科研之友
微信
新浪微博
Facebook
分享链接
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，但是在实际应用中，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，并且当目标域发生变化后需要重新寻找最佳源域，这会消耗大量的训练资源。【方法】为了解决这一问题，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)和双向长短期记忆网络(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，并且无需寻找最佳源域，即可实现良好的性能。【结果】为了验证其有效性，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值分别提高了0.82和0.18dB。【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。
