基于深度学习技术的倍频无线电over光纤链路建模与优化

《Advanced Photonics Research》：Modeling and Optimization of Frequency-Doubled Radio-Over-Fiber Link Based on Deep Learning Technique

　　

深度学习(Deep Learning, DL)技术在无线电over光纤(Radio-over-Fiber, RoF)系统建模中展现出广泛潜力。同时，倍频(frequency multiplication)技术可有效降低RoF链路中核心器件对带宽的要求。然而，倍频RoF系统中引入的谐波干扰、非线性失真及相位噪声给基于DL的建模与优化带来额外挑战。研究人员提出一种基于DL的倍频RoF链路端到端(End-to-End, E2E)建模与优化方法。该DL模型由三部分组成：用于符号映射与信号生成的信号预处理模型(Signal Preprocessing Model, SPPM)、用于传输链路建模的光纤信道模型(Fiber Channel Model, FCM)，以及用于解调的接收机模型(Receiver Model, RM)。基于2 Gbit/s 16QAM RoF信号进行数值分析，结果表明该DL模型能够对包含谐波和非线性失真效应的倍频RoF链路进行建模。此外，研究人员基于E2E框架实施了几何整形(Geometric Shaping, GS)和概率整形(Probabilistic Shaping, PS)以进一步提升系统性能。结果显示优化后的链路具有更优的误码率(Bit Error Rate, BER)表现，表明该方法在非线性RoF链路建模中具有应用潜力，可为先进通信系统提供有价值的参考。

论文解读：基于深度学习技术的倍频无线电over光纤链路建模与优化

本文发表于《Advanced Photonics Research》。随着5G通信技术的发展，对高速、低成本、高可靠通信的需求日益增长。无线电over光纤(Radio-over-Fiber, RoF)技术凭借低损耗、大带宽及抗电磁干扰优势成为宽带无线通信的重要方向，但其性能受限于色度色散、相位噪声和非线性损伤。现有优化方法多针对单一影响因素（如色散补偿、相位噪声抑制、非线性均衡），缺乏系统性综合优化方案。端到端(End-to-End, E2E)学习虽在相干光通信中被证明可通过自编码器(Autoencoder, AE)架构联合优化收发端，但光纤信道需用非线性薛定谔方程(Nonlinear Schr?dinger Equation, NLSE)描述且无可解析求解，导致E2E梯度反向传播困难；此外现有DL建模多聚焦基带RoF或相干系统，倍频RoF链路因引入谐波干扰、强非线性失真及相位噪声，建模复杂度更高，尚缺乏相关研究。为此，研究人员提出一种基于深度学习的倍频RoF链路E2E建模与优化方法，通过数据驱动的光纤信道模型替代NLSE以实现可微反向传播，并在E2E框架下实施星座几何整形(Geometric Shaping, GS)与概率整形(Probabilistic Shaping, PS)，最终验证了方法的有效性及BER改善效果。

主要关键技术方法

研究人员构建了由信号预处理模型(Signal Preprocessing Model, SPPM)、光纤信道模型(Fiber Channel Model, FCM)和接收机模型(Receiver Model, RM)串联组成的E2E自编码器架构。SPPM采用全连接神经网络(Fully Connected Neural Network, FCNN)结合位置编码(Positional Encoding)将one-hot编码的16QAM符号映射为含前/当前/后符号上下文信息的I/Q星座点并上变频为5 GHz基频RF信号（每符号50采样点）。FCM采用BiLSTM与FCNN并行集成的集成学习(Ensemble Learning)结构模拟MZM偏置在最小传输点(Minimum Transmission Point, MITP)实现倍频、SMF传输及光电探测器(Photodetector, PD)平方律检出的10 GHz倍频RF输出，FCM预训练后权重固定嵌入E2E系统。RM对时域波形做FCNN特征提取并对FFT变换后的频域实部/虚部拼接做FCNN处理，输出4位判决比特，损失函数统一采用均方误差(Mean Squared Error, MSE)。E2E优化时保持FCM权重不变，通过梯度下降调整SPPM发射端 constellation映射实现GS；PS则修改RM输出层并使用分类交叉熵(Categorical Cross-Entropy)损失调整符号概率分布。数值仿真采用标准单模光纤(Standard Single-Mode Fiber, SMF)参数，激光线宽1 MHz，PD暗电流50 nA，加入热噪声与放大器噪声，符号速率500 Mbit/s（等效2 Gbit/s 16QAM），优化器为Adam(lr=0.001)，早停法(patience=20)及dropout=0.2防过拟合，以PRBS生成训练/测试集。

研究结果

1 Operation Principle（工作原理）

研究人员详细说明了硬件链路（TLS→PC→偏置在MITP的MZM受驱于预调制16QAM RF信号→SMF→PD→DSP）及对应DL三模块结构。SPPM中引入位置编码p₁(前一符号二进制整数值)、p₂(当前符号)、p₄(下一符号)捕获符号间跳变以辅助建模ISI影响但不参与实际传输；FCM中BiLSTM(5隐层单元)捕捉时序相关性，FCNN(Tanh激活)建模高阶谐波相互作用，自适应加权融合两者输出并以MSE为损失函数；RM联合时域FCNN与傅里叶变换后频域FCNN特征经Sigmoid输出软判决比特，选用MSE保证与SPPM/FCM误差反向传播一致性且网络规模可控。

2 Numerical Analysis（数值分析）

FCM建模精度验证：对比单独DNN、单独BiLSTM及BiLSTM+FCNN集成模型，在10~25 km SMF下归一化MSE(MSE_nor)分别为≈0.0120~0.0168、≈0.0111~0.0135和≈0.0056~0.0086，集成模型最低且均<0.02阈值，证明BiLSTM捕捉时序+FCNN建模非线性的集成方式最优；该FCM对64QAM同样有效(MSE_nor<0.02)。

接收机解调BER验证：对比传统LMS-Volterra均衡器，所提RM在PD输入光功率?19~?16 dBm、光纤10/15/20/25 km下分别获得0.20 dB、0.47 dB、0.25 dB、0.42 dB灵敏度增益(相对7%前向纠错(Forward Error Correction, FEC)限3×10^?3)，BER随接收光功率降低而恶化。

AE预训练+E2E优化验证：常规16QAM经AE预训练SPPM后再传输BER略优于未优化；实施GS后，相对传统16QAM在10/15/20/25 km分别获得≈0.6 dB、0.7 dB、0.7 dB、1.1 dB灵敏度改善；实施PS后，相对传统16QAM分别获得≈1.0 dB、0.7 dB、0.85 dB、1.3 dB灵敏度改善，并获PAPR增益0.25~0.36 dB。结果表明E2E框架下GS与PS均可有效提升倍频RoF链路传输性能。

Conclusion（结论）翻译

研究人员提出了一种基于深度学习(DL)的倍频Radio-over-Fiber(RoF)传输系统建模与优化方法。该方法采用深度神经网络(DNN)对倍频微波光子信号产生、信道传输及信号解调判决三个RoF链路关键过程进行建模。数值分析利用常规16QAM信号及AWGN信道中预训练16QAM符号图案验证了模型有效性。此外，基于所提结构构建自编码器(Autoencoder, AE)模型执行几何星座整形(Geometric Shaping, GS)与概率星座整形(Probabilistic Shaping, PS)。结果表明优化后的星座设计能够改善传输性能并提升系统灵敏度。所提方法具备对非线性谐波系统进行建模与优化的能力，有望为利用非线性光链路的先进通信与探测应用提供性能增强。