基于卷积神经网络(CNN)的波分复用相干光正交频分复用系统(WDM CO-OFDM)信道内非线性均衡方法研究

本文提出了一种结合滑动窗口机制的卷积神经网络(CNN)非线性均衡方法，用于解决偏振复用波分复用相干光正交频分复用(PDM-WDM CO-OFDM)系统中由自相位调制(SPM)、交叉相位调制(XPM)和四波混频(FWM)等光纤非线性效应引起的信号失真问题。相比传统Volterra级数方法和双向长短期记忆网络(Bi-LSTM)，该方法通过局部特征提取和并行计算显著提升了850 Gb/s高速传输场景下的最大传输距离(提升100%)和计算效率，为高谱效光通信系统提供了创新解决方案。

　　

亮点

本研究创新性地将滑动窗口机制与多层一维卷积结合，通过局部信号分段处理攻克了传统CNN在长距离依赖建模中的瓶颈。这种设计巧妙平衡了计算复杂度与非线性特征捕获能力，在567 Gbps的PDM-WDM CO-OFDM系统中展现出突破性性能。

模型设计与架构

光纤非线性效应（如SPM/XPM/FWM）引发的信号畸变严重制约光通信系统性能。我们设计的CNN模型采用"滑动窗口+多层卷积"的协同机制：

1. 1.

   滑动窗口将全局信号分割为局部时序片段，像"光学显微镜"般精准捕捉非线性特征

2. 2.

   并行卷积运算比Bi-LSTM提速3倍，满足实时处理需求

3. 3.

   ReLU激活函数与Dropout正则化组成"抗过拟合组合拳"，在16-QAM调制下Q因子提升2.3dB

实验与复杂度分析

在20Gbaud符号率、500km标准单模光纤(SSMF)的测试中：

• •

  最佳滑动窗口尺寸为7个符号周期，宛如"黄金分割点"般平衡记忆深度与计算开销

• •

  相比Volterra三阶模型，850Gb/s传输时误码率(BER)降低2个数量级

• •

  计算耗时仅为Bi-LSTM的18%，却实现相当的非线性抑制效果

结论

本项研究为高速光通信系统提供了"轻量级非线性矫正器"，其创新性体现在：

1. 1.

   时空双维度特征提取架构，比传统方法提升100%传输距离

2. 2.

   计算复杂度呈线性增长，打破Volterra模型的"维度灾难"诅咒

3. 3.

   模块化设计可适配不同调制格式（从QPSK到64-QAM）

（注：翻译部分已去除文献引用标识[ ]和图示标识Fig.，专业术语均保留英文缩写并采用生命科学领域类比表述）