的数据进行充分地特征融合处理，即对第二特征序列中一系列三重积项数据进行特征融合，更好地表征当前M-QAM信号与相同偏振方向的相邻M-QAM信号、相对偏振方向的相邻M-QAM信号之间的非线性干扰关系，提升Wide&Deep模型对M-QAM信号的非线性均衡能力，输出第二特征数据融合表征序列。将Wide网络子模型输出的记忆序列和Deep网络子模型输出的第二特征数据融合表征序列输入到线性层，通过线性层将记忆序列和第二特征数据融合表征序列转化到标签空间维度，得到当前M-QAM信号对应于每种标签的概率矩阵。根据所述概率矩阵中的最大概率值，得到当前M-QAM信号对应的预测标签结果。

构建用于光纤非线性均衡的Wide&Deep模型，所述Wide&Deep模型包括输入层、Wide网络子模型、Deep网络子模型、线性层和输出层。

输入层将M-QAM信号的第一特征序列x

Wide网络子模型是一个线性模型，通过Wide网络子模型对M-QAM信号的第一特征数据进行记忆性处理，提升Wide&Deep模型对M-QAM信号的实部数据和虚部数据的记忆能力，防止Wide&Deep模型过度拟合，输出对M-QAM信号的实部数据和虚部数据的记忆序列。对于输入的M-QAM信号的第一特征序列x

O

其中，W

Deep网络子模型是一个深度神经网络模型，通过深度神经网络对M-QAM信号的第二特征序列中的数据进行充分地特征融合处理，即对第二特征序列中一系列三重积项数据进行特征融合，更好地表征当前M-QAM信号与相同偏振方向的相邻M-QAM信号、相对偏振方向的相邻M-QAM信号之间的非线性干扰关系，提升Wide&Deep模型对M-QAM信号的非线性均衡能力，输出第二特征数据融合表征序列。对于输入的M-QAM信号的第二特征序列x

其中，

第i层隐含层的输出为：

第i层隐含层的输出为

深度神经网络模型的输出结果为：

其中，l表示深度神经网络模型的隐含层数量。

将Wide网络子模型输出的记忆序列O

P＝σ(W

其中，σ(·)表示激活函数；

输出层根据概率矩阵P中的最大概率值，输出当前M-QAM信号对应的预测标签结果y。

步骤三：对步骤二构建的用于光纤非线性均衡的Wide&Deep模型，配置模型训练所需参数，设置学习率、批处理大小、权值初始化方式、优化方法、迭代次数；使用步骤一中构造的训练数据集，训练用于光纤非线性均衡的Wide&Deep模型，所述训练好的Wide&Deep模型构建了当前M-QAM信号的特征序列与其对应的标签之间的非线性关系，所述非线性关系能够充分表征M-QAM信号在光纤传输过程中受到的由光纤非线性效应造成的影响。

对步骤二构建的用于光纤非线性均衡的Wide&Deep模型，配置模型训练所需参数，设置学习率、批处理大小、权值初始化方式、优化方法、迭代次数。

使用步骤一中构造的训练数据集

步骤四：使用训练好的Wide&Deep模型对接收到的需要进行非线性均衡处理的M-QAM信号序列中的每个M-QAM信号的特征序列进行标签预测，得到每个M-QAM信号的预测标签；将输出的预测标签结果作为该M-QAM信号所对应的类别，通过M-QAM星座符号解映射后，得到相对应的二进制数据，实现高准确度的二进制数据恢复，有效缓解信号在光纤传输过程中受到的由光纤非线性效应造成的影响，降低误比特率，提升通信系统的传输性能。

使用训练好的Wide&Deep模型对接收到的需要进行非线性均衡处理的M-QAM信号序列中的每个M-QAM信号的特征序列

将输出的预测标签y

有益效果：

1、本发明公开一种基于Wide&Deep模型的光纤非线性均衡方法，应用于相干光纤通信系统，包括发送和接收M-QAM信号序列，对M-QAM信号进行线性均衡处理，基于线性均衡后的M-QAM信号序列，对于每个M-QAM信号，将当前M-QAM信号的实部数据和虚部数据作为该M-QAM信号的第一特征数据，构建对应每个M-QAM信号的第一特征序列，根据相干光通信系统中光纤传输的微扰理论，计算当前M-QAM信号对应的信道内四波混频和信道内交叉相位调制三重积项，将所述三重积项作为该M-QAM信号的第二特征数据，第二特征数据包含了更多关于当前M-QAM信号与相同偏振方向的相邻M-QAM信号、相对偏振方向的相邻M-QAM信号之间的非线性干扰关系的信息，构建对应每个M-QAM信号的第二特征序列，基于所述第一特征序列和第二特征序列构建训练数据集。构建用于光纤非线性均衡的Wide&Deep模型，M-QAM信号的第一特征序列作为Wide&Deep模型中Wide网络子模型的输入特征序列，M-QAM信号的第二特征序列作为Wide&Deep模型中Deep网络子模型的输入特征序列，通过Wide网络子模型对M-QAM信号的第一特征数据进行记忆性处理，提升Wide&Deep模型对M-QAM信号的实部数据和虚部数据的记忆能力，防止Wide&Deep模型过度拟合，基于深度神经网络的非线性拟合特性，通过Deep网络子模型对M-QAM信号的第二特征序列中的数据进行充分地特征融合处理，即对第二特征序列中一系列三重积项数据进行特征融合，更好地表征当前M-QAM信号与相同偏振方向的相邻M-QAM信号、相对偏振方向的相邻M-QAM信号之间的非线性干扰关系，提升Wide&Deep模型对M-QAM信号的非线性均衡能力，融合Wide网络子模型和Deep子模型构建用于光纤非线性均衡的Wide&Deep模型，将Wide网络子模型输出的记忆序列和Deep网络子模型输出的第二特征数据融合表征序列输入到线性层，通过线性层将记忆序列和第二特征数据融合表征序列转化到标签空间维度，得到当前M-QAM信号对应于每种标签的概率矩阵。根据所述概率矩阵中的最大概率值，得到当前M-QAM信号对应的预测标签结果。利用训练数据集对Wide&Deep模型进行训练；将每个待非线性均衡的M-QAM信号的特征序列输入到训练好的Wide&Deep模型，输出得到每个M-QAM信号的预测标签；将输出的预测标签结果作为M-QAM信号所对应的类别，通过M-QAM星座符号解映射，得到相对应二进制数据，实现高准确度的数据恢复，有效缓解信号在光纤传输过程中受到的由光纤非线性效应造成的影响，降低误比特率，提升通信系统的传输性能。

2、本发明公开一种基于Wide&Deep模型的光纤非线性均衡方法，使用GPU运算，能够提高M-QAM信号的非线性均衡速度，提升数据恢复的效率。

3、本发明公开一种基于Wide&Deep模型的光纤非线性均衡方法，通过对接收到的M-QAM信号数据进行学习和处理，所述训练好的Wide&Deep模型构建了当前M-QAM信号的特征序列与其对应的标签之间的非线性关系，所述非线性关系能够充分表征M-QAM信号在光纤传输过程中受到的由光纤非线性效应造成的影响；根据所述非线性关系实现精确的信号恢复，所述信号恢复是基于训练好的Wide&Deep模型实现的，而无需依赖于精确得知光纤传输链路的参数信息，提升本方法的泛化性，能够普遍应用于所有的光纤通信链路。

附图说明

图1为本发明的一种应用于相干光纤通信系统的基于Wide&Deep模型的光纤非线性均衡方法流程图；

图2为实施例中所述的相干光纤通信系统示意图；

图3为所述的基于Wide&Deep模型的光纤非线性均衡模型示意图；

图4为实施例中64-QAM信号的星座图，其中图(a)为发射端信号星座图，图(b)为接收端经过线性均衡后的信号星座图。

具体实施方式

为了更好的说明本发明的目的和优点，下面结合附图和实例对发明内容做进一步说明。

实施例

如图1所示，本实施例公开的一种基于Wide&Deep模型的光纤非线性均衡方法，具体实现步骤如下：

步骤一：在相干光纤通信系统的发射端，对发射的二进制数据序列进行64-QAM星座符号映射处理，64-QAM调制格式信号星座图有64个标准星座点，因此，64-QAM信号分为64个不同的类别，每一个标准星座点对应于一种类别，从1到64进行编号，作为类别的标签；在相干光纤通信系统的接收端，接收到经过光纤传输后的64-QAM信号序列，对信号进行线性均衡处理，基于线性均衡后的64-QAM信号序列，对于每个64-QAM信号，将当前64-QAM信号的实部数据和虚部数据作为该64-QAM信号的第一特征数据，构建对应每个64-QAM信号的第一特征序列，计算当前64-QAM信号对应的三重积项，将所述三重积项作为该64-QAM信号的第二特征数据，构建对应每个64-QAM信号的第二特征序列；基于所述第一特征序列和第二特征序列构建训练数据集。

准备二进制数据序列，数据经过64-QAM映射处理后形成星座图，星座图中含有坐标规整排布的65536个星座点，64-QAM调制格式信号的星座图具有64个标准星座点，如图4(a)所示，根据这64个标准星座点将64-QAM信号分为64个不同的类别，每一个标准星座点对应于一个类别，从1到64进行编号，作为符号类别的标签；经过光纤传输系统后，传输过程中信号受到一系列线性和非线性损伤，使得星座图上的点旋转发散重叠，经过线性均衡后，星座图如图4(b)所示；此时，在相干光纤通信系统的接收端得到序列长度为65536的经过线性均衡后的64-QAM信号序列s＝[s

符合条件的m、n的取值组合为1629种，构造得到该64-QAM信号的第二特征序列

所述相干光纤通信系统如图2所示，其中包括任意波形发生器、激光器、偏振复用I/Q调制模块、掺铒光纤放大器、标准单模光纤、偏振控制器、本振激光器、偏振分集-90°光混频器、平衡光电探测器、示波器和数字信号处理(DSP)模块。

所述线性均衡处理如图2所示，包括低通滤波、I/Q不平衡补偿、色散补偿、时钟恢复、偏振解复用和偏振模色散补偿、频偏估计和载波恢复。

步骤二：构建用于光纤非线性均衡的Wide&Deep模型，所述Wide&Deep模型包括输入层、Wide网络子模型、Deep网络子模型、线性层和输出层。输入层将64-QAM信号的第一特征序列和第二特征序列分别输入至Wide&Deep模型中的Wide网络子模型和Deep网络子模型。Wide&Deep模型中Wide网络子模型是一个线性模型，通过Wide网络子模型对64-QAM信号的第一特征数据进行记忆性处理，提升Wide&Deep模型对64-QAM信号的实部数据和虚部数据的记忆能力，防止Wide&Deep模型过度拟合，输出对64-QAM信号的实部数据和虚部数据的记忆序列。Wide&Deep模型中Deep网络子模型是一个深度神经网络模型，通过深度神经网络对64-QAM信号的第二特征序列中的数据进行充分地特征融合处理，即对第二特征序列中一系列三重积项数据进行特征融合，更好地表征当前64-QAM信号与相同偏振方向的相邻64-QAM信号、相对偏振方向的相邻64-QAM信号之间的非线性干扰关系，提升Wide&Deep模型对64-QAM信号的非线性均衡能力，输出第二特征数据融合表征序列。将Wide网络子模型输出的记忆序列和Deep网络子模型输出的第二特征数据融合表征序列输入到线性层，通过线性层将记忆序列和第二特征数据融合表征序列转化到标签空间维度，得到当前64-QAM信号对应于每种标签的概率矩阵。根据所述概率矩阵中的最大概率值，得到当前64-QAM信号对应的预测标签结果。

构建用于光纤非线性均衡的Wide&Deep模型，所述Wide&Deep模型包括输入层、Wide网络子模型、Deep网络子模型、线性层和输出层。

输入层将64-QAM信号的第一特征序列和第二特征序列分别输入至Wide&Deep模型中的Wide网络子模型和Deep网络子模型。

Wide网络子模型是一个线性模型，通过Wide网络子模型对64-QAM信号的第一特征数据进行记忆性处理，提升Wide&Deep模型对64-QAM信号的实部数据和虚部数据的记忆能力，防止Wide&Deep模型过度拟合，输出对64-QAM信号的实部数据和虚部数据的记忆序列。对于输入的64-QAM信号的第一特征序列x

O

其中，W

Deep网络子模型是一个深度神经网络模型，通过深度神经网络对64-QAM信号的第二特征序列中的数据进行充分地特征融合处理，即对第二特征序列中一系列三重积项数据进行特征融合，更好地表征当前64-QAM信号与相同偏振方向的相邻M-QAM信号、相对偏振方向的相邻64-QAM信号之间的非线性干扰关系，提升Wide&Deep模型对64-QAM信号的非线性均衡能力，输出第二特征数据融合表征序列。对于输入的64-QAM信号的第二特征序列x

其中，

第i层隐含层的输出为：

深度神经网络模型的输出结果为：

其中，l＝4表示使用的深度神经网络模型的隐含层数量为4层。

将Wide网络子模型输出的记忆序列O

P＝σ(W

其中，σ(·)表示激活函数；

输出层根据概率矩阵P中的最大概率值，输出当前M-QAM信号对应的预测标签结果y。

步骤三：对步骤二构建的用于光纤非线性均衡的Wide&Deep模型，配置模型训练所需参数，设置学习率、批处理大小、权值初始化方式、优化方法、迭代次数；使用步骤一中构造的训练数据集，训练用于光纤非线性均衡的Wide&Deep模型，所述训练好的Wide&Deep模型构建了当前64-QAM信号的特征序列与其对应的标签之间的非线性关系，所述非线性关系能够充分表征64-QAM信号在光纤传输过程中受到的由光纤非线性效应造成的影响。

对步骤二构建的Wide&Deep模型，在Pytorch 1.6.0中训练和评估所提出的Wide&Deep模型，设置学习率设置为0.001、批处理大小设置为64、使用随机权值初始化方式、使用采用梯度反向传播算法和Adam优化算法、最大训练步数设置为400。

使用步骤一中构造的训练数据集

步骤四：使用训练好的Wide&Deep模型对接收到的需要进行非线性均衡处理的64-QAM信号序列中的每个64-QAM信号的特征序列进行标签预测，得到每个64-QAM信号的预测标签；将输出的预测标签结果作为该64-QAM信号所对应的类别，通过64-QAM星座符号解映射后，得到相对应的二进制数据，实现高准确度的二进制数据恢复，有效缓解信号在光纤传输过程中受到的由光纤非线性效应造成的影响，降低误比特率，提升通信系统的传输性能。

使用训练好的Wide&Deep模型对接收到的需要进行非线性均衡处理的64-QAM信号序列中的每个64-QAM信号的特征序列

将输出的预测标签y

误比特率(BER)是衡量通信系统可靠性和信道质量的主要指标，定义为：

误比特率数值越小，表示通信系统的性能越好。

对于传输375km的发射光功率为1dBm的64-QAM信号，非线性均衡之前的误比特率为3.7×10

以上所述的具体描述，对发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。