CN107819513B - 用于64-qam相干光传输系统的缓和光纤非线性方法 - Google Patents
用于64-qam相干光传输系统的缓和光纤非线性方法 Download PDFInfo
- Publication number
- CN107819513B CN107819513B CN201711059737.0A CN201711059737A CN107819513B CN 107819513 B CN107819513 B CN 107819513B CN 201711059737 A CN201711059737 A CN 201711059737A CN 107819513 B CN107819513 B CN 107819513B
- Authority
- CN
- China
- Prior art keywords
- cluster
- qam
- data
- training sequence
- signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/25—Arrangements specific to fibre transmission
- H04B10/2507—Arrangements specific to fibre transmission for the reduction or elimination of distortion or dispersion
- H04B10/2543—Arrangements specific to fibre transmission for the reduction or elimination of distortion or dispersion due to fibre non-linearities, e.g. Kerr effect
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/50—Transmitters
- H04B10/58—Compensation for non-linear transmitter output
Abstract
本发明涉及本发明公开了一种用于64‑QAM相干光传输系统缓和光纤非线性的方法,对接收到的64‑QAM数据进行处理。首先将接收到的数据集分成64个簇,找到64个簇中心,并且找到每个数据点属于的簇。本次发明的k‑means SVM算法是一种全局最优泛化算法,利用简单结构的k‑means算法对无噪声信号点进行分类,然后应用SVM分类器来缓和失真信号。在所提出的方法中,我们利用k‑means聚类算法对无噪声64‑QAM信号进行分类,从而减少支持向量的数量,以节省SVM分类器的实现时间。同时,我们使用SVM分类器进行噪声泛化,以提高损伤信号的性能。本发明能够快速和准确地选取出k‑means聚类的全局最优质心,并且很好地缓和了光纤中克尔非线性的影响,同时得到与SVM算法差不多的误码率性能。
Description
技术领域
本发明涉及通信技术领域,特别是涉及用于64-QAM相干光传输系统的缓和光纤非线性方法。
背景技术
为了适应网络流量的高涨,数字相干光通信技术得到了广泛的研究和应用。相干光通信使得能够采用具有高频谱效率的高阶调制格式,例如M元相移键控(M-PSK)和M元正交幅度调制(M-QAM),以增加传输容量[1]。然而,具有更多星座点和相邻符号之间欧几里德距离更短的高阶调制64-QAM信号更容易受到系统损伤的影响,例如光纤克尔非线性和放大自发辐射噪声[2]。此外,光纤克尔非线性作为非线性效应之一是高阶调制长距离相干光传输系统的主要障碍。更高的信号功率进入光纤提供更大的光信噪比(OSNR),但同时引起更大的非线性,这严重恶化了系统性能。
因此,研究光纤克尔非线性和非线性补偿技术是重要的。为了补偿光纤非线性,已经提出了许多数字信号处理(DSP)算法,如数字反向传播(DBP),支持向量机(SVM)等。DBP利用数字域中的反向传播算法,基于分步傅立叶方法求解光纤链路的反向非线性薛定方程,并从接收信号中计算发射信号。虽然基于DBP的光纤非线性补偿技术是有效的,但在实际操作过程中,大量的迭代形成了很高的复杂度。SVM具有合适的内核函数,是最受欢迎的机器学习算法之一。它可以精确地对符号进行分类,并已被引入到相干光通信系统中,以减轻光纤克尔非线性并有效提高误码率(BER)性能[3,4]。
然而,SVM算法仍然存在一些缺点。SVM算法的复杂度也比较高,对于64-QAM信号,需要6个SVM分类器。随着调制阶数的增加,将要求更多的支持向量机和更长的训练序列。另外,SVM二次规划通过计算m阶矩阵来求解支持向量(m是采样数)[5]。对于较大的采样数据,存储和计算较大矩阵将需要更长的时间。因此,大规模的训练数据总是导致SVM的实施时间更长。因此,研究新的算法对于降低计算复杂度以缓和光纤非线性引起的信号损伤来说是非常重要的。
参考文献:
[1]K.Kikuchi,“Fundamentals of Coherent Optical Fiber Communications,”J.Lightwave Technol.34(1),157-179(2016).
[2]T.Rahman,D.Rafique,B.Spinnler,S.Calabr`o,E.d.Man,U.Feiste,A.Napoli,M.Bohn,G.Khanna,N.Hanik,E.Pincemin,C.L.Bou··ett′e,J.Jauffrit,S.Bordais,C.Andr′e,C.Dourthe,B.Ragu′en`es,C.M.Okonkwo,A.M.J.Koonen,andH.d.Waardt,“Long-Haul Transmission of PM-16QAM-,PM-32QAM-,and PM-64QAM-BasedTerabit Superchannels Over a Field Deployed Legacy Fiber,”J.LightwaveTechnol.34(13),3071-3079(2016).
[3]M.Li,S.Yu,J.Yang,Z.Chen,Y.Han andW.Gu,“Nonparameter NonlinearPhase Noise Mitigation by Using M-ary Support Vector Machine for CoherentOptical Systems,”IEEE Photon.J.5(6),7800312(2013).
[4]T.Nguyen,S.Mhatli,E.Giacoumidis,L.V.Compernolle,M.Wuilpart,and P.Mégret,“Fiber Nonlinearity Equalizer Based on Support Vector Classificationfor Coherent Optical OFDM,”IEEE Photon.J.8(2),1-9(2016).
[5]I.Tsang,J.Kwok,P.Cheung,″Core Vector Machines:Fast SVM TrainingonVery Large Data Sets,″Journal ofMachine Learning Research,6(1),363(2005).
发明内容
基于此,有必要针对上述技术问题,提供一种用于64-QAM相干光传输系统的缓和光纤非线性方法。
一种用于64-QAM相干光传输系统的缓和光纤非线性方法,包括:
设置训练序列数据{(x1,y1),(x2,y2),...,(xn,yn)},其中xn是复数,表示接收到的训练数据,n是训练序列的长度,yn表示对应于xn的标签且共有64种;
在发射机中,将长度为n的训练序列插入到发射信号前,调制发射出一个64-QAM光信号,经过光纤传输之后,在相干光接收机中,经过相位恢复算法之后,获得64簇星座点;
将训练序列与发射信号区分,根据已知的训练序列标签估计光纤通道特性,并且将接收到的训练数据分为64簇;最后将每个簇中的训练序列在等式(1)中进行平均,得到64个簇质心Ci;
i=1,2,3,...,64,其中N是第i个簇群中的数据长度,Dj是第i个簇群中的第j个数据;
在分类信号中,计算簇质心与每个簇信号点之间的距离;
判断该距离是否超过预设值c;若是,将这些数据表示为噪声信号,根据训练序列数据使用SVM分类处理,获得相应的已知标签yn1;否则,通过k-means聚类算法处理数据获得标签yn2;
将标签yn1和yn2按顺序合并。
上述用于64-QAM相干光传输系统的缓和光纤非线性方法,根据训练序列,k-means聚类算法可以更准确的找到簇质心位置,同时可以提高收敛速度;我们利用k-means聚类算法对无噪声64-QAM信号进行分类,从而减少支持向量的数量,以节省SVM算法的实现时间。同时,我们使用SVM分类器进行噪声泛化,以提高噪声干扰信号的性能。
在另外的一个实施例中,其中所述训练序列占所述发射信号的10%。
在另外的一个实施例中,其中所述yn∈{0,1,2,3,…,63}。
在另外的一个实施例中,预设值的阈值为0.55,xn的实部和虚部的数值范围为[-10,10]。
附图说明
图1为本申请实施例提供的一种用于64-QAM相干光传输系统的缓和光纤非线性方法的流程图。
图2是本申请实施例提供的一种用于64-QAM相干光传输系统的缓和光纤非线性方法的装置示意图。
图3是本申请实施例提供的一种用于64-QAM相干光传输系统的缓和光纤非线性方法中对简单的信号进行的k-means SVM算法的示意图;
图4是本申请实施例提供的一种用于64-QAM相干光传输系统的缓和光纤非线性方法的的64-QAM信号结果图;
图5是本申请实施例提供的一种用于64-QAM相干光传输系统的缓和光纤非线性方法的传输130km单模光纤后的64-QAM实验结果星座图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参阅图1为本申请实施例提供的一种用于64-QAM相干光传输系统的缓和光纤非线性方法的流程图。
一种用于64-QAM相干光传输系统的缓和光纤非线性方法,包括:
S110、设置训练序列数据{(x1,y1),(x2,y2),...,(xn,yn)},其中xn是复数,表示接收到的训练数据,n是训练序列的长度,yn表示对应于xn的标签且共有64种。
S120、在发射机中,将长度为n的训练序列插入到发射信号前,调制发射出一个64-QAM光信号,经过光纤传输之后,在相干光接收机中,经过相位恢复算法之后,获得64簇星座点。
S130、将训练序列与发射信号区分,根据已知的训练序列标签估计光纤通道特性,并且将接收到的训练数据分为64簇;最后将每个簇中的训练序列在等式(1)中进行平均,得到64个簇质心Ci;
i=1,2,3,...,64,其中N是第i个簇群中的数据长度,Dj是第i个簇群中的第j个数据。
S140、在分类信号中,计算簇质心与每个簇信号点之间的距离;
S150、判断该距离是否超过预设值c;若是,执行S160,则执行S170。
S160、将这些数据表示为噪声信号,根据训练序列数据使用SVM分类处理,获得相应的已知标签yn1。
S170、通过k-means聚类算法处理数据获得标签yn2。
S180、将标签yn1和yn2按顺序合并。
上述用于64-QAM相干光传输系统的缓和光纤非线性方法,根据训练序列,k-means聚类算法可以更准确的找到簇质心位置,同时可以提高收敛速度;我们利用k-means聚类算法对无噪声64-QAM信号进行分类,从而减少支持向量的数量,以节省SVM算法的实现时间。同时,我们使用SVM分类器进行噪声泛化,以提高噪声干扰信号的性能。
在另外的一个实施例中,其中所述训练序列占所述发射信号的10%。
训练序列太少,效果不好。训练序列太多,浪费带宽。
在另外的一个实施例中,其中所述yn∈{0,1,2,3,…,63}。
在另外的一个实施例中,预设值的阈值为0.55,xn的实部和虚部的数值范围为[-10,10]。
如果选取的阈值太小,会使得SVM处理的数据多,增加系统的复杂度,如果太大,会降低算法的准确性。
下面介绍一个具体的应用场景:
参见图2所示,为本发明实施例的装置设置图,首先,生成伪随机二进制序列15数据并将其编码为8个水平,然后将其发送到50-GSamples/s的8位数模转换器(DAC)的任意波形发生器中。具有延时去相关的两路输出电信号先经过线性放大器放大,然后驱动同相/正交(I/Q)马赫-曾德调制器(MZM),其中I端口和Q端口都被偏置在正交点,在Q分支中存在π/2相位延迟。来自激光二极管的连续波工作波长为1550.116nm。之后,调制的光信号被掺铒光纤放大器(EDFA)放大,并且使用可变光衰减器(VOA)来调节发射到光纤中的功率。光纤输出的信号先被另一个EDFA放大,然后使用另一个VOA调整接收到的光功率进入相干接收机检测。在接收机端,接收的信号首先与可调谐外腔激光器的本振光在相位分集90°混频器中混合,随后经过两个平衡光电检测器转化为电信号,其中两个信号分量由具有23GHz带宽的4通道50-GSamples/s数字示波器捕获。在接收端信号处理方面,首先校正示波器通道斜交,并将接收到的信号再采样到每个符号4个采样点。在色散补偿之后,使用有限长自适应均衡器来减少符号间干扰并实现时钟恢复。接下来,估计载波相位,并应用提出的k-means SVM算法对这些符号进行分类。在k-means SVM算法中,我们使用交叉验证方法,并将训练序列数据设置为约10%。最后,进行误码率计数。
由于64-QAM信号上的簇很多,本实施例中用一个简单的两个簇为例来说明所提出的方法的原理。图3所示是对简单的两个簇信号点进行的k-means SVM算法实行示意图。首先我们计算簇质心与每个聚类点之间的距离,并且设定阈值距离c。如果计算的距离超过默认值c,我们将这些数据表示为噪声信号,可以由SVM训练数据处理以搜索相应的标签。否则,将通过k-means聚类算法处理数据以获得相应的标签。
首先从训练数据中获取64个簇中心,并且将每个数据点进行归类。第二步,我们计算每个聚类点与簇中心之间的距离d。第三,判断距离d与默认值c的大小关系,如果距离d大于默认值c,我们将这些数据点表示为噪声信号,可以由SVM训练数据处理以搜索相应的标签。否则,将通过k-means聚类算法处理数据以获得相应的标签。最后,我们将标签合并并通过将其与预先存储的发送标签进行比较来估计发送信号的误码率。基本的k-means聚类算法是一种具有快速收敛速度的简单算法,可以有效处理较大的数据集。然而,随着输入质心k的增加,k-means聚类算法很容易陷入局部最优,并且找不到全局最优。此外,聚类结果取决于初始聚类中心,因此它们是不稳定的。但是借助SVM训练序列,可以迅速准确的k-means聚类算法的簇中心,提高整体精确度。
在处理过程中,采集了25000个符号点的数据块,其中前2500个数据为训练序列。
图4是实施例实现的k-means SVM算法的64-QAM信号结果图,显示了测量的误码率曲线与入纤功率的关系。图5是传输130km单模光纤后的64-QAM实验结果星座图,对应于入纤功率分别为-7.16dBm,-0.19dBm和4.82dBm。在正方形标记曲线的左边部分,较低的发射功率信号总是受到严重的放大自发辐射噪声的影响。这里,星座点广泛分散,如图5中的左侧-7.16dBm发射信号功率的星座图所示。随着信号功率的增加,接收信号的光信噪比(OSNR)变大,有助于提高误码率性能。然而,一旦发射的信号功率超过一个值,则接收信号的误码率性能由于光纤克尔非线性而劣化,如正方形标记曲线的右侧部分所示。由于光纤克尔非线性引起的相位旋转使得星座图旋转,具有较大功率的外部符号星座点严重失真,如图5中的右侧4.82dBm发射信号功率的星座图所示。最佳发射信号功率为-0.19dBm,其中放大自发辐射噪声与光纤克尔非线性之间的平衡得以实现。当信号受到放大自发辐射噪声和光纤克尔非线性影响时,星座点的边界将变得不明确。可以利用SVM算法来改善失真信号的误码率性能。图4中通过SVM和k-means SVM的改进的误码率曲线分别用圆标记曲线和菱形标记曲线表示,其中使用1.0×10-3误码率的前向纠错(FEC)阈值作为参考和比较。在图4中,观察到在FEC阈值以下,没有SVM和k-means-SVM算法使用,发射信号功率从-2.3dBm变化到2.6dBm。在SVM的帮助下,发射信号功率从-3.7dBm变化到4.7dBm。因此,在FEC阈值处,发射的信号功率范围从4.9dB变宽到8.4dB。在k-means SVM的帮助下,发射信号功率从-3.6dBm变化到4.4dBm,发射信号功率范围扩大到8.0dB。因此,与SVM结果相比,k-means SVM方法可以以更低的复杂度和更快的收敛速度实现差不多的BER性能改进。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (4)
1.一种用于64-QAM相干光传输系统的缓和光纤非线性方法,其特征在于,包括:
设置训练序列数据{(x1,y1),(x2,y2),...,(xn,yn)},其中xn是复数,表示接收到的训练数据,n是训练序列的长度,yn表示对应于xn的标签且共有64种;
在发射机中,将长度为n的训练序列插入到发射信号前,调制发射出一个64-QAM光信号,经过光纤传输之后,在相干光接收机中,经过相位恢复算法之后,获得64簇星座点;
将训练序列与发射信号区分,根据已知的训练序列标签估计光纤通道特性,并且将接收到的训练数据分为64簇;最后将每个簇中的训练序列在等式1中进行平均,得到64个簇质心Ci;
i=1,2,3,...,64,其中N是第i个簇群中的数据长度,Dj是第i个簇群中的第j个数据;
在分类信号中,计算簇质心与每个簇信号点之间的距离;
判断该距离是否超过预设值c;若是,将这些数据表示为噪声信号,根据训练序列数据使用SVM分类处理,获得相应的已知标签yn1;否则,通过k-means聚类算法处理数据获得标签yn2;
将标签yn1和yn2按顺序合并。
2.根据权利要求1所述的用于64-QAM相干光传输系统的缓和光纤非线性方法,其特征在于,其中所述训练序列占所述发射信号的10%。
3.根据权利要求1所述的用于64-QAM相干光传输系统的缓和光纤非线性方法,其特征在于,其中所述yn∈{0,1,2,3,…,63}。
4.根据权利要求1所述的用于64-QAM相干光传输系统的缓和光纤非线性方法,其特征在于,预设值的阈值为0.55,xn的实部和虚部的数值范围为[-10,10]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711059737.0A CN107819513B (zh) | 2017-11-01 | 2017-11-01 | 用于64-qam相干光传输系统的缓和光纤非线性方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711059737.0A CN107819513B (zh) | 2017-11-01 | 2017-11-01 | 用于64-qam相干光传输系统的缓和光纤非线性方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107819513A CN107819513A (zh) | 2018-03-20 |
CN107819513B true CN107819513B (zh) | 2019-07-05 |
Family
ID=61604637
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711059737.0A Active CN107819513B (zh) | 2017-11-01 | 2017-11-01 | 用于64-qam相干光传输系统的缓和光纤非线性方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107819513B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108965178B (zh) * | 2018-06-29 | 2021-03-02 | 苏州大学 | 基于机器学习的智能自适应均衡器及均衡解调方法 |
CN109067695B (zh) * | 2018-10-12 | 2020-11-17 | 苏州大学 | 基于级联卡尔曼滤波器减少噪声干扰的方法及系统 |
CN109495183B (zh) * | 2018-10-29 | 2020-06-23 | 武汉邮电科学研究院有限公司 | 一种相干光通信系统中星座点中心的跟踪方法及系统 |
CN109755147A (zh) * | 2018-11-26 | 2019-05-14 | 北京铂阳顶荣光伏科技有限公司 | 薄膜光伏组件测试方法及薄膜光伏组件 |
CN112039599A (zh) * | 2019-06-03 | 2020-12-04 | 中兴通讯股份有限公司 | 数据信号处理方法及装置、存储介质、电子装置 |
CN112887028A (zh) * | 2021-01-26 | 2021-06-01 | 珠海复旦创新研究院 | 光纤接入网中基于gs-qam星座的判决解码方法 |
CN112769497B (zh) * | 2021-02-23 | 2022-02-22 | 苏州大学 | 对大容量高阶qam相干光进行非线性补偿的方法 |
CN113364527B (zh) * | 2021-06-03 | 2022-05-06 | 聊城大学 | 一种适用于高速相干偏振复用系统的非线性损伤补偿方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103178900A (zh) * | 2013-03-22 | 2013-06-26 | 北京邮电大学 | 基于支持向量机的相干光通信系统非线性损伤消除装置 |
CN104853434A (zh) * | 2015-01-13 | 2015-08-19 | 中山大学 | 一种基于svm和k均值聚类的室内定位方法 |
CN106355198A (zh) * | 2016-08-23 | 2017-01-25 | 衢州学院 | 一种模糊支持向量机隶属度函数的获取方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107707494B (zh) * | 2017-10-10 | 2020-02-11 | 苏州大学 | 用于64-qam相干光通信系统的光纤非线性均衡方法 |
-
2017
- 2017-11-01 CN CN201711059737.0A patent/CN107819513B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103178900A (zh) * | 2013-03-22 | 2013-06-26 | 北京邮电大学 | 基于支持向量机的相干光通信系统非线性损伤消除装置 |
CN104853434A (zh) * | 2015-01-13 | 2015-08-19 | 中山大学 | 一种基于svm和k均值聚类的室内定位方法 |
CN106355198A (zh) * | 2016-08-23 | 2017-01-25 | 衢州学院 | 一种模糊支持向量机隶属度函数的获取方法 |
Non-Patent Citations (2)
Title |
---|
Mitigate the impact of transmitter finite extinction ratio using K-means clustering algorithm for 16QAM signal;Miao Yu et al;《Optics Communications》;20170725;第72-76页 |
聚簇的分布式SVM算法优化;王瑞等;《空军工程大学学报(自然科学版)》;20180430;第19卷(第2期);第86-92页 |
Also Published As
Publication number | Publication date |
---|---|
CN107819513A (zh) | 2018-03-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107819513B (zh) | 用于64-qam相干光传输系统的缓和光纤非线性方法 | |
Wang et al. | Nonlinear decision boundary created by a machine learning-based classifier to mitigate nonlinear phase noise | |
Cho et al. | Trans-atlantic field trial using high spectral efficiency probabilistically shaped 64-QAM and single-carrier real-time 250-Gb/s 16-QAM | |
Zou et al. | Comparison of bit-loading DMT and pre-equalized DFT-spread DMT for 2-km optical interconnect system | |
Yan et al. | Blind carrier frequency offset estimation in coherent optical communication systems with probabilistically shaped M-QAM | |
Karanov et al. | Experimental investigation of deep learning for digital signal processing in short reach optical fiber communications | |
Zhou et al. | Comparison of real-and complex-valued NN equalizers for photonics-aided 90-Gbps D-band PAM-4 coherent detection | |
Wang et al. | KNN-based detector for coherent optical systems in presence of nonlinear phase noise | |
Chen et al. | Performance improvement of 64-QAM coherent optical communication system by optimizing symbol decision boundary based on support vector machine | |
Yi et al. | Amplitude variance and 4th power transformation based modulation format identification for digital coherent receiver | |
Huang et al. | Nonlinearity mitigation of RoF signal using machine learning based classifier | |
Taspınar et al. | Performance investigation of long-haul high data rate optical OFDM IM/DD system with different QAM modulations | |
Ghatwal et al. | A high power 320 Gbps CPDM-256-QAM based Ro-FSO system enabling 80 GHz under rain and haze effects | |
Wei et al. | SSB single carrier and multicarrier in C-band FSO transmission with KK receiver | |
Bakhshali et al. | Detection of high baud-rate signals with pattern dependent distortion using hidden Markov modeling | |
CN104836774B (zh) | 一种高阶连续极化调制的pdl效应补偿方法 | |
Chen et al. | Phase uniformly distributed circular MQAM combined with probabilistic shaping for PM-CO-OFDM systems in satellite-to-ground optical communications | |
Mani et al. | Free-space optical channel performance under atmospheric losses using orthogonal frequency division multiplexing | |
Chen et al. | Blind identification of the shaping rate for probabilistic shaping QAM signal | |
Bas et al. | Time-packing as enabler of optical feeder link adaptation in high throughput satellite systems | |
Kumar | Enhancing Performance of FSO Communication Link using Coherent Optical OFDM with Cascaded EDFA | |
Xi et al. | Applications of machine learning on nonlinear frequency division multiplexing optic-fiber communication systems | |
Yang et al. | Analysis of phase estimation for star QAM coherent optical packet switched system | |
He et al. | KNN-aided SVM symbol decision for 16-QAM coherent optical system with nonlinear phase noise | |
Borges et al. | K-means clustering for mitigation of nonlinear phase noise in digital coherent optical systems using 16-qam modulation format |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |