awgn信道中的噪声功率谱密度_从OFC2020看高级算法在光通信中的应用

​ 各种神经网络算法(XNN)在大数据机器学习和人工智能领域有着十分广泛的应用，这些高级算法在分类、优化、自学习这些方面的突出能力和其在互联网及自动控制领域的优异表现是毋庸置疑的，自然这些年也是火得一塌糊涂了。不过，之前一直没有过多地关注AI相关的高级算法在光通信领域的应用的。这两天刚好有机会扫了一眼新鲜出炉的OFC2020的论文集。要不是被疫情耽误，本次OFC预计算是比较火热的一次盛会了，各种技术热点，高波特率相干，高带宽集成器件，400G/600G 实时传输，超宽带光放大，概率整形的芯片实现和优化等都有较多的文章涉及。

看了几篇，觉得有点意思，与大家分享。

1. 高级算法辅助概率整形，开辟新途径

有两种科研idea让人叹为观止：一种是“唉，这个我就是想不到啊”，另一种是“唉，我怎么就想不到啊？”。这篇文章就是属于第二种。看完了之后，觉得很有道理，也很简单，但只后悔自己之前没想到。

常规的概率整形，一般是先根据信道情况和系统需求，选定一个基本的星座图，设定一个Entropy，然后利用MaxwellBoltzman分布求得整形系数及星座图上每一符号出现的概率，然后再通过一些分布匹配器(DM)去做多对一的映射和二进制标记。这种常规的概率整形(PS)的性能通常是最优的，不过有个前提条件，那就是信道是AWGN。而对于光纤信道，显然，某些场景下并不满足这一假设，特别是在有非线性效应的时候。这也为进一步探测概率整形方法和提升性能开辟了机会窗口。怎么做呢？