论文阅读 Soft-Demapping for Short Reach Optical Communication: A Comparison of Deep Neural Networks and

这篇文章比较了相干系统中DNN和Volterra算法，系统主要损伤是器件非线性。

摘要：

在光纤通信系统中，光电器件都会引入非线性，因此需要有效方案对高速信号进行补偿，特别在短距通信中，器件是最大的非线性来源。Volterra是在接收端均衡器件非线性和缓解记忆效应的主流技术，但是Volterra非常复杂。

这篇文章研究了软解码DNN，作为非线性均衡和软判决解映射的替代方法。在相干92Gbaud双偏振64QAM背靠背系统测试中，算法的性能和复杂度都得到了评估。在15％的FEC下，将本文方案DNN均衡器（SDNNE）与5阶Volterra均衡器进行比较。在性能相同的情况下，计算复杂度降低了65％。在相同的复杂度下，光信噪比（OSNR）的性能提高了0.35 dB。

背景：

在现代通信系统中，软判决前向纠错（FEC）和高阶正交幅度调制（QAM）方案是实现高频谱效率（SE）的关键技术。软判决解码有效且应用广泛。

这篇文章主要研究系统损伤主要为光电器件导致的非线性的短距高带宽光通信系统。典型的使用案例包括范围为80-120 km的数据中心互连（DCI）。比较Volterra和NN复杂度的方法用的是D. I. Soloway and J. T. Bialasiewicz, “Neural network modeling of nonlinear systems based on volterra series extension of a linear model,” 1992. 通过泰勒展开从NN中提取线性和非线性核，并于Volterra核进行比较。

确定NN的结构，性能与复杂度需要折中，优化器adam，激活函数 tanh 比特映射不是one-hot

原理：

将DNNE扩展为Volterra序列，通过扩展，可以比较基于Volterra级数的两个均衡器的线性和非线性内核。