论文部分内容阅读
随着云计算与大数据等新兴技术的快速发展,人们对于传输速率更高和传输容量更大的光纤通信网络的需求越来越大,如何使用数据中心在可利用资源有限的前提下传输更多的信息成为技术发展的关键。与其他传输系统相比,基于双驱马赫曾德尔调制器(Dual-Drive Mach-Zehnder modulator,DDMZM)的四脉冲幅度调制(Pulse Amplitude Modulation-4,PAM-4)光单边带传输系统在短距离通信方面具有一定的优势,例如容易铺设,系统结构简单,节省功耗等,这些优点在短距离通信系统中都是十分重要的。由于具有以上优势,许多通信协议都明确规定使用PAM-4作为短距离通信的调制格式。尽管这种短距传输系统具有许多优点,但是由于其系统特性,非线性问题依旧是限制传输系统性能的主要因素。基于DDMZM的光单边带传输系统中存在非线性效应,信号受到非线性效应的影响导致通信质量下降。普通的线性滤波器无法补偿非线性损伤,而传统非线性补偿算法存在算法复杂度过高、非线性补偿能力有限等缺点。最近,机器学习技术由于其出色的处理非线性问题与抽象问题的能力而受到研究人员的关注。因此,已经有研究人员开始尝试将机器学习算法应用于通信系统中。这些研究人员已经取得了部分阶段性的成果例如使用深度学习技术设计星座图,或者使用机器学习算法设计通信网络结构。出于机器学习以上的优点,本课题尝试在短距离传输系统中使用机器学习算法解决非线性问题。本文着重研究机器学习算法在非线性信道均衡方面应用。在本文中,首先研究了基于DDMZM与由光电二极管(Photodiode,PD)组成的平方律探测器的光单边带传输系统,这种传输系统的成本很低。之后本文介绍传统非线性均衡算法,并针对传统非线性均衡算法计算量大的问题提出一种稀疏Volterra算法,以减少算法复杂度。随后,提出一种基于神经网络的非线性均衡器用来均衡受到线性损伤与非线性损伤的PAM-4信号。最后,本文提出一种基于Kramers-Kronig算法与复数神经网络的非线性均衡器。实验结果表明这种复数神经网络拥有比传统实数神经网络均衡器更好的性能。