一种模分复用通信系统的信道构建方法

本发明涉及一种模分复用通信系统的信道构建方法，属于光纤通信领域。

背景技术：

1、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。模分复用(mdm)是一种利用物理空间维度的技术，通过多模光纤(mmf)或少模光纤(fmf)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，轨道角动量(oam)模式之间的正交性会受到破坏，模式之间会发生耦合和非线性影响，这是不可避免的。在oam模式复用光纤通信系统中，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oam模分复用系统信道。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，使用基于多尺度神经分层残差网络(mhdrnet)来估计准确的信道传输函数的分布。这一方法为构建oam模分复用系统的数字网络奠定了基础。

2、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oam模分复用系统这种没有明确理论模型的信道的建模方法。在oam模分复用传输中，由于随机的组内模式耦合，整个系统的性能会出现强烈的随机特性，同时还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oam模分复用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。

技术实现思路

1、为了应对oam模分复用通信系统中信号在光纤传输中缺乏准确信道模型的挑战，本发明的目的是提供一种模分复用通信系统信道构建方法，根据发送的pam-8信号序列生成条件向量，并根据接收的pam-8信号序列生成真实数据，从而构建训练数据集；采用信号特征解耦的方式，基于多尺度神经分层残差网络实现oam模分复用通信系统的信道构建，利用双重残差结构通过正向传播来更新mhdrnet网络模型参数，充分表征信号在模分复用系统传输过程中受到的光纤非线性效应，提高对通信系统信道构建精度和稳定性。

2、本发明的目的是通过下述技术方案实现的：

3、本发明公开的一种用于模分复用通信系统的信道构建方法，在oam模分复用通信系统的发送端，将发送的二进制数据序列映射为pam-8星座符号。通过上采样和匹配滤波处理，将当前的pam-8信号与其前后n个pam-8信号组合成条件向量。在oam模分复用通信系统的接收端，接收到经过环芯光纤传输后的pam-8信号序列。这些接收到的pam-8信号需要进行同步处理。基于同步处理后的pam-8信号序列，当前的pam-8信号被视为真实数据。条件向量和真实数据被组合用于构建训练数据集，并构建一个用于模分复用系统信道构建的mhdrnet网络模型。mhdrnet网络模型以真实数据和条件向量的组合作为输入特征序列进行训练。使用训练数据集对mhdrnet网络模型进行训练。在实际应用中，新生成的pam-8信号的特征序列被输入到已经训练好的mhdrnet网络模型中。mhdrnet网络模型输出每个pam-8信号的预测信号。将所述预测信号与对应模分复用系统信道传输的信号进行比较，以计算归一化均方误差，从而得到mhdrnet网络模型的信道构建结果。信道构建结果有效地表征oam模分复用通信系统中复杂的非线性效应，提高信道构建的准确性。此外，mhdrnet网络模型采用特征解耦的方式，借助多尺度神经分层残差网络实现信道构建，并且利用双重残差结构通过正向传播来更新模型参数，提高信道构建的稳定性，且能够在oam模分复用通信系统中实现高精度的信道构建。

4、本发明公开的一种模分复用通信系统的信道构建方法，包括如下步骤：

5、步骤一：在oam模分复用系统的发射端，对发射的二进制数据数列进行pam-8符号映射处理，对pam-8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slm引起的码间串扰，将当前pam-8信号与其前后n个pam-8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。信号通过偏振控制器、准直器和线偏振从光纤耦合到两个slm上，使用slm将其调制成不同的oam模式。使用分束器bs将两个oam光束组合成单个光束，并将复用后的oam光束耦合到环芯光纤中，以便于通过四分之一波片qwp传输。在oam模分复用系统的接收端，接收到经过环芯光纤传输后的pam-8信号序列，对pam-8信号进行时钟恢复和同步处理，基于同步后的pam-8信号序列，将当前pam-8信号作为该pam-8信号序列的真实数据，基于所述条件向量和真实数据构建训练数据集。

6、在oam模分复用系统的发射端，对发射的二进制数据数列进行pam-8符号映射处理，然后对pam-8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pam-8信号与其前后n个pam-8信号进行组合，构建用于表征码间串扰的条件向量[xt-n,…,xt,…,xt+n],i＝1,2,…,n，其中xt表示当前发送的样本，[xt-n,…,xt-1]表示在当前样本之前已经发送的样本，[xt+1,…,xt+n]表示将要被传输的样本，n表示前后符号个数，与码间串扰的强度有关。pam-8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oam模分复用系统的接收端，接收到经过环芯光纤传输后的pam-8信号序列，对pam-8信号进行时钟恢复和同步处理，得到序列长度为n的经过线性均衡后的pam-8信号序列s＝[s1,s2,…,sn],i＝1,2,…,n，其中向量si＝[s1,s2,…,s6]表示pam-8信号序列中的第i个pam-8信号。针对pam-8信号序列si(i＝1,2,…,n)，对于其中的每一个pam-8信号si，将其作为该pam-8信号的真实数据y(i)＝[si],i＝1,2,…,n，n表示训练数据集的大小,构建对应每个pam-8信号的真实数据特征序列，基于所述条件向量和真实数据构建训练数据集{x(i),y(i)}。

7、步骤二：构建用于模分复用系统信道构建的mhdrnet网络模型及损失函数，所述mhdrnet网络模型为多尺度神经分层残差网络，由三个块组成，每个块包含一个最大池层、三个隐藏层和一个输出层。将pam-8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通过滑动窗口划分为不同维度的特征向量，并输入第一个块。特征向量经过最大值池化层，使用内核大小不同的池化层有效地将信号分成低频、中频、高频三个分量，实现对信号特征的解耦，每一块将分别处理不同的特征。所述三个隐藏层均为全连接层，特征向量被输入到三个隐藏层以捕获信号特征，其中第二个全连接层嵌入relu激活函数，通过relu激活函数对特征向量进行非线性拟合。特征向量被输入到三个隐藏层以捕获信号特征过程如式(1)所示，其中w和b分别表示隐藏层中的权重和偏置，l表示模块。y是经过三个隐藏层后输出的特征向量。输出y分为两部分：维度为t*(2n+1)和y维度为t。其他两个块的信号处理过程与第一个块相同。三个块的输出累加作为最终输出，每个块的输入xl减去作为下一块的输入，输入xl减去的过程为双重残差结构，通过双重残差结构避免mhdrnet网络模型的重复学习。其中，x1表示第l块的输入，y′表示最终的输出信号。通过mhdrnet网络模型中的隐藏层对pam-8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pam-8信号数据时，能够结合利用条件向量中的前序pam-8信号数据信息和后序pam-8信号数据信息，即对条件向量中序列pam-8信号数据进行序列化特征融合，更好地表征当前pam-8信号与前序pam-8信号、后序pam-8信号之间的非线性干扰关系，提升mhdrnet网络模型对pam-8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。每一块生成的信号序列和真实数据将通过双重残差结构传入下一块以避免重复处理信号，mhdrnet网络模型通过双重残差结构正向传播来更新模型参数，提高信道构建的稳定性，在oam模分复用通信系统中实现高精确度信道构建。通过所述特征解耦的训练方式，得到能够表征真实模分复用系统信道的mhdrnet网络模型。

8、输出y如式(1)所示。

9、双重残差结构如式(2)和(3)所示。

10、y＝w3(relu(w2(w1*yp+b1)+b2))+b3       (1)

11、

12、

13、步骤三：对步骤二构建的用于模分复用系统信道构建的mhdrnet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，训练模分复用系统信道构建的mhdrnet网络模型，通过所述训练好的mhdrnet网络模型充分表征真实模分复用信道响应。

14、对步骤二构建的用于模分复用系统信道构建的mhdrnet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。

15、使用步骤一中构造的训练数据集{x(i),y(i)}，训练步骤二构建的mhdrnet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mhdrnet网络模型。通过所述训练好的mhdrnet网络模型构建当前pam-8信号的条件向量x(i)与其对应的真实数据y(i)之间的非线性关系，所述mhdrnet网络模型能够充分表征pam-8信号在环芯光纤传输过程中受到的由光纤非线性效应造成的影响。

16、步骤四：将新生成的pam-8信号的特征序列输入到训练好的mhdrnet网络模型，输出得到每个pam-8信号的预测信号，将输出的预测信号结果与对应模分复用系统信道传输的信号计算归一化均方误差，得到mhdrnet网络模型的信道构建结果，有效表征oam模分复用通信系统复杂的非线性效应，提高oam模分复用系统信道构建的精准度。

17、将新生成的pam-8信号的条件向量特征序列x*输入到训练好的mhdrnet网络模型，输出得到pam-8信号的预测数据y′。

18、将输出的预测信号结果y′与对应模分复用系统信道传输的信号y计算归一化均方误差nmse。

19、

20、其中，s是预测符号总数，y′是预测数据，y是真实数据。

21、mhdrnet实现高准确度的信道构建，充分表征信号在模分复用系统传输过程中受到的光纤非线性效应，得到oam-mdm信道构建的结果，提高对通信系统信道构建精度。

22、有益效果：

23、1、本发明公开的一种模分复用通信系统的信道构建方法，采用信号特征解耦的方式，基于多尺度神经分层残差网络实现oam模分复用通信系统的信道构建，利用双重残差结构通过正向传播来更新mhdrnet网络模型参数，相比于cgan的信道构建方法，充分表征信号在模分复用系统传输过程中受到的光纤非线性效应，提高对通信系统信道构建精度和稳定性。

24、2、本发明公开的一种模分复用通信系统的信道构建方法，通过采用信号特征解耦方式训练的多尺度神经分层残差网络mhdrnet作为自编码器中的桥接层，为基于自编码器端到端优化提供准确的梯度信息，进而实现更准确的模分复用系统的端到端优化。

25、3、本发明公开的一种模分复用通信系统的信道构建方法，根据色散和空间光调制器slm引起的码间串扰，将当前pam-8信号与其前后n个pam-8信号进行组合，构建用于表征码间串扰的条件向量；接收到经过环芯光纤传输后的pam-8信号序列，对pam-8信号进行时钟恢复和同步处理，基于同步后的pam-8信号序列，将当前pam-8信号作为该pam-8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，使用数据集数据驱动构建mhdrnet网络模型，相比以往数据驱动建模策略，针对模分复用系统特有的非线性，提出信号特征解耦的神经分层网络，实现更高准确度的信道构建，且能够降低训练mhdrnet网络模型的复杂度。

26、4、本发明公开的一种模分复用通信系统的信道构建方法，基于mhdrnet网络实现模分复用系统信道构建，使用gpu运算，能够提高模分复用系统的信道构建速度，提升数据生成的效率。

27、5、本发明公开的一种模分复用通信系统的信道构建方法，通过对发射和接收的pam-8信号数据进行学习和处理，所述训练好的mhdrnet网络模型构建当前pam-8信号的特征序列与其对应的接收数据之间的非线性关系，所述非线性关系能够充分表征pam-8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；根据所述非线性关系实现精确的信号生成，所述信号恢复是基于训练好的mhdrnet网络模型实现的，而无需依赖于精确得知光纤传输链路的参数信息，提升本方法的泛化性，能够普遍应用于所有的光纤通信链路。