[0001] 本发明涉及一种无源光网络通信系统的信道构建方法，属于光纤通信领域。

[0002] 随着大数据、云计算和元宇宙时代的兴起，光纤通信对容量和带宽的需求正在迅速增加。光波的一些重要物理属性，如振幅、相位、偏振和频率，已经得到充分的研发和应用。无源光网络是一种高效的光纤通信技术，通过多模光纤(MMF)或少模光纤(FMF)等方案来支持多个传输模式，从而显著提高光纤链路的传输容量。然而，在实际通信信道中，随着复用模式和传输距离的增加，以及系统中固有的光电器件的非线性效应，会造成严重的非线性损伤，这是不可避免的。在无源光网络光纤通信系统中，需要使用多种光电器件对信号进行调制。这些器件的非线性效应是它们固有的特性，但这些特性会对信号造成严重损害。目前，针对这些器件的非线性效应对信号的影响的准确建模还比较有限，因此很难确定精确的理论模型。而且，由于多种器件的非线性效应相互影响，信号的非线性模型变得更加复杂。目前还没有一种准确的理论模型来描述无源光网络系统信道。因此，深度学习成为解决未知信道建模问题的有力工具。在这项工作中，提出一种新的数据驱动的方法，使用基于时频联合预测网络(TFPNet)来估计准确的信道传输函数的分布。这一方法为构建无源光网络系统的数字网络奠定了基础。

[0003] 目前大多数基于深度学习的信道构建方法都是对已有理论模型的信道进行建模，这类信道具有明确的理论基础，神经网络可以有效地对其进行建模。然而，至今为止，尚未出现专门用于处理实际无源光网络系统这种没有明确理论模型的信道的建模方法。在无源光网络传输中，由于受到多种器件非线性效应的影响，这使得信号的非线性模型变得异常复杂。传统基于生成对抗神经网络(GAN)的信道估计方法无法准确地对无源光网络系统信道进行精确估计，因为鉴别器损失函数难以准确收敛，导致系统不稳定性和模式崩溃等问题。

[0043] 下面将结合附图和实施例对本发明加以详细说明。同时也叙述了本发明技术方案解决的技术问题及有益效果，需要指出的是，所描述的实施例仅旨在便于对本发明的理解，而对其不起任何限定作用。

[0044] 实施例1：

[0045] 在无源光网络系统传输中，由于无源光网络系统中复杂的的器件非线性，导致光纤的非线性损伤错综复杂，因此在信道构建过程中，传统的GAN方法难以实现准确的收敛。相比之下，TFPNet采用双重残差结构，并通过正向传播来更新模型参数，这显著提高信道构建的准确性和稳定性。此外，TFPNet基于时频联合预测网络来处理无源光网络系统复杂的非线性效应。

[0046] 本实施例公开的一种基于时频联合预测网络的信道构建方法，应用于无源光网络传输系统。根据不同损伤的特性构建不同的网络对其进行预测，并利用双重残差结构通过正向传播来更新TFPNet网络模型参数，充分表征信号在无源光网络系统传输过程中受到的光纤非线性效应。

[0047] 如图1所示，本实施例公开的一种无源光网络通信系统的信道构建方法，具体实现步骤如下：

[0048] 步骤一：在无源光网络系统的发射端，对发射的二进制数据数列进行64‑QAM符号映射处理，然后对64‑QAM符号序列进行上采样和脉冲成型处理，根据色散引起的码间串扰，将当前64‑QAM信号与其前后5个64‑QAM信号进行组合，构建用于表征码间串扰的条件向量；电信号经马赫‑曾德尔调制器调制到光载波上，采用掺铒光纤放大器对信号进行放大。在无源光网络系统的接收端，接收到经过空芯光纤传输后的64‑QAM信号序列，对64‑QAM信号进行时钟恢复和同步处理，基于同步后的64‑QAM信号序列，将当前64‑QAM信号作为该64‑QAM信号的真实数据，基于所述条件向量和真实数据构建训练数据集。

[0049] 在无源光网络系统的发射端，对发射的二进制数据数列进行PAM‑8符号映射处理，然后对64‑QAM符号序列进行上采样和脉冲成型处理，根据色散和空间光调制器引起的码间串扰，将当前64‑QAM信号与其前后5个64‑QAM信号进行组合，构建用于表征码间串扰的条件(i)向量x ＝[xt‑5,…,xt,…,xt+5],i＝1,2,…,128000，其中xt表示当前发送的样本，[xt‑5,…,xt‑1]表示在当前样本之前已经发送的样本，[xt+1,…,xt+5]表示将要被传输的样本，条件向量结构如图2所示。64‑QAM信号序列经马赫‑曾德尔调制器调制到光载波上，采用掺铒光纤放大器对信号进行放大。信号通过偏振控制器、准直器和线偏振从光纤耦合到空间中。在无源光网络系统的接收端，接收到经过空芯光纤传输后的64‑QAM信号序列，对64‑QAM信号进行时钟恢复和同步处理，得到序列长度为128000的经过同步处理后的64‑QAM信号序列s＝
1 2 6
[s1,s2,…,sN],i＝1,2,…,N,其中si＝[s ,s ,…,s]向量表示64‑QAM信号序列中的第i个
64‑QAM信号。针对64‑QAM信号序列si(i＝1,2,…,N)，对于其中的每一个64‑QAM信号si，将其(i)
作为该64‑QAM信号的真实数据y ＝[si],i＝1,2,…,N,构建对应每个64‑QAM信号的真实(i) (i)
数据特征序列，基于所述条件向量和真实数据构建训练数据集{x ,y },其中，训练集的前80％用作训练集，后20％用作测试集。

[0050] 步骤二：构建用于无源光网络系统信道构建的TFPNet网络模型及损失函数，所述TFPNet网络模型为时频联合预测网络，由三个子网络组成，分别为时域预测网络、高频预测网络和非线性预测网络。将64‑QAM信号的条件向量和真实数据构建的训练数据集和具有高斯分布的噪声向量分别输入时域预测网络和高频预测网络中进行预测。原始信号x输入时域预测网络后经过全连接层得到输出信号y1，在全连接层中，将捕获原始信号的线性特征并对其进行拟合，以预测原始信号的线性损伤；原始信号x输入频域预测网络后经过时频转换器，将时域信号x转换成频域信号fx，然后将频域信号fx输入全连接层并通过激活函数ReLu激活后得到频域输出信号fy2，最后经过频时转换器得到输出信号y2，在此全连接层中，将捕获原始信号的高频特征并对其进行拟合，以预测由于非线性器件造成的高频衰落而对原始信号x带来的非线性损伤；将原始输入信号x减去y1和y2得到仅包含非线性损伤的x3，并将x3输入到非线性预测网络中，将x3输入时域预测网络后经过全连接层得到输出信号y3，在全连接层中，将捕获x3的非线性特性并对其进行拟合，以预测由于无源光网络对原始信号造成的非线性损伤；最后将三个子网络的输出信号相加得到时频联合预测网络的输出信号y。通过TFPNet网络模型中的全连接层对64‑QAM信号的条件向量特征序列中的数据进行充分地特征序列化融合处理，在处理当前时刻64‑QAM信号数据时，能够结合利用条件向量中的前序64‑QAM信号数据信息和后序64‑QAM信号数据信息，即对条件向量中序列64‑QAM信号数据进行序列化特征融合，更好地表征当前64‑QAM信号与前序64‑QAM信号、后序64‑QAM信号之间的非线性干扰关系，提升TFPNet网络模型对64‑QAM信号的非线性构建能力，输出表征真实信道效应的信号序列。通过所述时频联合预测的训练方式，得到能够表征真实无源光网络系统信道的TFPNet网络模型。

[0051] 步骤三：对步骤二构建的用于无源光网络系统信道构建的TFPNet网络模型，配置模型训练所需参数，设置学习率、批处理大小、权值初始化方式、优化方法、迭代次数；使用步骤一中构造的训练数据集，训练无源光网络系统信道构建的TFPNet网络模型，通过所述训练好的TFPNet网络模型构建了当前64‑QAM信号特征序列与其对应的真实信道信号之间的非线性关系，充分表征真实无源光网络信道响应的网络模型。

[0052] 对步骤二构建的TFPNet网络模型，在Pytorch 1.6.0中训练和评估所提出的TFPNet网络模型，设置学习率设置为0.0005、批处理大小设置为500、三个块的池化核k分别设置为6，3，1，、使用随机权值初始化方式、使用采用梯度反向传播算法和Adam优化算法、最大训练步数设置为500。

[0053] 使用步骤一中构造的训练数据集{x(i),y(i)},i＝1,2,…,128000,训练步骤二构建的TFPNet网络模型，采用梯度反向传播算法和Adam参数优化算法，确定最优的模型参数，得到训练好的TFPNet网络模型。通过所述训练好的TFPNet网络模型构建当前64‑QAM信号的条(i) (i)件向量x 与其对应的真实数据y 之间的非线性关系，所述TFPNet网络模型能够充分表征
64‑QAM信号在光纤传输过程中受到的由光纤非线性效应造成的影响。

[0054] 步骤四：将发射端新生成的64‑QAM信号作为条件向量输入到训练好的TFPNet网络模型，输出得到每个64‑QAM信号对应的预测信号Y′；将输出的预测信号结果与对应的实际信道数据对比，图3显示了20GBaud，64‑QAM在5公里空芯光纤，0dBm接收光功率下的信道输出数据和基于TFPNet生成数据的波形图。从波形图的总体来看，真实信道输出的波形和TFPNet生成的波形具有一致的功率。放大部分波形，发现TFPNet生成数据和真实信道数据的波形在很大程度上重叠。信号波形的高度一致性表明，TFPNet有效表征了经过无源光网络信道信号的特性。

[0055] 为了定量地表示基于GAN和TFPNet的建模效果和基于真实无源光网络信道输出之间的差距，采用归一化均方误差的方法，如下式所示

[0056]

[0057] 其中S是数据长度，Y是无源光网络系统接收端经过时钟同步和相关之后的数据，Y′是所述TFPNet生成数据。

[0058] 如图4和图5所示，使用所述的基于TFPNet网络的无源光网络信道构建方法，‑220GBaud，64‑QAM经过5公里空芯光纤在0dBm接收光功率下实现归一化均方误差1.2×10 ，相比较基于GAN的信道构建方法的建模精度最大提升34.5％，有效地表征通信系统复杂的信道效应，降低多元器件导致复杂非线性对信道构建的影响，提升对通信系统信道的构建精度。

[0059] 以上所述的具体描述，对发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不限定本发明的保护范围，在本发明的精神和原则之内，所做的任何修改、替换、改进等，均应包含在本发明的保护范围之内。