基于机器学习的相干光通信系统传输性能评估

陈中盛，高冠军，刘鸿飞

(1.北京邮电大学 信息光子学与光通信国家重点实验室，北京 100876；2.中国科学院国家天文台 FAST重点实验室，北京 100101)

0 引 言

当前，云计算、大数据和大视频等业务快速发展，光纤通信系统已成为移动通信网络和互联网的主干核心,并承载了绝大部分互联网数据流量，对光纤大容量和低时延提出了更高要求。因此，对相干光通信系统中光纤链路的传输性能进行评估在系统设计阶段显得特别重要。在目前已有的许多研究中[1-5]，应用最为广泛的非线性干扰(Nonlinear Interference ，NLI)评估模型为高斯噪声(Gaussian Noise，GN)模型，该模型假设系统传输的波分复用(Wavelength Division Multiplexing， WDM)信号服从联合高斯分布，所有WDM子信道均可认为服从高斯分布，且通过GN模型能够对传输性能进行较为准确的评估。

本文采用机器学习技术对相干光系统合作式传输性能进行了更准确和更快速的评估，其中，训练和测试数据集根据GN模型运用Matlab软件进行理论计算获取，通过该机器学习模型能够优化传输系统设计，从而降低使用者的成本，满足高速相干光系统飞速增长的应用需求[6-8]。

1 GN传输性能评估模型

相干光通信系统中的传输性能评估模型通常采用GN模型的假设，用以描述无色散补偿的相干接收系统中所受到的非线性损伤[9]。该模型假设光纤系统传输的WDM信号服从联合高斯分布，并且系统内所有WDM子信道均可认为服从高斯分布。基于这种假设，计算系统信噪比(Signal to Noise Ratio，SNR)时，系统噪声可以将NLI和放大器自发辐射(Amplifier Spontaneous Emission，ASE)噪声进行叠加，GN模型下系统SNR可表示为