WDM系统信道内和信道间非线性联合补偿方法及装置

技术领域

本发明属于牵引变电所故障自愈技术领域，尤其涉及一种改进型LDBP的WDM系统信道内和信道间非线性联合补偿方法、装置及电子设备。

背景技术

在互联网快速发展的数字化时代，网络流量爆炸式增长对光纤通信网络在高速和大容量两个方面提出了更高要求。然而光纤通信的容量和传输速率由于受到线性损伤和非线性损伤的影响而难以满足要求，其中色度色散(chromatic dispersion，CD)、偏振模色散(polarization mode dispersion，PMD)在内的线性损伤可以通过数字信号处理(digitalsignal processing，DSP)技术被很好的补偿，而克尔非线性效应带来的非线性损伤则随着信号功率和波特率的增加随之增强，特别是波分复用(wavelength divisionmultiplexing，WDM)系统中的非线性效应不仅包含来自同一信道的自相位调制(self-phase modulation，SPM)，还有来自其他信道的交叉相位调制(cross-phase modulation，XPM)和四波混频(four-wave mixing，FWM)，其中SPM和XPM引起的非线性相移会导致信号严重失真。另外由于光纤通信系统并不是单纯的线性系统或非线性系统，在信号传输过程中线性损伤会对非线性效应产生一定程度的干扰，因此克服光纤非线性效应不仅是优化系统性能的关键更是一大难点。

为缓解光纤非线性效应带来的失真，研究人员提出了多种有效的非线性补偿技术。数字反向传输(digital back propagation，DBP)算法及其改进方法通过分步傅里叶方法(the split-step Fourier method，SSFM)求解光纤反向传播方程来实现色散和非线性的交替补偿。然而DBP的迭代需要多个傅里叶变换对，性能随着每跨段步数的增加而提高，这意味着优越的性能需要更高的计算复杂性。此外该算法是从理论上补偿非线性失真的方法，要求光纤链路参数透明，直接应用于实践面临着巨大的挑战。除此之外在光域进行非线性补偿的光学相位共轭(optical phase conjugation，OPC)技术、基于Volterra级数的非线性均衡方法、基于微扰理论的非线性补偿算法等也被证明是有效的。然而OPC在实际应用中成本很高，转换效率非常低，因而使性能受到限制；由于Volterra级数需要傅里叶变换模块，面临着随着色散累积增大复杂度随之增高的困境；基于微扰理论的非线性补偿要达到期望的量化精度则需要以更高的计算复杂度为代价。

近年来随着机器学习的快速发展，神经网络(neural network，NN)强大的学习能力引起了人们的广泛关注，它不需要系统过多的先验链路信息就能完成运算，因此人工神经网络(artificial neural network，ANN)，卷积神经网络(convolutional neuralnetwork，CNN)等均被引入到光纤非线性补偿领域中进一步提高系统性能。而三元组相邻符号之间相关性的提出，使得记忆性神经网络成为研究热点。以长短期记忆(long short-term memory，LSTM)网络及其变体为例，它们通过记忆相邻符号之间的相关性有效的实现了相干光通信系统的非线性补偿。然而上述所提的基于神经网络的非线性补偿方法大多数是一个黑盒过程，只关注于性能的提升，输出结果和学习过程难以解释。为此研究者将理论模型和神经网络相结合，提出可解释的学习型数字反向传输(learned digital backpropagation，LDBP)，它的出现解决了神经网络黑盒问题对非线性补偿的限制。

从专利检索情况可知，在光通信系统中进行非线性补偿的方案主要包括：现有研究中，首先对信号进行色散和非线性的补偿，然后对判决的补偿信号做回归判决来确定结果。现有研究中，利用三元组使神经网络学习非线性损伤值，再用接收信号减去非线性损伤值来完成非线性补偿。现有研究中，使用光学相位共轭技算法补偿非线性损伤。以上所述研究在光通信系统非线性补偿中计算复杂度较高且没有深入全面考虑线性损伤和非线性损伤之间存在的复杂相关性，忽略了WDM系统中色散引起的信道内脉冲展宽和信道间走离效应对信号非线性效应的扰动。

发明内容

针对现有技术中的上述不足，本发明提供的一种基于改进型LDBP的WDM系统信道内和信道间非线性联合补偿方法、装置及电子设备，能够在较低的计算复杂度下实现性能的提升；以前向纠错(forward error correction，FEC)阈值作为衡量标准，大大延展了有效传输距离。

为了达到以上目的，本发明采用的技术方案为：

第一方面，本方案提供一种WDM系统信道内和信道间非线性联合补偿方法，包括以下步骤：

S1、利用相干接收机单独接收WDM系统中每个信道的信号，并对接收信号重采样至2样本/符号；

S2、根据重采样的信号，利用改进型的LDBP神经网络的分步线性补偿层在时域中采用一维卷积操作，并在重叠保留法中加入脉冲展宽效应，补偿色散造成的线性损失；

S3、将每一分步色散补偿后的信号传递至LDBP神经网络的分步非线性补偿层，在考虑同一信道内色散影响的情况下，结合相邻符号之间的非线性相互作用设置权重，并求解SPM效应引起的非线性相位移动；

S4、在考虑信道间走离效应的情况下，在频域求解XPM效应引起的非线性相位移动，并将频域得到的XPM非线性相位移动转移至时域；

S5、将时域的XPM非线性相位移动和SPM效应引起的非线性相位移动进行相加处理，对信号进行信道内和信道间非线性联合补偿；

S6、将经联合补偿后的信号，由自适应滤波器补偿偏振相关的非线性相互作用；

S7、将经步骤S6补偿后的信号，经DSP恢复受损信号，完成WDM系统信道内和信道间的非线性联合补偿。

本发明的有益效果是：本发明通过优化信号传输的物理模型，在接收端对色散和非线性效应进行交替补偿，在未知具体参数的情况，通过结合神经网络和改进的非线性补偿物理模型实现WDM系统信道内和信道间非线性联合补偿，能够在控制计算复杂度和降低实现成本的情况下有效均衡信号非线性失真，有望在长距离传输的大容量WDM系统中发挥更好的作用。

进一步地，所述步骤S1包括以下步骤：

S101、在WDW系统中，利用相干接收机单独接收每个信道的离散信号；

S102、对离散信号重采样至2样本/符号。

再进一步地，所述改进型的LDBP神经网络包括：

输入层，用于接收重采样的信号；

线性补偿层，用于根据重采样的信号，在时域中采用一维卷积操作，并在重叠保留法中加入脉冲展宽效应，补偿色散造成的线性损失；

信道内和信道间的非线性联合补偿层，用于根据每一分步色散补偿后的信号，在考虑同一信道内色散影响的情况下，结合相邻符号之间的非线性相互作用设置权重，并求解SPM效应引起的非线性相位移动；在考虑信道间走离效应的情况下，在频域求解XPM效应引起的非线性相位移动，将频域得到的XPM非线性相位移动转移至时域；将时域的XPM非线性相位移动和SPM效应引起的非线性相位移动进行相加处理，对信号进行信道内和信道间非线性联合补偿；

自适应滤波器，用于将经联合补偿后的信号，由自适应滤波器补偿偏振相关的非线性相互作用；

输出层，用于输出经自适应滤波器补偿后的信号。

再进一步地，所述步骤S2包括以下步骤：

S201、将两路正交的离散偏振信号，根据信号的时间序列和色散性质调整输入特征，以实现重叠保留法和脉冲展宽效应的结合；

S202、将输入特征发送至改进型的LDBP神经网络的分步线性补偿层；

S203、利用LDBP神经网络的分步线性补偿层，在时域中采用一维卷积操作，补偿色散造成的线性损失。

上述进一步方案的有益效果为：本发明的神经网络在时域中才用一维卷积操作并在重叠保留法中加入脉冲展宽效应，更加精准地补偿色散造成的线性损伤，不需要额外的傅里叶变换运算，大大降低了计算复杂度。

再进一步地，所述步骤S3中SPM效应引起的非线性相位移动的表达式如下：

其中，

所述步骤S4中时域的XPM非线性相位移动表达式如下：

d

其中，

上述进一步方案的有益效果为：基于增强型分步傅里叶方法，在每一分步色散补偿后的信号中引入色散和非线性之间的相互作用，沿着光纤的每一分步构建更精确的非线性补偿模型，考虑相邻符号之间的非线性相互作用，在补偿非线性损伤的同时缓解脉冲展宽带来的干扰。同时，通过分解多信道之间的走离效应改进信道间XPM补偿模型，有效解决了信号脉冲传输不同步的问题。

再进一步地，所述步骤S5中对信号进行信道内和信道间非线性联合补偿，其表达式如下：

其中，x和y表示两路正交的偏振信号，u

上述进一步方案的有益效果为：本发明通过上述计算信道内和信道间非线性联合补偿的理论模型，从可解释的神经网络角度出发，基于改进的物理模型实现非线性的补偿，有效实现信道内和信道间非线性联合补偿的目的。

再进一步地，所述步骤S6具体为：

根据经联合补偿后的信号，利用位于LDBP神经网络后端的自适应时域滤波器补偿偏振相关的非线性相互作用。

再进一步地，所述步骤S7具体为：

根据经步骤S6补偿后的信号，经DSP处理，得到载波相位恢复的受损信号；

对载波相位恢复的受损信号进行比特误码率计算，完成WDM系统信道内和信道间的非线性联合补偿。

上述进一步方案的有益效果是：本发明通过模拟传输物理模型在偏振解复用之前完成非线性补偿，在未知精确链路条件时通过神经网络使得学习过程更加清晰，学习结果也更容易解释。此外，经过其他数字信号处理模块的处理更贴近实际应用中对失真信号的恢复。

第二方面，本发明提供了一种WDM系统信道内和信道间非线性联合补偿装置，所述装置包括：

第一处理模块，用于利用相干接收机单独接收WDM系统中每个信道的信号，并对接收信号重采样至2样本/符号；第二处理模块，用于根据重采样的信号，利用LDBP神经网络的分步线性补偿层在时域中采用一维卷积操作，并在重叠保留法中加入脉冲展宽效应，补偿色散造成的线性损失；第三处理模块，用于将每一分步色散补偿后的信号传递至LDBP神经网络的分步非线性补偿层，在考虑同一信道内色散影响的情况下，结合相邻符号之间的非线性相互作用设置权重，并求解SPM效应引起的非线性相位移动；第四处理模块，用于在考虑信道间走离效应的情况下，在频域求解XPM效应引起的非线性相位移动，并将频域得到的XPM非线性相位移动转移至时域；第五处理模块，用于将时域的XPM非线性相位移动和SPM效应引起的非线性相位移动进行相加处理，对信号进行信道内和信道间非线性联合补偿；第六处理模块，用于将经联合补偿后的信号，由自适应滤波器补偿偏振相关的非线性相互作用；第七处理模块，用于将经第六处理模块补偿后的信号，经DSP恢复受损信号，完成WDM系统信道内和信道间的非线性联合补偿。

第三方面，本发明提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现WDM系统信道内和信道间非线性联合补偿方法的步骤。

附图说明

图1为本发明的方法流程图。

图2为本发明以三个信道为例的整体神经网络结构图。

图3为本实施例中LDBP神经网络非线性补偿部分的展开图。

图4为本实施例中DSP流程图。

图5为本实施例中11信道WDM仿真系统装置框图。

图6为本实施例在11信道WDM仿真系统36GBaud DP-16QAM 1600km不同均衡方案的Q因子性能曲线图。

图7为本实施例在11信道WDM仿真系统64GBaud DP-64QAM 400km不同均衡方案的Q因子性能曲线图。

图8为本实施例在11信道WDM仿真系统DP-16QAM调制格式下不同均衡方案的Q因子性能与传输距离关系的示意图。

图9为本实施例在11信道WDM仿真系统DP-64QAM调制格式下不同均衡方案的Q因子性能与传输距离关系的示意图。

图10为本实施例中5信道WDM实验系统装置框图。

图11为本实施例5信道WDM实验系统28GBaud DP-16QAM 806.4km不同均衡方案的Q因子性能曲线图。

图12为本发明的装置结构示意图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

实施例1

如图1所示，本发明提供了一种WDM系统信道内和信道间非线性联合补偿方法，其实现方法如下：

S1、利用相干接收机单独接收WDM系统中每个信道的信号，并对接收信号重采样至2样本/符号，其实现方法如下：

S101、在WDW系统中，利用相干接收机单独接收每个信道的离散信号；

S102、对离散信号重采样至2样本/符号。

S2、根据重采样的信号，利用改进型的LDBP神经网络的分步线性补偿层在时域中采用一维卷积操作，并在重叠保留法中加入脉冲展宽效应，补偿色散造成的线性损失，其实现方法如下：

S201、将两路正交的离散偏振信号，根据信号的时间序列和色散性质调整输入特征，以实现重叠保留法和脉冲展宽效应的结合；

S202、将输入特征发送至改进型的LDBP神经网络的分步线性补偿层；

S203、利用LDBP神经网络的分步线性补偿层，在时域中采用一维卷积操作，补偿色散造成的线性损失。

本实施例中，重采样的信号进入LDBP神经网络的分步线性补偿阶段，补偿层在时域中才用一维卷积操作并在重叠保留法中加入脉冲展宽效应，更加精准地补偿色散造成的线性损伤。将两路正交的离散偏振电信号根据信号的时间序列和色散性质调整输入特征实现重叠保留法和脉冲展宽效应的结合；然后将输入特征送入LDBP神经网络线性补偿层，线性补偿层在时域中采用一维卷积操作，线性补偿层的卷积核相当于时域的对称滤波器，通过优化的滤波器权重和损伤信号卷积相乘实现线性损伤的补偿。此方法不需要额外的傅里叶变换运算，大大降低了计算复杂度。

所述改进型的LDBP神经网络包括：输入层，用于接收重采样的信号；

线性补偿层，用于根据重采样的信号，在时域中采用一维卷积操作，并在重叠保留法中加入脉冲展宽效应，补偿色散造成的线性损失；信道内和信道间的非线性联合补偿层，用于根据每一分步色散补偿后的信号，在考虑同一信道内色散影响的情况下，结合相邻符号之间的非线性相互作用设置权重，并求解SPM效应引起的非线性相位移动；在考虑信道间走离效应的情况下，在频域求解XPM效应引起的非线性相位移动，将频域得到的XPM非线性相位移动转移至时域；将时域的XPM非线性相位移动和SPM效应引起的非线性相位移动进行相加处理，对信号进行信道内和信道间非线性联合补偿；自适应滤波器，用于将经联合补偿后的信号，由自适应滤波器补偿偏振相关的非线性相互作用；输出层，用于输出经自适应滤波器补偿后的信号。

本实施例中，输入卷积层的信号根据时间序列和色散性质调整特征：将65536个训练样本划分成由输入向量组成的训练数据块，每个数据块的batch size设置为32，层宽为128。为了在时域卷积层中更有效的补偿累积色散，在每个原数据块的两端添加受到色散脉冲展宽效应作用的相邻数据，然后将它们组成输入特征一起送入神经网络进行训练和学习，实现重叠保留法和脉冲展宽效应适当结合；分步线性补偿层在时域中采用一维卷积操作，分步线性补偿层的卷积核相当于时域的对称滤波器，通过优化的滤波器权重和损伤信号卷积相乘实现线性损伤的补偿。

S3、将每一分步色散补偿后的信号传递至LDBP神经网络的分步非线性补偿层，在考虑同一信道内色散影响的情况下，结合相邻符号之间的非线性相互作用设置权重，并求解SPM效应引起的非线性相位移动；

本实施例中，基于增强型分步傅里叶方法，在每一分步色散补偿后的信号中引入色散和非线性之间的相互作用，沿着光纤的每一分步构建更精确的非线性补偿模型。考虑相邻符号之间的非线性相互作用，在补偿非线性损伤的同时缓解脉冲展宽带来的干扰，得到SPM效应引起的非线性相位移动的公式：

其中，g

S4、在考虑信道间走离效应的情况下，在频域求解XPM效应引起的非线性相位移动，并将频域得到的XPM非线性相位移动转移至时域；

本实施例中，若以k信道为目标信道，专注于XPM效应，在考虑信道间走离效应的情况下得到时域的XPM非线性相移

其中，z表示距离，t表示时间，

对上述公式作傅里叶变换，得到频域的非线性相移：

其中，F表示傅里叶变换，ω表示频率，

其中，exp(·)表示指数运算，i'表示虚数。由于传输信号和SPM非线性相移均在时域上，所以需要将上面等式给出的XPM相移变换到时域中，如下所示：

其中，

S5、将时域的XPM非线性相位移动和SPM效应引起的非线性相位移动进行相加处理，对信号进行信道内和信道间非线性联合补偿；

本实施例中，合并

其中，x和y表示两路正交的偏振信号，u

S6、将经联合补偿后的信号，由自适应滤波器补偿偏振相关的非线性相互作用，其具体为：根据经联合补偿后的信号，利用位于LDBP神经网络后端的自适应时域滤波器补偿偏振相关的非线性相互作用。

本实施例中，在非线性补偿完成后的神经网络后端加入自适应滤波器补偿偏振相关的非线性相互作用，减轻偏振相关损伤对LDBP的随机影响，所用时域滤波器类似于盲恒模算法的滤波器。

本实施例中，步骤S2-S6在神经网络中完成信号补偿，如图2所示；步骤S3-S5中所得到的光纤非线性均衡模型为神经网络非线性层的理论基础，如图3所示。

S7、将经步骤S6补偿后的信号，经DSP恢复受损信号，完成WDM系统信道内和信道间的非线性联合补偿，其具体为：

根据经步骤S6补偿后的信号，经DSP处理，得到载波相位恢复的受损信号；对载波相位恢复的受损信号进行比特误码率计算，完成WDM系统信道内和信道间的非线性联合补偿。

本实施例中，如图4所示，改进型LDBP神经网络模型位于偏振解复用之前，所述步骤S6中经过神经网络色散补偿和非线性补偿后输出的信号经过DSP中其他的处理算法包括：偏振解复用、下采样、频偏估计和载波相位恢复，最后对载波相位恢复的输出进行比特误码率计算。

本实施例基于VPIDesign Suite 11.1和Matlab联合仿真构建36GBaud DP-16QAM1600km和64GBaud DP-64QAM 400km的11信道WDM系统，如图5所示。为避免神经网络学习到数据的生成规律，使用Matlab的random函数随机生成比特序列，每个偏振的符号长度均为65536。频率偏移和激光器线宽分别设置为100MHz和100KHz。系统的每个传输跨度由80km的标准单模光纤(standard single mode fiber，SSMF)和一个掺铒光纤放大器(erbium-doped fiber amplifier，EDFA)组成，调制信号的波形由滚降因子为0.1的根升余弦(rootraised-cosine，RRC)滤波器形成。WDM系统中心信道的波长为1550nm，DP-16QAM和DP-64QAM的信道间隔分别为50GHz和75GHz。光纤的损耗、色散系数、非线性系数、偏振模色散系数分别被设定为0.2dB/km、16ps/nm/km、1.3W

本实施例中，对于接收到的离散数据，无论是DP-16QAM还是DP-64QAM，每个信道的数据长度均为131072个样本，前50％的65536个样本用于训练，其余65536个样本用于测试。本实施例中，用来训练16QAM的神经网络补偿层即线性层和非线性层一次交替层数是10，相当于经典DBP的每跨0.5步；训练64QAM的神经网络层数也是10，相当于经典DBP的每跨2步。

本实施例中，为了训练神经网络，选择相对来说收敛速度快且实现简单、适用于大规模数据及参数场景的Adam优化器，优化器的学习速率设置为0.001以保证神经网络训练性能的稳定。选用均方误差(mean squared error，MSE)作为损失函数来衡量神经网络训练得到的数据与标签的接近程度。对DP-16QAM和DP-64QAM，色散补偿滤波器的宽度为81，用于偏振相关干扰补偿的滤波器宽度为3，同一信道内非线性和色散相互作用的相关性样本数量对应的SPM滤波器宽度为11。

本实施例中，深入分析对比本发明方法补偿信道非线性损伤的效果，在同样参数条件下，分别从仅考虑SPM和同时考虑SPM和XPM两个角度与其他典型方案进行性能的比较，具体分析如下所示。

本实施例中，图6展示了WDM系统36GBaud DP-16QAM传输1600公里后感兴趣的目标信道不同发射功率与Q因子的对应曲线。由图6可知，对于DP-16QAM传输场景，相比于线性补偿方案，每跨0.5步仅补偿信道内SPM的LDBP方案最佳发射功率从-1dBm提高到0dBm，性能优于DBP-1StPs。同时考虑SPM和XPM时，相比于线性补偿方案，改进型LDBP方法的最佳发射功率从-1dBm提高到0dBm；与线性补偿方案和深度卷积神经网络(deep convolutionalneural network，DCNN)方案相比最佳发射功率下信噪比可分别提升3.1dB和1dB左右，Q因子增益约0.75dB和0.15dB；而且本发明联合补偿方案的整体性能优于DBP-5StPs，两者相比，其在最佳发射功率下信噪比可提高1dB左右，Q因子增益约0.15dB；在16QAM传输场景下，本方案Q因子满足7％FEC阈值的每信道发射功率范围为-2.5dBm到2.5dBm。

本实施例中，图7中对于64GBaud DP-64QAM传输场景，相比于线性补偿方案，每跨2步仅补偿SPM的LDBP方案最佳发射功率从1dBm增加到2dBm，性能与DBP-10StPs相当。同时考虑SPM和XPM时，本发明方法相比于线性补偿方案，最佳发射功率由1dBm增加到2dBm；与线性补偿方案和DCNN方案相比最优发射功率下信噪比可分别提高3dB和1dB左右，Q因子增益约0.54dB和0.1dB；本发明联合补偿方案的整体性能超过DBP-10tPs，两者相比，改进LDBP方案在最佳发射功率下信噪比可提高1.5dB左右，Q因子增益约0.2dB；在64QAM传输场景下，本方案Q因子满足20％ FEC阈值的每信道发射功率范围是-3dBm到6dBm。

本实施例中，以上分析讨论反映了单独对SPM进行补偿的LDBP方案可以在与经典DBP实现相同性能的情况下减少步数，降低计算复杂度。本发明方法对信道内和信道间非线性损伤的联合补偿性能不但优于仅考虑SPM补偿的LDBP，而且相比于仅考虑SPM补偿的LDBP，本发明的性能优于步数更多的DBP，计算复杂度明显降低。

本实施例中，图8给出了DP-16QAM在最佳发射功率下Q因子性能与不同传输距离之间的关系。由图中可以看出线性补偿方案性能最差，16QAM在满足7％FEC阈值条件下传输距离为1720km，而本发明在同样条件下，16QAM可以达到约2080km，相比于线性补偿方案有效传输距离增加了360km左右，比仅补偿SPM的LDBP方案多传输160km。如图9所示，DP-64QAM在满足20％FEC阈值条件下的线性补偿方案传输距离仅为700km左右，本发明则能有效传输约880km，相比于线性补偿方案距离延伸了180km左右，比仅补偿SPM的LDBP方案增加了120km左右。

在本实施例中，把神经网络训练过程所需要的总的实数乘法次数作为复杂度的衡量标准进行复杂度分析。本发明对于16QAM每跨0.5步的性能高于DBP-5StPs但复杂度仅为其的43.58％，而对于64QAM每跨2步的性能则高于DBP-10StPs且复杂度为DBP-10StPs的87.17％。

为进一步验证本发明的有效性，实施例2搭建了28GBaud DP-16QAM 806.4km 5信道WDM实验传输系统，如图10所示。发射端，中心频率分别为193.3THz、193.35THz、193.4THz、193.45THz和193.5THz的5个外腔激光器(external cavity laser，ECL)由复用器将发出的信号复用。激光器的频率偏移和线宽约为100MHz和100KHz。与仿真一样，符号长度为65536，用Matlab内置函数Random构造随机比特序列，由65GSa/s的任意波形发生器(arbitrary waveform generator，AWG,Keysight M8195A)生成信号，信号脉冲波形由滚降因子为0.1的RRC滤波器形成，然后再用IQ调制器进行调制。光纤链路的每个传输跨段由100.8km的SSMF，一个噪声指数为6.5dB的EDFA，一个光带通滤波器(optic band-passfilter，OBPF)以及光纤环路仪(variable optical attenuator，VOA)组成。另外，信号在进入光纤链路之前要经过一个EDFA和可变光衰减器(Variable Optical attenuator，VOA)以调整到适当的入纤光功率。光纤的损耗、色散系数、非线性系数、偏振模色散系数分别为0.19dB/km、16.7ps/nm/km、1.27W

本实施例中，对于接收到的离散数据，对于传输806.4km的28GBaud DP-16QAM，每个信道的数据长度为131072个样本，前50％的65536个样本用于训练，其余65536个样本用于测试。本实施例中，用来训练16QAM的神经网络补偿层即线性层和非线性层一次交替层数是4，相当于经典DBP的每跨0.5步；色散补偿滤波器的宽度为61，用于偏振相关干扰补偿的滤波器宽度为3，同一信道内非线性和色散相互作用的相关性样本数量对应的SPM滤波器宽度为9。

本实施例在实验系统中进一步验证了改进本发明方法的有效性，结果如图11所示。相比于线性补偿方案，本发明方法的最佳发射功率从-1dBm提高到0dBm，在最佳发射功率下信噪比可提高3.5dB左右，Q因子增益0.86dB左右；与DCNN方案相比最佳发射功率下信噪比和Q因子可分别提高1dB和0.16dB左右；本发明的整体性能优于DBP-5StPs，两者相比，最佳发射功率下信噪比可提高1dB左右，Q因子增益约0.2dB；在28GBaud DP-16QAM传输806.4km的场景下，本方案Q因子满足7％FEC阈值条件的每信道发射功率范围为-2.5dBm到1.8dBm。本实验系统基于改进LDBP方案传输DP-16QAM 806.4km，在同样条件下仅需每跨0.5步即能达到甚至超过DBP-5StPs的性能，而复杂度仅为DBP-5StPs的27.29％。

综合上述分析，本发明经仿真和实验验证，基于改进型LDBP的WDM系统信道内和信道间非线性联合补偿方法能够提高非线性补偿的精确性，大大降低所需要的计算复杂度，是在控制计算复杂度和降低实现成本的情况下均衡信号非线性失真的一种有效方法，有望在长距离传输的大容量WDM系统中有很好的应用前景。

实施例2

如图12所示，本发明提供了一种WDM系统信道内和信道间非线性联合补偿装置，所述装置包括：

第一处理模块，用于利用相干接收机单独接收WDM系统中每个信道的信号，并对接收信号重采样至2样本/符号；第二处理模块，用于根据重采样的信号，利用LDBP神经网络的分步线性补偿层在时域中采用一维卷积操作，并在重叠保留法中加入脉冲展宽效应，补偿色散造成的线性损失；第三处理模块，用于将每一分步色散补偿后的信号传递至LDBP神经网络的分步非线性补偿层，在考虑同一信道内色散影响的情况下，结合相邻符号之间的非线性相互作用设置权重，并求解SPM效应引起的非线性相位移动；第四处理模块，用于在考虑信道间走离效应的情况下，在频域求解XPM效应引起的非线性相位移动，并将频域得到的XPM非线性相位移动转移至时域；第五处理模块，用于将时域的XPM非线性相位移动和SPM效应引起的非线性相位移动进行相加处理，对信号进行信道内和信道间非线性联合补偿；第六处理模块，用于将经联合补偿后的信号，由自适应滤波器补偿偏振相关的非线性相互作用；第七处理模块，用于将经第六处理模块补偿后的信号，经DSP恢复受损信号，完成WDM系统信道内和信道间的非线性联合补偿。

本实施例中，构成改进型LDBP神经网络的主要结构，选择相对来说收敛速度快且实现简单、适用于大规模数据及参数场景的Adam优化器来训练神经网络，优化器的学习速率设置为0.001以保证神经网络训练性能的稳定。选用均方误差(MSE)作为损失函数来衡量神经网络训练得到的数据与标签的接近程度。

如图12所示实施例提供的WDM系统信道内和信道间非线性联合补偿装置可以执行上述方法实施例WDM系统信道内和信道间非线性联合补偿方法所示的技术方案，其实现原理与有益效果类似，此处不再赘述。

本实施例中，本申请可以根据WDM系统信道内和信道间非线性联合补偿方法进行功能单元的划分，例如可以将各个功能划分为各个功能单元，也可以将两个或两个以上的功能集成在一个处理单元中。上述集成单元即可以采用硬件的形式来实现，也可以采用软件功能单元的形式来实现。需要说明的是，本发明中对单元的划分是示意性的，仅仅为一种逻辑划分，实际实现时可以有另外的划分方式。

本实施例中，WDM系统信道内和信道间非线性联合补偿系统为了实现其方法的原理与有益效果，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本发明所公开的实施例描述的各示意单元及算法步骤，本发明能够以硬件和/或硬件和计算机软件结合的形式来实现，某个功能以硬件还是计算机软件驱动的方式来执行，取决于技术方案的特定应用和设计约束条件，可以对每个特定的应用来使用不同的方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

本实施例中，本发明充分利用光纤通信系统中固有的色散与非线性之间的随机相互作用补偿非线性效应引起的相移，能够在控制计算复杂度和降低实现成本的情况下有效均衡信号非线性失真，有望在长距离传输的大容量WDM系统中发挥更好的作用。

实施例3

本发明提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如实施例1中所述的WDM系统信道内和信道间非线性联合补偿方法的步骤。

本实施例中，电子设备可以包括：处理器，存储器，总线和通信接口，处理器、通信接口和存储器通过总线连接，存储器中存储有可在处理器上运行的计算机程序，处理器运行该计算机程序时执行本申请前述实施例1所提供的基于改进型LDBP的WDM系统信道内和信道间非线性联合补偿方法的部分或全部步骤。