低复杂度采样与基于符号的神经网络接收机在信道均衡中的比较
摘要：低复杂度神经网络在短程调制直接探测光链路中成功应用于数字信号处理，其中色散引起的失真显著限制了传输距离。基于神经网络的均衡器通常单独优化，与其他数字信号处理组件（如匹配滤波）独立优化。这种方法可能导致较低的均衡性能。相反，优化神经网络均衡器以执行多个数字信号处理块的功能可能增加传输距离同时保持复杂度低。在这项工作中，我们提出了一种低复杂度的神经网络，执行样本到符号的均衡，即基于神经网络的均衡器包括匹配滤波和下采样。我们将其与样本到样本均衡的方法进行比较，后者在均衡后进行匹配滤波和下采样，比较这两种方法的性能和计算复杂度。我们使用三种不同类型的神经网络（结合光预处理）进行评估。我们通过数值和实验结果显示，应用于32 GBd的OOK信号的提出的样本到符号均衡方法在保持计算复杂度低的同时优于样本域替代方法。此外，我们还比较了不同类型的基于神经网络的均衡器在性能和计算复杂度方面。
作者：Yevhenii Osadchuk, Ognjen Jovanovic, Stenio M. Ranzini, Roman Dischler, Vahid Aref, Darko Zibar, and Francesco Da Ros
论文ID：2308.14426
分类：Signal Processing
分类简称：eess.SP
提交时间：2023-08-29