一种基于深度学习的光通信系统信道构建方法

本发明属于光通信领域，涉及一种基于深度学习的光通信系统信道构建方法。

背景技术：

1、随着物联网、大数据等信息技术的高速发展，通信技术得到了不断的发展与革新，光纤通信技术因为传输容量大、损耗低、抗电磁干扰能力强等优点成为通信的必要选择。目前由于传统单模光纤的非线性效应，其容量趋近“香农极限”。立足于大容量、低损耗等需求，少模光纤、多芯光纤和空芯光纤等新型传媒介质实现了光纤传输容量的成倍增加，成为大容量光纤传输的关键技术。但相比于单模光纤，新型光纤的链路损伤更为复杂，除了衰减、色散、非线性外，还有模式耦合、模式群时延、芯间串扰等。为了研究各种光纤在通信过程中对信号的损伤机理，一个能准确建模并快速计算的光纤信道仿真模型具有重要应用价值。

2、为了提高建模速度和精度，对于单模光纤，研究人员提出了基于深度学习的信道构建方法，采用双向长短记忆网络（bilstm）、全连接神经网络（fcnn）、transformer等神经网络模型对信道进行拟合，取得了较好的拟合效果。少模、多芯光纤信道建模广泛采用矩阵传输模型结合分步傅里叶算法（ssfm）进行数学建模，可以较为准确的表征信号在传输过程中受到的线性和非线性损伤。然而ssfm过多的迭代步骤导致建模计算的复杂度较高。多项研究表明深度学习算法可以更好的捕获复杂信道的非线性和动态特征，因此亟需一个基于深度学习的光通信系统信道构建方法。

技术实现思路

1、传统的基于数学分析的光通信系统信道构建方法依赖于专家经验，且仅对参数完备的理想信道有效，无法正确反映时变动态的实际光传输过程，存在计算复杂度高、泛化能力差等局限性。针对上述技术问题，本发明的主要目的在于提供一种基于深度学习的光通信系统信道构建方法，利用条件生成对抗网络学习光通信系统的信道损伤，基于数据驱动方法拟合传输函数，在保证光通信系统信道构建精度的基础上降低计算复杂度，且能够提高光通信系统的可靠性和鲁棒性。

2、本发明的目的是通过以下技术方案实现的：

3、本发明公开的一种基于深度学习的光通信系统信道构建方法，采用条件生成对抗网络（cgan）构建光通信系统信道，构建包含多组损失函数（均方误差损失、对抗损失、平均绝对误差损失）优化的联合损失函数。条件生成对抗网络包括生成器和判别器，通过生成器捕获光通信系统收发两端数据分布，并生成具有相同分布的接收端新数据用于混淆判别器；判别器则对生成的假数据和真实收端数据进行鉴别，当判别器达到纳什平衡无法确定其输入来自生成器还是真实数据时，此时条件生成对抗网络中的生成器便能够快速准确的对光通信系统信道进行建模，输出经过复杂损耗的光通信系统接收端数据，提升光通信系统的可靠性和鲁棒性。

4、本发明公开的一种基于深度学习的光通信系统信道构建方法，包括以下步骤：

5、步骤一：搭建光通信系统，采集收发两端数据。光通信系统主要由信号发射模块、信号传输模块和信号接收模块组成，收发数据包括发端信号序列和收端信号序列。信号发射模块中，路二进制比特信息经由调制器转变为电信号，并通过mzm电光调制器将电信号加载到激光器产生的光载波上。信号传输模块中，若>1，则需要通过复用器将路光信号合成为一束，送入光通信系统中进行传输，传输后经过解复用器将路光信号分离。在信号接收模块，将经过传输后的路信号经过光电二极管转变为电信号，电信号经过dsp处理补偿链路损伤。

6、步骤二：将步骤一采集的光通信系统中的收发信号数据进行预处理与排布，整理得到适用于条件生成对抗网络输入的数据集，并将数据集划分为训练集和测试集，便于后续步骤四、步骤五进行神经网络的训练和测试。

7、所述预处理模块包括条件向量模块、随机向量模块和真实数据模块与归一化模块。对于条件向量模块，条件向量定义了生成数据的特征，将路发端信号序列进行组合，为光通信系统中信道内传播的光路个数，便于神经网络学习到信号间的耦合、交叉相位调制、芯间串扰等链路损伤；此外，每路信号序列在前后各取个信号数据得到，使得条件生成对抗网络学习到序列间的相关性，充分考虑到色散引起的码间串扰；条件向量末端拼接上维信道参数发射功率和传播距离，单位分别为dbm和km，为随机向量的维度，提高条件生成对抗网络模型的鲁棒性和泛化能力，即条件向量表示为：

8、（1）

9、对于随机向量模块，随机向量为一组服从正态分布的维向量，不同的随机向量能够映射到不同的生成数据。保证生成器生成结果的多样性，避免条件生成对抗网络模式崩溃从而输出单一模式数据，即随机向量表示为：

10、（2）

11、对于真实数据模块，真实收端信号序列包括条件向量中路信号对应的收端信号序列，即真实收端信号序列表示为：

12、（3）

13、对于归一化模块，光通信系统中的收发数据较小，不利于条件生成对抗网络训练，在输入生成器和判别器前需要进行归一化处理，归一化公式为：

14、（4）

15、其中，为归一化的数据，为未归一化的数据，为样本数量。

16、步骤三：构建用于建立光通信系统信道的条件生成对抗网络。条件生成对抗网络结构包括生成器和判别器，网络层包括全连接层、批量归一化层bn、整流线性单元relu非线性激活层和sigmoid非线性激活层。在生成器中，基于全连接神经网络fcnn对不同序列进行特征提取，构建基于对抗损失和均方误差损失的联合损失函数，不断训练用于生成经过光通信系统链路损伤的收端信号序列；在判别器中，对生成器生成的收端信号序列和真实收端信号序列进行鉴别，构建基于对抗损失和平均绝对误差损失的联合损失函数。通过不断迭代训练优化生成器和判别器，生成器和判别器彼此对抗训练，使得生成器生成的收端信号序列和真实收端信号序列的差异越来越小，直至生成器和判别器收敛到稳定最小状态取得最佳网络模型，生成满足精度需求的收端信号序列。

17、所述条件生成对抗网络的损失函数包括生成器损失和判别器损失，表示为：

18、（5）

19、步骤3.1：构建生成器。生成器采用全连接网络层，生成器层与层之间均采用linear连接，并采用leaky relu作为激活函数，缓解网络中梯度消失的问题，除最后一层外的节点均利用batchnorm1d进行输入归一化，加快生成器的训练速度，进而提高生成器的泛化能力。

20、对于生成器，其优化目标联合损失函数由对抗损失和均方误差损失组成。

21、对抗损失即利用训练好的判别器的输出辅助训练生成器，对抗损失表示为：

22、（6）

23、其中，为样本数量，表示生成器g在输入条件向量及噪声向量后的输出，表示判别器d在条件向量下对生成器输出的输出。

24、均方误差损失函数是直接将生成器生成的收端信号序列与真实收端信号序列做比较，计算公式为：

25、（7）

26、其中，表示真实收端信号序列。

27、综上，生成器的损失函数为：

28、（8）

29、其中，、表示损失函数对应的权重系数，通过权重的选择使生成器均衡收敛速度和收敛精度，从而提高训练效率。的本质是希望生成的收端信号序列和真实收端信号序列之间的差距越来越小，降低批量训练的偏差，实现生成器的快速收敛。

30、步骤3.2：构建判别器。判别器的层与层之间均采用linear连接便于进行特征提取，除最后一层外均采用leaky relu作为激活函数，节点利用batchnorm1d进行批标准化，输出层使用sigmoid作为激活函数，将输出压缩到0~1的范围。

31、对于判别器，其联合损失函数由对抗损失函数和平均绝对误差损失函数组成。

32、对抗损失函数计算公式为：

33、（9）

34、平均绝对误差损失函数计算公式为：

35、（10）

36、 其中，表示判别器d在条件向量下对真实收端信号序列的输出。判别器的输出得分、表示其输入是真实收端信号序列的概率，如果等于1，则确定输入为真实收端信号序列；相反，如果等于0，则输入被确定为生成器生成的收端信号序列。通过引入平均绝对误差损失，使得判别器网络对异常值具有更好的鲁棒性，加快判别器的收敛速度。

37、综上，判别器的损失函数可表示为：

38、（11）

39、步骤四：配置神经网络训练所需参数，训练用于构建光通信系统信道的条件生成对抗网络。选择合适的学习率（、）、批处理大小（batch size）、权重系数（、）、优化方法与迭代次数（epoch）。将步骤二中经过预处理的训练集中的条件向量与随机向量进行拼接，作为步骤三中条件生成对抗网络的生成器g 的输入向量，得到输出；将步骤二中得到的训练集的真实收端信号序列或者生成器输出与条件向量进行拼接，作为步骤三中条件生成对抗网络的判别器d 的输入向量，得到输出或。

40、条件生成对抗网络的目标函数为：

41、（12）

42、其中，、分别表示真实收端信号序列和随机向量的分布。随机初始化并交替训练生成器g和判别器d，在不断迭代训练的过程中，生成器的损失和判别器的损失逐渐收敛，条件生成对抗网络训练完成。

43、步骤五：利用训练好的条件生成对抗网络模型对光纤信道进行建模，得到经过光纤链路损伤的收端信号序列。

44、将步骤二中测试集的条件向量和随机向量进行拼接，输入到步骤四中训练好的生成器模型，输出即为经过光通信系统链路损伤的收端信号序列。为了定量地描述基于条件生成对抗网络模型构建光通信系统信道的精度，使用归一化均方误差作为评价指标，可接受的最大误差为0.02：

45、（13）

46、其中，为测试集的样本数量。

47、步骤六：当判别器达到纳什平衡无法确定其输入来自生成器还是真实数据时，此时条件生成对抗网络中的生成器便能够快速准确的对光通信系统信道进行建模，根据步骤五输出的经过光纤链路损伤的收端信号序列，提升光通信系统的可靠性和鲁棒性。

48、有益效果

49、本发明的一种基于深度学习的光通信系统信道建模方法，使用基于数据驱动的神经网络代替ssfm进行信道建模，相比基于数理分析的光通信系统建模，不需要大量的近似步骤和迭代求解，能够降低建模复杂度。

50、传统的条件生成对抗网络模型训练不稳定，难以收敛，并且容易模式崩溃，造成生成样本的多样性锐减、建模精度下降。为了解决上述问题，本发明的一种基于深度学习的光通信系统信道建模方法，通过修改条件生成对抗网络损失函数，构建包含多组损失函数（均方误差损失、平均绝对误差损失、对抗损失）的联合损失函数，设计条件向量拼接格式，增加训练样本，提升光通信系统信道建模的收敛效果，提高光通信系统信道构建的准确性。

51、本发明的一种基于深度学习的光通信系统信道建模方法，在条件生成对抗网络的条件向量中增加传输距离和发射功率限制因素，考虑到单模光纤、少模/多芯光纤等多种信道环境，使得神经网络模型能够应用于多种调制格式、传输距离、发射功率下的信道构建，提高光通信系统信道模型的鲁棒性和泛化能力。