广义少样本迁移学习架构在EDFA增益谱建模中的应用
准确建模掺铒光纤放大器（EDFA）的增益谱对于优化光网络性能至关重要，特别是在网络向多厂商解决方案演进的背景下。本研究提出了一种基于半监督自归一化神经网络（SS-NN）的广义少样本迁移学习架构，该架构利用EDFA内部特征（如VOA输入/输出功率和衰减）来改进增益谱预测。
方法架构
SS-NN模型采用两阶段训练策略：
- 无监督预训练：使用噪声增强测量数据进行模型初始化
- 监督微调：采用自定义加权均方误差损失函数进行精细调整
该框架通过迁移学习（TL）技术实现同构（相同特征空间）和异构（不同特征集）模型适配，可应用于 booster、preamplifier 和 ILA 三类EDFA设备。针对异构迁移学习中的特征不匹配问题，引入协方差匹配损失来对齐源域和目标域的二阶特征统计量。
实验验证
在COSMOS和Open Ireland测试平台的26个EDFA设备上进行大量实验表明：
- 相比基准方法显著降低系统测量需求
- 实现更低的平均绝对误差
- 获得改进的误差分布
技术贡献
本研究的主要创新点包括：
- 提出面向多类型EDFA的统一建模架构
- 开发针对光学器件的半监督学习范式
- 解决跨设备迁移学习的特征对齐挑战