基于分段序列聯合學習網絡的光收發機IQ損傷監測

周以琳，雷印杰

（四川大學電子信息學院，成都 610065）

0 引言

光收發機同相/正交（In?phase/Quadrature，IQ）損傷監測技術對于相干光通信系統實現可靠傳輸非常重要。IQ 損傷是由發射機和接收機設備缺陷引起的同相（I）和正交（Q）不匹配［1?3］。在高數據速率和高階調制格式下，IQ 損傷會嚴重影響其他參數的估計，并導致系統性能顯著下降［4?6］。因此，收發機IQ 損傷監測技術對高速光纖通信系統的未來發展至關重要。

針對上述問題，已有許多學者做了大量工作。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 發射器功率不平衡進行研究［7］。設計一種基于最大似然獨立分量分析的方法［8］，無需訓練數據和調制格式信息即可準確估計Tx?IQ 不平衡。以及經典的Gram?Schmidt正交化程序［9］，用于補償和估計數字域中的Rx?IQ 不平衡。設計一種聯合監測Tx 和Rx 中IQ 損傷的方法［10］，但它依賴于對自適應多層SL 和WL濾波器系數的良好控制［11］。

近年來，機器學習技術已應用于光通信。例如，對基于深度學習輔助監測相干發射機IQ偏斜和功率不平衡進行研究［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網絡建立信號特征與發射機中IQ 偏斜和IQ 功率不平衡之間的數值關系。此外，該方法不能估計發射機中的IQ 相位偏差和接收機中的IQ損傷。

我們提出了一種分段序列聯合學習網絡（segmented sequence joint learning network，SSLN），該網絡通過分析DSP 處理的時域數據來隔離和監測相干收發機IQ 損傷，而無需額外的特征提取器。數字信號處理器（DSP）應用于相干檢測后的二次過采樣接收信號，其中數字信號處理包含CD 補償、時鐘恢復、頻偏補償和載波恢復。經過上述處理后，將經過訓練的SSLN模型用于監測收發器IQ 損傷。為了證明所提出的方法在監測相干光收發機IQ 損傷方面的有效性，我們對100 km 標準單模光纖上的100?Gbaud QPSK/64QAM 信號傳輸進行了數值模擬。數值模擬結果表明，當多種損傷同時存在時，所提出的SSLN 能夠準確有效地監測Tx 和Rx 的IQ損傷。

1 IQ損傷的數學原理

本節對傳統光學Tx和具有相干檢測的Rx中IQ 損傷進行數學描述，以為后續研究提供理論基礎。考慮到Tx 和Rx 產生的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分量來數學描述損傷。

在圖1（a）所示的Tx 中，來自A/D 輸出的兩個信號驅動IQ 調制器調制來自ECL 的光源。與90°相移混合后，它構成了IQ分量。在這個過程中，IQ 時延、IQ 幅度不平衡和IQ 相位偏差依次發生。假設理想傳輸的信號是受發端IQ損傷影響后可以表示［10,13］

圖1 發射機（a）和接收機（b）裝置

其中: ?代表卷積運算，gI和gQ，τI和τQ分別是I和Q兩路的增益和時延。在此，發射機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光學Rx配置。當平衡檢波器的輸出功率與放大器的增益不匹配時，就會發生幅度不平衡。光學混合電路的相位出現偏差時會導致IQ 分量出現相位偏差。在接收端光路和接收器側電路之間的長度差異也會引起IQ 時延。假設接收到的信號為受收端IQ 損傷影響后可以表示為

其中：T 表示轉置，接收機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，一些工作通過補償濾波器的系數監測收發器智商損傷［10?11］。我們的工作使用經過訓練的SSLN 模型來聯合監測IQ 損傷。接下來，我們將重點介紹分段序列聯合學習網絡（SSLN）的原理。

2 SSLN網絡結構設計

我們提出了分段序列聯合學習網絡（SSLN）來監測相干光收發機中的IQ 損傷。SSLN 網絡由三個模塊組成，如圖2所示。分割序列融合模塊（FSS）和自適應降噪模塊（ANR）用于參數共享，從接收到的數據中學習IQ 損傷的融合特征。多任務分支學習模塊（MBL）用于優化各自任務的共享特征。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系。然后，監測Tx 和Rx 中的IQ 偏斜，IQ幅度不平衡和IQ相位偏差。

圖2 SSLN網絡模型

2.1 分割序列融合模塊

從前面介紹的IQ損傷數學模型中可以看出，接收到的數據中的每一個點都包含著每個IQ損傷的影響值。為了增強同一樣本的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有效特征。FSS模塊將網絡的輸入數據X =[]x(1),x(2),…,x(n) 分成N塊。輸入數X變為

每塊數據可以表示為

2.2 自適應降噪模塊

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構和多層一維卷積結構組成。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制相結合［15］。它通過簡單的MPL 自主學習閾值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經過軟閾值化后再送入1D 卷積網絡，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(?)，則不同輸入對應不同的去噪結果：

其中FANR( )?的參數由網絡學習確定。

2.3 多任務分支學習模塊

因為需要監測多種損傷，SSLN 也是一種多任務聯合學習模型。CFF 和ANR 可以看作是多任務學習模型的共享參數部分，每個任務相互作用，最后通過分支模塊輸出每個任務的目標值。為了便于理解，我們將用于收發機IQ 時延監測的分支模塊表示為Fτ(?)，將用于收發機IQ相位偏差監測的分支模塊表示為Fα(?)，將用于收發機IQ 幅度不平衡監測的分支模塊表示為Fγ(?)。每個任務分支模塊獲取的監測值為

Fτ(?)、Fα(?)和Fγ(?)是通過組合不同的全連接層來實現的，所有這些都使用激活函數ReLU。它們的參數也由網絡訓練決定。

2.4 網絡訓練和推理

SSLN 是一個深度神經網絡，其優化需要定義損失函數和優化器。優化器將通過最小化損失函數來優化SSLN 中每個模塊的參數。我們選擇自適應動量優化器（Adam）［16］來優化SSLN 參數。它能保持梯度平滑，并在訓練過程中為不同參數生成自適應學習率。損失函數選擇適用于回歸模型的SmoothL1Loss［17］，其定義為

其中：x表示預測值；y表示目標值，式（10）對x的偏導數為

從式（11）可以看出，當預測值與目標值的誤差較小時，SmoothL1Loss 在x上會有較小的梯度；當誤差較大時，x上的梯度絕對值不會超過1，從而可以保證網絡穩定地更新參數。

在推理階段，輸入經DSP 處理后的接收數據，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 仿真結果和分析

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

表1 數值模擬參數

DSP應用于相干檢測后的二次過采樣接收信號，其中數字信號處理包含CD補償、時鐘恢復、頻偏補償和載波恢復。經過上述處理后，將經過訓練的SSLN模型用于監測收發機IQ損傷。

3.1 實施細節

SSLN 模型使用基于Python 3.7 的Pytorch 框架實現，并在帶有GeForce RTX 2080ti 顯卡的Ubuntu 16.04系統上進行訓練。使用實驗數據訓練模型是不切實際的，因為深度神經網絡需要大量的訓練數據才能生成高精度的模型。我們仿真生成了包含800，000 個樣本的數據集，其中每個樣本根據表1 的隨機組合在Tx 和Rx 中添加IQ 損傷。使用97%的數據集優化SSLN 的參數，并使用3%的數據集測試模型。在此方案中，訓練批次設置為128，初始學習率設置為0.01。我們每迭代20 輪就進行一次0.1 倍的學習率衰減。使用Adam 優化器來獲得最佳模型參數。實驗結果來自50 次獨立測試的平均值，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 不同調制格式下的SSLN性能

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

圖3 基于SSLN的100?Gbaud QPSK/64QAM信號的監測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 網絡模型的魯棒性。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，使用經過訓練的SSLN 模型對每個IQ損傷的監測偏差分布。我們可以看到，SSLN 模型在僅存在發射機或接收機IQ 損傷時，也能有效地監測個體IQ損傷。

圖4 SSLN模型對每個IQ損傷監測的偏差分布

我們通過改變測試集的OSNR 來評估SSLN的魯棒性。在1300 組數據上進行了測試，監測偏差的分布如圖5所示。在測試集中，調制格式為64QAM，OSNR 分布在15～40 dB 的范圍內。為了便于討論，所有測試集的收發機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，各損傷的監測偏差都隨著OSNR 的增加而降低。此外，當OSNR 范圍為15～40 dB 時，IQ 相位偏差的監測偏差小于0.8°，如圖5 所示。當OSNR 超過20 dB 時，IQ時延的監測偏差小于0.2 ps，IQ幅度不平衡的監測偏差小于0.2 dB。結果表明，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測效果。

圖5 不同OSNR條件下SSLN模型在IQ損傷的監測分布

4 結語

我們提出了一種基于SSLN 模型的相干光收發機IQ 損傷監測方案，并對100?Gbaud QPSK/64QAM的傳輸系統進行了仿真。驗證結果表明，SSLN 模型在多個IQ 損傷同時存在的條件下，可以有效地監測并分離每個IQ 損傷。SSLN 模型通過分析經CD 補償、時鐘恢復、頻偏補償和載波恢復處理后的接收數據，能夠準確有效地監測IQ損傷，監測結果受調制格式和OSNR影響。