短距离光通信系统中的机器学习综述

近年来,人们大量研究探索了机器学习算法在各种直接探测和自相干短距离通信应用中的利用。这些应用涵盖广泛的任务,包括带宽请求预测、信号质量监测、故障检测、流量预测和基于数字信号处理（DSP）的均衡。作为一种通用方法,机器学习能够解决光系统网络中那些确定性方法可能不足之处的随机现象。然而,在DSP均衡算法方面,其性能提升往往有限,且复杂度高,尤其在成本敏感的短距离通信场景中,如被动光网络（PON）。它们在捕捉时序依赖性、处理不规则或非线性模式方面有优势,并且能够适应可变时间间隔。在本综述中,我们概述了机器学习技术在短距离通信中的应用,特别强调其在高带宽需求PON中的利用。值得注意的是,我们引入了一种新型分类框架,用于对机器学习信号处理中的时间序列方法进行结构化分类。我们的分类将当前时间序列方法分为四个 distinct 组:传统方法、傅里叶卷积方法、基于Transformer的模型和时间序列卷积网络。最后,我们指出了这个快速发展领域的前景研究方向,并概述了具体解决方案以缓解硬件实现相关的复杂度。我们旨在通过解决复杂度问题,为在短距离光通信系统中部署机器学习方法铺平道路,使其更加实用和高效。