Whoscored(中国·中文)官网-专注足球数据分析的专业平台

图1：SCM系统框图，展示了发射机和接收机架构，包括子载波生成、复用和各种补偿技术。

该系统对每个子载波采用双偏振(DP)信号，使用升余弦脉冲整形数学表达传输信号。子载波间的间距经过精心优化，以防止干扰同时最大化频谱效率。

传统数字反向传播(DBP)已被广泛用于非线性补偿，但面临计算复杂度的挑战。在SCM系统中，需要处理两种主要的非线性效应：自身子载波非线性(SSN)和交叉子载波非线性(CSN)。

图2：展示(a)SCM-DBP过程中的SSN和CSN补偿阶段，以及(b)提出的SCM-LDBP结构，演示了神经网络架构。

SCM学习型DBP(SCM-LDBP)方法将传统DBP原理与深度神经网络相结合，实现了性能提升和复杂度降低。主要创新包括并行处理多个神经网络同时处理不同子载波，通过时域滤波用优化的FIR滤波器替代频域运算，以及神经网络在训练过程中进行自适应补偿学习最优滤波器系数。

大量仿真证明了SCM-LDBP相比传统方法的有效性。

图3：不同干扰子载波数量下SCM-DBP的性能比较，在(a)1跨度/步长和(b)20跨度/步长条件下，显示了随干扰子载波增加的Q因子改善。

图4：SCM-DBP与SCM-LDBP在不同干扰子载波数量下的性能比较，展示了所提方法的优越性能。

结果表明SCM-LDBP在32波特系统中相比SCM-DBP提高0.3 dB的Q因子，与传统方法相比降低31.7%的复杂度，并且随数据速率提高保持良好的性能扩展性。

SCM-LDBP的一个关键优势是降低了计算需求。复杂度降低通过消除FFT/IFFT运算、优化时域滤波和并行处理架构来实现。

图5：32波特系统中SCM-DBP和SCM-LDBP在不同干扰子载波数量下的复杂度比较，显示计算需求显著降低。

图6：120波特系统的复杂度比较，展示在更高数据速率下保持效率优势。

图7：120波特SCM系统的性能结果，显示(a)不同干扰子载波的SCM-DBP结果和(b)SCM-DBP与SCM-LDBP方法的比较。

理解性能提升和计算需求之间的平衡对实际实施很重要。

图8：32波特系统在不同跨度每步长下的性能与复杂度分析，说明最优工作点。

图9：120波特系统的性能-复杂度权衡分析，显示在更高数据速率下保持优势。

成功部署SCM-LDBP需要注意训练要求，包括128帧每帧4098个符号，优化批次大小为32，使用学习率0.001的Adam优化器。在滤波器设计方面，需要优化CDC FIR滤波器长度，实现7抽头CSN-LPF，并平衡复杂度与性能。系统参数方面需要谨慎选择子载波数量，优化发射功率，同时考虑传输距离。该技术在城域网络、长距离传输系统和高容量数据中心显示出特别好的效果。

研究方向涵盖与现有SCM部署的集成、扩展到更高阶调制格式、在波分复用系统中的应用、硬件高效实现和实时处理能力等领域。

本文展示了SCM-LDBP为光纤通信中的非线性补偿提供了有效解决方案。该方法成功将深度学习与传统信号处理技术的优势相结合，在降低复杂度的同时实现了更好的性能。随着数据速率持续提高和网络架构发展，这种高效的补偿技术将对下一代光通信系统变得更加重要。