基于双向循环神经网络在色散强度调制信道上的端到端优化传输
信息论
2019-07-24 v2 math.IT
机器学习
摘要
我们提出了一种用于色散强度调制直接检测（IM/DD）信道通信的基于自编码序列的收发机，其被设计为双向深度循环神经网络（BRNN）。接收机采用滑动窗口技术以实现高效的数据流估计。我们发现，这种基于通信系统端到端深度学习的滑动窗口BRNN（SBRNN）在所有考察距离上相比先前作为前馈神经网络（FFNNs）实现的基于块的自动编码器均实现了显著的误码率降低，从而增加了传输距离。我们还将端到端SBRNN与基于两级脉冲幅度调制并采用FFNN接收机、同时处理多个接收符号且逼近非线性Volterra均衡的先进IM/DD方案进行比较。我们的结果表明，SBRNN在42和84 Gb/s下均优于此类系统，同时训练更少的参数。我们的新型SBRNN设计旨在为具有记忆的非线性信道（如光IM/DD光纤信道）定制基于端到端深度学习的系统。
引用
@article{arxiv.1901.08570,
title = {End-to-End Optimized Transmission over Dispersive Intensity-Modulated Channels Using Bidirectional Recurrent Neural Networks},
author = {Boris Karanov and Domaniç Lavery and Polina Bayvel and Laurent Schmalen},
journal= {arXiv preprint arXiv:1901.08570},
year = {2019}
}
备注
accepted for publication in Optics Express