基于机器学习、在8500个充分随机化全C波段系统上验证的高精度闭式实时EGN模型公式
信号处理
2023-07-19 v2
摘要
我们推导了一个近似非线性干扰（NLI）闭式模型（CFM），能够处理非常广泛的光波分复用（WDM）系统场景。我们在8500个随机化C波段WDM系统上测试了该CFM，其中6250个为满载，2250个为部分负载。这些系统在信道格式、符号速率、光纤以及其他参数上具有高度多样性。我们通过用简单的机器学习因子扩充公式来提升CFM精度，这些因子利用系统测试集进行优化。我们还通过增加一项来建模NLI具有高自相干性的特殊情况，从而进一步改进CFM。最终，我们获得了与采用数值积分的增强GN模型（或称EGN模型）结果非常吻合的表现。我们还通过将CFM预测与300个随机化系统的全C波段分步仿真进行比较来检验其精度。CFM兼具高精度与极快计算时间（毫秒级），使其有潜力成为实时物理层感知光网络管理与控制的有效工具。
引用
@article{arxiv.2005.14550,
title = {Accurate Closed-Form Real-Time EGN Model Formula Leveraging Machine-Learning over 8500 Thoroughly Randomized Full C-Band Systems},
author = {Mahdi Ranjbar Zefreh and Fabrizio Forghieri and Stefano Piciaccia and Pierluigi Poggiolini},
journal= {arXiv preprint arXiv:2005.14550},
year = {2023}
}
备注
Author's version of the manuscript accepted for publication on the Journal of Lightwave Technology, May 2020