深度学习辅助的基于扰动模型的光纤非线性补偿
摘要：纤维非线性效应影响了长距离光纤通信链路中可实现的速率和范围。传统的非线性补偿方法，如基于摄动理论的非线性补偿（PB-NLC），试图通过近似光纤信号传播的解析解来补偿非线性。然而，由于模型不匹配和解析计算摄动三元组和非线性失真场的巨大计算复杂性，它们的实际可用性受到限制。最近，机器学习技术已被用于优化基于PB的方法的参数，传统上这些参数是从物理模型中分析确定的。文献中声称学习的PB-NLC方法在性能和/或计算复杂性方面优于非学习的对应方法。在本文中，我们首先通过仔细进行全面性能-复杂性分析，利用最先进的复杂性减少方法，重新审视学习的PB-NLC方法所声称的优势。有趣的是，我们的结果表明，基于最小二乘的PB-NLC与聚类量化在学习的PB-NLC方法中具有最佳的性能-复杂性权衡。其次，我们通过提出和设计一个完全学习的结构，推进了学习的PB-NLC的最新技术。我们应用了双向递归神经网络来学习类似于解析计算所得到的摄动三元组，并将其作为输入特征用于神经网络估计非线性失真场。最后，我们通过数值模拟证明我们的完全学习方法相对于现有的学习和非学习的PB-NLC技术取得了改进的性能-复杂性权衡。
作者：Shenghang Luo, Sunish Kumar Orappanpara Soman, Lutz Lampe, and Jeebak Mitra
论文ID：2211.10789
分类：Signal Processing
分类简称：eess.SP
提交时间：2023-07-19