0 引言
        量子密钥分发（QKD）技术已经成为量子通信领域的研究热点之一[1，2]。根据载体不同，可分为连续变量量子密钥分发（CV-QKD）[3]和离散变量量子密钥分发（DV-QKD）[4]。DV-QKD研究相对较早，技术也相对成熟，但由于光源制备困难、检测设备昂贵和检测效率低等因素制约了其进一步发展；CV-QKD技术研究虽然发展起步相对较晚，但其具有光源较易实现、通信容量大、检测设备简单和检测灵敏度高等诸多优点，成为QKD领域新的研究热点之一[5-7]。由于单光束相干光通信（SBCOC）的众多优点，可以使用SBCOC搭建CV-QKD系统，由于CV-QKD传输的是微弱光信号，其偏振态控制器（PSC）的器件蠕动特性、安装偏差等因素导致的误差使得PSC输出精度不高，会对系统的工作状态产生很大影响。因此，提高CV-QKD中PSC输出信号的精度具有实际应用价值[8，9]。
        近年来，提高PSC输出信号精度主要有外加模块修正输出法和公式描述法[10]。在外加模块修正法中，如用比例-积分-微分（PID）控制器对PSC进行调节使得输出稳定[11]，但是存在调节速度缓慢以及当器件的特性发生蠕动后，PID控制效果下降等问题；也有使用在线偏振仪对PSC输出进行修正[12]，但是存在设备昂贵与增加搭建复杂度等问题。在公式描述法中，常对PSC作用原理用公式推导加以描述，但公式是在理想情况下建立的，实际器件有材料特性误差、加工误差和安装位置误差等现实原因，必将导致输出与理论值存在偏差和误差，降低实验的稳定性和精度。

为使PSC稳定地输出精确信号，本文在分析PSC原理和误差产生因素的基础上，提出利用广义回归神经网络（GRNN）[13，14]非线性逼近能力，辨识PSC的输入/输出之间的非线性特性，建立输入电压与输出修正量之间的模型。

4 结束语
       本文针对PSC输出信号误差较大的问题，首先介绍了PSC的工作原理，分析了误差引入的原因，并且在理论分析基础上，构造控制器实物。为了提升PSC输出信号精度，提出了一种基于GRNN的PSC修正预测模型。经过计算仿真和实验测量，对比了修正补偿后的预测值与理论值、未修正补偿的测量值与理论值之间的误差，发现由GRNN得到的模型能更好地修正误差，使最终的误差不超过0.03，远远优于未加修正补偿的误差，使得PSC的输出能更逼近理论值，进一步提升了PSC的性能。该器件模型可用于单光束相干光通信中。