用于降低相干光通信系统PAPR的深度学习自编码器
信号处理
2025-03-03 v2
摘要
本文提出了一种降低峰均功率比(PAPR)的创新方法。所提方法使用一种称为自编码器的深度学习模型来简化流程，并避免传统方法如选择性映射(SLM)的复杂计算。与SLM不同，我们的方法不需要关于PAPR分布的边信息。通过对相干光正交频分复用(CO-OFDM)系统的仿真，基于自编码器的模型在PAPR降低和误码率(BER)性能方面均较传统技术有显著提升。与原始信号相比，PAPR降低超过10 dB即可实现无差错传输，且比SLM具有1 dB的优势。特别地，该自编码器模型在44 dB OSNR下实现了2×10^{-6}的最佳BER性能，超越了传统方法。此外，该模型对噪声和非线性失真表现出鲁棒性，使其适用于经历不同损伤程度的光信道。这一创新技术有望通过实现高效可靠的数据传输，彻底改变下一代光通信系统。
引用
@article{arxiv.2408.14248,
title = {Deep Learning Autoencoders for Reducing PAPR in Coherent Optical Systems},
author = {Omar Alnaseri and Ibtesam R. K. Al-Saedi and Yassine Himeur and Hongxiang Li},
journal= {arXiv preprint arXiv:2408.14248},
year = {2025}
}
备注
accepted to ICC 2025