概括
研究人员开发了一种用于光通信的增强型相互信息神经估计器 (E-MINE). 这种深度学习方法准确地估计了非线性光纤通道中的相互信息,提高了系统性能.
科学领域:
- 光学通信是指光学通信.
- 信息理论 信息理论
- 机器学习 机器学习
背景情况:
- 准确的相互信息 (MI) 估计对于光通信系统至关重要.
- 由于未知的模型,现有的方法与非线性光纤通道扎.
- 添加式白色高斯噪声 (AWGN) 频道MI估计是成熟的,但对于复杂的频道是不够的.
研究的目的:
- 介绍一款用于光纤通信的新型相互信息神经估计器 (MINE).
- 提出一个增强的MINE (E-MINE),以提高估计准确性和稳定性.
- 评估E-MINE在AWGN和非线性光纤通道中的性能.
主要方法:
- 开发了一种增强的相互信息神经估计器 (E-MINE).
- 在E-MINE中增加了训练批量大小,以提高准确性和稳定性.
- 将E-MINE与传统的蒙特卡洛 (MC) 方法进行比较.
主要成果:
- 在AWGN通道中,E-MINE实现了非常准确的MI估计.
- 在长途光纤道中,E-MINE与符号对符号的MI估计有很强的一致性.
- 使用E-MINE的多符号估计导致0.16位/4D符号的改进.
结论:
- 在具有挑战性的光通信环境中,E-MINE为MI估计提供了强大的解决方案.
- 增强的深度学习方法显示了优化通信系统设计的巨大潜力.
- 这项工作为光通信中先进的深度学习应用铺平了道路.
