深度学习用于短距离光纤通信中数字信号处理的实验研究
信号处理
2020-05-19 v1 信息论
机器学习
math.IT
摘要
我们研究了基于循环神经网络 (RNN) 的自编码器在色散非线性信道上通信的实验性能增强方法。具体而言，我们关注近期提出的滑动窗口双向 RNN (SBRNN) 光纤自编码器。我们表明，在接收端调整序列估计算法中的处理窗口，可提升在信道模型上训练并“原样”应用于传输链路的简单系统的传输距离。此外，所采集的实验数据被用于优化接收机神经网络参数，从而在至多 70 km 距离上以低于 6.7% 硬判决前向纠错阈值的误码率 (BER) 传输 42 Gb/s，以及在 20 km 上传输 84 Gb/s。我们将基于实验数据优化的数字信号处理 (DSP) 研究扩展至脉冲幅度调制，其接收机采用前馈或循环神经网络执行滑动窗口序列估计，以及经典的非线性 Volterra 均衡。我们的结果表明，在固定算法记忆下，基于深度学习的 DSP 实现了改进的 BER 性能，从而增加了系统的传输距离。
引用
@article{arxiv.2005.08790,
title = {Experimental Investigation of Deep Learning for Digital Signal Processing in Short Reach Optical Fiber Communications},
author = {Boris Karanov and Mathieu Chagnon and Vahid Aref and Filipe Ferreira and Domanic Lavery and Polina Bayvel and Laurent Schmalen},
journal= {arXiv preprint arXiv:2005.08790},
year = {2020}
}
备注
Invited paper at the IEEE International Workshop on Signal Processing Systems (SiPS) 2020