本发明专利技术提供了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，包括：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；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；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；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；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。本发明专利技术不需要过多的迭代步骤，即可实现低复杂度、高精确、强泛化的光纤信道建模。光纤信道建模。光纤信道建模。
【技术实现步骤摘要】
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
[0001]本专利技术涉及光纤信道建模及神经网络应用
，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。
技术介绍
[0002]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。
[0003]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。
[0004]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。
技术实现思路
[0005]针对现有技术中的缺陷，本专利技术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。
[0006]根据本专利技术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：
[0007]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；
[0008]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；
[0009]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；
[0010]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；
[0011]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。
[0012]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。
[0013]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。
[0014]优选的，所述步骤S3包括：
[0015]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；
[0016]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；
[0017]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。
[0018]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；
[0019]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。
[0020]根据本专利技术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：
[0021]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；
[0022]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；
[0023]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；
[0024]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；
[0025]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。
[0026]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。
[0027]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。
[0028]优选的，所述模块M3包括：
[0029]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；
[0030]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；
[0031]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。
[0032]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；
[0033]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。
[0034]与现有技术相比，本专利技术具有如下的有益效果：
[0035](1)本专利技术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；
[0036](2)本专利技术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；
[0037](3)本专利技术的特征解耦方案可减弱数据中的时间记忆长度，以本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于特征解耦的分布式光纤信道快速精确建模方法，其特征在于，包括：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；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；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；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；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。2.根据权利要求1所述的基于特征解耦的分布式光纤信道快速精确建模方法，其特征在于，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。3.根据权利要求1所述的基于特征解耦的分布式光纤信道快速精确建模方法，其特征在于，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。4.根据权利要求1所述的基于特征解耦的分布式光纤信道快速精确建模方法，其特征在于，所述步骤S3包括：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；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；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。5.根据权利要求1所述的基于特征解耦的分布式光纤信道快速精确建模方法，其特征在于，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。6.一种基于特...
【专利技术属性】
技术研发人员：义理林，杨航，牛泽坤，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。