使用可概括的多任务学习神经网络对XPM缓解的实验验证

科学领域:

• 光学通信工程 光学通信工程
• 机器学习在电信中的应用
• 用于光网络的信号处理.

背景情况:

• 长途密集波长分割多重复合 (DWDM) 光学系统面临的信号损害需要先进的平衡.
• 传统的后平衡器在高容量光学传输中与一般化和复杂性作斗争.
• 基于神经网络 (NN) 的均衡器提供了潜力,但需要强大的概括.

研究的目的:

• 为连贯检测DWDM系统开发基于神经网络 (NN) 的高效后平衡器.
• 通过使用多任务学习 (MTL) 增强 NN 均衡器的概括能力.
• 与现有方法相比,评估MTL等效器的性能和复杂性.

主要方法:

• 实施一个多任务学习 (MTL) 框架,用于共享神经网络 (NN) 均衡器.
• 使用远程DWDM系统的实验数据对MTL等分器模型进行培训和验证.
• 与单一任务的NN均衡器对应物和以前的方法进行比较分析.

主要成果:

• 与单任务NNs相比,开发的MTL等效器模型表现出卓越的性能和通用性.
• 实验数据验证了MTL在提高等效器性能方面的有效性.
• 使用MTL可以显著降低等效器的复杂性,而不会影响性能.

结论:

• 多任务学习 (MTL) 提供了一种有效的策略,用于在远程DWDM光学系统中增强基于NN的后平衡器.
• 与单一任务方法相比,MTL提供了更好的性能和概括性.
• 拟议的MTL均衡器在性能和计算复杂性之间实现了有利的平衡.