数字相干系统中双向循环神经网络模型与Volterra非线性均衡器的性能与复杂度分析
信号处理
2021-07-02 v2 机器学习
摘要
我们研究了循环神经网络（RNN）模型作为后处理单元，在承载偏振复用16-QAM和32-QAM信号的数字相干系统中补偿光纤非线性的复杂度与性能。我们评估了三种双向RNN模型，即bi-LSTM、bi-GRU和bi-Vanilla-RNN，并表明它们都是有前景的非线性补偿器，尤其在未管理色散的系统中。我们的仿真表明，在推理期间三种模型提供相似的补偿性能，因此在现实系统中应优先采用基于Vanilla-RNN单元的最简方案。我们将bi-Vanilla-RNN与Volterra非线性均衡器进行比较，并展现其在性能和复杂度两方面的优越性，从而凸显RNN处理是利用相干检测的长途光通信系统升级的一条非常有前景的路径。
引用
@article{arxiv.2103.03832,
title = {Performance and Complexity Analysis of bi-directional Recurrent Neural Network Models vs. Volterra Nonlinear Equalizers in Digital Coherent Systems},
author = {Stavros Deligiannidis and Charis Mesaritakis and Adonis Bogris},
journal= {arXiv preprint arXiv:2103.03832},
year = {2021}
}
备注
8 pages, 8 figures