本文提出了一种中心定向长短记忆网络（Co-LSTM）结合简化模式和回收机制的方法，以实现在具有超低复杂度的相干光通信系统中减轻纤维非线性。

Aug, 2021

我们提出一种基于物理的机器学习模型来处理光纤通信中的非线性斯格明子方程，这个模型可以用于数字反传播（DBP），可以有效地逆转非线性方程，而且使用可训练的过滤器可以极大地降低其复杂性。

Oct, 2020

本文研究使用学习的数字背向传播（LDBP）来均衡分散管理（DM）链路中的双极化光纤传输，评估在 256 Gbit/s 每个通道的比特率下，采用频域实现的 LDBP 和 DBP 相对于线性均衡具有更高的信噪比增益。

May, 2023

该论文提出了数字反向传播（DBP）和学习 DBP（LDBP）用于减轻 WDM 双偏振色散管理系统中的非线性失真。LDBP 相较于线性均衡和一种适用于 DM 系统的 DBP 变种，分别实现了 Q 因子提高 1.8 dB 和 1.2 dB。

May, 2022

本文提出了一种卷积神经网络来缓解纤维传输效应，其可减少可训练参数五倍并比替代均衡器的 MSE 在复杂程度相当的条件下获得 3.5 dB 的改进。

Oct, 2022

该研究使用深度展开的方法将级联的非线性射频系统视为基于模型的神经网络，通过这种方法提高了消除自干扰的效率并减少了模型参数和每个样本的运算数量。

Jan, 2020

我们展示并评估了一种针对 100G 无源光网络的全盲数字信号处理链路，并分析了基于神经网络的低硬件复杂度的不同均衡器拓扑结构。

Jan, 2024

通过深度学习优化，可以显著降低纤维光通信中非线性薛定谔方程求解的复杂度，使得使用分裂步傅里叶法比线性均衡算法只多 2-6 倍计算量即可获得类似的准确性。

Apr, 2018

采用神经网络替代传统的基于多项式基函数的非线性取消方法，可以实现与多项式非线性取消器相当的性能，但具有更低的计算复杂度。

Nov, 2017

提出了一种低复杂度的分频数字信号处理架构，用简单的延迟元件来补偿行走效应，针对 96G 波特率信号和 2500 公里光传输距离，采用该方法相比于线性均衡可实现 2.8 分贝的信噪比提高。

Jul, 2018