相干光系统中基于神经网络的均衡器的迁移学习
信号处理
2022-01-05 v3
摘要
在本工作中，我们探讨用于光传输系统中损伤缓解的人工神经网络（NNs）的适应性问题。我们证明，通过使用基于迁移学习概念的成熟技术，我们可以有效地重新训练基于 NN 的均衡器，使其适应传输系统的变化，仅使用初始训练数据或轮次的很小一部分（低至 1%）。我们评估了迁移学习使 NN 适应发射功率、调制格式、符号率甚至光纤链路（不同光纤类型与长度）变化的能力。数值示例采用了近期提出的由卷积层与双向长短期记忆（biLSTM）循环 NN 单元耦合而成的 NN 均衡器。我们的分析聚焦于两类光纤的长途相干光传输系统：标准单模光纤（SSMF）与 TrueWave Classic（TWC）光纤。我们强调了在相干光通信系统中迁移学习时出现的特殊现象，并给出了迁移学习效率的界限。我们的结果证明了迁移学习在快速适配 NN 架构至不同传输体制与场景方面的有效性，为设计灵活通用的非线性缓解方案铺平了道路。
引用
@article{arxiv.2104.05081,
title = {Transfer Learning for Neural Networks-based Equalizers in Coherent Optical Systems},
author = {Pedro J. Freire and Daniel Abode and Jaroslaw E. Prilepsky and Nelson Costa and Bernhard Spinnler and Antonio Napoli and Sergei K. Turitsyn},
journal= {arXiv preprint arXiv:2104.05081},
year = {2022}
}
备注
in Journal of Lightwave Technology, doi: 10.1109/JLT.2021.3108006