基于端到端深度学习的相位噪声补偿方案研究
摘要
在相干光通信系统中，由激光器频率波动造成的信号相位偏移严重降低了系统的传输性能。提出一种基于端到端深度学习的相位噪声补偿方案，通过端到端深度学习进行星座整形来增强光纤通信系统对相位噪声的鲁棒性；在本方案中，针对色散与相位噪声相互作用产生的均衡增强相位噪声，提出一种可训练的盲相位搜索（BPS）算法，将传统算法中不可微的比较操作改为可微的软判决，利用高斯白噪声的标准差和维纳相位噪声的标准差作为信道参数，加入端到端模型中进行训练，加强补偿方案对相位噪声的追踪能力。此外，该方案在发射端神经网络中嵌入光子Sigmoid激活函数，以提高系统对色散的容忍度。仿真结果验证了所提方案的性能，在信噪比为17 dB和激光器线宽为600 kHz时，与传统方案相比，所提方案能够实现约0.17 bit/symbol的广义互信息（GMI）性能增益；在3.8×10-3的误码率标准下，所提方案相较于传统64QAM有约0.6 dB的光信噪比增益。
引用本文（GB/T 7714）
黄锐 Huang Rui, 田清华 Tian Qinghua, 李祖贤 Li Zuxian, 等. 基于端到端深度学习的相位噪声补偿方案研究[J]. Acta Optica Sinica, 2025.
引文网络
本站仅收录题录与摘要供学习参考，全文版权归属出版方；如有侵权请联系我们删除。