基于学习型数字反向传播在色散管理系统中的均衡
网络与互联网体系结构
2023-07-14 v1 机器学习
信号处理
摘要
在本文中，我们研究了使用学习型数字反向传播（LDBP）对色散管理（DM）链路中的双偏振光纤传输进行均衡。LDBP 是一种利用随机梯度下降优化 DBP 参数的深度神经网络。我们在一个模拟的 WDM 双偏振光纤传输系统中评估 DBP 和 LDBP，该系统每信道比特率为 256 Gbit/s，色散图设计用于 2016 km 链路且残余色散为 15%。我们的结果表明，在单信道传输中，相对于线性均衡和 DBP，LDBP 分别实现了 6.3 dB 和 2.5 dB 的有效信噪比提升。在 WDM 传输中，相应的 因子增益分别为 1.1 dB 和 0.4 dB。此外，我们进行了复杂度分析，揭示 LDBP 和 DBP 的频域实现在复杂度方面优于时域实现。这些发现证明了 LDBP 在减轻 DM 光纤传输系统中非线性效应方面的有效性。
引用
@article{arxiv.2307.06821,
title = {Equalization in Dispersion-Managed Systems Using Learned Digital Back-Propagation},
author = {Mohannad Abu-Romoh and Nelson Costa and Yves Jaouën and Antonio Napoli and João Pedro and Bernhard Spinnler and Mansoor Yousefi},
journal= {arXiv preprint arXiv:2307.06821},
year = {2023}
}