基于神经网络的概率整形QAM光子太赫兹无线传输非线性抑制实验验证

《IEEE Photonics Technology Letters》:Experimental Demonstration of NN-Based NL Mitigation for PCS-QAM Photonic THz Wireless Transmission

【字体: 大 中 小 】 时间:2026年05月15日 来源:IEEE Photonics Technology Letters 2.5

编辑推荐:

  太赫兹(THz)无线传输是面向6G及后续网络的一项前景广阔的技术。然而,其性能会受到来自光子与电子前端非线性失真的严重挑战。该研究在接收端数字信号处理(Rx-DSP)阶段实验性验证了一种基于神经网络的非线性均衡器(NN-NLEQ),用于抑制概率整形(PCS)光

  
太赫兹(THz)无线传输是面向6G及后续网络的一项前景广阔的技术。然而,其性能会受到来自光子与电子前端非线性失真的严重挑战。该研究在接收端数字信号处理(Rx-DSP)阶段实验性验证了一种基于神经网络的非线性均衡器(NN-NLEQ),用于抑制概率整形(PCS)光子THz链路中的收发机非线性。研究人员采用一种混合卷积神经网络—双向长短期记忆网络(CNN–BiLSTM)架构,该架构通过AutoKeras框架中的神经架构搜索(NAS)确定,并结合一种专用的熵正则化损失函数进行训练,以保留软解映射信息,并消除传统基于均方误差(MSE)训练的神经网络均衡器中常见的“监狱窗格(jail window)”图样。针对两种不同实验装置的结果表明,采用透镜耦合(PD1)和波导耦合(PD2)光电二极管发射机时,比特误码率(BER)降低均超过1个数量级;在16 GBd下,峰值可达信息率(AIR)分别达到4.85和3.87 bit/symbol;在32 GBd下,峰值净数据率最高可达139.5 Gbit/s。由于该NN-NLEQ在不同硬件配置、整形熵以及最高至32 GBd的符号率条件下均表现出稳健性能,因此可确立其作为超高容量THz无线系统中非线性抑制的一种有效且与模型无关(model-agnostic)的解决方案。
该论文发表于《IEEE Photonics Technology Letters》,聚焦于光子太赫兹(THz)无线系统中概率整形正交幅度调制(PCS-QAM)的非线性补偿问题。研究背景在于,面向6G及更远期无线网络,THz频段因具备丰富的未充分利用频谱资源而成为实现超高容量无线链路的重要方向。与此同时,概率整形(PCS)能够通过调节星座熵H(X)与信道信噪比(SNR)匹配,提高频谱效率并实现速率自适应,因此已成为高阶QAM系统的重要增强手段。然而,实际THz无线链路并非受限于理想加性高斯白噪声(AWGN)信道,而是受到光电前端和电子接收前端的显著非理想影响,尤其是发射端光电二极管(PD)和接收端电子器件的非线性传输特性,会对高阶星座造成信号相关失真,进而恶化误码率(BER)与吞吐能力。传统发端数字预失真、Volterra均衡或微扰补偿虽可部分缓解问题,但通常存在校准依赖强、复杂度高、跨硬件泛化性有限等不足。因此,开展一种能够直接从数据中学习未知非线性映射关系、且适用于不同器件条件的非线性均衡研究,具有明确的工程必要性。

研究人员围绕两套此前已完成表征的PD型THz无线实验平台展开验证:一套采用透镜耦合发射光电二极管(PD1),另一套采用波导耦合发射光电二极管(PD2),二者共用相同的电子接收机。研究目标是在常规接收端数字信号处理(Rx-DSP)之后增设神经网络非线性均衡器(NN-NLEQ),补偿发射端光到THz转换和接收端电子检测共同引入的非线性失真。研究结果表明,该方法能够在两种不同前端配置中稳定降低预前向纠错(pre-FEC)BER,并显著提高可达信息率(AIR)和净数据率;同时,所提出方法在不同整形熵、不同SNR及最高32 GBd符号率条件下均表现出良好鲁棒性,说明其是一种有效的、与解析模型无关的非线性补偿工具。

研究人员采用的关键技术方法可概括如下:首先,在约300 GHz载频的两套THz无线实验链路上进行PCS-64QAM传输实验,并在标准Rx-DSP后接入NN-NLEQ;其次,利用AutoKeras执行神经架构搜索(NAS),在“卷积层—批归一化层—循环层—全连接层”的固定宏结构内筛选最优超参数,得到CNN–BiLSTM混合网络;再次,采用以21个采样点滑动窗口为输入的复符号I/Q双通道建模方式,并通过熵增强均方误差损失(MSE-X)训练网络,以保留软信息并避免“jail window”星座塌缩;最后,在PD1与PD2两种硬件配置下,系统评估按SNR逐点训练与单一SNR训练两种策略,并比较不同整形熵和16/32 GBd符号率下的BER与AIR表现。

一、Introduction
引言部分首先指出,全球数据流量持续增长推动了超高容量THz无线通信研究。PCS-QAM通过使星座熵H(X)与信道SNR相匹配,可实现更高频谱效率和灵活速率调整,但实际链路中的光电发射器与电子接收器会引入非线性传输失真,严重限制系统性能。研究人员援引既有实验工作说明,两种PD发射架构虽结构不同,但均会与共用电子接收机共同产生信号相关畸变。相较于依赖特定图样校准的查找表(LUT)预失真和高复杂度传统DSP方法,神经网络因具备通用函数逼近能力,更适合直接从实验数据中学习未知非线性映射。基于此,论文提出在PCS-QAM光子THz无线链路接收端部署NN-NLEQ,以同时补偿发射端与接收端非线性。

二、Neural Network Equalizer Design and Methodology
该部分详细说明了系统结构与均衡器设计。两套系统均工作于约300 GHz,PD1链路无线距离为1.1 m,PD2为0.25 m。常规DSP已完成线性带宽受限补偿、I/Q失衡校正、频偏与相位噪声处理,因此NN-NLEQ主要针对残余非线性失真。发送端采用Mersenne Twister伪随机序列发生器,以避免网络学习确定性伪随机比特序列模式;PCS通过恒组成分布匹配(CCDM)实现,并映射到64QAM基星座,经根升余弦(RRC)成形后发送。接收端常规处理包括重采样、Gram-Schmidt正交化(GSOP)、时钟相位恢复、基于似然的选择半径定向均衡(LBS-RDE)、频偏补偿(FOC)、基于盲相位搜索(BPS)的最大后验载波相位估计(MAP-CPE)以及判决导向最小均方(DDLMS)均衡。研究发现,将NN-NLEQ置于DDLMS之后、判决之前,能在两种PD前端中获得最稳健表现。

在网络设计上,研究人员并未采用经验式手工搭建,而是借助NAS自动搜索。搜索空间限定为卷积层提取局部特征、BiLSTM提取长程时序依赖、全连接层输出均衡I/Q估计的宏结构,从而将搜索重点放在卷积核数、核尺寸、BiLSTM单元数、循环深度和全连接宽度等超参数上。最终模型由约150次试验后确定。训练阶段使用Adam优化器、L2正则化、dropout及分训练/验证/测试集方案。尤为关键的是,论文采用熵正则化损失函数MSE-X,而非常规MSE。研究人员指出,MSE训练会使网络输出向判决区域条件均值回归,导致星座点规则化收缩,形成“jail window”图样,不利于PCS-QAM软解映射。MSE-X通过引入与星座概率P(X)及辅助高斯信道模型相关的熵项,保留软信息,对后续前向纠错更有利。其损失函数定义为
LMSE?X=E[||Y?T||2]?2σ2E[logQY(Y)],
其中Y为网络输出,T为目标参考符号,σ2为由估计SNR推得的噪声方差。

三、Results and Discussion
1. SNR特定训练与单一SNR训练的比较
研究人员首先比较按SNR逐点优化训练与仅在单一SNR点训练两种策略。对于PD1和PD2,在16 GBd、H(X)=3 bit/symbol条件下,按SNR特定训练的NN-NLEQ在整个考察SNR范围内均取得最低BER,相较未均衡基线降低超过1个数量级,且可降至10?3以下。星座图结果表明,该方法在消除非线性簇畸变的同时,并未引入“jail window”图样,说明MSE-X训练策略有效。

2. 单一SNR训练的泛化能力
在PD1链路中,仅在某一固定训练点SNRtrain训练的模型,仍可在较宽SNR范围内优于传统DSP基线;尽管最佳性能出现在训练点附近,但邻近工作点的性能退化较为温和,其中中等SNR条件训练得到的模型具有最宽的低BER工作区间。对于PD2链路,单一SNR训练同样在训练点附近实现了明显BER收益,尤其在高SNR区间(>15 dB)均优于未均衡基线;但在较低SNR下,若模型在较高SNRtrain条件训练,则可能出现性能劣于基线的情况。这说明不同硬件前端的泛化边界存在差异,SNR特定训练虽最优,但少量代表性点的离线训练对准静态THz部署仍具现实意义。

3. 不同整形熵与符号率下的鲁棒性
随后,研究人员评估了在不同整形熵和16/32 GBd符号率下的性能。结果显示,在PD1与PD2两种系统中,NN-NLEQ对全部H(X)取值和两种符号率均可实现清晰BER下降,且在32 GBd时提升更为明显,表明随着非线性失真加重,所提方法的补偿价值更为突出。与BER改善相对应,AIR亦显著提升:在16 GBd下,PD1和PD2峰值AIR分别达到4.85和3.87 bit/symbol;在32 GBd下,分别达到4.36和3.23 bit/symbol。按理想FEC条件估算,对应最大净数据率在32 GBd时分别达到139.5和103.4 Gbit/s,在16 GBd时分别达到77.6和61.9 Gbit/s。由此可见,该NN-NLEQ不仅改善误码性能,也直接增强了系统有效吞吐能力。

四、讨论总结与结论翻译
讨论部分的核心结论是:该CNN–BiLSTM结构NN-NLEQ能够同时补偿发射端和接收端引入的非线性,并且在两种不同PD前端架构、多个整形熵、不同SNR以及最高32 GBd符号率条件下均表现稳定。方法层面的关键贡献不只是引入神经网络,更在于通过熵正则化损失函数保留PCS软信息,避免传统MSE训练下的星座规则化塌缩,因此兼顾了非线性均衡与软判决友好性。训练策略比较进一步揭示了实用权衡:按SNR逐点训练可获得最佳BER收益,而单一SNR训练在邻近工作点具备可接受泛化能力,提示在准静态THz场景下,仅用少量代表性状态离线训练即可获得有效补偿。

研究结论部分可译为:研究人员通过实验表明,采用熵正则化损失函数训练的CNN–BiLSTM型NN-NLEQ,能够在两种不同PD前端的PCS-64QAM光子THz无线系统中有效抑制发射端和接收端引起的非线性。由于该方法能够保留星座软信息,因此避免了传统MSE训练所产生的“jail window”图样,并在广泛的SNR范围、整形熵条件以及最高32 GBd符号率下持续带来性能增益。对不同训练策略的分析表明,SNR特定训练可实现最高BER下降,而单一SNR训练也能在邻近工作条件下实现有意义的泛化,这意味着对于准静态THz部署,仅在少数代表性工作点进行离线训练即可满足实际应用需要。总体而言,这些结果确立了基于神经网络的均衡作为下一代THz通信系统中一种有效且与模型无关的非线性抑制工具。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号