基于特征解耦的分布式光纤信道快速精确建模方法和系统与流程

1.本发明涉及光纤信道建模及神经网络应用技术领域，具体地，涉及一种基于特征解耦的分布式光纤信道快速精确建模方法和系统。


背景技术：

2.光纤信道建模对于通信系统设计、性能预测和仿真中具有重要的意义。传统的信道建模方法是基于分步傅里叶方法(split-step fourier method，ssfm)，该方法是通过近似求解非线性薛定谔方程而实现的，在工程中被证明可以准确地表达信号在传输过程中受到的线性与非线性损伤。然而，ssfm中过多的重复迭代步骤带来了非常高的运算复杂度。
3.专利文献cn102857389a(申请号：cn201210279777.7)公开了一种1553b总线的频域失真预测信道建模方法，包括如下步骤：先将典型的作为输入信号的曼彻斯特码分解为一组正弦信号，并以每个正弦信号作为输入，输入到1553b总线系统，解得任意节点间的传输函数后得出各个输出的正弦信号，叠加该组信号以预测信号畸变程度，从而可以排除信号畸变程度大的节点，也就是不可用节点。
4.为了提升光纤信道模型的运算速度，基于深度学习的光纤信道建模方案被提出。北京邮电大学团队于2020年在journal of lightwave technology上发表论文“data-driven optical fiber channel modeling:a deep learning approach”，采用双向长短时记忆模型(bilstm)对单通道传输的光纤信道进行建模，其证明bilstm对光纤信道特性具有很好的拟合能力，但是他们的工作只关注于短距离80km以内的建模且忽略了对信道ase噪声的建模。上海交通大学团队于2021年在journal of lightwave technology上发表论文“fast and accurate optical fiber channel modeling using generative adversarial network”，其提出用条件生成对抗式网络(cgan)进行长距单通道光纤信道建模。这些快速光纤信道建模方法是一种整体效应建模方案，即用一个神经网络对光纤信道的所有效应进行建模。对于一个神经网络而言，它无法对复杂的光纤信道效应进行准确的建模，比如波分复用光纤信道中的交叉相位调制、四波混频等。


技术实现要素：

5.针对现有技术中的缺陷，本发明的目的是提供一种基于特征解耦的分布式光纤信道快速精确建模方法和系统。
6.根据本发明提供的基于特征解耦的分布式光纤信道快速精确建模方法，包括：
7.步骤s1：采集不同光纤信道条件下的输入输出数据，作为训练数据集；
8.步骤s2：通过线性补偿算法对包括非线性特征的信道的输出数据进行补偿；
9.步骤s3：进行数据预处理与排布，得到适用于神经网络训练的非线性数据集；
10.步骤s4：基于神经网络结构与深度学习算法对非线性信道特征进行建模，通过训练得到非线性信道模型；
11.步骤s5：在传输过程中，依次对非线性模型、线性模型、放大器模型进行建模，然后
实行多次迭代，最终实现光纤信道模型的长距传输。
12.优选的，所述步骤s1包括：从光纤信道模型中采集信道输入输出数据，信道数据设定为在多倍采样率下的数据，其具有模拟信号的全部特征，且通过调节信号参数、信道参数来改变信道数据特征，从而采集得到不同条件下的数据集。
13.优选的，信号的线性补偿算法包括色度色散补偿与偏振膜色散补偿，且线性补偿算法是一个可逆过程，所述线性补偿算法从非线性薛定谔方程中推导出来。
14.优选的，所述步骤s3包括：
15.步骤s3.1：将输入数据与输出数据数据归一化，将不同条件的信道输入与信道输出数据的功率归一化在预设范围内；
16.步骤s3.2：将双偏振信号的实部、虚部连接起来，构成一维向量作为神经网络的输入数据与输出数据，排布的数据长度为设置的神经网络每次生成数据的长度；
17.步骤s3.3：利用滑动窗口依次选取所需长度的输入数据，滑动窗口大小与信道的时间记忆长度有关。
18.优选的，采用随机梯度下降法对神经网络的参数进行训练，使损失函数降为最低；所述损失函数为信道输出非线性数据与神经网络输出数据之间的均方误差；
19.所述放大器模型中包含放大特性与器件引发的随机噪声特性。
20.根据本发明提供的基于特征解耦的分布式光纤信道快速精确建模系统，包括：
21.模块m1：采集不同光纤信道条件下的输入输出数据，作为训练数据集；
22.模块m2：通过线性补偿算法对包括非线性特征的信道的输出数据进行补偿；
23.模块m3：进行数据预处理与排布，得到适用于神经网络训练的非线性数据集；
24.模块m4：基于神经网络结构与深度学习算法对非线性信道特征进行建模，通过训练得到非线性信道模型；
25.模块m5：在传输过程中，依次对非线性模型、线性模型、放大器模型进行建模，然后实行多次迭代，最终实现光纤信道模型的长距传输。
26.优选的，所述模块m1包括：从光纤信道模型中采集信道输入输出数据，信道数据设定为在多倍采样率下的数据，其具有模拟信号的全部特征，且通过调节信号参数、信道参数来改变信道数据特征，从而采集得到不同条件下的数据集。
27.优选的，信号的线性补偿算法包括色度色散补偿与偏振膜色散补偿，且线性补偿算法是一个可逆过程，所述线性补偿算法从非线性薛定谔方程中推导出来。
28.优选的，所述模块m3包括：
29.模块m3.1：将输入数据与输出数据数据归一化，将不同条件的信道输入与信道输出数据的功率归一化在预设范围内；
30.模块m3.2：将双偏振信号的实部、虚部连接起来，构成一维向量作为神经网络的输入数据与输出数据，排布的数据长度为设置的神经网络每次生成数据的长度；
31.模块m3.3：利用滑动窗口依次选取所需长度的输入数据，滑动窗口大小与信道的时间记忆长度有关。
32.优选的，采用随机梯度下降法对神经网络的参数进行训练，使损失函数降为最低；所述损失函数为信道输出非线性数据与神经网络输出数据之间的均方误差；
33.所述放大器模型中包含放大特性与器件引发的随机噪声特性。
34.与现有技术相比，本发明具有如下的有益效果：
35.(1)本发明通过一步式建模的方式，大量减少模型的迭代次数，从而降低模型复杂度；
36.(2)本发明的特征解耦方案可以对非线性特征进行增强，有利于对非线性特征的准确建模；
37.(3)本发明的特征解耦方案可减弱数据中的时间记忆长度，以此减小滑动窗口的长度，最终使得模型采用更低复杂度的神经网络结构实现精确的非线性特征建模。
附图说明
38.通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
39.图1为本发明一个实施例的一种基于特征解耦的分布式光纤信道快速精确建模方法的流程图；
40.图2为本发明一个实施例的一种基于特征解耦的分布式光纤信道快速精确建模方法中步骤s1数据采集方案的示意图；
41.图3为本发明一个实施例的一种基于特征解耦的分布式光纤信道快速精确建模方法中步骤s3数据预处理与排布的示意图；
42.图4为本发明一个实施例的一种基于特征解耦的分布式光纤信道快速精确建模方法中步骤s4神经网络模型结构示意图(以双向长短记忆神经网络为例)；
43.图5为本发明一个实施例的一种基于特征解耦的分布式光纤信道快速精确建模结果示意图，以多通道复用场景为例，通道数分别为9、21、41，距离为80km；
44.图6为本发明一个实施例的一种基于特征解耦的分布式光纤信道快速精确建模结果，在不同泛化距离处的星座图；
45.图7为本发明一个实施例的一种基于特征解耦的分布式光纤信道快速精确建模结果，在相同条件下两种模型的运行时间对比图。
具体实施方式
46.下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
47.实施例：
48.如图1所示，本发明提出的一种基于特征解耦的分布式光纤信道快速精确建模方法，以波分复用的光纤信道模型为例，包括如下步骤：
49.s1：如图2所示，采集不同光纤信道条件下的输入输出数据作为训练数据集，信道数据输入数据为进行波分复用后的数据，信道输出数据为经过一段光纤后的数据，输入输出数据均具有模拟信号的全部特征。
50.s2：通过线性补偿算法对信道的输出数据进行补偿，使得输出数据主要包含非线性特征。
51.信号的线性补偿算法主要包括色度色散补偿与偏振膜色散补偿偿，且要求线性补偿算法是一个可逆过程。线性补偿算法是从非线性薛定谔方程中推导出来的，对于双偏振的信号，色散补偿表达式可简化为：
[0052][0053][0054]
其中，a表示两个任意正交偏振模式上的光场，β2群速度色散参数，δβ1为pmd引起的差分群延迟，l表示距离，l前加负号表示线性补偿过程，不加负号表示线性建模过程，建模与补偿互为一个逆过程。
[0055]
s3：如图3所示，进行数据预处理与排布，得到适用于神经网络训练的非线性数据集。该步骤具体包括以下子步骤：
[0056]
s3.1：输入数据与输出数据数据归一化，将不同条件的信道输入与信道输出数据的功率归一化为合适的范围。对于多个输入光功率组成的数据集，归一化方式为：n
p
表示不同功率值的个数，pi是第i组数据的功率。
[0057]
s3.2：将双偏振信号的实部、虚部连接起来，构成一维向量作为神经网络的输入数据与输出数据。假如神经网络每次生成的数据长度为n，如图3所示，n个双偏振的样本点的实部、虚部相连，排布为一个4n长度的一维向量，其作为一个时刻的输入数据向量，输出数据的排布方式与输入向量完全对应，每次生成4n长度的数据。
[0058]
s3.3：利用滑动窗口依次选取所需长度的输入数据，滑动窗口大小与信道的时间记忆长度有关。如图3所示，每次选取几个相邻时刻的数据，对于9通道的建模而言，不进行特征解耦时的窗长为145，进行特征解耦后，窗长可降为13。
[0059]
s4：基于神经网络结构与深度学习算法对非线性信道特征进行建模，通过训练，得到非线性信道模型。如图4所示，采用双向长短记忆神经网络(bilstm)为例，构建了一个性能优异的模型。输入层中，不同时刻的数据输入到bilstm的不同时间单元中，与s33中的滑动窗口长度相同。每个时间单元的数据即为步骤s32中构建的一维向量。
[0060]
s5：在传输过程中，非线性模型、线性模型、放大器模型依次进行建模，然后实行多次迭代，最终实现光纤信道模型的长距传输。
[0061]
本实施例还给出该信道建模方法在多通道复用光纤信道上的实施结果示意图。特征解耦分布式建模不同通道数对应的结果如图5所示，其中分步傅里叶为传统的精确性高但复杂度高的建模方法，分布式特征解耦表示基于本发明提出的快速精确建模方法。图6为不同泛化距离下的星座图，图7为相同条件下分布傅里叶与分布式解耦两种方案所需要的运算时间。
[0062]
上述技术方案中，从频谱结果中显示，基于特征解耦的分布式建模方法与传统方法有很高的一致性，且在不同距离处的星座图完全一致，实现了对距离的泛化，所需要的时间远远低于传统建模方法。
[0063]
根据本发明提供的基于特征解耦的分布式光纤信道快速精确建模系统，包括：模块m1：采集不同光纤信道条件下的输入输出数据，作为训练数据集；模块m2：通过线性补偿算法对包括非线性特征的信道的输出数据进行补偿；模块m3：进行数据预处理与排布，得到适用于神经网络训练的非线性数据集；模块m4：基于神经网络结构与深度学习算法对非线性信道特征进行建模，通过训练得到非线性信道模型；模块m5：在传输过程中，依次对非线性模型、线性模型、放大器模型进行建模，然后实行多次迭代，最终实现光纤信道模型的长距传输。
[0064]
所述模块m1包括：从光纤信道模型中采集信道输入输出数据，信道数据设定为在多倍采样率下的数据，其具有模拟信号的全部特征，且通过调节信号参数、信道参数来改变信道数据特征，从而采集得到不同条件下的数据集。信号的线性补偿算法包括色度色散补偿与偏振膜色散补偿，且线性补偿算法是一个可逆过程，所述线性补偿算法从非线性薛定谔方程中推导出来。所述模块m3包括：模块m3.1：将输入数据与输出数据数据归一化，将不同条件的信道输入与信道输出数据的功率归一化在预设范围内；模块m3.2：将双偏振信号的实部、虚部连接起来，构成一维向量作为神经网络的输入数据与输出数据，排布的数据长度为设置的神经网络每次生成数据的长度；模块m3.3：利用滑动窗口依次选取所需长度的输入数据，滑动窗口大小与信道的时间记忆长度有关。采用随机梯度下降法对神经网络的参数进行训练，使损失函数降为最低；所述损失函数为信道输出非线性数据与神经网络输出数据之间的均方误差；所述放大器模型中包含放大特性与器件引发的随机噪声特性。
[0065]
本实施例所述的一种基于特征解耦的分布式光纤信道快速精确建模方法，无需过多的迭代步骤，以非常低的复杂度实现了光纤信道建模；采用特征解耦方案增强非线性特征，实现对非线性特征的准确建模；特征解耦方案可减弱数据中的时间记忆长度，以此减小滑动窗口的长度，最终使得模型采用更低复杂度的神经网络结构实现精确的非线性特征建模；通过分布式建模方案，实现了对距离的灵活泛化。
[0066]
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
[0067]
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本技术的实施例和实施例中的特征可以任意相互组合。