本文提出了一种基于深度学习的双流特征融合光通信误码率预测网络（DF-BERNet），旨在解决传统解析模型在复杂损伤下准确性受限，以及现有数据驱动方法信息利用不充分的问题。

以下是该论文的核心内容简要总结：

1. 核心创新点：双流特征融合架构

多源信息互补：针对单一特征源无法兼顾系统全局宏观状态与信号局部动态结构的问题，设计了并行处理的双流网络，同时提取全局物理参数与局部工程化特征，实现多视角信息的深度整合。

无损拼接融合：采用特征拼接策略将两路特征融合，避免了加权或门控融合可能导致的特征压缩与关键信息丢失，完整保留了宏观配置与微观频域特征间的内在关联。

2. 模型架构与处理流程

全局物理参数表征分支：直接接收描述光通信链路状态的原始多维物理参数，通过标准化与主成分分析降维去相关，提取反映系统整体状态的全局特征。

工程化物理特征提取分支：将原始参数视为数值序列，计算时域统计特征，并执行快速傅里叶变换提取频域统计特征，以此挖掘参数间的交互规律与局部动态结构信息。

回归预测：将两路特征拼接后输入多层感知机，通过端到端训练最小化均方误差，实现对误码率的高精度回归预测。

3. 关键实验结果

预测精度显著提升：相较于基准多层感知机模型，DF-BERNet的决定系数提升至0.985，均方误差大幅降低，展现出卓越的拟合优度。

消融与对比优势：相比仅使用原始数据或单一工程特征的模型，双流融合模型的均方误差分别降低了约76.8%和66.1%；同时，其预测性能显著优于随机森林、支持向量回归及梯度提升树等传统机器学习算法。

良好的泛化适配能力：将构建的双流融合特征迁移至支持向量回归等传统模型中，其决定系数从0.915显著跃升至0.969，证明了该特征融合策略具有模型无关性，能普遍赋能各类基线算法。

4. 研究结论与展望

该研究通过整合系统级配置与信号级畸变细节，有效克服了单一特征视角的局限，显著提升了复杂传输损伤环境下误码率预测的准确性与鲁棒性。

未来工作将聚焦于在真实动态光网络环境中验证模型的实时性与泛化能力，并开展模型轻量化研究，以满足边缘侧低功耗部署的需求。