本文提出了一种基于递进感知 Transformer（Progressive Perception Transformer）的光纤通感一体化链路损伤补偿方法，旨在解决接入网场景下，通信信号因色散、非线性效应及传感功能引入的复杂干扰而导致的性能下降问题。

以下是该论文的核心内容简要总结：

1. 核心创新点：递进感知 Transformer 模型

限制感受野：针对光纤链路中信号损伤主要来源于相邻符号的特点，传统 Transformer 的全局注意力机制不仅计算复杂且易引入无关噪声。该模型通过限制自注意力机制的感受野，使模型聚焦于每个符号的局部邻域信息。

逐层递进感知：随着编码层数的增加，逐层增大感受野直径。这种设计模拟了物理链路中损伤形成与累积的过程，既保留了 Transformer 强大的特征提取能力，又降低了计算复杂度，增强了模型对局部依赖关系的捕捉能力。

2. 系统架构与流程

应用场景：面向接入网场景，传输介质为约 25 km 单模光纤，调制格式为四电平脉冲幅度调制（PAM-4），采用线性扫频载波实现通感一体化。

处理流程：接收信号经数字信号处理（DSP）预处理后输入模型。模型包含输入模块（一维卷积提取局部相关性、可学习位置编码）、编码器（多层递进感知 Transformer）和输出模块。仅提取序列中心位置的输出特征进行映射，以最小化均方误差为目标进行训练。

3. 关键实验结果

超参数优化：通过对比不同头数和层数的配置，确定最优配置为头数 4、层数 6；输入序列长度设为 51 时性能与复杂度达到最佳平衡。

性能优势：与传统判决导引最小均方（DD-LMS）、时间卷积神经网络（TCNN）及传统 Transformer 相比，递进感知 Transformer 在相同接收功率下误码率最低。

功率代价降低：在误码率为 10−210−2 时，该方法相比 DD-LMS 方法可使通信接收光功率代价降低 2 dB 以上，且在 -10 dBm 接收功率下误码率满足前向纠错（FEC）门限要求。

4. 研究结论与展望

该方法通过结构化的稀疏注意力连接，有效捕捉了通感一体化链路中的复杂符号间干扰，显著提升了损伤补偿性能。

未来工作将结合物理先验知识提升模型泛化能力与可解释性，并扩展至城域网等更远距离、更复杂调制格式的场景。