光相干系统中深度神经网络辅助软解映射：回归与分类之比较
信号处理
2022-08-23 v5
摘要
本文研究了在相干光通信中，使用神经网络（NN）的何种预测建模方式——分类或回归——更适合基于软解映射的后处理任务，其中传输信道具有非线性和色散特性。我们首次给出了在机器学习背景下使用各类预测任务的潜在缺陷，并考虑了非线性相干光信道均衡/软解映射问题。我们基于前馈和循环神经网络研究了两类均衡器，针对光信道线性和非线性体制下的若干传输场景展开分析。我们指出，尽管从信息论角度看交叉熵损失（分类）是我们问题的最合适选择，但基于交叉熵损失函数的NN模型可能严重受困于学习问题。这导致基于回归的学习通常在提供更高Q因子和可达信息速率方面更优。简言之，我们通过实证表明，当过拟合与梯度消失相关问题出现时，基于交叉熵的损失函数在实际场景的训练通信系统中未必是最合适的选择。
引用
@article{arxiv.2109.13843,
title = {Deep Neural Network-aided Soft-Demapping in Optical Coherent Systems: Regression versus Classification},
author = {Pedro J. Freire and Jaroslaw E. Prilepsky and Yevhenii Osadchuk and Sergei K. Turitsyn and Vahid Aref},
journal= {arXiv preprint arXiv:2109.13843},
year = {2022}
}