神经 Turbo 均衡：用于光纤非线性补偿的深度学习
信号处理
2019-11-25 v1 信息论
机器学习
math.IT
摘要
近来，受现代深度学习启发的数据驱动方法已应用于光通信以替代传统的基于模型的对应方法。深度神经网络（DNN）的应用允许对复杂光纤系统进行灵活的统计分析而无需依赖任何特定物理模型。由于 DNN 固有的非线性，各种基于 DNN 的均衡器已显示出缓解光纤非线性的显著潜力。本文中，我们提出一种基于 DNN 的 turbo 均衡（TEQ）作为处理未来相干光通信中非线性光纤损伤的新替代框架。所提出的 DNN-TEQ 由嵌套深度残差网络（ResNet）构建，以训练来自信道解码软信息反馈的外在似然。通过外在信息转移（EXIT）分析，我们验证了我们的 DNN-TEQ 能加速解码收敛，在实现吞吐量上获得 0.61b/s/Hz 的显著增益。我们还证明，优化不规则低密度奇偶校验（LDPC）码以匹配 DNN-TEQ 的 EXIT 图可将可达速率提高至多 0.12 b/s/Hz。
引用
@article{arxiv.1911.10131,
title = {Neural Turbo Equalization: Deep Learning for Fiber-Optic Nonlinearity Compensation},
author = {Toshiaki Koike-Akino and Ye Wang and David S. Millar and Keisuke Kojima and Kieran Parsons},
journal= {arXiv preprint arXiv:1911.10131},
year = {2019}
}
备注
7 pages, 13 figures