OFC2020论文笔记 M1G.3:16-QAM Probabilistic Constellation Shaping by Learningthe Distribution of Transmit

星座整形可以分为：几何整形，概率整形

这篇文章做了16QAM的几何整形和概率整形，几何整形通过最大化互信息量，概率整形利用CCDM，验证了三种星座成型方法，结果优于M-B星座整形技术

 

原理

最大化发射端和接收端的互信息量，调整symbol的概率

 

仿真结果

文章尝试了三种场景

1.单通道 2.双通道 10Gbaud 16QAM 100GHz的间隔  3.信号和激光泵浦一起传输

利用投影梯度下降进行优化，得到几何整形的星座图之后，利用CCDM进行概率整形

作者说为了公平的比较，让这三个场景的熵几乎一样，我觉着3.18,3.59和3.7475差的有点大？？熵大的话，误码率就低

SER结果

相同的熵值情况下，文中方案好于M-B分布

 

实验结果

实验系统做的是第二种方案，应该做了DSP，直接判决应该没这么好，误码率增益在图里。

创新点：

1.这篇文章就是几何整形+概率整形，增益比M-B整形要好，因为不是单纯的AWGN信道，加了光纤

 

看完论文需要解决的疑问：

1.这个投影梯度下降到底是什么？作者到底用没用神经网络？

2.第三种方案是什么意思？为什么要加一个pump，和信号一起传输？