短距离光通信中的软解调：深度神经网络与Volterra级数比较
信号处理
2025-01-13 v1
摘要
在光纤通信中，光学和电气组件引入非线性效应，需通过有效补偿以实现最高数据率。在短距离通信中，组件是非线性效应的主要来源。Volterra级数是用于补偿非线性组件失效及其记忆效应的受欢迎的接收端均衡技术。然而，Volterra均衡器架构通常非常复杂。本文研究了作为非线性均衡和软决策解调替代方案的软深度神经网络(DNN)架构。在共束92 GBd双极化64QAM的后到后(back-to-back)测量中，实验评估了性能和复杂度。将提议的按位软DNN均衡器(SDNNE)与在15%开销前向纠错(FEC)限制下的5阶Volterra均衡器进行比较。在相同性能下，计算复杂度降低65%。在相同复杂度下，性能在光信噪比(OSNR)上提升0.35 dB。
关键词
引用
@article{arxiv.2501.05979,
title = {Soft-Demapping for Short Reach Optical Communication: A Comparison of Deep Neural Networks and Volterra Series},
author = {Maximilian Schaedler and Georg Böcherer and Stephan Pachnicke},
journal= {arXiv preprint arXiv:2501.05979},
year = {2025}
}
备注
11 pages, 14 figures, journal