概括
一种新的线性卷积神经网络 (L-CNN) 方法显著加快了对PAM-4信号的发射器分散眼闭四分期 (TDECQ) 评估. 这项创新简化了复杂的计算,使数据中心互连应用受益.
科学领域:
- 视觉通信工程 视觉通信工程
- 信号处理 信号处理
- 机器学习应用程序 机器学习应用程序
背景情况:
- 发射器分散眼闭四分期 (TDECQ) 对于评估四级脉冲振幅调制 (PAM-4) 光信号质量至关重要.
- 传统的TDECQ评估是计算密集和耗时的,阻碍了数据中心互连 (DCI) 等应用程序.
研究的目的:
- 开发一种简化和加速的TDECQ评估方法.
- 为了减少PAM-4信号的TDECQ评估的复杂性和计算成本.
主要方法:
- 提出并实验证明了使用线性卷积神经网络 (L-CNN) 的TDECQ评估.
- 在L-CNN中使用1x1卷积内核,以最大限度地降低实现的复杂性.
- 在L-CNN架构中避免了非线性激活函数 (NAF).
主要成果:
- 在没有NAF的情况下,L-CNN对PAM-4信号进行了准确的TDECQ评估.
- 获得了 26.5625 GBaud 的 0.16 dB 的平均绝对误差 (MAE) 和 53.125 GBaud 的 0.18 dB 的信号.
- 与现有的基于CNN的方法相比,计算复杂度减少了五个数量级,只需要2048次乘法.
结论:
- 轻量级的L-CNN为TDECQ评估提供了准确有效的解决方案.
- 这种方法显著降低了计算负载,使其非常适合高速光子DCI应用.
- 这种L-CNN方法为传统的,复杂的TDECQ评估技术提供了切实可行的替代方案.
