短距光通信系统中关于深度学习在DSP算法中的实验研究

introduction:

介绍了一下Auto-encoders:

Auto-encoders are especially suitable for communication over channels where the optimum transceiver is unknown or its implementation is computationally prohibitive.

自编码器能够避免传统的系统里复杂的模块设计的问题,并且能实现一个端到端的性能优化。最早的一个关于光纤自编码器的实验验证是用一个简单的前馈神经网络-FFNN,被证明了效果比传统的最简单的线性均衡器效果要好。为了解决FFNN系统不具备信道记忆功能,基于双向循环神经网络提出了一种滑动窗口序列估计算法-SBRNN,被证明在PAM传输中效果比最流行的非线性均衡器和最大似然序列检测效果好。


实验部分:

短距光通信系统中关于深度学习在DSP算法中的实验研究_第1张图片

 光纤中的光功率设置为1dBm。数据是通过一个Mersenne twister algorithm生成的,避免学习到伪随机序列的表示方法。

Each of the sequences is first encoded by the transmitter BRNN into series of blocks of n samples before being applied to the experimental test-bed, starting with the LPF.


短距光通信系统中关于深度学习在DSP算法中的实验研究_第2张图片

 这个SBRNN是在BRNN上的一个改进,就是在结尾输出时,输出概率向量为:

 短距光通信系统中关于深度学习在DSP算法中的实验研究_第3张图片

 这样一来可以提高准确度(相当于是一个统计平均的效果?)

本文中提到一个关于MZM方面的小设计:At the transmitter we use a Mersenne twister to generate PAM2 or PAM4 symbols which we accordingly scaled to M = {0 ; \pi/4} or M={0;\pi /12;\pi /6;\pi/4} , respectively, enabling operation in the linear region of the MZM.还有一段. To enable approximately linear MZM operation, the transmitter activation is the clipping function αTx(a) = αReLU (a) - αReLU (a - π/4 ).
 

你可能感兴趣的:(论文阅读与评论,其他)