(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111478750.6 (22)申请日 2021.12.0 6 (71)申请人 上海交通大 学 地址 200240 上海市闵行区东川路80 0号 (72)发明人 义理林　杨航　牛泽坤　 (74)专利代理 机构 上海汉声知识产权代理有限 公司 3123 6 代理人 胡晶 (51)Int.Cl. G06F 30/18(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 111/02(2020.01) (54)发明名称 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 (57)摘要 本发明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。 权利要求书2页 说明书5页 附图3页 CN 114139324 A 2022.03.04 CN 114139324 A 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 征解耦的分布式光纤信道快速精确建模系统， 其特 征在于， 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 。 7.根据权利要求6所述的基于特征解耦的分布式光纤信道快速精确建模系统， 其特征 在于， 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。权　利　要　求　书 1/2 页 2 CN 114139324 A 28.根据权利要求6所述的基于特征解耦的分布式光纤信道快速精确建模系统， 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。 9.根据权利要求6所述的基于特征解耦的分布式光纤信道快速精确建模系统， 其特征 在于， 所述模块M 3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。 10.根据权利要求6所述的基于特征解耦的分布式光纤信道快速精确建模系统， 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。权　利　要　求　书 2/2 页 3 CN 114139324 A 3