来源：期刊VIP网 时间：
作者：陈志轩;蔡炬;张洪波;张敏;万峰;杜杰;刘娇;张倩武;
单位：成都信息工程大学通信工程学院;上海大学特种光纤与光接入网省部共建重点实验室;
摘要：【目的】近年来基于神经网络(NN)的均衡器在光纤非线性损伤补偿中被广泛使用，但在实际应用中，需要消耗大量资源对NN进行再训练以适应新环境下的光通信系统。迁移学习通过将初始系统(源域)训练的NN模型中的一部分参数应用于新环境(目标域)下的NN模型，仅需使用少量的训练数据即可实现目标域模型的快速重构，但是该方法需要在所有源域中找到最佳源域进行迁移以获得良好的性能，且当目标域变化后需重新寻找最佳源域，这会消耗大量的训练资源。【方法】为解决此问题，文章提出了一种基于多源域迁移学习的方法，该方法将卷积神经网络(CNN)和双向长短期记忆(BiLSTM)作为均衡器，通过特定源域训练和多源域训练两个过程交替更新网络参数，然后针对新环境下的光通信系统进行微调，只需使用少量的初始训练数据即可适应传输系统的变化，且无需寻找最佳源域即可实现良好的性能。【结果】文章在5通道50-GBaud波分复用(WDM)双偏振16阶正交幅度调制(DP-16QAM)的光传输系统中进行了仿真验证，综合数值仿真结果表明，仅需使用35%的目标域数据进行多源域迁移学习，即可具有比再训练方法更好的性能。同时，与再训练和单源域迁移学习相比，多源域迁移学习的Q因子分别提高了0.82和0.18 dB。【结论】因此，多源域迁移学习方案更适合于实际的光通信系统。
关键词：光通信系统;;非线性损伤补偿;;卷积神经网络;;双向长短期记忆;;迁移学习
基金资助：四川省科技计划资助项目(2021YFG0149);; 上海市科委重点实验室资助项目(SKLSFO2019-06);; 高等学校学科创新引智计划资助项目(111;D20031)
