ECOC2020
文章平均质量分 85
Zaгathustra
这个作者很懒,什么都没留下…
展开
-
ECOC 2020 Th1D-4 End-to-End Deep Learning for Phase Noise-Robust Multi-Dimensional Geometric Shaping
有作者在ECOC上讲的视频https://www.youtube.com/watch?v=8pLfItf_yws&t=271s一种针对相位噪声的端到端学习模型,在autoencoder中加入了卷积层,模型有2dB的增益。背景:相位噪声是相干光通信系统中很大的问题,有很多关于载波相位估计和相位噪声增强技术。比如,log-likelihood ratio (LLR)用来处理参与相位噪声,高位调制用来补偿非线性相位噪声。深度学习最近引起了很多关注,深度学习在均衡非线性,码型识别,链路监原创 2021-03-03 21:55:22 · 305 阅读 · 1 评论 -
ECOC2020 Tu1J-6 Probabilistic and Geometric Shaping for Next-Generation 100G Flexible PON
主要是讲PON中的概率整形和几何整形,提出的方案带来1.1dB的灵敏度提升Vincent Houtsma大佬组里的文章背景:为了支撑各种流量业务,对PON的速率要求变高。目前PON设计采用固定速率,不能使信道资源得到最佳的利用。因此需要研究如何根据用户的信道条件灵活调节PON系统数据速率。一种方法是调节不同信道的码型(NRZ,PAM4,PAM8),但是直接改变码型会导致速率的生硬切换,并且不同调制格式的灵敏度要求也是不一样的。 因此使用概率整形进行连续灵活的熵调节,并可以提高噪声容限。概原创 2021-02-26 10:56:04 · 2674 阅读 · 6 评论 -
ECOC2020 TH1D-1 End-to-End Learning in Optical Fiber Communications: Experimental Demonstration
这篇是光纤通信中的端到端学习的小综述背景端到端学习近年来在通信领域引起了广泛关注,这种系统适用于最佳收发机未知的情况,这样的系统优于Volterra和MLSE。这篇文章主要介绍全连接和RNN端到端收发机的性能,也介绍了用GAN优化端到端方法,与传统DSP方法进行比较,并且在相干系统中做概率分布优化1.真实传输信道中的自编码器在这样的结构中,信道是网络的一部分,因此,信道需要建模得很精确,并且实际链路的性能比仿真性能肯定要差,所以需要调整decoder参数优化实验数据,因为梯度的反向传输没原创 2021-01-22 21:47:12 · 391 阅读 · 2 评论