CN1695327A - 采用均方差技术的偏振模式色散补偿器 - Google Patents

Abstract

一种自适应调节光纤通信系统中PMD补偿器的方法，包括如下步骤：在所述补偿器输出端取信号并提取两个正交偏振方向上的分量y₁(t)和y₂(t)；计算信号y(t)=|y₁(t)|²+|y₂(t)|²；在时刻t_k=kT(T=符号间隔)对信号y(t)取样以得到样本y(t_k)；计算均方差e(k)=y(t_k)－u(k)(u(k)是发送的符号)；以及调节补偿器的参数以设法使e(k)最小。根据本方法的PMD补偿器包括调节系统，该调节系统又包括光电检测器(17)，用于从补偿器输出信号取两个正交偏振分量y₁(t)和y₂(t)；取样器(19)，用于在时刻t_k=kT(T=符号间隔)对信号y(t)=|y₁(t)|²+|y₂(t)| ²取样以得到样本y(t_k)；电路(18，20)，用于计算均方差e(k)=y(t_k)－u(k)(u(k)等于发送的符号)以及调节器，用于调节补偿器的参数以设法使e(k)最小化。

Description

采用均方差技术的偏振模式色散补偿器

本发明涉及自适应调节光纤通信系统中PMD补偿器的方法。本发明还涉及应用所述方法的补偿器。

众所周知，在光纤通信设备中需要补偿光信号在光纤连接中传播时出现的偏振模式色散(PMD)效应。

已知PMD会使光纤连接上传送的光信号出现失真和色散。不同偏振状态下各信号分量之间的不同时延随传输速度增加而变得日益重要。在甚高频率(10千兆比特/秒及以上)的现代光纤传输系统中，对PDM效应进行精确补偿变得非常重要但又非常棘手。这种补偿必须是动态的，且要以足够的速度来执行。

本发明的主要目的是通过提供一种快速精确地自适应调节PMD补偿器的方法和采用所述方法的补偿器来消除上述缺点。

为此，设法根据本发明提供一种自适应调节光纤通信系统中PMD补偿器的方法，所述补偿器包括级联的用以传递要补偿的光信号的可调光学器件，所述方法包括如下步骤：提取所述补偿器输出信号的两个正交偏振分量y₁(t)和y₂(t)；获取信号y(t)＝|y₁(t)|²+|y₂(t)|²；在时刻t_k＝kT对所述信号y(t)取样以获得样本y(t_k)，其中T＝符号间隔；计算均方差e(k)＝y(t_k)-u(k)，其中u(k)等于发送的符号或以对所发送的符号u(k)的判决

来替代u(k)；以及生成针对至少一些所述可调光学器件的参数的控制信号，以使e(k)趋于最小。

根据本发明方法，还设法实现一种光纤通信系统中的PMD补偿器，该补偿器应用所述方法，且包括级联的用以传递要补偿的光信号的可调光学器件和调节系统，该调节系统又包括：光电检测器17，用于提取补偿器输出的两个正交偏振分量y₁(t)和y₂(t)；取样器19，用于在时刻t_k＝kT(T＝符号间隔)对光电检测器(17)的输出信号y(t)＝|y₁(t)|²+|y₂(t)|²取样以获得样本y(t_k)；电路18、20，用于计算均方差e(k)＝y(t_k)-u(k)，其中u(k)等于发送的符号；以及调节器15、16，用于调节至少一些所述光学器件的参数以使e(k)趋于最小。

为了阐明本发明的创新原理及其与现有技术相比的优点，下面借助附图通过应用所述原理的非限制性示例来描述可能的实施例。

附图中：

在两个正交偏振方向上发送分量y₁(t)和y₂(t)。

图1显示了具有相关控制电路的PMD补偿器，以及

图2显示了该PMD补偿器的等效模型。

参照附图，图1显示了整体用标号10标识的PMD补偿器的结构。该结构由一些级联的光学器件构成，以从传输光纤11接收信号。第一光学器件是偏振控制器12(PC)，它允许修改其输入端上的光学信号的偏振态。因此，设有三个由两个光旋转器14隔开的偏振维持光纤13(PMF)。

PMF光纤是可在光信号的两个主偏振态(PSP)，即慢PSP和快PSP分量之间引入预定差分群延时(DGD)的光纤。

就图1所示的补偿器而言，三个PMF引入的光载波频率上的DGD延时分别为τ_c、ατ_c和(1-α)τ_c，其中，0＜α＜1，τ_c和α为设计参数。

光旋转器是可以在其输入端上使光信号的偏振态改变庞加莱球(Poincare sphere)上最大圆上的角度θ_i(图中显示了第一旋转器的θ₁和第二旋转器的θ₂)的器件。

光旋转器在实际中是通过适当控制的PC来实现的。

在图1中，x₁(t)和x₂(t)表示补偿器输入端上光信号的两个PSP分量，而类似地y₁(t)和y₂(t)表示补偿器输出端上光信号的分量。

将两个正交偏振分量y₁(t)和y₂(t)送到光电检测器(PD)的输入端，该光电检测器按下式产生信号y(t)：

            y(t)＝|y₁(t)|²+|y₂(t)|²                (1)

此信号必要时可以由后检测滤波器加以过滤。不失一般性，假定此滤波器不存在。如果存在，则该滤波器在补偿器参数的自适应调节中产生明显的变化。所属领域的技术人员容易想到这些变化，因此不作详述。

如图1所示，在时刻t_k＝kT由采样器19对信号y(t)取样，其中T是符号间隔。根据样本y(t_k)，对发送的比特u(k)作出判决。将已知判决电路18(DEC)作出的该判决标记为

每个光学器件的输入输出特性通过所谓的约翰转移矩阵(Johnstransfer matrix)H(ω)来描述，该矩阵为以频率相关的分量为特征的2×2矩阵。用W₁(ω)和W₂(ω)表示器件输入光信号分量的傅立叶变换，则器件输出光信号分量的傅立叶变换Z₁(ω)和Z₂(ω)由下式给出：

$\left(\begin{array}{c}{Z}_1\left(\mathrm{\ω}\right)\\ Z_2\left(\mathrm{\ω}\right)\end{array}\right)=H\left(\mathrm{\ω}\right)\left(\begin{array}{c}{W}_1\left(\mathrm{\ω}\right)\\ W_2\left(\mathrm{\ω}\right)\end{array}\right)---\left(2\right)$

因此，PC的约翰转移矩阵为：

$\left(\begin{array}{cc}{h}_1& h_2\\ {-h}_2^{*}& h_1^{*}\end{array}\right)---\left(3\right)$

其中，h₁和h₂满足条件|h₁|²+|h₂|²＝1，并且是频率无关的。

用φ₁和φ₂表示PC的控制角，则h₁和h₂表示为：

            h₁＝-cos(φ₂-φ₁)+j sin(φ₂-φ₁)sinφ₁  (4)

            h₂＝-j sin(φ₂-φ₁)cosφ₁

显然，如果利用其它角度或电压来控制PC，则不同的关系将使这些参数与h₁和h₂相关。下面讨论PMD补偿器自适应调节算法中的简单变化。

类似地，具有旋转角θ_i的光旋转器由如下约翰转移矩阵来表征：

$\left(\begin{array}{cc}{\cos \mathrm{\θ}}_i& {\sin \mathrm{\θ}}_i\\ {-\sin \mathrm{\θ}}_i& {\cos \mathrm{\θ}}_i\end{array}\right)---\left(5\right)$

DGD为τ_i的PMF的约翰转移矩阵可以表示为RDR^-1，其中D定义为：

$D\widehat{=}\left(\begin{array}{cc}{e}^{\mathrm{j\ω}{\mathrm{\τ}}_i/2}& 0\\ 0& e^{-j{\mathrm{\ω\τ}}_i/2}\end{array}\right)---\left(6\right)$

并且R为说明PSP的方向的单位旋转矩阵。不失一般性，当所有PMF的PSP对齐时，此矩阵R可以理解为单位矩阵。

如图1所述，为控制PMD补偿器，需要控制器15产生针对补偿器的光学器件控制信号，这些信号是根据称之为控制器驱动器(CD)的控制器引导装置16发送给补偿器的各种参量计算得到的。

CD将更新补偿器光学器件控制参数所需的参量馈送给控制器。如下所述，这些参量将由CD从补偿器输入和/或输出信号中提取。控制器将遵循如下所述的准则来操作，并将使用如下所述的两种算法之一。

为了说明PMD补偿器自适应调节算法，假定控制器可以直接控制参数中φ₁、φ₂、θ₁和θ₂，这些参数可以结合为如下表示的向量θ：

$\mathrm{\θ}\widehat{=}{({\mathrm{\φ}}_1,{\mathrm{\φ}}_2,{\mathrm{\θ}}_1,{\mathrm{\θ}}_2)}^T$

如果不是这样，一般要控制其它参数，例如一些电压，这些电压与已知关系中的前述参数相联系。下面讨论必要的简单变化。

PMD是缓变现象，对补偿器参数的调节将以比符号传输率1/T低的速率来执行。假定该调节在离散时刻t_nL＝nLT上进行，其中L≥1。第n次更新后补偿器参数的值可表示为：

     θ(nL)＝(φ₁(nL)，φ₂(nL)，θ₁(nL)，θ₂(nL))^T

根据本发明方法，补偿器参数调节准则采用均方差(MSE)准则。基于此，可调节补偿器参数θ，以使如下定义的均方差e(k)为最小：

              e(k)＝y(t_k)-u(k)    (7)

此误差是θ至y(t_k)的函数。通过定义F(θ)＝e(k)，可将此相关性显示化。因此，要最小化的性能指数为F²(θ)的平均值。补偿器参数θ将按如下规则来更新：

$\begin{array}{c}{\mathrm{\φ}}_1\left[(n+1)L\right]={\mathrm{\φ}}_1\left(\mathrm{nL}\right)-{\mathrm{\γ}\frac{\∂E\left\{F^2\left(\mathrm{\θ}\right)\right\}}{{\∂\mathrm{\φ}}_1}|}_{\mathrm{\θ}=\mathrm{\θ}\left(\mathrm{nL}\right)}={\mathrm{\φ}}_1\left(\mathrm{nL}\right)-2\mathrm{\γF}\left(\mathrm{\θ}\right){\frac{\∂E\left\{F\left(\mathrm{\θ}\right)\right\}}{{\∂\mathrm{\φ}}_1}|}_{\mathrm{\θ}=\mathrm{\θ}\left(\mathrm{nL}\right)}=\\ ={\mathrm{\φ}}_1\left(\mathrm{nL}\right)-2\mathrm{\γ}[y\left(t_{\mathrm{nL}}\right)-u\left(\mathrm{nL}\right)]\frac{\∂E\left\{y\left(t_{\mathrm{nL}}\right)\right\}}{{\∂\mathrm{\φ}}_1}\\ {\mathrm{\φ}}_2\left[(n+1)L\right]={\mathrm{\φ}}_2\left(\mathrm{nL}\right)-\mathrm{\γ}{\frac{\∂E\left\{F^2\left(\mathrm{\θ}\right)\right\}}{\∂\mathrm{\φ}2}|}_{\mathrm{\θ}=\mathrm{\θ}\left(\mathrm{nL}\right)}={\mathrm{\φ}}_2\left(\mathrm{nL}\right)-2\mathrm{\γF}\left(\mathrm{\θ}\right){\frac{\∂E\left\{F\left(\mathrm{\θ}\right)\right\}}{{\∂\mathrm{\φ}}_2}|}_{\mathrm{\θ}=\mathrm{\θ}\left(\mathrm{nL}\right)}=\\ ={\mathrm{\φ}}_2\left(\mathrm{nL}\right)-2\mathrm{\γ}[y\left(t_{\mathrm{nL}}\right)-u\left(\mathrm{nL}\right)]\frac{\∂E\{y\left(t_{\mathrm{nL}}\right)}{{\∂\mathrm{\φ}}_2}\\ {\mathrm{\θ}}_1\left[(n+1)L\right]={\mathrm{\θ}}_1\left(\mathrm{nL}\right)-\mathrm{\γ}{\frac{\∂E\left\{F^2\left(\mathrm{\θ}\right)\right\}}{{\∂\mathrm{\θ}}_1}|}_{\mathrm{\θ}=\mathrm{\θ}\left(\mathrm{nL}\right)}={\mathrm{\θ}}_1\left(\mathrm{nL}\right)-2\mathrm{\γF}\left(\mathrm{\θ}\right){\frac{\∂E\left\{F\left(\mathrm{\θ}\right)\right\}}{{\∂\mathrm{\θ}}_1}|}_{\mathrm{\θ}=\mathrm{\θ}\left(\mathrm{nL}\right)}=\\ ={\mathrm{\θ}}_1\left(\mathrm{nL}\right)-2\mathrm{\γ}[y\left(t_{\mathrm{nL}}\right)-u\left(\mathrm{nL}\right)]\frac{\∂E\left\{y\left(t_{\mathrm{nL}}\right)\right\}}{{\∂\mathrm{\θ}}_1}\\ {\mathrm{\θ}}_2\left[(n+1)L\right]={\mathrm{\θ}}_2\left(\mathrm{nL}\right)-\mathrm{\γ}{\frac{\∂E\left\{F^2\left(\mathrm{\θ}\right)\right\}}{{\∂\mathrm{\θ}}_2}|}_{\mathrm{\θ}=\mathrm{\θ}\left(\mathrm{nL}\right)}={\mathrm{\θ}}_2\left(\mathrm{nL}\right)-2\mathrm{\γF}\left(\mathrm{\θ}\right){\frac{\∂E\left\{F\left(\mathrm{\θ}\right)\right\}}{{\∂\mathrm{\θ}}_2}|}_{\mathrm{\θ}=\mathrm{\θ}\left(\mathrm{nL}\right)}=\\ ={\mathrm{\θ}}_2\left(\mathrm{nL}\right)-2\mathrm{\γ}[y\left(t_{\mathrm{nL}}\right)-u\left(\mathrm{nL}\right)]\frac{\∂E\left\{y\left(t_{\mathrm{nL}}\right)\right\}}{{\∂\mathrm{\θ}}_2}\end{array}---\left(8\right)$

其中，E{ }表示“期望的”以及γ＞0是控制调节量的比例因子。

向量表示中，这意味着补偿器参数的向量是通过增加具有与与F²(θ)的梯度的范数成比例的范数且方向相反的新向量来更新，即改变其所有分量的符号：

θ[(n+1)L]＝θ(nL)-γE{F²(θ)}|_θ＝θ(nL)＝θ(nL)-2γF(θ)E{F(θ)}|_θ＝θ(nL)(9)

这样，可使函数F²(θ)趋于相对最小。

可以只利用误差e(k)中所含的符号信息和/或偏导数来获得式(8)中定义的基本更新方法的变型形式。由此可得到三种可能的变型形式(考虑例如涉及φ₁的更新规则)：

或

或

现在将描述计算函数F²(θ)的梯度以得到所需控制参数的两种方法。

第一种方法

考虑向量表示(9)中的更新规则。为了简化该规则，将误差F(θ)＝e(k)中的传输信息符号u(nL)替换为对应的判决

即将e(k)替换为估计误差

的定义为：

$\hat{e}\left(k\right)=y\left(t_k\right)-\hat{u}\left(k\right)---\left(13\right)$

在图1中，此估计误差由减法器块20输出，并送到CD。

定义 $G\left[\mathrm{\θ}\left(\mathrm{nL}\right)\right]=E\left\{{\hat{e}}^2\left(\mathrm{nL}\right)\right\},$ 则更新规则(9)变成：

θ[(n+1)L]＝θ(nL)-γG(θ)|_θ＝θ(nL)    (14)

θ＝θ(t_n)时G(θ)的偏导数可以采用如下5步骤过程来计算得到：

-步骤1：在第n次迭代时求G[θ(nL)]＝G[φ1(nL)，φ2(nL)，θ1(nL)，θ2(nL)]的值；为此，在时间间隔(nLT，nLT+LT/5)内，通过对估计的平方误差的L/5个值求平均来计算G[θ(nL)]，即：

$G\left[\mathrm{\θ}\left(\mathrm{nL}\right)\right]=\frac{{\mathrm{\Σ}}_{i=0}^{L/S-1}\hat{e}(\mathrm{nL}+i)}{L/5}---\left(15\right);$

-步骤2：在第n次迭代时求如下偏导数：

${\frac{\∂G\left(\mathrm{\θ}\right)}{{\∂\mathrm{\φ}}_1}|}_{\mathrm{\θ}=\mathrm{\θ}\left(\mathrm{nL}\right),}$

为此，将参数φ₁设为φ₁(nL)+Δ，而其余参数保持不变；在时间间隔(nLT+LT/5，nLT+2LT/5)内如步骤1中那样计算G(θ)的对应值，即G[φ₁(nL)+Δ，φ₂(nL)，θ₁(nL)，θ₂(nL)]。以如下方式计算作为φ₁的函数的G(θ)的偏导数的估计：

${\frac{\∂G\left(\mathrm{\θ}\right)}{{\∂\mathrm{\φ}}_1}|}_{\mathrm{\θ}=\mathrm{\θ}\left(\mathrm{nL}\right)}\≡\frac{G[{\mathrm{\φ}}_1\left(\mathrm{nL}\right)+\mathrm{\Δ},{\mathrm{\φ}}_2\left(\mathrm{nL}\right),{\mathrm{\θ}}_1\left(\mathrm{nL}\right),{\mathrm{\θ}}_2\left(\mathrm{nL}\right)]-G[{\mathrm{\φ}}_1\left(\mathrm{nL}\right),{\mathrm{\φ}}_2\left(\mathrm{nL}\right),{\mathrm{\θ}}_1\left(\mathrm{nL}\right),{\mathrm{\θ}}_2\left(\mathrm{nL}\right)]}{\mathrm{\Δ}}---\left(16\right);$

-步骤3：在第n次迭代时求如下偏导数：

${\frac{\∂G\left(\mathrm{\θ}\right)}{{\∂\mathrm{\φ}}_2}|}_{\mathrm{\θ}=\mathrm{\θ}\left(\mathrm{nL}\right),}$

为此，将参数φ₂设为φ₂(nL)+Δ，而其余参数保持不变；在时间间隔(nLT+2LT/5，nLT+3LT/5)内如步骤1中那样计算G(θ)的对应值，即G[φ₁(nL)，φ₂(nL)+Δ，θ₁(nL)，θ₂(nL)]。以如下方式计算作为φ₂的函数的G(θ)的偏导数的估计：

${\frac{\∂G\left(\mathrm{\θ}\right)}{{\∂\mathrm{\φ}}_2}|}_{\mathrm{\θ}=\mathrm{\θ}\left(\mathrm{nL}\right)}\≡\frac{G[{\mathrm{\φ}}_1\left(\mathrm{nL}\right),{\mathrm{\φ}}_2\left(\mathrm{nL}\right)+\mathrm{\Δ},{\mathrm{\θ}}_1\left(\mathrm{nL}\right),{\mathrm{\θ}}_2\left(\mathrm{nL}\right)]-G[{\mathrm{\φ}}_1\left(\mathrm{nL}\right),{\mathrm{\φ}}_2\left(\mathrm{nL}\right),{\mathrm{\θ}}_1\left(\mathrm{nL}\right),{\mathrm{\θ}}_2\left(\mathrm{nL}\right)]}{\mathrm{\Δ}}---\left(17\right);$

-步骤4：在第n次迭代时求如下偏导数：

${\frac{\∂G\left(\mathrm{\θ}\right)}{{\∂\mathrm{\θ}}_1}|}_{\mathrm{\θ}=\mathrm{\θ}\left(\mathrm{nL}\right),}$

为此，将参数θ₁设为θ₁(nL)+Δ，而其余参数保持不变；在时间间隔(nLT+3LT/5，nLT+4LT/5)内如步骤1中那样计算G(θ)的对应值，即G[φ₁(nL)，φ₂(nL)，θ₁(nL)+Δ，θ₂(nL)]。以如下方式计算G(θ)相对于θ₁的偏导数的估计：

${\frac{\∂G\left(\mathrm{\θ}\right)}{{\∂\mathrm{\θ}}_1}|}_{\mathrm{\θ}=\mathrm{\θ}\left(\mathrm{nL}\right)}\≡\frac{G[{\mathrm{\φ}}_1\left(\mathrm{nL}\right),{\mathrm{\φ}}_2\left(\mathrm{nL}\right),{\mathrm{\θ}}_1\left(\mathrm{nL}\right)+\mathrm{\Δ},{\mathrm{\θ}}_2\left(\mathrm{nL}\right)]-G[{\mathrm{\φ}}_1\left(\mathrm{nL}\right),{\mathrm{\φ}}_2\left(\mathrm{nL}\right),{\mathrm{\θ}}_1\left(\mathrm{nL}\right),{\mathrm{\θ}}_2\left(\mathrm{nL}\right)]}{\mathrm{\Δ}}---\left(18\right);$

-步骤5：在第n次迭代时求如下偏导数：

${\frac{\∂G\left(\mathrm{\θ}\right)}{{\∂\mathrm{\θ}}_2}|}_{\mathrm{\θ}=\mathrm{\θ}\left(\mathrm{nL}\right),}$

为此，将参数θ₂设为θ₂(nL)+Δ，而其余参数保持不变；在时间间隔(nLT+4LT/5，(n+1)LT)内如步骤1中那样计算G(θ)的对应值，即G[φ₁(nL)，φ₂(nL)，θ₁(nL)，θ₂(nL)+Δ]。以如下方式计算G(θ)相对于θ₂的偏导数的估计：

${\frac{\∂G\left(\mathrm{\θ}\right)}{{\∂\mathrm{\θ}}_2}|}_{\mathrm{\θ}=\mathrm{\θ}\left(\mathrm{nL}\right)}\≡\frac{G[{\mathrm{\φ}}_1\left(\mathrm{nL}\right),{\mathrm{\φ}}_2\left(\mathrm{nL}\right),{\mathrm{\θ}}_1\left(\mathrm{nL}\right),{\mathrm{\θ}}_2\left(\mathrm{nL}\right)+\mathrm{\Δ}]-G[{\mathrm{\φ}}_1\left(\mathrm{nL}\right),{\mathrm{\φ}}_2\left(\mathrm{nL}\right),{\mathrm{\θ}}_1\left(\mathrm{nL}\right),{\mathrm{\θ}}_2\left(\mathrm{nL}\right)]}{\mathrm{\Δ}}---\left(19\right);$

以上所述的参数更新仅在梯度估计完成之后进行。

注意，在此情况下，不必知道PC和光旋转器的控制参数与对应约翰矩阵之间的关系。

确实，所述函数相对于补偿器控制参数的偏导数是在不知道这种关系的情况下计算得到的。因此，如果控制参数不同于例示的那些参数，而是例如一些电压或一些其它角度，则可以同样计算偏导数并相应地更新这些不同的控制参数。

最后，应注意，在采用这种算法时，CD不是必要的，且控制器仅必须接收估计误差。

第二种方法

在可得到PC和每个光旋转器的精确的特征描述时，更新规则可以表示为估计误差和补偿器输入端上两个正交偏振方向上的信号的函数。

利用已知的随机梯度算法(例如参见书：Digital Communicationsby J.G.Proakis-McGraw-Hill，New York，1983)并将式(8)中的误差e(nL)替换为对应的估计误差 于是得到：

$\begin{array}{c}{\mathrm{\φ}}_1\left[(n+1)L\right]={\mathrm{\φ}}_1\left(\mathrm{nL}\right)-2\mathrm{\γ}\hat{e}\left(\mathrm{nL}\right)\frac{\∂E\left\{y\left(t_{\mathrm{nL}}\right)\right\}}{{\∂\mathrm{\φ}}_1}\\ {\mathrm{\φ}}_2\left[(n+1)L\right]={\mathrm{\φ}}_2\left(\mathrm{nL}\right)-2\mathrm{\γ}\hat{e}\left(\mathrm{nL}\right)\frac{\∂E\left\{y\left(t_{\mathrm{nL}}\right)\right\}}{{\∂\mathrm{\φ}}_2}\\ {\mathrm{\θ}}_1\left[(n+1)L\right]={\mathrm{\θ}}_1\left(\mathrm{nL}\right)-2\mathrm{\γ}\hat{e}\left(\mathrm{nL}\right)\frac{\∂E\left\{y\left(t_{\mathrm{nL}}\right)\right\}}{{\∂\mathrm{\θ}}_1}\\ {\mathrm{\θ}}_2\left[(n+1)L\right]={\mathrm{\θ}}_2\left(\mathrm{nL}\right)-2\mathrm{\γ}\hat{e}\left(\mathrm{nL}\right)\frac{\∂E\left\{y\left(t_{\mathrm{nL}}\right)\right\}}{{\∂\mathrm{\θ}}_2}\end{array}---\left(20\right)$

在向量表示中，表达式(9)变成：

$\mathrm{\θ}\left[(n+1)L\right]=\mathrm{\θ}\left(\mathrm{nL}\right)2\mathrm{\γ}\hat{e}\left(\mathrm{nL}\right)\▿y\left(t_{\mathrm{nL}}\right)---\left(21\right)$

在描述如何计算y(t_nL)的梯度之前，先引入PMD补偿器的等效模型。

已发现图1所示的PMD补偿器可以等效为一个二维横向滤波器，该二维横向滤波器使用四个抽头延迟线(TDL)，组合两个主偏振态(PSP)上的信号。此等效模型如图2所示，其中：

$\begin{array}{c}{c}_1\widehat{=}{\cos \mathrm{\θ}}_1{\cos \mathrm{\θ}}_2{h}_1\\ c_2\widehat{=}{-\sin \mathrm{\θ}}_1{\sin \mathrm{\θ}}_2{h}_1\\ c_3\widehat{=}{-\sin \mathrm{\θ}}_1{\cos \mathrm{\θ}}_2{h}_2^{*}\\ c_4\widehat{=}{-\cos \mathrm{\θ}}_1{\sin \mathrm{\θ}}_2{h}_2^{*}\\ c_5\widehat{=}{\cos \mathrm{\θ}}_1{\cos \mathrm{\θ}}_2{h}_2\\ c_6\widehat{=}{-\sin \mathrm{\θ}}_1{\sin \mathrm{\θ}}_2{h}_2\\ c_7\widehat{=}{\mathrm{sin\θ}}_1{\cos \mathrm{\θ}}_2{h}_2^{*}\\ c_8\widehat{=}{\cos \mathrm{\θ}}_1{\sin \mathrm{\θ}}_2{h}_1^{*}\end{array}---\left(22\right)$

为方便起见，令c(θ)表示分量为式(22)中的c₁的向量。注意，四个TDL的抽头系数c_i并非彼此无关。相反，除这些系数中的四个系数是给定的以外，其余完全由式(22)确定。在图中，为清楚起见，今：β＝1-α。

式(21)中出现的y(t_nL)的偏导数可以表示为某些适当时刻上补偿器输入信号的两个PSP分量的函数。输出样本y(t_k)可以写为(其中，(B)^H表示矩阵B的转置共轭)：

              y(t_k)＝c^HA(k)c                   (23)

其中，厄密共轭矩阵(Hermitian matrix)A(k)如下式给出：

            A(k)＝a(k)*a^T(k)+b(k)*b^T(k)  (24)

其中，向量a(k)和b(k)定义为：

$a\left(k\right)=\left(\begin{array}{c}{x}_1\left(t_k\right)\\ x_1(t_k-{\mathrm{\α\τ}}_c)\\ x_1(t_k-{\mathrm{\τ}}_c)\\ x_1(t_k-{\mathrm{\τ}}_c-{\mathrm{\α\τ}}_c)\\ x_2\left(t_k\right)\\ x_2(t_k-{\mathrm{\α\τ}}_c)\\ x_2(t_k-{\mathrm{\τ}}_c)\\ x_2(t_k-{\mathrm{\τ}}_c-{\mathrm{\α\τ}}_c)\end{array}\right)b\left(t_k\right)\left(\begin{array}{c}{x}_2^{*}(t_k-{2\mathrm{\τ}}_c)\\ x_2^{*}(t_k-{\mathrm{\τ}}_c-{\mathrm{\β\τ}}_c)\\ x_2^{*}(t_k-{\mathrm{\τ}}_c)\\ x_2^{*}(t_k-{\mathrm{\β\τ}}_c)\\ {-x}_1^{*}(t_k-{2\mathrm{\τ}}_c)\\ {-x}_1^{*}(t_k-{\mathrm{\τ}}_c-{\mathrm{\β\τ}}_c)\\ {-x}_1^{*}(t_k-{\mathrm{\τ}}_c)\\ {-x}_1^{*}(t_k-{\mathrm{\β\τ}}_c)\end{array}\right)---\left(25\right)$

计算y(t_nL)的梯度，算法(9)变成：

$\mathrm{\θ}\[(n+1)L]=\mathrm{\θ}\left(\mathrm{nL}\right)-4\mathrm{\γ}\hat{e}\left(\mathrm{nL}\right)\mathrm{Re}\{J^{H}A\left(\mathrm{nL}\right)c\}---\left(26\right)$

其中，

$J\widehat{=}\begin{array}{c}\left(\begin{array}{cccc}\frac{{\∂c}_1}{{\∂\mathrm{\φ}}_1}& \frac{{\∂c}_1}{{\∂\mathrm{\φ}}_2}& \frac{{\∂c}_1}{{\∂\mathrm{\θ}}_1}& \frac{{\∂c}_1}{{\∂\mathrm{\θ}}_2}\\ \frac{{\∂c}_2}{{\∂\mathrm{\φ}}_1}& \frac{{\∂c}_2}{{\∂\mathrm{\φ}}_2}& \frac{{\∂c}_2}{{\∂\mathrm{\θ}}_1}& \frac{{\∂c}_2}{{\∂\mathrm{\θ}}_2}\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ \frac{{\∂c}_8}{{\∂\mathrm{\φ}}_1}& \frac{{\∂c}_8}{{\∂\mathrm{\φ}}_2}& \frac{{\∂c}_8}{{\∂\mathrm{\θ}}_1}& \frac{{\∂c}_8}{{\∂\mathrm{\θ}}_2}\end{array}\right)---\left(27\right)\end{array}$

为变换c＝c(θ)的稚可比(Jacobean)矩阵。

当控制参数与作为示例的那些参数不同时，将得到这些控制参数与系数c_i之间的不同的关系。例如，如果通过某些电压来控制PC，则给定这些电压与式(3)中出现的系数h₁和h₂之间的关系，通过等式(22)，总是可以将系数c_i表示为这些新控制参数的函数。

因此，在计算y(t_nL)的梯度的过程中，必须考虑的唯一变化为稚可比矩阵J的表达式，必须对其作相应变化，以使所属领域技术人员容易想象得到。

最后应注意，当采用第二种方法时，CD必须接收补偿器输出端上的光信号和估计误差 该CD必须在期望时刻将该估计误差和信号样本x1(t)和x2(t)直接提供给控制器。

现在清楚，通过实现可自适应控制PMD补偿器的有效方法和应用该方法的补偿器，已达到预定目的。

自然，以上对应用本发明创新原理的实施例的描述是通过所要求的排它性权利范围内所述原理的非限制性实例来给出的。

Claims (17)

1.一种自适应调节光纤通信系统中PMD补偿器的方法，所述补偿器包括级联的用以传递要补偿的光信号的可调光学器件，所述方法包括如下步骤：

a.提取所述补偿器输出信号的两个正交偏振分量y₁(t)和y₂(t)；

b.获取信号y(t)＝|y₁(t)|²+|y₂(t)|²；

c.在时刻t_k＝kT对所述信号y(t)取样以获得样本y(t_k)，其中T＝符号间隔；

d.计算均方差e(k)＝y(t_k)-u(k)，其中u(k)等于发送的符号或以对所发送的符号u(k)的判决 来替代u(k)；以及

e.生成针对至少一些所述可调光学器件的参数的控制信号，以使e(k)趋于最小。

2.如权利要求1所述的方法，其特征在于，所述参数合并成向量θ且定义了函数F(θ)＝e(k)，调节所述参数以使F²(θ)的平均值趋于最小。

3.如权利要求2所述的方法，其特征在于，所述向量θ定义为：

$\mathrm{\θ}\widehat{=}{[{\mathrm{\φ}}_1,{\mathrm{\φ}}_2,{\mathrm{\θ}}_1,{\mathrm{\θ}}_2]}^T$

其中，φ₁，φ₂，θ₁和θ₂，是所述参数，这些参数按如下规则予以更新：

${\mathrm{\φ}}_1\left[(n+1)L\right]={\mathrm{\φ}}_1\left(\mathrm{nL}\right)-\mathrm{\γ}\frac{\∂E\left\{F^2\left(\mathrm{\θ}\right)\right\}}{{\∂\mathrm{\φ}}_1}{|}_{\mathrm{\θ}=\mathrm{\θ}\left(\mathrm{nL}\right)}={\mathrm{\φ}}_1\left(\mathrm{nL}\right)-2\mathrm{\γF}\left(\mathrm{\θ}\right)\frac{\∂E\left\{F\left(\mathrm{\θ}\right)\right\}}{{\∂\mathrm{\φ}}_1}{|}_{\mathrm{\θ}=\mathrm{\θ}\left(\mathrm{nL}\right)}=$

$={\mathrm{\φ}}_1\left(\mathrm{nL}\right)-2\mathrm{\γ}[y\left(t_{\mathrm{nL}}\right)-u\left(\mathrm{nL}\right)]\frac{\∂E\left\{y\left(t_{\mathrm{nL}}\right)\right\}}{{\∂\mathrm{\φ}}_1}$

${\mathrm{\φ}}_2\left[(n+1)L\right]={\mathrm{\φ}}_2\left(\mathrm{nL}\right)-\mathrm{\γ}\frac{\∂E\left\{F^2\left(\mathrm{\θ}\right)\right\}}{\∂\mathrm{\φ}2}{|}_{\mathrm{\θ}=\mathrm{\θ}\left(\mathrm{nL}\right)}={\mathrm{\φ}}_2\left(\mathrm{nL}\right)-2\mathrm{\γF}\left(\mathrm{\θ}\right)\frac{\∂E\left\{F\left(\mathrm{\θ}\right)\right\}}{{\∂\mathrm{\φ}}_2}{|}_{\mathrm{\θ}=\mathrm{\θ}\left(\mathrm{nL}\right)}=$

$={\mathrm{\φ}}_2\left(\mathrm{nL}\right)-2\mathrm{\γ}[y\left(t_{\mathrm{nL}}\right)-u\left(\mathrm{nL}\right)]\frac{\∂E\left\{y\left(t_{\mathrm{nL}}\right)\right\}}{{\∂\mathrm{\φ}}_2}---\left(8\right)$

${\mathrm{\θ}}_1\left[(n+1)L\right]={\mathrm{\θ}}_1\left(\mathrm{nL}\right)-\mathrm{\γ}\frac{\∂E\left\{F^2\left(\mathrm{\θ}\right)\right\}}{{\∂\mathrm{\θ}}_1}{|}_{\mathrm{\θ}=\mathrm{\θ}\left(\mathrm{nL}\right)}={\mathrm{\θ}}_1\left(\mathrm{nL}\right)-2\mathrm{\γF}\left(\mathrm{\θ}\right)\frac{\∂E\left\{F\left(\mathrm{\θ}\right)\right\}}{{\∂\mathrm{\θ}}_1}{|}_{\mathrm{\θ}=\mathrm{\θ}\left(\mathrm{nL}\right)}=$

$={\mathrm{\θ}}_1\left(\mathrm{nL}\right)-2\mathrm{\γ}[y\left(t_{\mathrm{nL}}\right)-u\left(\mathrm{nL}\right)]\frac{\∂E\left\{y\left(t_{\mathrm{nL}}\right)\right\}}{{\∂\mathrm{\θ}}_1}$

${\mathrm{\θ}}_2\left[(n+1)L\right]={\mathrm{\θ}}_2\left(\mathrm{nL}\right)-\mathrm{\γ}\frac{\∂E\left\{F^2\left(\mathrm{\θ}\right)\right\}}{{\∂\mathrm{\θ}}_2}{|}_{\mathrm{\θ}=\mathrm{\θ}\left(\mathrm{nL}\right)}={\mathrm{\θ}}_2\left(\mathrm{nL}\right)-2\mathrm{\γF}\left(\mathrm{\θ}\right)\frac{\∂E\left\{F\left(\mathrm{\θ}\right)\right\}}{{\∂\mathrm{\θ}}_2}{|}_{\mathrm{\θ}=\mathrm{\θ}\left(\mathrm{nL}\right)}=$

$={\mathrm{\θ}}_2\left(\mathrm{nL}\right)-2\mathrm{\γ}[y\left(t_{\mathrm{nL}}\right)-u\left(\mathrm{nL}\right)]\frac{\∂E\left\{y\left(t_{\mathrm{nL}}\right)\right\}}{{\∂\mathrm{\θ}}_2},$

其中，E{.}表示“期望的”以及γ＞0是控制调节量的比例因子。

4.如权利要求2所述的方法，其特征在于，通过增加具有与F²(θ)的梯度的范数成比例的范数且方向相反的新向量来更新所述参数的向量θ，即改变其所有分量的符号，因而所述更新规则变为：

θ[(n+1)L]＝θ(nL)-γE{F²(θ)}|_θ＝θ(nL)＝θ(nL)-2γF(θ)E{F(θ)}|_θ＝θ(nL)    (9)这样，所述函数F²(θ)趋于相对最小。

5.如权利要求2所述的方法，其特征在于，(8)式中仅用了所述误差e(k)＝y(t_k)-u(k)和/或所述偏导数的符号。

6.如权利要求4所述的方法，其特征在于，在所述误差F(θ)＝e(k)中，所述发送的信息符号u(nL)由对应的判决 代替，以便用估计的定义为 $\hat{e}\left(k\right)=y\left(t_k\right)-\hat{u}\left(k\right)$ 的误差ê(k)来代替所述误差e(k)。

7.如权利要求6所述的方法，其特征在于，定义G[θ(nL)]＝E{ê²(nL)}，因而所述更新规则(9)变为：

θ[(n+1)L]＝θ(nL)-γG(θ)|_θ＝θ(nL)    (14)。

8.如权利要求7所述的方法，其特征在于，通过如下5步骤过程来计算θ＝θ(t_n)时G(θ)的偏导数：

-步骤1：在第n次迭代时求G[θ(nL)]＝G[φ1(nL)，φ2(nL)，θ1(nL)，θ2(nL)]的值；为此，在时间间隔(nLT，nLT+LT/5)内，通过对所述估计的平方误差的L/5个值求平均来计算G[θ(nL)]，即：

$G\left[\mathrm{\θ}\left(\mathrm{nL}\right)\right]=\frac{{\mathrm{\Σ}}_{i=0}^{L/S-1}\hat{e}(\mathrm{nL}+i)}{L/5}---\left(15\right);$

-步骤2：在第n次迭代时求如下偏导数：

$\frac{\∂G\left(\mathrm{\θ}\right)}{{\∂\mathrm{\φ}}_1}{|}_{\mathrm{\θ}=\mathrm{\θ}\left(\mathrm{nL}\right)}$

为此，将参数φ₁设为φ₁(nL)+Δ，而其余参数保持不变；在时间间隔(nLT+LT/5，nLT+2LT/5)内如步骤1中那样计算G(θ)的对应值，即G[φ₁(nL)+Δ，φ₂(nL)，θ₁(nL)，θ₂(nL)]。以如下方式计算G(θ)相对于φ₁的偏导数的估计：

$\frac{\∂G\left(\mathrm{\θ}\right)}{{\∂\mathrm{\φ}}_1}{|}_{\mathrm{\θ}=\mathrm{\θ}\left(\mathrm{nL}\right)}\≅\frac{G[{\mathrm{\φ}}_1\left(\mathrm{nL}\right)+\mathrm{\Δ},{\mathrm{\φ}}_2\left(\mathrm{nL}\right),{\mathrm{\θ}}_1\left(\mathrm{nL}\right),{\mathrm{\θ}}_2\left(\mathrm{nL}\right)]-G[{\mathrm{\φ}}_1\left(\mathrm{nL}\right),{\mathrm{\φ}}_2\left(\mathrm{nL}\right),{\mathrm{\θ}}_1\left(\mathrm{nL}\right),{\mathrm{\θ}}_2\left(\mathrm{nL}\right)]}{\mathrm{\Δ}}---\left(16\right);$

-步骤3：在第n次迭代时求如下偏导数：

${\frac{\∂G\left(\mathrm{\θ}\right)}{{\∂\mathrm{\φ}}_2}|}_{\mathrm{\θ}=\mathrm{\θ}\left(\mathrm{nL}\right)},$

为此，将参数φ₂设为φ₂(nL)+Δ，而其余参数保持不变；在时间间隔(nLT+2LT/5，nLT+3LT/5)内如步骤1中那样计算G(θ)的对应值，即G[φ₁(nL)，φ₂(nL)+Δ，θ₁(nL)，θ₂(nL)]。以如下方式计算G(θ)相对于φ₂的偏导数的估计：

$\frac{\∂G\left(\mathrm{\θ}\right)}{{\∂\mathrm{\φ}}_2}{|}_{\mathrm{\θ}=\mathrm{\θ}\left(\mathrm{nL}\right)}\≅\frac{G[{\mathrm{\φ}}_1\left(\mathrm{nL}\right),{\mathrm{\φ}}_2\left(\mathrm{nL}\right)+\mathrm{\Δ},{\mathrm{\θ}}_1\left(\mathrm{nL}\right),{\mathrm{\θ}}_2\left(\mathrm{nL}\right)]-G[{\mathrm{\φ}}_1\left(\mathrm{nL}\right),{\mathrm{\φ}}_2\left(\mathrm{nL}\right),{\mathrm{\θ}}_1\left(\mathrm{nL}\right),{\mathrm{\θ}}_2\left(\mathrm{nL}\right)]}{\mathrm{\Δ}}---\left(17\right);$

-步骤4：在第n次迭代时求如下偏导数：

${\frac{\∂G\left(\mathrm{\θ}\right)}{{\∂\mathrm{\θ}}_1}|}_{\mathrm{\θ}=\mathrm{\θ}\left(\mathrm{nL}\right)},$

为此，将参数θ₁设为θ₁(nL)+Δ，而其余参数保持不变；在时间间隔(nLT+3LT/5，nLT+4LT/5)内如步骤1中那样计算G(θ)的对应值，即G[φ₁(nL)，φ₂(nL)，θ₁(nL)+Δ，θ₂(nL)]。以如下方式计算G(θ)相对于θ₁的偏导数的估计：

$\frac{\∂G\left(\mathrm{\θ}\right)}{{\∂\mathrm{\φ}}_1}{|}_{\mathrm{\θ}=\mathrm{\θ}\left(\mathrm{nL}\right)}\≅\frac{G[{\mathrm{\φ}}_1\left(\mathrm{nL}\right),{\mathrm{\φ}}_2\left(\mathrm{nL}\right),{\mathrm{\θ}}_1\left(\mathrm{nL}\right)+\mathrm{\Δ},{\mathrm{\θ}}_2\left(\mathrm{nL}\right)]-G[{\mathrm{\φ}}_1\left(\mathrm{nL}\right),{\mathrm{\φ}}_2\left(\mathrm{nL}\right),{\mathrm{\θ}}_1\left(\mathrm{nL}\right),{\mathrm{\θ}}_2\left(\mathrm{nL}\right)]}{\mathrm{\Δ}}---\left(13\right);$

-步骤5：在第n次迭代时求如下偏导数：

${\frac{\∂G\left(\mathrm{\θ}\right)}{{\∂\mathrm{\θ}}_2}|}_{\mathrm{\θ}=\mathrm{\θ}\left(\mathrm{nL}\right)},$

为此，将参数θ₂设为θ₂(nL)+Δ，而其余参数保持不变；在时间间隔(nLT+4LT/5，(n+1)LT)内如步骤1中那样计算G(θ)的对应值，即G[φ₁(nL)，φ₂(nL)，θ₁(nL)，θ₂(nL)+Δ]。以如下方式计算G(θ)相对于θ₂的偏导数的估计：

$\frac{\∂G\left(\mathrm{\θ}\right)}{{\∂\mathrm{\θ}}_2}{|}_{\mathrm{\θ}=\mathrm{\θ}\left(\mathrm{nL}\right)}\≅\frac{G[{\mathrm{\φ}}_1\left(\mathrm{nL}\right),{\mathrm{\φ}}_2\left(\mathrm{nL}\right),{\mathrm{\θ}}_1\left(\mathrm{nL}\right),{\mathrm{\θ}}_2\left(\mathrm{nL}\right)+\mathrm{\Δ}]-G[{\mathrm{\φ}}_1\left(\mathrm{nL}\right),{\mathrm{\φ}}_2\left(\mathrm{nL}\right),{\mathrm{\θ}}_1\left(\mathrm{nL}\right),{\mathrm{\θ}}_2\left(\mathrm{nL}\right)]}{\mathrm{\Δ}}---\left(14\right).$

9.如权利要求3所述的方法，其特征在于，在式(8)中以所述估计的误差ê(nL)替代所述误差e(nL)，于是所述更新规则变为：

${\mathrm{\φ}}_1\left[(n+1)L\right]={\mathrm{\φ}}_1\left(\mathrm{nL}\right)-2\mathrm{\γ}\hat{e}\left(\mathrm{nL}\right)\frac{\∂E\left\{y\left(t_{\mathrm{nL}}\right)\right\}}{{\∂\mathrm{\φ}}_1}$

${\mathrm{\φ}}_2\left[(n+1)L\right]={\mathrm{\φ}}_2\left(\mathrm{nL}\right)-2\mathrm{\γ}\hat{e}\left(\mathrm{nL}\right)\frac{\∂\left\{y\left(t_{\mathrm{nL}}\right)\right\}}{{\∂\mathrm{\φ}}_2}$

${\mathrm{\θ}}_1\left[(n+1)L\right]={\mathrm{\θ}}_1\left(\mathrm{nL}\right)-2\mathrm{\γ}\hat{e}\left(\mathrm{nL}\right)\frac{\∂E\left\{y\left(t_{\mathrm{nL}}\right)\right\}}{{\∂\mathrm{\θ}}_1}---\left(20\right)$

${\mathrm{\θ}}_2\left\{(n+1)L\right\}={\mathrm{\θ}}_2\left(\mathrm{nL}\right)-2\widehat{\mathrm{\γe}}\left(\mathrm{nL}\right)\frac{\∂E\left\{y\left(t_{\mathrm{nL}}\right)\right\}}{{\∂\mathrm{\θ}}_2}.$

10.如权利要求4所述的方法，其特征在于，以所述估计的误差ê(nL)替代所述误差e(nL)，因而所述更新规则(9)变为：

θ[(n+1)L]＝θ(nL)-2γê(nL)y(t_nL)          (21)。

11.如权利要求1所述的方法，其特征在于，所述PMD补偿器建模为二维横向滤波器，所述二维横向滤波器采用将两个主偏振态(PSP)信号合并的四抽头延迟线(TDL)。

12.如权利要求2和11所述的方法，其特征在于，通过增加具有与F²(θ)的梯度的范数成比例的范数且方向相反的新向量来更新所述参数向量的θ，即改变其所有分量的符号，因而所述更新规则变为：

θ[(n+1)L]＝θ(nL)-4γê(nL)Re{J^HA(nL)c}      (26)，

其中厄密共轭矩阵A(k)由下式给出：

A(k)＝a(k)^*a^T(k)+b(k)^*b^T(k)                   (24)；

其中所述向量a(k)和b(k)分别由以下各式给出：

$a\left(k\right)=\left(\begin{array}{c}{x}_1\left(t_k\right)\\ x_1(t_k-{\mathrm{\α\τ}}_c)\\ x_1(t_k-{\mathrm{\τ}}_c)\\ x_1(t_k-{\mathrm{\τ}}_c-{\mathrm{\α\τ}}_c)\\ x_2\left(t_k\right)\\ x_2(t_k-\mathrm{\α}{\mathrm{\τ}}_c)\\ x_2(t_k-{\mathrm{\τ}}_c)\\ x_2(t_k-{\mathrm{\τ}}_c-{\mathrm{\α\τ}}_c)\end{array}\right)$     $b\left(t_k\right)=\left(\begin{array}{c}{x}_2^{*}(t_k-2{\mathrm{\τ}}_c)\\ x_2^{*}(t_k-{\mathrm{\τ}}_c-{\mathrm{\β\τ}}_c)\\ x_2^{*}(t_k-{\mathrm{\τ}}_c)\\ x_2^{*}(t_k-\mathrm{\β}{\mathrm{\τ}}_c)\\ -x_1^{*}(t_k-2{\mathrm{\τ}}_c)\\ -x_1^{*}(t_k-{\mathrm{\τ}}_c-{\mathrm{\β\τ}}_c)\\ -x_1^{*}(t_k-{\mathrm{\τ}}_c)\\ -x_1^{*}(t_k-\mathrm{\β}{\mathrm{\τ}}_c)\end{array}\right)---\left(25\right)$

以及

其中，c₁，…，c₈是所述四抽头延迟线的抽头系数，以及x1(t)，x2(t)是所述补偿器输入的两个主偏振态分量。

13.如权利要求1所述的方法，其特征在于，所述光学器件包括具有控制角φ₁、φ₂的偏振控制器和具有旋转角θ₁和θ₂的两个光学旋转器，以及所述参数包括所述控制角φ₁、φ₂和所述旋转角θ₁、θ₂或其函数。

14.如权利要求13所述的方法，其特征在于，所述控制器和光学旋转器之间和所述光学旋转器之间设有引入维持所述偏振的预定的差分单位延迟。

15.一种用于光纤通信系统中的PMD补偿器，所述补偿器应用以上权利要求中任意一项所述的方法，它包括级联的用以传递要补偿的光信号的可调光学器件和调节系统，所述调节系统包括：光电检测器(17)，用于提取所述补偿器输出的两个正交偏振分量y₁(t)和y₂(t)；取样器(19)，用于在时刻t_k＝kT，T＝符号间隔对所述光电检测器(17)的输出信号y(t)＝|y₁(t)|²+|y₂(t)|²取样以获得样本y(t_k)；电路(18，20)，用于计算均方差e(k)＝y(t_k)-u(k)，其中u(k)等于发送的符号；以及调节器(15，16)，用于调节至少一些所述光学器件的参数以使e(k)趋于最小。

16.如权利要求15所述的补偿器，其特征在于，所述光学器件包括具有控制角φ₁，φ₂的偏振控制器和具有旋转角θ₁和θ₂的两个光学旋转器，以及被调节的所述参数包括所述控制角φ₁、φ₂和所述旋转角θ₁、θ₂。

17.如权利要求16所述的补偿器，其特征在于，所述控制器和光学旋转器之间和所述光学旋转器之间设有引入维持所述偏振的预定的差分单位延迟。

Images