基于微扰理论辅助的学习型数字反向传播方案用于光纤非线性补偿
信号处理
2022-04-06 v1
摘要
从非线性薛定谔方程的规则微扰处理出发，提出了一种基于机器学习的方法来缓解信道内光纤非线性效应。该方案被称为微扰理论辅助（PA）的学习型数字反向传播（LDBP），其构建深度神经网络（DNN）的方式类似于分步傅里叶方法：线性与非线性操作交替进行。受微扰分析启发，信道内交叉相位调制项在 DNN 中便捷地由矩阵运算表示。在每个非线性操作中引入该项显著提升了性能，并通过调整每步跨段数赋予了 PA-LDBP 灵活性。所提方案通过单载波光纤通信系统数值仿真进行评估，系统运行速率为 32 Gbaud，采用 64 正交幅度调制，传输距离为 20*80 km。结果表明，相对于线性补偿，当每步跨段数分别为 1、2、4 和 10 时，所提方案在 Q2 因子上实现了约 3.5 dB、1.8 dB、1.4 dB 和 0.5 dB 的性能增益。提出了两种降低 PA-LDBP 复杂度的方法，即剪枝微扰系数数量以及对多跨段每步情况在频域进行色散补偿。对性能与复杂度的研究表明，在每步 4 和 10 跨段的情况下，与 LDBP 相比，PA-LDBP 以更低的复杂度获得了更高的性能增益。
引用
@article{arxiv.2110.05563,
title = {Perturbation Theory-Aided Learned Digital Back-Propagation Scheme for Optical Fiber Nonlinearity Compensation},
author = {Xiang Lin and Shenghang Luo and Sunish Kumar Orappanpara Soman and Octavia A. Dobre and Lutz Lampe and Deyuan Chang and Chuandong Li},
journal= {arXiv preprint arXiv:2110.05563},
year = {2022}
}