May, 2023

利用学习的数字背向传播进行色散管理系统中的均衡化

PDF
TL;DR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。
发现论文，激发创造
  • 双极化色散管理系统的学习式数字背向传播

    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

  • 基于模型的机器学习用于联合数字反向传播和 PMD 补偿

    提出了一种基于模型的机器学习方法来避免 Manakov-PMD 方程中的极化模色散，通过 LDBP 和分布式补偿来实现对复杂信道状态的学习，训练 LDBP-PMD 可获得最佳信噪比和收敛性能，并可以在不知道复杂信道状态下成功实现 PMD 抵消。

    Oct, 2020

  • 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

  • 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

  • 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

  • 112Gbit/s 无源光网络严重非线性畸变的全盲神经网络均衡

    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

  • 基于子带处理和深度学习的宽带时域数字反传播

    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

  • 光纤传输均衡的低复杂度卷积神经网络

    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

  • 基于深度学习色散滤波器的时间域数字反向传播 ASIC 实现

    采用机器学习技术联合优化和量化色散滤波器的时域数字背景补偿方法，相比基础实现，在 28 纳米 CMOS 上实现了改善的 BER 性能和 > 40% 的功耗降低。

    Jun, 2018

  • MP-DPD: 低复杂度的混合精度神经网络用于宽带功率放大器的高能效数字预畸变

    应用混合精度神经网络降低功耗的数字预失真（DPD）技术，在无线电系统中实现了高效的信号线性化、降低能耗，并取得了与 32-bit 浮点精度 DPDs 相当的性能指标。

    Apr, 2024