周以琳，雷印杰

（四川大學(xué)電子信息學(xué)院，成都 610065）

0 引言

光收發(fā)機(jī)同相/正交（In?phase/Quadrature，IQ）損傷監(jiān)測技術(shù)對于相干光通信系統(tǒng)實現(xiàn)可靠傳輸非常重要。IQ 損傷是由發(fā)射機(jī)和接收機(jī)設(shè)備缺陷引起的同相（I）和正交（Q）不匹配［1?3］。在高數(shù)據(jù)速率和高階調(diào)制格式下，IQ 損傷會嚴(yán)重影響其他參數(shù)的估計，并導(dǎo)致系統(tǒng)性能顯著下降［4?6］。因此，收發(fā)機(jī)IQ 損傷監(jiān)測技術(shù)對高速光纖通信系統(tǒng)的未來發(fā)展至關(guān)重要。

針對上述問題，已有許多學(xué)者做了大量工作。例如，對掃描有限脈沖濾波器的增益比例因子來檢測相干IQ 發(fā)射器功率不平衡進(jìn)行研究［7］。設(shè)計一種基于最大似然獨(dú)立分量分析的方法［8］，無需訓(xùn)練數(shù)據(jù)和調(diào)制格式信息即可準(zhǔn)確估計Tx?IQ 不平衡。以及經(jīng)典的Gram?Schmidt正交化程序［9］，用于補(bǔ)償和估計數(shù)字域中的Rx?IQ 不平衡。設(shè)計一種聯(lián)合監(jiān)測Tx 和Rx 中IQ 損傷的方法［10］，但它依賴于對自適應(yīng)多層SL 和WL濾波器系數(shù)的良好控制［11］。

近年來，機(jī)器學(xué)習(xí)技術(shù)已應(yīng)用于光通信。例如，對基于深度學(xué)習(xí)輔助監(jiān)測相干發(fā)射機(jī)IQ偏斜和功率不平衡進(jìn)行研究［12］。但是，該方法需要額外的特征工程來提取信號特征。然后，利用簡單的全連接前饋神經(jīng)網(wǎng)絡(luò)建立信號特征與發(fā)射機(jī)中IQ 偏斜和IQ 功率不平衡之間的數(shù)值關(guān)系。此外，該方法不能估計發(fā)射機(jī)中的IQ 相位偏差和接收機(jī)中的IQ損傷。

我們提出了一種分段序列聯(lián)合學(xué)習(xí)網(wǎng)絡(luò)（segmented sequence joint learning network，SSLN），該網(wǎng)絡(luò)通過分析DSP 處理的時域數(shù)據(jù)來隔離和監(jiān)測相干收發(fā)機(jī)IQ 損傷，而無需額外的特征提取器。數(shù)字信號處理器（DSP）應(yīng)用于相干檢測后的二次過采樣接收信號，其中數(shù)字信號處理包含CD 補(bǔ)償、時鐘恢復(fù)、頻偏補(bǔ)償和載波恢復(fù)。經(jīng)過上述處理后，將經(jīng)過訓(xùn)練的SSLN模型用于監(jiān)測收發(fā)器IQ 損傷。為了證明所提出的方法在監(jiān)測相干光收發(fā)機(jī)IQ 損傷方面的有效性，我們對100 km 標(biāo)準(zhǔn)單模光纖上的100?Gbaud QPSK/64QAM 信號傳輸進(jìn)行了數(shù)值模擬。數(shù)值模擬結(jié)果表明，當(dāng)多種損傷同時存在時，所提出的SSLN 能夠準(zhǔn)確有效地監(jiān)測Tx 和Rx 的IQ損傷。

1 IQ損傷的數(shù)學(xué)原理

本節(jié)對傳統(tǒng)光學(xué)Tx和具有相干檢測的Rx中IQ 損傷進(jìn)行數(shù)學(xué)描述，以為后續(xù)研究提供理論基礎(chǔ)。考慮到Tx 和Rx 產(chǎn)生的IQ 損傷是I、Q 兩路信號的相位、幅度和時間存在不匹配，在下面使用IQ分量來數(shù)學(xué)描述損傷。

在圖1（a）所示的Tx 中，來自A/D 輸出的兩個信號驅(qū)動IQ 調(diào)制器調(diào)制來自ECL 的光源。與90°相移混合后，它構(gòu)成了IQ分量。在這個過程中，IQ 時延、IQ 幅度不平衡和IQ 相位偏差依次發(fā)生。假設(shè)理想傳輸?shù)男盘柺鞘馨l(fā)端IQ損傷影響后可以表示［10,13］

圖1 發(fā)射機(jī)（a）和接收機(jī)（b）裝置

其中: ?代表卷積運(yùn)算，gI和gQ，τI和τQ分別是I和Q兩路的增益和時延。在此，發(fā)射機(jī)IQ幅度不平衡以dB 為單位， 可以表示為γTx=20 lggQ/gI，IQ 相位偏差αTx=α，IQ 時延可以表示為τTx=τQ?τI。

圖1（b）顯示了具有相干檢測的傳統(tǒng)光學(xué)Rx配置。當(dāng)平衡檢波器的輸出功率與放大器的增益不匹配時，就會發(fā)生幅度不平衡。光學(xué)混合電路的相位出現(xiàn)偏差時會導(dǎo)致IQ 分量出現(xiàn)相位偏差。在接收端光路和接收器側(cè)電路之間的長度差異也會引起IQ 時延。假設(shè)接收到的信號為受收端IQ 損傷影響后可以表示為

其中：T 表示轉(zhuǎn)置，接收機(jī)IQ 幅度不平衡為γRx= 20 log10gQ/gI，IQ 相位偏差為αRx=α，IQ skew為τRx=τQ?τI。

基于上述原理，一些工作通過補(bǔ)償濾波器的系數(shù)監(jiān)測收發(fā)器智商損傷［10?11］。我們的工作使用經(jīng)過訓(xùn)練的SSLN 模型來聯(lián)合監(jiān)測IQ 損傷。接下來，我們將重點介紹分段序列聯(lián)合學(xué)習(xí)網(wǎng)絡(luò)（SSLN）的原理。

2 SSLN網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計

我們提出了分段序列聯(lián)合學(xué)習(xí)網(wǎng)絡(luò)（SSLN）來監(jiān)測相干光收發(fā)機(jī)中的IQ 損傷。SSLN 網(wǎng)絡(luò)由三個模塊組成，如圖2所示。分割序列融合模塊（FSS）和自適應(yīng)降噪模塊（ANR）用于參數(shù)共享，從接收到的數(shù)據(jù)中學(xué)習(xí)IQ 損傷的融合特征。多任務(wù)分支學(xué)習(xí)模塊（MBL）用于優(yōu)化各自任務(wù)的共享特征。具有三個模塊的SSLN 在DSP 處理的接收信號X 與Tx 和Rx 中的IQ 損傷之間建立了映射關(guān)系。然后，監(jiān)測Tx 和Rx 中的IQ 偏斜，IQ幅度不平衡和IQ相位偏差。

圖2 SSLN網(wǎng)絡(luò)模型

2.1 分割序列融合模塊

從前面介紹的IQ損傷數(shù)學(xué)模型中可以看出，接收到的數(shù)據(jù)中的每一個點都包含著每個IQ損傷的影響值。為了增強(qiáng)同一樣本的IQ損傷特征，我們增加了FSS 模塊，用于分割序列和提取特征，然后將提取的特征融合以增強(qiáng)有效特征。FSS模塊將網(wǎng)絡(luò)的輸入數(shù)據(jù)X =[]x(1),x(2),…,x(n) 分成N塊。輸入數(shù)X變?yōu)?/p>

每塊數(shù)據(jù)可以表示為

2.2 自適應(yīng)降噪模塊

融合的特征包含或多或少的冗余信息。為了減少這些冗余信息，我們引入了ANR 模塊，該模塊由軟閾值化結(jié)構(gòu)和多層一維卷積結(jié)構(gòu)組成。軟閾值化是信號降噪算法的核心步驟［15］。它可以將絕對值小于閾值的特征設(shè)置為零，絕對值大于此閾值的特征也會朝著零的方向收縮。它可以簡單地表示為

軟閾值的獲得通常是與注意力機(jī)制相結(jié)合［15］。它通過簡單的MPL 自主學(xué)習(xí)閾值θ，以便每個樣本都有自己唯一的閾值θ。將融合后的特征fFus經(jīng)過軟閾值化后再送入1D 卷積網(wǎng)絡(luò)，得到更高層次的特征信息fANR。我們將該模塊的映射表示為FANR(?)，則不同輸入對應(yīng)不同的去噪結(jié)果：

其中FANR( )?的參數(shù)由網(wǎng)絡(luò)學(xué)習(xí)確定。

2.3 多任務(wù)分支學(xué)習(xí)模塊

因為需要監(jiān)測多種損傷，SSLN 也是一種多任務(wù)聯(lián)合學(xué)習(xí)模型。CFF 和ANR 可以看作是多任務(wù)學(xué)習(xí)模型的共享參數(shù)部分，每個任務(wù)相互作用，最后通過分支模塊輸出每個任務(wù)的目標(biāo)值。為了便于理解，我們將用于收發(fā)機(jī)IQ 時延監(jiān)測的分支模塊表示為Fτ(?)，將用于收發(fā)機(jī)IQ相位偏差監(jiān)測的分支模塊表示為Fα(?)，將用于收發(fā)機(jī)IQ 幅度不平衡監(jiān)測的分支模塊表示為Fγ(?)。每個任務(wù)分支模塊獲取的監(jiān)測值為

Fτ(?)、Fα(?)和Fγ(?)是通過組合不同的全連接層來實現(xiàn)的，所有這些都使用激活函數(shù)ReLU。它們的參數(shù)也由網(wǎng)絡(luò)訓(xùn)練決定。

2.4 網(wǎng)絡(luò)訓(xùn)練和推理

SSLN 是一個深度神經(jīng)網(wǎng)絡(luò)，其優(yōu)化需要定義損失函數(shù)和優(yōu)化器。優(yōu)化器將通過最小化損失函數(shù)來優(yōu)化SSLN 中每個模塊的參數(shù)。我們選擇自適應(yīng)動量優(yōu)化器（Adam）［16］來優(yōu)化SSLN 參數(shù)。它能保持梯度平滑，并在訓(xùn)練過程中為不同參數(shù)生成自適應(yīng)學(xué)習(xí)率。損失函數(shù)選擇適用于回歸模型的SmoothL1Loss［17］，其定義為

其中：x表示預(yù)測值；y表示目標(biāo)值，式（10）對x的偏導(dǎo)數(shù)為

從式（11）可以看出，當(dāng)預(yù)測值與目標(biāo)值的誤差較小時，SmoothL1Loss 在x上會有較小的梯度；當(dāng)誤差較大時，x上的梯度絕對值不會超過1，從而可以保證網(wǎng)絡(luò)穩(wěn)定地更新參數(shù)。

在推理階段，輸入經(jīng)DSP 處理后的接收數(shù)據(jù)，SSLN 可以同時輸出Tx 和Rx 中的IQ 時延，IQ幅度不平衡和IQ相位偏差。

3 仿真結(jié)果和分析

我們對光通信系統(tǒng)傳輸進(jìn)行了仿真。在發(fā)射端，100?Gbaud QPSK/64QAM 信號首先進(jìn)行兩次過采樣，然后由滾降因子為0.1 的根升余弦濾波器RCC 進(jìn)行脈沖成形。來自數(shù)模轉(zhuǎn)換器輸出的信號驅(qū)動IQ 調(diào)制器調(diào)制來自ECL 的光源。與90°相移混合后，構(gòu)成調(diào)制光信號。光信號通過100 km SSMF 傳輸并通過相干檢測接收。其中激光線寬設(shè)置為50 kHz。發(fā)射機(jī)IQ 損傷和接收機(jī)IQ損傷分別基于公式（1）和（2）誘導(dǎo)。表1總結(jié)并提供了數(shù)值模擬的發(fā)射機(jī)和接收機(jī)IQ損傷范圍。

表1 數(shù)值模擬參數(shù)

DSP應(yīng)用于相干檢測后的二次過采樣接收信號，其中數(shù)字信號處理包含CD補(bǔ)償、時鐘恢復(fù)、頻偏補(bǔ)償和載波恢復(fù)。經(jīng)過上述處理后，將經(jīng)過訓(xùn)練的SSLN模型用于監(jiān)測收發(fā)機(jī)IQ損傷。

3.1 實施細(xì)節(jié)

SSLN 模型使用基于Python 3.7 的Pytorch 框架實現(xiàn)，并在帶有GeForce RTX 2080ti 顯卡的Ubuntu 16.04系統(tǒng)上進(jìn)行訓(xùn)練。使用實驗數(shù)據(jù)訓(xùn)練模型是不切實際的，因為深度神經(jīng)網(wǎng)絡(luò)需要大量的訓(xùn)練數(shù)據(jù)才能生成高精度的模型。我們仿真生成了包含800，000 個樣本的數(shù)據(jù)集，其中每個樣本根據(jù)表1 的隨機(jī)組合在Tx 和Rx 中添加IQ 損傷。使用97%的數(shù)據(jù)集優(yōu)化SSLN 的參數(shù)，并使用3%的數(shù)據(jù)集測試模型。在此方案中，訓(xùn)練批次設(shè)置為128，初始學(xué)習(xí)率設(shè)置為0.01。我們每迭代20 輪就進(jìn)行一次0.1 倍的學(xué)習(xí)率衰減。使用Adam 優(yōu)化器來獲得最佳模型參數(shù)。實驗結(jié)果來自50 次獨(dú)立測試的平均值，每個測試使用6144 個采樣信號。為了便于比較分析，測試集中的IQ時延從?5 ps增加到+5 ps，步長為1 ps；IQ 幅度不平衡從?4dB 增加到+4 dB，步長為1 dB；IQ 相位偏差從?10°增加到+10°，步長為1°。

3.2 不同調(diào)制格式下的SSLN性能

我們監(jiān)測100?Gbaud 64QAM 和QPSK信號上的收發(fā)機(jī)IQ 損傷，以測試SSLN 性能。圖3 顯示了SSLN 模型在兩個不同調(diào)制格式數(shù)據(jù)集上的監(jiān)測結(jié)果的平均絕對誤差（MAE）。其中每組MAE來自50 次獨(dú)立測試的平均值。對于Tx 和Rx損傷，IQ 幅度不平衡的范圍為［?4，4］dB，監(jiān)測誤差在0.2 dB 內(nèi)；IQ 相位偏差的范圍為［?10°，10°］，監(jiān)測誤差在0.8°以內(nèi)；IQ 時延的范圍為［?5，5］ps，監(jiān)測誤差在0.2 ps 以內(nèi)，如圖3所示。兩種不同的調(diào)制格式下監(jiān)測誤差基本相近。

圖3 基于SSLN的100?Gbaud QPSK/64QAM信號的監(jiān)測MAE

3.3 SSLN的魯棒性

我們使用僅添加Tx?IQ 損傷或Rx?IQ 損傷的測試集來評估SSLN 網(wǎng)絡(luò)模型的魯棒性。圖4 顯示了僅在100?Gbaud 64QAM 信號中添加Tx?IQ 損傷或Rx?IQ 損傷時，使用經(jīng)過訓(xùn)練的SSLN 模型對每個IQ損傷的監(jiān)測偏差分布。我們可以看到，SSLN 模型在僅存在發(fā)射機(jī)或接收機(jī)IQ 損傷時，也能有效地監(jiān)測個體IQ損傷。

圖4 SSLN模型對每個IQ損傷監(jiān)測的偏差分布

我們通過改變測試集的OSNR 來評估SSLN的魯棒性。在1300 組數(shù)據(jù)上進(jìn)行了測試，監(jiān)測偏差的分布如圖5所示。在測試集中，調(diào)制格式為64QAM，OSNR 分布在15～40 dB 的范圍內(nèi)。為了便于討論，所有測試集的收發(fā)機(jī)IQ損傷都是相同的（Tx?IQ 時延為?1 ps，Rx?IQ 時延為2 ps，Tx?IQ 幅度不平衡為2 dB，Rx?IQ 幅度不平衡為1 dB，Tx?IQ 相位偏差為5°，Rx?IQ 相位偏差為4°）。由圖可看出，各損傷的監(jiān)測偏差都隨著OSNR 的增加而降低。此外，當(dāng)OSNR 范圍為15～40 dB 時，IQ 相位偏差的監(jiān)測偏差小于0.8°，如圖5 所示。當(dāng)OSNR 超過20 dB 時，IQ時延的監(jiān)測偏差小于0.2 ps，IQ幅度不平衡的監(jiān)測偏差小于0.2 dB。結(jié)果表明，所提出的SSLN模型在OSNR分布范圍較寬的情況下仍能取得有效的監(jiān)測效果。

圖5 不同OSNR條件下SSLN模型在IQ損傷的監(jiān)測分布

4 結(jié)語

我們提出了一種基于SSLN 模型的相干光收發(fā)機(jī)IQ 損傷監(jiān)測方案，并對100?Gbaud QPSK/64QAM的傳輸系統(tǒng)進(jìn)行了仿真。驗證結(jié)果表明，SSLN 模型在多個IQ 損傷同時存在的條件下，可以有效地監(jiān)測并分離每個IQ 損傷。SSLN 模型通過分析經(jīng)CD 補(bǔ)償、時鐘恢復(fù)、頻偏補(bǔ)償和載波恢復(fù)處理后的接收數(shù)據(jù)，能夠準(zhǔn)確有效地監(jiān)測IQ損傷，監(jiān)測結(jié)果受調(diào)制格式和OSNR影響。