Page 33 - 网络电信2023年11月刊

光 通 信

C LSTM = 4n feature + 4n unit + 3 （6) 2.2 CNN-Bi LSTM-Attention模型的复杂度计算
式中：n feature 为特征数；n unit 为隐藏单元数。完整的BiLSTM CNN-Bi LSTM-Attention模型的复杂度计算如下：
的复杂度为 [20] :
C BiLSTM = 2n s n unit (4n feature + 4n unit + 3 + n output ) (7)
式中，n output 为每个符号的输出数。 (9)
最终，CNN-BiLSTM模型的计算复杂度为 [15] : 式中： 和 分别表示注意力在正向LSTM和反向LSTM停止
处的符号；下索引A、B1、B2分别表示CNN层的复杂度、Bi LSTM
（8） 输出的复杂度、Bi LSTM输入的复杂度。

式中，n filter 为过滤器的数量。 三、仿真与结果讨论
3.1 系统搭建
二、光纤非线性损伤补偿模型搭建 为了验证文中提出的基于CNN-Bi LSTM-Attention模型的
2.1 CNN-Bi LSTM-Attention模型 光纤非线性损伤补偿算法，搭建了VPI Transmission Maker和
基于CNN-Bi LSTM-Attention的非线性损伤补偿模型如图 MATLAB的联合仿真平台，对单通道DP-16QAM 30Gbaud传输系统
4所示。该模型由一个卷积层、双向长短期记忆网络层、注意 进行了仿真实验。图5展示了DP-16QAM 30Gbaud信号在单模光纤
力机制层、扁平层和全连接层组成。首先将x偏振方向上的实 (single mode fiber,SMF)中传输的实验设置。在发送端，利
部(Pol x(Re))、虚部(Pol x(Im))和y偏振方向上的实部(Pol 用偏振分束器将载波光源分解成两个偏振方向正交的光载波，
y(Re))、虚部(Pol y(Im))作为输入，通过卷积层提取到光纤 将载波与16QAM信号注入到I/Q调制器中进行调制，其中16QAM
15
非线性补偿特征，然后利用双向长短期记忆网络层学习前后输 信号用两个互不相关、长度为2 -1的伪随机二进制序列产生。
入符号的相关性，最终通过注意力机制层关注双向长短期记忆 再通过偏振合束器耦合，并使用掺铒光纤放大器(erbium-doped
网络层输出的隐藏表示形式，得到输入序列中每个输入符号对 fiber amplifiers,EDFA)放大。由此产生的光信号在具有EDFA
的SMF光纤上传输12×100 km(系统光纤链路设为12跨，每跨100
于接收符号的权重分布。在正向LSTM传输过程(从起始符号(r I-
N )传输到末端符号(r I+N )中，假设注意力在中间某一符号 km)，放大器噪声系数为6 d B。在接收端，经过相干检测得到
处停止。同样，在反向LSTM传输过程(从起始符号(r I+N )传输到 的基带电信号使用DSP进行线性均衡，包括色散补偿(chromatic
末端符号(r I-N ))中，注意力在 处停止。对于接收到的符 dispersion compensation,CDC)/DBP、偏振解复用、频偏补
号r I ，前向和后向注意力分别止于输入符号 和 ，因 偿、和载波相位恢复，然后使用基于CNN-Bi LSTM-Attention模
此将符号序列{r I-N ,…, }作为正向LSTM的输入，符号序列 型和CNN-Bi LSTM模型的光纤非线性补偿算法对接收信号进行进
{r I+N ,…, }作为反向LSTM的输入。 一步补偿。最后对输出的接收符号进行符号检测，并计算信噪
比和Q因子。
图4 CNN-BiLSTM-Attention模型的结构
图5 单通道DP-16QAM 30Gbaud 相干光传输系统

3.2 基于CNN-Bi LSTM-Attention模型的非线性补偿
在进行光纤非线性补偿时，神经网络不仅要处理当前符
号，还要处理相邻的符号。给定序列中符号之间的相关性，
神经网络的性能可以表现的更好 [15] 。因此，在数据预处理阶
段，本文将通过相干光传输系统接收到的符号作为输入序列，
其中每一个输入序列包含当前输入符号及其2N个相邻符号，
即n s =2N+1，文中N=30。同时，将相干光传输系统发送的符
号作为目标。模型在运行时，输入层首先接收一部分要处理
的数据，称为批处理。本文输入的批处理形状可以定义为：

54 网络电信 二零二三年十二月