基于分段序列联合学习网络的光收发机IQ损伤监测

周以琳，雷印杰

（四川大学电子信息学院，成都 610065）

0 引言

光收发机同相/正交（In‑phase/Quadrature，IQ）损伤监测技术对于相干光通信系统实现可靠传输非常重要。IQ 损伤是由发射机和接收机设备缺陷引起的同相（I）和正交（Q）不匹配［1‑3］。在高数据速率和高阶调制格式下，IQ 损伤会严重影响其他参数的估计，并导致系统性能显著下降［4‑6］。因此，收发机IQ 损伤监测技术对高速光纤通信系统的未来发展至关重要。

针对上述问题，已有许多学者做了大量工作。例如，对扫描有限脉冲滤波器的增益比例因子来检测相干IQ 发射器功率不平衡进行研究［7］。设计一种基于最大似然独立分量分析的方法［8］，无需训练数据和调制格式信息即可准确估计Tx‑IQ 不平衡。以及经典的Gram‑Schmidt正交化程序［9］，用于补偿和估计数字域中的Rx‑IQ 不平衡。设计一种联合监测Tx 和Rx 中IQ 损伤的方法［10］，但它依赖于对自适应多层SL 和WL滤波器系数的良好控制［11］。

近年来，机器学习技术已应用于光通信。例如，对基于深度学习辅助监测相干发射机IQ偏斜和功率不平衡进行研究［12］。但是，该方法需要额外的特征工程来提取信号特征。然后，利用简单的全连接前馈神经网络建立信号特征与发射机中IQ 偏斜和IQ 功率不平衡之间的数值关系。此外，该方法不能估计发射机中的IQ 相位偏差和接收机中的IQ损伤。

我们提出了一种分段序列联合学习网络（segmented sequence joint learning network，SSLN），该网络通过分析DSP 处理的时域数据来隔离和监测相干收发机IQ 损伤，而无需额外的特征提取器。数字信号处理器（DSP）应用于相干检测后的二次过采样接收信号，其中数字信号处理包含CD 补偿、时钟恢复、频偏补偿和载波恢复。经过上述处理后，将经过训练的SSLN模型用于监测收发器IQ 损伤。为了证明所提出的方法在监测相干光收发机IQ 损伤方面的有效性，我们对100 km 标准单模光纤上的100‑Gbaud QPSK/64QAM 信号传输进行了数值模拟。数值模拟结果表明，当多种损伤同时存在时，所提出的SSLN 能够准确有效地监测Tx 和Rx 的IQ损伤。

1 IQ损伤的数学原理

本节对传统光学Tx和具有相干检测的Rx中IQ 损伤进行数学描述，以为后续研究提供理论基础。考虑到Tx 和Rx 产生的IQ 损伤是I、Q 两路信号的相位、幅度和时间存在不匹配，在下面使用IQ分量来数学描述损伤。

在图1（a）所示的Tx 中，来自A/D 输出的两个信号驱动IQ 调制器调制来自ECL 的光源。与90°相移混合后，它构成了IQ分量。在这个过程中，IQ 时延、IQ 幅度不平衡和IQ 相位偏差依次发生。假设理想传输的信号是受发端IQ损伤影响后可以表示［10,13］

图1 发射机（a）和接收机（b）装置

其中: ⊗代表卷积运算，gI和gQ，τI和τQ分别是I和Q两路的增益和时延。在此，发射机IQ幅度不平衡以dB 为单位， 可以表示为γTx=20 lggQ/gI，IQ 相位偏差αTx=α，IQ 时延可以表示为τTx=τQ−τI。

图1（b）显示了具有相干检测的传统光学Rx配置。当平衡检波器的输出功率与放大器的增益不匹配时，就会发生幅度不平衡。光学混合电路的相位出现偏差时会导致IQ 分量出现相位偏差。在接收端光路和接收器侧电路之间的长度差异也会引起IQ 时延。假设接收到的信号为受收端IQ 损伤影响后可以表示为

其中：T 表示转置，接收机IQ 幅度不平衡为γRx= 20 log10gQ/gI，IQ 相位偏差为αRx=α，IQ skew为τRx=τQ−τI。

基于上述原理，一些工作通过补偿滤波器的系数监测收发器智商损伤［10‑11］。我们的工作使用经过训练的SSLN 模型来联合监测IQ 损伤。接下来，我们将重点介绍分段序列联合学习网络（SSLN）的原理。

2 SSLN网络结构设计

我们提出了分段序列联合学习网络（SSLN）来监测相干光收发机中的IQ 损伤。SSLN 网络由三个模块组成，如图2所示。分割序列融合模块（FSS）和自适应降噪模块（ANR）用于参数共享，从接收到的数据中学习IQ 损伤的融合特征。多任务分支学习模块（MBL）用于优化各自任务的共享特征。具有三个模块的SSLN 在DSP 处理的接收信号X 与Tx 和Rx 中的IQ 损伤之间建立了映射关系。然后，监测Tx 和Rx 中的IQ 偏斜，IQ幅度不平衡和IQ相位偏差。

图2 SSLN网络模型

2.1 分割序列融合模块

从前面介绍的IQ损伤数学模型中可以看出，接收到的数据中的每一个点都包含着每个IQ损伤的影响值。为了增强同一样本的IQ损伤特征，我们增加了FSS 模块，用于分割序列和提取特征，然后将提取的特征融合以增强有效特征。FSS模块将网络的输入数据X =[]x(1),x(2),…,x(n) 分成N块。输入数X变为

每块数据可以表示为

2.2 自适应降噪模块

融合的特征包含或多或少的冗余信息。为了减少这些冗余信息，我们引入了ANR 模块，该模块由软阈值化结构和多层一维卷积结构组成。软阈值化是信号降噪算法的核心步骤［15］。它可以将绝对值小于阈值的特征设置为零，绝对值大于此阈值的特征也会朝着零的方向收缩。它可以简单地表示为

软阈值的获得通常是与注意力机制相结合［15］。它通过简单的MPL 自主学习阈值θ，以便每个样本都有自己唯一的阈值θ。将融合后的特征fFus经过软阈值化后再送入1D 卷积网络，得到更高层次的特征信息fANR。我们将该模块的映射表示为FANR(∙)，则不同输入对应不同的去噪结果：

其中FANR( )∙的参数由网络学习确定。

2.3 多任务分支学习模块

因为需要监测多种损伤，SSLN 也是一种多任务联合学习模型。CFF 和ANR 可以看作是多任务学习模型的共享参数部分，每个任务相互作用，最后通过分支模块输出每个任务的目标值。为了便于理解，我们将用于收发机IQ 时延监测的分支模块表示为Fτ(∙)，将用于收发机IQ相位偏差监测的分支模块表示为Fα(∙)，将用于收发机IQ 幅度不平衡监测的分支模块表示为Fγ(∙)。每个任务分支模块获取的监测值为

Fτ(∙)、Fα(∙)和Fγ(∙)是通过组合不同的全连接层来实现的，所有这些都使用激活函数ReLU。它们的参数也由网络训练决定。

2.4 网络训练和推理

SSLN 是一个深度神经网络，其优化需要定义损失函数和优化器。优化器将通过最小化损失函数来优化SSLN 中每个模块的参数。我们选择自适应动量优化器（Adam）［16］来优化SSLN 参数。它能保持梯度平滑，并在训练过程中为不同参数生成自适应学习率。损失函数选择适用于回归模型的SmoothL1Loss［17］，其定义为

其中：x表示预测值；y表示目标值，式（10）对x的偏导数为

从式（11）可以看出，当预测值与目标值的误差较小时，SmoothL1Loss 在x上会有较小的梯度；当误差较大时，x上的梯度绝对值不会超过1，从而可以保证网络稳定地更新参数。

在推理阶段，输入经DSP 处理后的接收数据，SSLN 可以同时输出Tx 和Rx 中的IQ 时延，IQ幅度不平衡和IQ相位偏差。

3 仿真结果和分析

我们对光通信系统传输进行了仿真。在发射端，100‑Gbaud QPSK/64QAM 信号首先进行两次过采样，然后由滚降因子为0.1 的根升余弦滤波器RCC 进行脉冲成形。来自数模转换器输出的信号驱动IQ 调制器调制来自ECL 的光源。与90°相移混合后，构成调制光信号。光信号通过100 km SSMF 传输并通过相干检测接收。其中激光线宽设置为50 kHz。发射机IQ 损伤和接收机IQ损伤分别基于公式（1）和（2）诱导。表1总结并提供了数值模拟的发射机和接收机IQ损伤范围。

表1 数值模拟参数

DSP应用于相干检测后的二次过采样接收信号，其中数字信号处理包含CD补偿、时钟恢复、频偏补偿和载波恢复。经过上述处理后，将经过训练的SSLN模型用于监测收发机IQ损伤。

3.1 实施细节

SSLN 模型使用基于Python 3.7 的Pytorch 框架实现，并在带有GeForce RTX 2080ti 显卡的Ubuntu 16.04系统上进行训练。使用实验数据训练模型是不切实际的，因为深度神经网络需要大量的训练数据才能生成高精度的模型。我们仿真生成了包含800，000 个样本的数据集，其中每个样本根据表1 的随机组合在Tx 和Rx 中添加IQ 损伤。使用97%的数据集优化SSLN 的参数，并使用3%的数据集测试模型。在此方案中，训练批次设置为128，初始学习率设置为0.01。我们每迭代20 轮就进行一次0.1 倍的学习率衰减。使用Adam 优化器来获得最佳模型参数。实验结果来自50 次独立测试的平均值，每个测试使用6144 个采样信号。为了便于比较分析，测试集中的IQ时延从−5 ps增加到+5 ps，步长为1 ps；IQ 幅度不平衡从−4dB 增加到+4 dB，步长为1 dB；IQ 相位偏差从−10°增加到+10°，步长为1°。

3.2 不同调制格式下的SSLN性能

我们监测100‑Gbaud 64QAM 和QPSK信号上的收发机IQ 损伤，以测试SSLN 性能。图3 显示了SSLN 模型在两个不同调制格式数据集上的监测结果的平均绝对误差（MAE）。其中每组MAE来自50 次独立测试的平均值。对于Tx 和Rx损伤，IQ 幅度不平衡的范围为［−4，4］dB，监测误差在0.2 dB 内；IQ 相位偏差的范围为［−10°，10°］，监测误差在0.8°以内；IQ 时延的范围为［−5，5］ps，监测误差在0.2 ps 以内，如图3所示。两种不同的调制格式下监测误差基本相近。

图3 基于SSLN的100⁃Gbaud QPSK/64QAM信号的监测MAE

3.3 SSLN的鲁棒性

我们使用仅添加Tx‑IQ 损伤或Rx‑IQ 损伤的测试集来评估SSLN 网络模型的鲁棒性。图4 显示了仅在100‑Gbaud 64QAM 信号中添加Tx‑IQ 损伤或Rx‑IQ 损伤时，使用经过训练的SSLN 模型对每个IQ损伤的监测偏差分布。我们可以看到，SSLN 模型在仅存在发射机或接收机IQ 损伤时，也能有效地监测个体IQ损伤。

图4 SSLN模型对每个IQ损伤监测的偏差分布

我们通过改变测试集的OSNR 来评估SSLN的鲁棒性。在1300 组数据上进行了测试，监测偏差的分布如图5所示。在测试集中，调制格式为64QAM，OSNR 分布在15～40 dB 的范围内。为了便于讨论，所有测试集的收发机IQ损伤都是相同的（Tx‑IQ 时延为−1 ps，Rx‑IQ 时延为2 ps，Tx‑IQ 幅度不平衡为2 dB，Rx‑IQ 幅度不平衡为1 dB，Tx‑IQ 相位偏差为5°，Rx‑IQ 相位偏差为4°）。由图可看出，各损伤的监测偏差都随着OSNR 的增加而降低。此外，当OSNR 范围为15～40 dB 时，IQ 相位偏差的监测偏差小于0.8°，如图5 所示。当OSNR 超过20 dB 时，IQ时延的监测偏差小于0.2 ps，IQ幅度不平衡的监测偏差小于0.2 dB。结果表明，所提出的SSLN模型在OSNR分布范围较宽的情况下仍能取得有效的监测效果。

图5 不同OSNR条件下SSLN模型在IQ损伤的监测分布

4 结语

我们提出了一种基于SSLN 模型的相干光收发机IQ 损伤监测方案，并对100‑Gbaud QPSK/64QAM的传输系统进行了仿真。验证结果表明，SSLN 模型在多个IQ 损伤同时存在的条件下，可以有效地监测并分离每个IQ 损伤。SSLN 模型通过分析经CD 补偿、时钟恢复、频偏补偿和载波恢复处理后的接收数据，能够准确有效地监测IQ损伤，监测结果受调制格式和OSNR影响。