CN112769497B - 对大容量高阶qam相干光进行非线性补偿的方法 - Google Patents

Abstract

本发明涉及一种对大容量高阶QAM相干光进行非线性补偿的方法，方法包括在发射端与接收端通信的中间链路上部署OPC，利用OPC对传输的信号进行相位共轭，产生空闲光；对接收端接收到的补偿后的信号进行相位恢复得到星座图，利用训练学习好的CVDNN模拟发射端信号与接收端信号之间的非线性函数关系，对星座图进行非线性补偿，得到补偿后的星座图；根据补偿后的星座图计算Q因子，通过Q因子评估通信性能。本发明采用OPC+CVDNN的方法对传输的信号进行非线性补偿，用于均衡WDM相干光通信系统中的光纤非线性损伤，在提高信号质量的同时大幅提升输入信号功率，大幅提升信道容量，能够应用于大容量相干光高阶QAM通信系统中。

Description

对大容量高阶QAM相干光进行非线性补偿的方法

技术领域

本发明涉及光通信网络技术领域，尤其是指一种对大容量高阶QAM相干光进行非线性补偿的方法。

背景技术

容量短缺是一个巨大的挑战，并且由于对高带宽和高连接的实时数据的需求的增长而加剧。对于使用多路复用的方法，例如波分复用(WDM)、偏振分复用和空分多路复用等,以及利用先进的调制格式，例如高阶正交幅度调制(QAM)或扩展带宽到如O波带的其他波带中等等，这些方法中容量短缺的主要挑战最终来自非线性香农极限。

随着数字信号处理技术在数字相干接收机中的应用，提出了许多数字非线性补偿方法来逼近香农极限，如数字反向传播、沃尔特拉序列非线性均衡器以及基于机器学习的软判决等等。其中数字反向传播通过分步傅里叶法来求解光纤传输的非线性薛定谔方程从而模拟光纤信道，其能够有效的均衡确定性的非线性效应,但其计算复杂度随传输距离的增加和色散的积累而增加,不适合实时系统,尤其是对波分复用系统。另外沃尔特拉序列非线性均衡器虽然比数字反向传播的复杂度低，但它主要均衡单信道系统中信道内的非线性效应。还有基于机器学习的软判决可以优化信号星座图的判决边限，但对于劣化严重的信号来说，非线性均衡性能有限。

此外，无论采用哪种数字非线性补偿方法来均衡劣化的信号，都只能在相同的输入信号功率下垂直地提高信号质量，这限制了输入信号功率在给定判定阈值下的提升，因此虽然通信系统误码性能得到了一定的提升，但是输入信号功率却基本保持不变，其并不能增加输入信道数目，提升信道容量。

发明内容

为此，本发明所要解决的技术问题在于克服现有技术中数字非线性补偿方法无法提升信道容量的问题。

为解决上述技术问题，本发明第一方面提供了一种由接收端对大容量高阶QAM相干光进行非线性补偿的方法，包括：

发射端与接收端的中间链路上部署光学相位共轭单元；

接收利用光学相位共轭单元对传输信号进行相位共轭而产生的空闲光；

将所述空闲光进行相位恢复得到星座图，并利用训练学习好的复数值深度神经网络模拟发射端信号与接收端信号之间的非线性函数关系，对所述星座图进行非线性补偿；

根据所述补偿后的星座图计算Q因子，通过所述Q因子评估通信性能。

在本发明的一个实施例中，利用所述光学相位共轭单元对传输的信号进行相位共轭产生空闲光包括：

传输的信号经过放大后滤除放大自发辐射噪声，得到信号光，同时将泵浦源经过衰减、放大及滤波处理后得到泵浦光，其中泵浦光和信号光的偏振由各自的偏振控制器调节；

将所述信号光与泵浦光耦合进入高非线性光纤，通过四波混频产生相位共轭的空闲光。

在本发明的一个实施例中，在对所述传输的信号进行相位共轭前，预先对输入高非线性光纤的信号总功率和泵浦功率进行设置，以获得最优的光学相位共轭单元。

在本发明的一个实施例中，所述复数值深度神经网络的训练学习过程包括：

将星座图使用复数值符号序列S(n)表示，在所述复数值符号序列S(n)中选择训练符号序列X(n)作为复数值深度神经网络输入层的输入值，X(n)记为[x(n+k-1)，…，x(n-1)，x(n)，x(n+1)，…，x(n-k+1)]，同时确定复数值深度神经网络的记忆长度为K＝2k-1，其中n为第n个符号的索引值，k为与第n个符号相邻的前K个符号和后K个符号；

将训练符号序列X(n)从复数值深度神经网络的输入层逐级向输出层传递，传递过程中使用上一层的输出值作为下一层的输入值进行训练学习，直至输出层输出经过训练学习后的结果。

在本发明的一个实施例中，将训练符号序列X(n)从复数值深度神经网络的输入层逐级向输出层传递，传递过程中使用上一层的输出值作为下一层的输入值进行训练学习，直至输出层输出经过训练学习后的结果包括：

将复数值深度神经网络输入层的训练符号序列X(n)分成多条链路传递至第一隐含层进行训练学习，将每条链路上的训练符号序列X(n)通过第一隐含层的训练公式求得第一隐含层的输出值，第一隐含层的训练公式为：

其中h¹表示第一隐含层的输出值，w¹表示第一隐含层的权值，b¹表示第一隐含层的偏置向量，激活函数F为复数值的Sigmoid非线性函数，K为复数值深度神经网络的记忆长度；

将所述第一隐含层的输出值h¹作为第二隐含层的输入值进行训练学习，将每条链路上的第一隐含层的输出值h¹通过第二隐含层的训练公式求得第二隐含层的输出值，第二隐含层的训练公式为：

其中h²表示第二隐含层的输出值，w²表示第二隐含层的权值，b²表示第二隐含层的偏置向量，激活函数F为复数值的Sigmoid非线性函数，M为第一隐含层的个数；

将所述第二隐含层的输出值h²作为输出层的输入值进行训练学习，将每条链路上的第二隐含层的输出值h²通过输出层的训练公式求得输出层的输出值，输出层的训练公式为：

其中h³表示输出层的输出值，w³表示输出值的权值，b³表示输出层的偏置向量，N为第二隐含层的个数。

在本发明的一个实施例中，所述训练符号序列X(n)覆盖所述星座图上的所有星座点。

在本发明的一个实施例中所述复数值深度神经网络上每一层的权值和偏置向量通过最小化传输和预测输出符号之间的最小均方误差(MSE)进行迭代计算，计算公式如下：

其中B为总训练样本的模块大小，o为复数值深度神经网络的输出值，s为与复数值深度神经网络的输出相对应的输入值。

在本发明的一个实施例中，根据所述补偿后的星座图计算Q因子包括：

根据所述补偿后的星座图计算误码率BER；

使用所述误码率BER通过如下公式计算Q因子；

Q(dB)＝10×log10(Q²)＝20×log10(Q)

其中BER为误码率，erfcinv是余误差函数的逆。

本发明第二方面提供了一种由光学相位共轭单元辅助接收端对大容量高阶QAM相干光进行非线性补偿的方法，包括：

向接收端提供信号资源的光学相位共轭单元用于接收中间链路上的传输信号；

对传输信号进行相位共轭产生空闲光；

传输所述空闲光给接收端，空闲光经过相位恢复后得到星座图，利用训练学习好的复数值深度神经网络对星座图进行非线性补偿，并根据补偿后的星座图计算Q因子来评估通信性能。

本发明第三方面提供了一种由系统对大容量高阶QAM相干光进行非线性补偿的方法，所述系统包括光学相位共轭单元和接收端，方法包括：

由光学相位共轭单元执行以下步骤：

向接收端提供信号资源的光学相位共轭单元用于接收中间链路上的传输信号；

对传输信号进行相位共轭产生空闲光；

传输所述空闲光给接收端，空闲光经过相位恢复后得到星座图，利用训练学习好的复数值深度神经网络对星座图进行非线性补偿，并根据补偿后的星座图计算Q因子来评估通信性能；

由接收端执行以下步骤：

发射端与接收端的中间链路上部署光学相位共轭单元；

接收利用光学相位共轭单元对传输信号进行相位共轭而产生的空闲光；

将所述空闲光进行相位恢复得到星座图，并利用训练学习好的复数值深度神经网络模拟发射端信号与接收端信号之间的非线性函数关系，对所述星座图进行非线性补偿；

根据所述补偿后的星座图计算Q因子，通过所述Q因子评估通信性能。

本发明的上述技术方案相比现有技术具有以下优点：

本发明采用光学相位共轭辅助复数值深度神经网络学习的方法对传输的信号进行非线性补偿，用于均衡WDM相干光通信系统中的光纤非线性损伤，在提高信号质量的同时大幅提升输入信号功率，大幅提升信道容量，能够应用于大容量相干光高阶QAM通信系统中。

附图说明

为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明，其中

图1是本发明实施例中一种高阶QAM相干光通信系统的结构示意图。

图2是本发明实施例中一种对大容量高阶QAM相干光进行非线性补偿的方法方法的流程示意图。

图3是本发明实施例中在图1的中间链路上部署OPC和CVDNN的结构示意图。

图4是本发明实施例中OPC的结构示意图。

图5是本发明实施例中锗掺杂HNLF的参数示意图。

图6是本发明实施例中锗掺杂HNLF的输出光谱图。

图7是本发明实施例中输入锗掺杂HNLF的总功率与Q值的折线图。

图8是本发明实施例中CVDNN的结构框图。

图9是本发明实施例中步骤S200的流程示意图。

图10是本发明实施例中64-QAM信号的星座图。

图11是本发明实施例中在64-QAM信号中随机选取了100、200、300和500个符号的星座图。

图12是本发明实施例中最小均方误差随训练迭代次数的曲线图。

图13是本发明实施例中采用OPC和OPC+CVDNN两种方法在最优发射功率下测得的四个WDM信道Q值的示意图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。

首先本发明对下文中需要出现的英文标记做出如下释义：

WDM：波分复用；QAM：正交振幅调制；AWG：任意波形发生器；IQ Mod:IQ调制器；EDFA：光纤放大器；OBPF：光学带通滤波器；DSP:数字信号处理；Gbaud：数据通信速度的表示单位；OPC：光学相位共轭单元；VOA：可变光衰减器；HNLF、高非线性光纤；CVDNN：复数值深度神经网络。

为了更好的理解本发明实施例公开的一种对大容量高阶QAM相干光进行非线性补偿的方法，下面先对本发明实施例适用的高阶QAM相干光通信系统的结构进行描述。

请参阅图1所示，图1是本发明实施例公开的一种高阶QAM相干光通信系统的结构示意图。在图1所示的结构中，高阶QAM相干光通信系统包括进行通信的发射端和接收端，在发射端，4个WDM信道间隔为50GHz，4个WDM信道由4个外部腔的激光器耦合的光载波产生，频率从194.3THz到194.45THz，并由同相/正交的IQ Mod调制。然后，一个采样率为50-GSamples/s的AWG产生两个8电平的12.5Gbaud电信号，伪随机序列的长度为2¹⁵-1，经过发射端调制输出的信号发射至接收端。在接收端，信号入射进相干光接收机之前首先被EDFA放大，然后被衰减器衰减到6.5dBm。相干光接收机由一个100KHz的本振光、90度的光混合器和四个平衡光探测器组成，然后用采样率为100GSamples/s的数字存储示波器对信号进行模数转换，采集到的数据由DSP进行离线处理，包括下采样、延迟和正交性的修正、有限脉冲响应滤波器去除符号间干扰和载波相位恢复，最后计算误码率。

实施例1

基于图1所示的一种高阶QAM相干光通信系统，本发明一个实施例公开了一种对大容量高阶QAM相干光进行非线性补偿的方法。请参阅图2所示，图2是本发明实施例公开的一种对大容量高阶QAM相干光进行非线性补偿的方法的流程示意图。图2所描述的方法可以应用于图1所示的一种高阶QAM相干光通信系统。

请参阅图2所示，该对大容量高阶QAM相干光进行非线性补偿的方法可以包括以下步骤：

在步骤S100中，在发射端与接收端通信的中间链路上部署OPC，利用OPC对传输的信号进行相位共轭，产生空闲光。

示例地，请参阅图3所示，本实施例将OPC部署在经EDFA放大的高阶QAM相干光通信系统的中间链路。图3中的发射端和接收端的内容已经在上述关于高阶QAM相干光通信系统的描述内容中进行了详细的阐述，本发明在这里不做赘述。另外发射端与接收端通信的传输链路包括两段80公里长的标准单模光纤(损耗为0.18dB/km，色散为16.09ps/nm²)、两个EDFA和两个VOA，其中EDFA用于补偿传输链路的跨损，还有VOA用于调节发射进标准单模光纤的功率。

示例地，请参阅图4所示，在OPC中，传输的信号经过EDFA放大后，再由带宽为1nm、插入损耗为3.34dB的OBPF滤除EDFA的放大自发辐射噪声，得到信号光，同时用一个可调谐激光光源发射波长为1547.316nm的连续波激光作为泵浦源，将泵浦源经过衰减器衰减后再由EDFA进行放大，并通过带宽为1nm、插入损耗为1.74dB的OBPF进行滤波，得到泵浦光，其中泵浦光和信号光的偏振由各自的偏振控制器调节。然后泵浦光和信号光通过90:10光耦合器(泵浦光为90％，信号光为10％)进行耦合，并使用光隔离器来阻隔受激布里渊散射引起的反射波，最后耦合的泵浦光和信号光发射到锗掺杂的HNLF中(详细参数如图5所示)触发四波混频效应，然后通过一个带宽为1.9nm、插入损耗为4dB的OBPF滤出空闲光。

示例地，对于高阶QAM相干光通信系统而言，需要对HNLF的输入信号功率进行优化以获得高质量的空闲光。因此本发明在对传输的信号进行第一次非线性补偿前，预先对输入HNLF的信号总功率和泵浦功率进行设置，以获得最优的OPC。具体的，选择波长为1542.54nm的第三通道作为待测信道，根据图5所示的锗掺杂HNLF的参数示意图，将HNLF的最大输入泵浦功率设置为23.5dBm，实现最大为-14.9dB的转换效率(CE)，如图6所示。通过调节输入HNLF的四个信道的总光功率，测量了相应的Q值，如图7所示。显然，当4个WDM信道总功率大于7.5dBm时，由于信道间的非理想非线性，待测信道的空闲光的Q值出现饱和并下降的趋势。因此，将泵浦功率和输入HNLF的信号总功率分别设置为23.5dBm和7.5dBm来获得最优的OPC。

在步骤S200中，对接收端接收到的空闲光进行相位恢复得到星座图，利用训练学习好的CVDNN模拟发射端信号与接收端信号之间的非线性函数关系，对星座图进行非线性补偿。

示例地，请参阅图8所示，图8为本发明CVDNN的结构框图。从图中可知，CVDNN包括输入层、隐含层和输出层，下面结合图8的内容对CVDNN的训练学习过程做出具体的阐述，请参阅图9所示，具体步骤包括如下：

在步骤S201中，将星座图使用复数值符号序列S(n)表示，在复数值符号序列S(n)中选择训练符号序列X(n)作为CVDNN输入层的输入值，X(n)记为[x(n+k-1)，…，x(n-1)，x(n)，x(n+1)，…，x(n-k+1)]，同时确定CVDNN的记忆长度为K＝2k-1，其中n为第n个符号的索引值，k为与第n个符号相邻的前K个符号和后K个符号；

在步骤S202中，将训练符号序列X(n)从CVDNN的输入层逐级向输出层传递，传递过程中使用上一层的输出值作为下一层的输入值进行训练学习，直至输出层输出经过训练学习后的结果。

示例地，在步骤S201中，HNLF输入功率的增加会触发非线性克尔效应的产生，从而使传输信号的脉冲失真，这在WDM系统中更为严重。请参阅图10所示，非线性脉冲展宽会导致相邻符号与一个符号之间的时间和相位畸变，对于采用高级调制格式的外围具有高幅值的符号尤其如此。因此，当我们选择第N个符号及其前k-1个和后k-1个符号作为输入时，需要考虑有足够多的符号来覆盖星座图上的64个星座点，尤其是周边高幅值的星座点。图11为64-QAM信号中随机选取了100、200、300和500个符号的星座图。显然，当符号数量小于300时，星座中会出现一些缺失的符号点。当输入神经元数小于300时，无法精确建模输入输出之间的函数关系，使网络训练陷入欠拟合状态。如若输入神经元数量过多，虽然会包含64个符号，但训练的计算量也会增加。因此，本发明CVDNN输入层的神经元数目选择为325个，隐含层的神经元数目选择为20个。

示例地，在步骤S202中，其具体内容包括如下内容：首先将CVDNN输入层的训练符号序列X(n)分成多条链路传递至第一隐含层进行训练学习，将每条链路上的训练符号序列X(n)通过第一隐含层的训练公式求得第一隐含层的输出值，第一隐含层的训练公式为：

其中h¹表示第一隐含层的输出值，w¹表示第一隐含层的权值，b¹表示第一隐含层的偏置向量，激活函数F为复数值的Sigmoid非线性函数，K为CVDNN的记忆长度；然后将第一隐含层的输出值h¹作为第二隐含层的输入值进行训练学习，将每条链路上的第一隐含层的输出值h¹通过第二隐含层的训练公式求得第二隐含层的输出值，第二隐含层的训练公式为：

其中h²表示第二隐含层的输出值，w²表示第二隐含层的权值，b²表示第二隐含层的偏置向量，激活函数F为复数值的Sigmoid非线性函数，M为第一隐含层的个数；最后将第二隐含层的输出值h²作为输出层的输入值进行训练学习，将每条链路上的第二隐含层的输出值h²通过输出层的训练公式求得输出层的输出值，输出层的训练公式为：

其中h³表示输出层的输出值，w³表示输出值的权值，b³表示输出层的偏置向量，N为第二隐含层的个数。

示例地，CVDNN上每一层的权值和偏置向量通过最小化传输和预测输出符号之间的最小均方误差(MSE)进行迭代计算，计算公式为：

其中B为总训练样本的模块大小，o为CVDNN的输出值，s为与CVDNN的输出相对应的输入值。请参阅图12所示，图12为最小均方误差随训练迭代次数的曲线，从图12可以看出，当训练迭代次数达到100左右时，网络开始收敛。但此时的MSE约为0.1，这对于64-QAM信号是不够的。为了获得更好的训练效果，我们将最大训练迭代次数设定为3000。那么CVDNN在训练学习阶段的乘法量N_sum计算公式为：N_sum＝4×N_t×N_ep(N_in×N_h1+N_h1×N_h2)，其中N_t为训练样本总数，N_ep为训练迭代次数，N_in为输入层神经元的数目，N_h1为第一隐含层神经元的数目、N_h2为第二隐含层神经元的数目。可知在网络结构确定的情况下，训练学习阶段的乘法量取决于训练样本的数量和训练迭代次数。因此，一种快速收敛的优化算法对网络训练非常重要，能够显著减少训练的时间。

在步骤S300中，根据补偿后的星座图计算Q因子，通过Q因子评估通信性能。

示例地，首先根据补偿后的星座图计算误码率BER，即在计算误码率之前应用CVDNN模拟输入与输出之间的非线性函数关系，有效地均衡高输入功率下非线性严重的信号，从而进一步提高误码判决的准确性。然后使用误码率BER通过如下公式计算Q因子；

Q(dB)＝10×log₁₀(Q²)＝20×log₁₀(Q)

其中BER为误码率，erfcinv是余误差函数的逆。

示例地，对于OPC而言，待测信道的星座图由于内部非线性仍然存在一定的旋转，而CVDNN可以对劣化的星座图的知识进行学习，从而将旋转的星座图拉正，进一步均衡通信系统中的光纤非线性，提高系统性能。请参阅图13所示，图13为本发明采用OPC和OPC+CVDNN两种方法在最优发射功率下测得的四个WDM信道Q值的示意图，从图中可知，采用OPC方法在最优发射功率下测得的四个WDM信道的平均Q值约为9dB，而本发明采用OPC+CVDNN方法在最优发射功率下测得的四个WDM信道的平均Q值提高到约10dB，显著提高了通信性能。

综上，采用OPC+CVDNN学习的方法对传输的信号进行非线性补偿，用于均衡WDM相干光通信系统中的光纤非线性损伤，在提高信号质量的同时大幅提升输入信号功率，大幅提升信道容量，能够应用于大容量相干光高阶QAM通信系统中，一方名OPC的引入不需要严格要求功率和色散的对称分布，可缓解传输链路中波长竞争问题；另一方面CVDNN仅用两个隐层来模拟发射和接收的非线性函数关系，结构简单复杂度低，同时对于入纤功率和信号波长具有强鲁棒性，可以进一步降低网络的训练复杂性。

本发明一种对大容量高阶QAM相干光进行非线性补偿的方法中主要由三个执行主体，三个执行主体分别是发射端、OPC和接收端，其中发射端的执行步骤较为简单，其只是作为发射信号的主体，因此本发明在这里不对发射端这一执行主体做较为详细的阐述。

下面本发明对接收端、OPC以及由OPC和接收端构成的系统分别作为执行主体的具体内容进行阐述，其中由接收端作为执行主体的具体内容已经在上文做出了详细的阐述，本发明在这里不做赘述。

实施例2

本发明提供一种由光学相位共轭单元辅助接收端对大容量高阶QAM相干光进行非线性补偿的方法，包括：

向接收端提供信号资源的光学相位共轭单元用于接收中间链路上的传输信号；

对传输信号进行相位共轭产生空闲光；

传输空闲光给接收端，空闲光经过相位恢复后得到星座图，利用训练学习好的复数值深度神经网络对星座图进行非线性补偿，并根据补偿后的星座图计算Q因子来评估通信性能。

其具体内容已经在实施例1中做出了详尽的阐述，本发明在这里不做赘述。

实施例3

本发明提供一种由系统对大容量高阶QAM相干光进行非线性补偿的方法，系统包括光学相位共轭单元和接收端，方法包括：

由光学相位共轭单元执行以下步骤：

向接收端提供信号资源的光学相位共轭单元用于接收中间链路上的传输信号；

对传输信号进行相位共轭产生空闲光；

传输空闲光给接收端，空闲光经过相位恢复后得到星座图，利用训练学习好的复数值深度神经网络对星座图进行非线性补偿，并根据补偿后的星座图计算Q因子来评估通信性能；

由接收端执行以下步骤：

发射端与接收端的中间链路上部署光学相位共轭单元；

接收利用光学相位共轭单元对传输信号进行相位共轭而产生的空闲光；

将空闲光进行相位恢复得到星座图，并利用训练学习好的复数值深度神经网络模拟发射端信号与接收端信号之间的非线性函数关系，对所述星座图进行非线性补偿；

根据补偿后的星座图计算Q因子，通过Q因子评估通信性能。

其具体内容已经在实施例1中做出了详尽的阐述，本发明在这里不做赘述。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (7)

1.一种由接收端对大容量高阶QAM相干光进行非线性补偿的方法，其特征在于，包括：

发射端与接收端的中间链路上部署光学相位共轭单元；

接收利用光学相位共轭单元对传输信号进行相位共轭而产生的空闲光；

将所述空闲光进行相位恢复得到星座图，并利用训练学习好的复数值深度神经网络模拟发射端信号与接收端信号之间的非线性函数关系，对所述星座图进行非线性补偿；

根据所述补偿后的星座图计算Q因子，通过所述Q因子评估通信性能；

其中，所述复数值深度神经网络的训练学习过程包括：

将星座图使用复数值符号序列S(n)表示，在所述复数值符号序列S(n)中选择训练符号序列X(n)作为复数值深度神经网络输入层的输入值，X(n)记为[x(n+k-1)，…，x(n-1)，x(n)，x(n+1)，…，x(n-k+1)]，同时确定复数值深度神经网络的记忆长度为K＝2k-1，其中n为第n个符号的索引值，k为与第n个符号相邻的前第K个符号和后第K个符号；

将训练符号序列X(n)从复数值深度神经网络的输入层逐级向输出层传递，传递过程中使用上一层的输出值作为下一层的输入值进行训练学习，直至输出层输出经过训练学习后的结果，具体包括：

将复数值深度神经网络输入层的训练符号序列X(n)分成多条链路传递至第一隐含层进行训练学习，将每条链路上的训练符号序列X(n)通过第一隐含层的训练公式求得第一隐含层的输出值，第一隐含层的训练公式为：

其中h¹表示第一隐含层的输出值，w¹表示第一隐含层的权值，b¹表示第一隐含层的偏置向量，激活函数F为复数值的Sigmoid非线性函数，K为复数值深度神经网络的记忆长度；

将所述第一隐含层的输出值h¹作为第二隐含层的输入值进行训练学习，将每条链路上的第一隐含层的输出值h¹通过第二隐含层的训练公式求得第二隐含层的输出值，第二隐含层的训练公式为：

其中h²表示第二隐含层的输出值，w²表示第二隐含层的权值，b²表示第二隐含层的偏置向量，激活函数F为复数值的Sigmoid非线性函数，M为第一隐含层的个数；

将所述第二隐含层的输出值h²作为输出层的输入值进行训练学习，将每条链路上的第二隐含层的输出值h²通过输出层的训练公式求得输出层的输出值，输出层的训练公式为：

其中h³表示输出层的输出值，w³表示输出值的权值，b³表示输出层的偏置向量，N为第二隐含层的个数。

2.根据权利要求1所述的由接收端对大容量高阶QAM相干光进行非线性补偿的方法，其特征在于：利用所述光学相位共轭单元对传输的信号进行相位共轭产生空闲光包括：

传输的信号经过放大后滤除放大自发辐射噪声，得到信号光，同时将泵浦源经过衰减、放大及滤波处理后得到泵浦光，其中泵浦光和信号光的偏振由各自的偏振控制器调节；

将所述信号光与泵浦光耦合进入高非线性光纤，通过四波混频产生相位共轭的空闲光。

3.根据权利要求2所述的由接收端对大容量高阶QAM相干光进行非线性补偿的方法，其特征在于：在对所述传输的信号进行相位共轭前，预先对输入高非线性光纤的信号总功率和泵浦功率进行设置，以获得最优的光学相位共轭单元。

4.根据权利要求1所述的由接收端对大容量高阶QAM相干光进行非线性补偿的方法，其特征在于：所述训练符号序列X(n)覆盖所述星座图上的所有星座点。

5.根据权利要求1所述的由接收端对大容量高阶QAM相干光进行非线性补偿的方法，其特征在于：所述复数值深度神经网络上每一层的权值和偏置向量通过最小化传输和预测输出符号之间的最小均方误差(MSE)进行迭代计算，计算公式如下：

其中B为总训练样本的模块大小，o为复数值深度神经网络的输出值，s为与复数值深度神经网络的输出相对应的输入值。

6.根据权利要求1所述的对大容量高阶QAM相干光进行非线性补偿的方法，其特征在于：根据所述补偿后的星座图计算Q因子包括：

根据所述补偿后的星座图计算误码率BER；

使用所述误码率BER通过如下公式计算Q因子；

Q(dB)＝10×log₁₀(Q²)＝20×log₁₀(Q)

其中BER为误码率，erfcinv是余误差函数的逆。

7.一种由系统对大容量高阶QAM相干光进行非线性补偿的方法，其特征在于，所述系统包括光学相位共轭单元和接收端，方法包括：

由光学相位共轭单元执行以下步骤：

向接收端提供信号资源的光学相位共轭单元用于接收中间链路上的传输信号；

对传输信号进行相位共轭产生空闲光；

传输所述空闲光给接收端，空闲光经过相位恢复后得到星座图，利用训练学习好的复数值深度神经网络对星座图进行非线性补偿，并根据补偿后的星座图计算Q因子来评估通信性能；

由接收端执行以下步骤：

发射端与接收端的中间链路上部署光学相位共轭单元；

接收利用光学相位共轭单元对传输信号进行相位共轭而产生的空闲光；

将所述空闲光进行相位恢复得到星座图，并利用训练学习好的复数值深度神经网络模拟发射端信号与接收端信号之间的非线性函数关系，对所述星座图进行非线性补偿；

根据所述补偿后的星座图计算Q因子，通过所述Q因子评估通信性能；

其中，所述复数值深度神经网络的训练学习过程包括：

将星座图使用复数值符号序列S(n)表示，在所述复数值符号序列S(n)中选择训练符号序列X(n)作为复数值深度神经网络输入层的输入值，X(n)记为[x(n+k-1)，…，x(n-1)，x(n)，x(n+1)，…，x(n-k+1)]，同时确定复数值深度神经网络的记忆长度为K＝2k-1，其中n为第n个符号的索引值，k为与第n个符号相邻的前第K个符号和后第K个符号；

将训练符号序列X(n)从复数值深度神经网络的输入层逐级向输出层传递，传递过程中使用上一层的输出值作为下一层的输入值进行训练学习，直至输出层输出经过训练学习后的结果，具体包括：

将复数值深度神经网络输入层的训练符号序列X(n)分成多条链路传递至第一隐含层进行训练学习，将每条链路上的训练符号序列X(n)通过第一隐含层的训练公式求得第一隐含层的输出值，第一隐含层的训练公式为：

其中h¹表示第一隐含层的输出值，w¹表示第一隐含层的权值，b¹表示第一隐含层的偏置向量，激活函数F为复数值的Sigmoid非线性函数，K为复数值深度神经网络的记忆长度；

将所述第一隐含层的输出值h¹作为第二隐含层的输入值进行训练学习，将每条链路上的第一隐含层的输出值h¹通过第二隐含层的训练公式求得第二隐含层的输出值，第二隐含层的训练公式为：

其中h²表示第二隐含层的输出值，w²表示第二隐含层的权值，b²表示第二隐含层的偏置向量，激活函数F为复数值的Sigmoid非线性函数，M为第一隐含层的个数；

将所述第二隐含层的输出值h²作为输出层的输入值进行训练学习，将每条链路上的第二隐含层的输出值h²通过输出层的训练公式求得输出层的输出值，输出层的训练公式为：

其中h³表示输出层的输出值，w³表示输出值的权值，b³表示输出层的偏置向量，N为第二隐含层的个数。

Images