面向物理的非线性薛定谔方程学习：光纤损耗与色散剖面辨识
信号处理
2021-04-14 v1 光学
摘要
在光纤通信中，针对非线性薛定谔方程（NLSE）的系统辨识（SI）长期主要被用于光纤非线性补偿（NLC）。近期一类研究将数字反向传播（DBP）等行为模型方法与神经网络（NN）等数据驱动方法相结合。这些工作旨在获取更大的 NLC 增益；然而，若将注意力转向此类 SI 过程中学习到的参数，则有可能提取出系统状态信息，即光纤参数。在此，我们表明，基于模型的优化与 NN 基 DBP 中学习参数的可解释特性使得传输线路监测成为可能，可完整提取实际的在线 NLSE 参数分布。具体而言，我们展示了可一次性获取多跨段链路沿线的纵向损耗与色散剖面，直接来自承载数据的信号，无需任何专用模拟设备（如光时域反射仪）。我们将该方法应用于长距离（约 2080 km）链路，并测试了多种链路条件，包括插入额外损耗、不同光纤输入功率以及非均匀电平图。还从测量范围、精度与光纤发射功率方面考察了测量性能。这些结果为简化与自动化网络管理作为 DBP 的另一应用提供了路径。
引用
@article{arxiv.2104.05890,
title = {Physics-oriented learning of nonlinear Schr\"odinger equation: optical fiber loss and dispersion profile identification},
author = {Takeo Sasai and Masanori Nakamura and Etsushi Yamazaki and Shuto Yamamoto and Hideki Nishizawa and Yoshiaki Kisaka},
journal= {arXiv preprint arXiv:2104.05890},
year = {2021}
}
备注
26 pages, 10 figures