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
针对非线性传输信道,我们首次提出了一种基于自编码器技术和神经网络的光纤传输系统优化方法,并通过将符号与波形映射与波形与符号映射结合,成功提高了传输距离约三倍。
Sep, 2020
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
本论文采用深度学习实现了一种光纤通信系统,可通过单端到端的过程优化收发器,构建出一个灵活的,鲁棒性较好的收发器,成功地将其应用于强度调制 / 直接检测(IM/DD)系统,实现了可靠的传输,并将传输速度提高至 42GBfs。
Apr, 2018
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
近年来,广泛的研究已经进行了探索,以利用机器学习算法在各种直接检测和自相干短距离通信应用中的应用。特别强调其在高带宽需求的被动光网络中的利用,我们介绍了一种用于机器学习信号处理的时间序列方法的新型分类法,提供了一个结构化的分类框架。最后,我们强调了这个快速发展领域中的未来研究方向,并提出了解决硬件实现复杂性问题的具体解决方案,以便在短距离光通信系统中更实用和高效地部署机器学习方法。
May, 2024
该研究提出了一种基于神经网络的方法来实现数字反向传播,针对 32x100 公里的光纤链路,所得到的 “学习” 数字反向传播相对于传统实现方法大大降低了复杂性。
Oct, 2017
研究使用多次散射的方法,在低光功率下实现具有程序控制的线性和非线性变换,实现光学多层网络的实现
Jul, 2023
使用循环神经网络的机器学习模型,不需要直接数值求解传输模型,就可以准确地预测光纤中高阶孤子压缩和超连续谱的时频演化,从而为脉冲压缩和宽带光源的优化提供了新方案。
Apr, 2020
本文提出利用机器学习方法用于校准现有纤维模型的误差,以及将模型和监测方案相结合,以更好地估计 Fiber nonlinear interference 的变异。
Nov, 2018