本发明属于光通信领域，尤其涉及一种基于深度学习的偏振复用光纤信道建模方法。
背景技术：
1、光纤传输技术凭借其高效的带宽利用率和卓越的性能，在现代通信系统中占据了重要地位。为了保证链路的通信质量，一种高效可靠的光纤信道建模方法是十分有必要的。传统的光纤建模方法多种多样，主要包括数学模型法、傅里叶方法和传输矩阵法，其中傅里叶方法应用最为广泛。基于分步傅里叶变换(ssfm)的光纤信道建模如图1所示，利用傅里叶变换原理来分析和设计光纤系统。其高频率分辨率特性能够精确分析光信号的频率成分，有助于更好地理解和控制光纤中的信号传输。分步傅里叶方法通过精确控制光纤的折射率分布，优化模式选择性，从而提高光纤通信系统的性能。
2、然而，基于分步傅里叶的光纤信道建模方法仍存在一些缺陷。分步傅里叶方法主要依赖传统的数学和物理分析，限制了其处理复杂或非线性系统的灵活性。尽管在某些情况下简化了计算，但在处理大规模数据、长距离光纤信道时，计算复杂性仍然较高。此外，分步傅里叶方法通常需要明确的物理模型和先验知识，在数据不足或系统未知时存在限制。
3、为了解决传统建模方法计算困难的问题，提出了基于深度学习(dl)的建模方法。目前，基于transformer、bilstm和fno等模型在单模光纤建模上表现良好。然而，这些方法没有考虑不同偏振态带来的偏振模色散(pmd)影响，而本发明进一步考虑了光纤的双偏振态。在传统光纤建模方法中，偏振模色散随机性和时间变化的特性加剧了建模的复杂性。同时，随着光纤长度的增加，双折射随机波动的累积效应明显增加，偏振模色散的计算复杂度也随之急剧上升。使用深度学习方法对光纤信道进行建模时，相比单偏振光纤信道建模，偏振复用光纤信道建模需要同时考虑两个偏振态之间的传输特性。每个偏振态的信号在传输过程中会受到不同的非线性效应和噪声影响，增加了建模的难度。同时，双偏振态意味着深度学习模型需要处理更高维度的数据，计算复杂度显著增加，需要优化模型以降低计算成本。此外，偏振复用光纤信道建模还对数据集提出了更高的要求，需要涵盖不同的偏振态和信号特性的更多、更精确的数据集。
技术实现思路
1、针对传统的分步傅里叶光纤建模方法存在的不足，本发明提供一种基于深度学习的偏振复用光纤信道建模方法。
2、本发明的一种基于深度学习的偏振复用光纤信道建模方法，包括以下步骤：
3、步骤1：构建用于偏振复用光纤信道建模的bert(bidirectional encoderrepresentations from transformers)模型。
4、步骤2：搭建传输链路，采集构建训练集，用于训练步骤1构建的bert模型。
5、步骤3：利用步骤2训练好的bert模型拟合偏振复用光纤信道的接收光信号。
6、进一步的，传输链路采用iq调制器对激光器发射出的连续光信号进行调制，调制器由正交调幅qam电信号驱动；然后，产生的光调制信号通过深度学习网络传输并由光电探测器接收；接收到的电信号经过偏振模色散补偿和相干接收后被接收模块接收。
7、进一步的，步骤1中bert模型具体为：
8、1)模型的输入数据尺寸为(batch_size,2*seq_len+1,d_model)；其中batch_size指的是每次迭代中网络同时处理的数据样本的数量；seq_len指的是输入数据序列中的元素的数量，d_model指的是模型中各个层的输入和输出向量的维度。
9、2)bert模型是以transformer模型的encoder结构为基础，相比标准transformer，bert模型中输入层的位置编码矩阵随模型权重同步学习和更新，并且具有双向注意力机制和预训练微调架构；其结构包括有批量归一化操作，dropout，残差结构，多头自注意力机制和前向传播；数据尺寸在该结构中保持不变。
10、3)输入层将输入序列执行位置编码后的结果与输入序列相加得到输入层的输出。
11、4)模型通过多个自注意力机制结构构成多头自注意力机制结构，多头注意力机制通过并行地执行多个自注意力操作，其中自注意力机制的表达式为：
12、
13、其中，q、k、v分别为查询向量，键向量和值向量，是键向量的维度；softmax函数中为计算得分，softmax函数将其转换为概率形式，与v相乘再求和，得到的输出向量。
14、5)前向层由全连接层，gelu激活函数，全连接层的顺序组成，输入输出数据尺寸不变。
15、6)bert的输出层仅由一层全连接网络来实现，在输出层数据的尺寸不变。
16、7)bert模型采样adam作为模型优化器，损失函数为均方误差损失函数。
17、进一步的，步骤2中，采集qam传输链路中偏振复用光纤信道的发送信号和接收信号作为训练集，发送信号作为bert模型的输入信号，通过bert模型实现对接收信息的拟合；基于训练集对bert模型进行训练，将数据转换为(batch_size,2*seq_len+1,d_model)的尺寸作为bert模型的输入，模型拟合生成接收信号；优化器adam利用模型拟合生成的接收信号与链路采集的接收信号之间的均方差值指导bert模型的权重进行调整，直到该模型收敛。
18、进一步的，batch_size取值64，seq_len取值20，d_model取值64。
19、进一步的，步骤3中，使用滑动序列的方式从发送信号中选取序列进入bert模型，模型生成偏振复用光纤信道的接收信号，然后与链路的接收信号相比计算模型的归一化均方误差。
20、本发明的有益技术效果为：
21、1、本发明能够有效拟合偏振复用光纤信道的特性和响应，避免了传统建模方法中对严格数理模型计算和专家经验建模的依赖，也无需明确的物理模型和先验知识，显著降低了计算复杂度。
22、2、本发明的bert模型具有强大的上下文学习能力和并行运算能力，可以有效地提高了系统的拟合精准度和运算速度。
1.一种基于深度学习的偏振复用光纤信道建模方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的偏振复用光纤信道建模方法，其特征在于，所述传输链路采用iq调制器(3)对激光器(1)发射出的连续光信号进行调制，调制器由正交调幅qam(2)电信号驱动；然后，产生的光调制信号通过深度学习网络(4)传输并由光电探测器(5)接收；接收到的电信号经过偏振模色散补偿(6)和相干接收(7)后被接收模块(8)接收。
3.根据权利要求1所述的一种基于深度学习的偏振复用光纤信道建模方法，其特征在于，所述步骤1中bert模型具体为：
4.根据权利要求3所述的一种基于深度学习的偏振复用光纤信道建模方法，其特征在于，所述步骤2中，采集qam传输链路中偏振复用光纤信道的发送信号和接收信号作为训练集，发送信号作为bert模型的输入信号，通过bert模型实现对接收信息的拟合；基于训练集对bert模型进行训练，将数据转换为(batch_size,2*seq_len+1,d_model)的尺寸作为bert模型的输入，模型拟合生成接收信号；优化器adam利用模型拟合生成的接收信号与链路采集的接收信号之间的均方差值指导bert模型的权重进行调整，直到该模型收敛。
5.根据权利要求3所述的一种基于深度学习的偏振复用光纤信道建模方法，其特征在于，所述batch_size取值64，seq_len取值20，d_model取值64。
6.根据权利要求4所述的一种基于深度学习的偏振复用光纤信道建模方法，其特征在于，所述步骤3中，使用滑动序列的方式从发送信号中选取序列进入bert模型，模型生成偏振复用光纤信道的接收信号，然后与链路的接收信号相比计算模型的归一化均方误差。
