Jan, 2020

利用长短时记忆神经网络对数字相干系统中光纤非线性进行补偿

PDF
TL;DR使用长短时记忆神经网络来补偿数字相干系统中光纤非线性，该方案在单 / 多信道 16QAM 调制和极化复用情况下得到了验证，结果表明，与数字反向传播相比，LSTM 神经网络可以作为光接收机的后处理器，提供卓越的性能。
long short-term memory neural networkfiber nonlinearities compensationdigital coherent systems16-qam modulationpolarization multiplexing
发现论文，激发创造
  • 基于超低复杂度的长短期记忆网络用于相干光通信系统中的光纤非线性抑制

    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

  • 数字子载波复用系统中用于光通道非线性补偿的神经网络结构

    本文提出使用各种人工神经网络对数字子载波多路复用光传输系统中的帧内和帧间光纤非线性干扰进行建模和补偿，并通过卷积神经网络和长短期记忆等核心进行非线性信道均衡。本研究表明，在 DSCM 系统中，将合适的宏结构放入神经网络非线性均衡器的设计中可以对未来一代相干光收发机的实际解决方案起到至关重要的作用。

    Apr, 2023

  • 数字相干系统中双向循环神经网络模型与 Volterra 非线性均衡器的性能和复杂性分析

    研究了循环神经网络模型作为后处理单元用于补偿数字相干系统中的光纤非线性的复杂性和性能，并评估了三种双向循环神经网络模型，发现它们在特别是在未受扰动干扰管理系统中都是很有前途的非线性补偿器。模拟表明，在推断期间，这三个模型提供类似的补偿性能，因此，在现实生活中的系统中，应选择基于 Vanilla-RNN 单元的最简单的方案。与 Volterra 非线性均衡器进行比较并展示了它在性能和复杂性方面的优越性，因此凸显了 RNN 处理是升级利用相干检测的长途光通信系统的非常有前途的途径。

    Mar, 2021

  • 相干光系统中神经网络均衡器的性能与复杂度研究

    本研究采用多种人工神经网络，采用 Bayesian optimizer 优化的方式进行非线性通道均衡，使用实验验证了不同神经网络的性能、复杂度和复杂度的权衡，并表明在没有复杂度限制下，CNN + biLSTM 是最佳选项，而在复杂度限制较低时，三层感知器提供最佳性能。

    Mar, 2021

  • 使用深度递归网络进行 MIMO 信道信息反馈

    该研究介绍了一种新的神经网络架构，使用卷积神经网络压缩和反馈信道状态信息，加入长短期记忆模块以实现多路径输入多路径输出（MIMO）通信的量化 CSI 反馈性能提高，实验结果表明该 NN 架构在 CSI 压缩和恢复准确性方面表现更好。

    Nov, 2018

  • 利用长短期记忆网络对高维混沌系统进行数据驱动的预测

    使用基于数据驱动的长短时记忆（LSTM）循环神经网络的预测方法，展示了该方法在高维混沌系统中的定量预测效果，并提出了一种新的具有混合结构的 LSTM 神经网络。与高斯过程相比，LSTM 在所有应用中都表现出更好的短期预测准确性，并且 MSM-LSTM 可以保证收敛到不变措施。

    Feb, 2018

  • 光纤通信中非线性薛定谔方程的深度学习

    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

  • 基于物理的深度学习在光纤通信系统中的应用

    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

  • 利用深度神经网络进行非线性干扰抑制

    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

  • 光纤通信中应用分裂非线性补偿的优点

    对于光纤非线性数字补偿的双边的传输方式，理论模型显示用高斯噪声模型可以得到更高的单极化分集 256 进制 QAM 信号的互信息。理论上在长距离、高带宽传输情况下使用数字补偿可以获得 1.5 dB 的信噪比提升，1 位的额外互信息提升仅在距离大于 2000km 时可实现。

    Nov, 2015