Mitigación de Efectos No Lineales usando Aprendizaje Automático en Redes Ópticas de Acceso

Introducción/Contexto: Una de las estrategias más convenientes para el incremento de las capacidades en las redes ópticas de acceso, es el uso de la detección coherente junto con formatos de modulación de alto nivel tales como 16 y 64-QAM. Sin embargo, la detección coherente es una tecnología que re...

Full description

Autores:: Escobar Pérez, Alejandro
Arroyave Giraldo, Karen
Lopera Cortés, Jhon Anderson
Granada Torres, Jhon James

Tipo de recurso:: Article of journal

Fecha de publicación:: 2021

Institución:: Corporación Universidad de la Costa

Repositorio:: REDICUC - Repositorio CUC

Idioma:: eng

id	RCUC2_9003d0d961184cec2cfe7016419bc08c
oai_identifier_str	oai:repositorio.cuc.edu.co:11323/12309
network_acronym_str	RCUC2
network_name_str	REDICUC - Repositorio CUC
repository_id_str
dc.title.spa.fl_str_mv	Mitigación de Efectos No Lineales usando Aprendizaje Automático en Redes Ópticas de Acceso
dc.title.translated.eng.fl_str_mv	Mitigation of Nonlinear Effects using Machine Learning in Coherent Optical Access Networks
title	Mitigación de Efectos No Lineales usando Aprendizaje Automático en Redes Ópticas de Acceso
spellingShingle	Mitigación de Efectos No Lineales usando Aprendizaje Automático en Redes Ópticas de Acceso coherent communications digital signal processing machine learning optical access networks quadrature amplitude modulation comunicaciones coherentes modulación de amplitud en cuadratura procesamiento digital de señales redes ópticas de acceso aprendizaje de máquina
title_short	Mitigación de Efectos No Lineales usando Aprendizaje Automático en Redes Ópticas de Acceso
title_full	Mitigación de Efectos No Lineales usando Aprendizaje Automático en Redes Ópticas de Acceso
title_fullStr	Mitigación de Efectos No Lineales usando Aprendizaje Automático en Redes Ópticas de Acceso
title_full_unstemmed	Mitigación de Efectos No Lineales usando Aprendizaje Automático en Redes Ópticas de Acceso
title_sort	Mitigación de Efectos No Lineales usando Aprendizaje Automático en Redes Ópticas de Acceso
dc.creator.fl_str_mv	Escobar Pérez, Alejandro Arroyave Giraldo, Karen Lopera Cortés, Jhon Anderson Granada Torres, Jhon James
dc.contributor.author.spa.fl_str_mv	Escobar Pérez, Alejandro Arroyave Giraldo, Karen Lopera Cortés, Jhon Anderson Granada Torres, Jhon James
dc.subject.eng.fl_str_mv	coherent communications digital signal processing machine learning optical access networks quadrature amplitude modulation
topic	coherent communications digital signal processing machine learning optical access networks quadrature amplitude modulation comunicaciones coherentes modulación de amplitud en cuadratura procesamiento digital de señales redes ópticas de acceso aprendizaje de máquina
dc.subject.spa.fl_str_mv	comunicaciones coherentes modulación de amplitud en cuadratura procesamiento digital de señales redes ópticas de acceso aprendizaje de máquina
description	Introducción/Contexto: Una de las estrategias más convenientes para el incremento de las capacidades en las redes ópticas de acceso, es el uso de la detección coherente junto con formatos de modulación de alto nivel tales como 16 y 64-QAM. Sin embargo, la detección coherente es una tecnología que requiere de un complejo procesamiento digital de señales para la mitigación de diferentes fenómenos. Objetivo: Minimizar efectos distorsivos de las señales ópticas usando demodulación no simétrica basada en algoritmos de Aprendizaje Automático. Metodología: Se simuló un sistema Nyquist m-QAM a 28 y 32 Gbps en el software especializado VPIDesignSuite. Luego, se generaron diferentes señales moduladas a 16 y 64-QAM a diferentes anchos de línea de láser, longitudes de transmisión y potencias. Se implementaron dos algoritmos de aprendizaje automático para realizar demodulación de las señales generadas. Finalmente, el desempeño de la demodulación se midió en términos de la tasa de error de bit (BER, del inglés Bit Error Rate), en función de varios parámetros del sistema tales como longitud de fibra, potencia de salida, ancho espectral del láser y formato de modulación. Resultados: A un valor de BER de , el uso de los algoritmos permitió ganancias de hasta 2 dB en términos de relación señal a ruido óptica para 16-QAM y de 1.5 dB para 64-QAM. Además, la demodulación basada en estos algoritmos permitió una transmisión de hasta 50 km usando un láser con un ancho espectral de 100 kHz logrando un BER menor que usando un láser de 25 kHz sin implementar las técnicas de demodulación propuestas. Conclusiones: Se demostró que las dos técnicas pueden ser aplicadas para minimizar efectos no lineales, y a su vez, permitiría una reducción de complejidad computacional en futuras redes de acceso ópticas.
publishDate	2021
dc.date.accessioned.none.fl_str_mv	2021-03-18 00:00:00 2024-04-09T20:21:26Z
dc.date.available.none.fl_str_mv	2021-03-18 00:00:00 2024-04-09T20:21:26Z
dc.date.issued.none.fl_str_mv	2021-03-18
dc.type.spa.fl_str_mv	Artículo de revista
dc.type.coar.eng.fl_str_mv	http://purl.org/coar/resource_type/c_6501 http://purl.org/coar/resource_type/c_2df8fbb1
dc.type.content.eng.fl_str_mv	Text
dc.type.driver.eng.fl_str_mv	info:eu-repo/semantics/article
dc.type.local.eng.fl_str_mv	Journal article
dc.type.redcol.eng.fl_str_mv	http://purl.org/redcol/resource_type/ART
dc.type.version.eng.fl_str_mv	info:eu-repo/semantics/publishedVersion
dc.type.coarversion.eng.fl_str_mv	http://purl.org/coar/version/c_970fb48d4fbd8a85
format	http://purl.org/coar/resource_type/c_6501
status_str	publishedVersion
dc.identifier.issn.none.fl_str_mv	0122-6517
dc.identifier.uri.none.fl_str_mv	https://hdl.handle.net/11323/12309
dc.identifier.url.none.fl_str_mv	https://doi.org/10.17981/ingecuc.17.2.2021.02
dc.identifier.doi.none.fl_str_mv	10.17981/ingecuc.17.2.2021.02
dc.identifier.eissn.none.fl_str_mv	2382-4700
identifier_str_mv	0122-6517 10.17981/ingecuc.17.2.2021.02 2382-4700
url	https://hdl.handle.net/11323/12309 https://doi.org/10.17981/ingecuc.17.2.2021.02
dc.language.iso.eng.fl_str_mv	eng
language	eng
dc.relation.ispartofjournal.spa.fl_str_mv	Inge Cuc
dc.relation.references.eng.fl_str_mv	M. Romagnoli, V. Sorianello, M. Midrio, F. H. L. Koppens, C. Huyghebaert, D. Neumaier, P. Galli, W. Templ, Antonio D’Errico & A. C. Ferrari, “Graphene-based integrated photonics for next-generation datacom and telecom,” Nat Rev Mater, vol. 3, pp. 392–414, Oct. 2018. https://doi.org/10.1038/s41578-018-0040-9 K. Shafique, B. A. Khawaja, F. Sabir, S. Qazi & M. Mustaqim, “Internet of Things (IoT) For Next-Generation Smart Systems: A Review of Current Challenges, Future Trends and Prospects for Emerging 5G-IoT Scenarios,” IEEE Access, vol. 8, pp. 1–1, 2020. https://doi.org/10.1109/access.2020.2970118 M. Zhong, Y. Yang, H. Yao, X. Fu, O. A. Dobre & O. Postolache, “5G and IoT: Towards a new era of communications and measurements,” IEEE Instrum Meas Mag, vol. 22, no. 6, pp. 18–26, Dec. 2019. https://doi.org/10.1109/MIM.2019.8917899 D. M. Marom, P. D. Colbourne, A. D’Errico, N. K. Fontaine, Y. Ikuma, R. Proietti, L. Zong, J. M. Rivas-Moscoso & I. Tomkos, “Survey of Photonic Switching Architectures and Technologies in Support of Spatially and Spectrally Flexible Optical Networking [Invited ,” J Opt Commun Netw, vol. 9, no. 1, pp. 1–, 2017. https://doi.org/10.1364/jocn.9.000001 S. Kartalopoulos & C. Qiao, “Optical access networks,” IEEE Commun Mag, vol. 43, no. 2, pp. S4–S4, Feb. 2005. https://doi.org/10.1109/MCOM.2005.1391495 L. Li, Z. Tao, L. Dou, W. Yan, S. Oda, T. Tanimura, T. Hoshida & J. C. Rasmussen, “Implementation Efficient Nonlinear Equalizer Based on Correlated Digital Backpropagation,” presented at 2011 Opt Fiber Commun Conf Expo Natl Fiber Opt Eng Conf, OFC, LA Ca. USA., 6-10 Mar. 2011. https://doi.org/10.1364/ofc.2011.oww3 L. Beygi, E. Agrell, P. Johannisson, M. Karlsson & H. Wymeersch, “The Limits of Digital Backpropagation in Nonlinear Coherent Fiber-Optical Links,” presented at 2012 38th Eur Conf Exhib Opt Commun, ECEOC, AMS, 2013. https://doi.org/10.1364/eceoc.2012.p4.14 J. Mata, I. de Miguel, R. J. Durán, N. Merayo, S. K. Singh, A. Jukan & M. Chamania, “Artificial intelligence (AI) methods in optical networks: A comprehensive surveyOpt Switch Netw, vol. 28, no.1 , pp. 43–57, Apr. 2018. https://doi.org/10.1016/j.osn.2017.12.006 Z. Dong, F. N. Khan, Q. Sui, K. Zhong, C. Lu & A. P. T. Lau, “Optical Performance Monitoring: A Review of Current and Future Technologies,” J Light Technol, vol. 34, no. 2, pp. 525–543, 15 Jan. 2016. https://doi.org/10.1109/JLT.2015.2480798 F. Musumeci, C. Rottondi, A. Nag, I. Macaluso, D. Zibar, M. Ruffini & M. Tornatore, “An Overview on Application of Machine Learning Techniques in Optical Networks,” IEEE Commun Surv Tutorials, vol. 21, no. 2, pp. 1383–1408, Sep. 2019. https://doi.org/10.1109/COMST.2018.2880039 C. Häger & H. D. Pfister, “Nonlinear interference mitigation via deep neural networks,” presented at Opt InfoBase Conf Pap, OFC, SD CA, USA, 11-15 Mar. 2018. https://doi.org/10.1364/OFC.2018.W3A.4 C. Y. Chuang, L. C. Liu, C. C. Wei, J. J. Liu, L. Henrickson, W. J. Huang, C. L. Wang, Y. K. Chen & J. Chen, “Convolutional neural network based nonlinear classifier for 112-Gbps high speed optical link,” presented at Opt InfoBase Conf Pap, OFC, SA, CA, USA, 11-15 Mar. 2018. https://doi.org/10.1364/OFC.2018.W2A.43 S. Liu, Y. M. Alfadhli, S. Shen, H. Tian & G. K. Chang, “Mitigation of multi-user access impairments in 5G A-RoF-based mobile fronthaul utilizing machine learning for an artificial neural network nonlinear equalizer2018 Opt Fiber Commun Conf Expo OFC 2018 - Proc, OFC, SA, CA, USA, 11-15 Mar. 2018. Available: https://ieeexplore.ieee.org/document/8386151 D. Wang, M. Zhang, Z. Cai, Y. Cui, Z. Li, H. Han, M. Fu & B. Luo, “Combatting nonlinear phase noise in coherent optical systems with an optimized decision processor based on machine learning,” Opt Commun, vol. 369, no. 1, pp. 199–208, Jun. 2016. https://doi.org/10.1016/j.optcom.2016.02.029 L. Sun, J. Du, G. Chen, Z. He, X. Chen & G. T. Reed, “Machine-learning detector based on support vector machine for 122-Gbps multi-CAP optical communication system,” presented at 2017 Opto-Electronics Commun Conf OECC 2017 Photonics Glob Conf PGC 2017, OECC, SG, 31 Jul.-4 Aug. 2017. https://doi.org/10.1109/OECC.2017.8114893 E. A. Fernández, J. J. G. Torres, A. M. C. Soto & N. G. Gonzalez, “Radio-over-Fiber signal demodulation in the presence of non-Gaussian distortions based on subregion constellation processing,” Opt Fiber Technol, vol. 53, no. 1, pp. 102062, Dec. 2019. https://doi.org/10.1016/j.yofte.2019.102062 H. Nain, U. Jadon & V. Mishra, “Evaluation and analysis of non-linear effect in WDM optical network,” IEEE Int Conf Recent Trends Electron Inf Commun Technol RTEICT 2016 - Proc, RTEICT, BLR, IMD, 20-21 May. 2017. https://doi.org/10.1109/RTEICT.2016.7807777 T. Okamoto & F. Ito, “Laser Phase Noise Characterization Using Parallel Linear Optical Sampling,” J Lightwave Technol, vol. 32, no. 18, pp. 3119–3125, 2014. Available: https://www.osapublishing.org/jlt/abstract.cfm?uri=jlt-32-18-3119 R.-J. Essiambre, G. Kramer, P. J. Winzer, G. J. Foschini & B. Goebel, “Capacity Limits of Optical Fiber Networks PART 1: DIGITIZATION, CAPACITY, AND CONSTELLATIONS,” J Light Technol, vol. 28, no. 4, pp. 662–701, 15 Feb. 2010. https://doi.org/10.1109/JLT.2009.2039464
dc.relation.citationendpage.none.fl_str_mv	20
dc.relation.citationstartpage.none.fl_str_mv	11
dc.relation.citationissue.spa.fl_str_mv	2
dc.relation.citationvolume.spa.fl_str_mv	17
dc.relation.bitstream.none.fl_str_mv	https://revistascientificas.cuc.edu.co/ingecuc/article/download/3302/3315 https://revistascientificas.cuc.edu.co/ingecuc/article/download/3302/4663
dc.relation.citationedition.spa.fl_str_mv	Núm. 2 , Año 2021 : (Julio-Diciembre)
dc.rights.eng.fl_str_mv	INGE CUC - 2021
dc.rights.uri.eng.fl_str_mv	http://creativecommons.org/licenses/by-nc-nd/4.0
dc.rights.accessrights.eng.fl_str_mv	info:eu-repo/semantics/openAccess
dc.rights.coar.eng.fl_str_mv	http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv	INGE CUC - 2021 http://creativecommons.org/licenses/by-nc-nd/4.0 http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv	openAccess
dc.format.mimetype.eng.fl_str_mv	application/pdf text/html
dc.publisher.spa.fl_str_mv	Universidad de la Costa
dc.source.eng.fl_str_mv	https://revistascientificas.cuc.edu.co/ingecuc/article/view/3302
institution	Corporación Universidad de la Costa
bitstream.url.fl_str_mv	https://repositorio.cuc.edu.co/bitstreams/e17bfaa8-d793-4f4a-9994-0a6f81d54338/download
bitstream.checksum.fl_str_mv	a0156656c014fcc905e0706db51da418
bitstream.checksumAlgorithm.fl_str_mv	MD5
repository.name.fl_str_mv	Repositorio de la Universidad de la Costa CUC
repository.mail.fl_str_mv	repdigital@cuc.edu.co
_version_	1811760667810594816
spelling	Escobar Pérez, AlejandroArroyave Giraldo, KarenLopera Cortés, Jhon AndersonGranada Torres, Jhon James2021-03-18 00:00:002024-04-09T20:21:26Z2021-03-18 00:00:002024-04-09T20:21:26Z2021-03-180122-6517https://hdl.handle.net/11323/12309https://doi.org/10.17981/ingecuc.17.2.2021.0210.17981/ingecuc.17.2.2021.022382-4700Introducción/Contexto: Una de las estrategias más convenientes para el incremento de las capacidades en las redes ópticas de acceso, es el uso de la detección coherente junto con formatos de modulación de alto nivel tales como 16 y 64-QAM. Sin embargo, la detección coherente es una tecnología que requiere de un complejo procesamiento digital de señales para la mitigación de diferentes fenómenos. Objetivo: Minimizar efectos distorsivos de las señales ópticas usando demodulación no simétrica basada en algoritmos de Aprendizaje Automático. Metodología: Se simuló un sistema Nyquist m-QAM a 28 y 32 Gbps en el software especializado VPIDesignSuite. Luego, se generaron diferentes señales moduladas a 16 y 64-QAM a diferentes anchos de línea de láser, longitudes de transmisión y potencias. Se implementaron dos algoritmos de aprendizaje automático para realizar demodulación de las señales generadas. Finalmente, el desempeño de la demodulación se midió en términos de la tasa de error de bit (BER, del inglés Bit Error Rate), en función de varios parámetros del sistema tales como longitud de fibra, potencia de salida, ancho espectral del láser y formato de modulación. Resultados: A un valor de BER de , el uso de los algoritmos permitió ganancias de hasta 2 dB en términos de relación señal a ruido óptica para 16-QAM y de 1.5 dB para 64-QAM. Además, la demodulación basada en estos algoritmos permitió una transmisión de hasta 50 km usando un láser con un ancho espectral de 100 kHz logrando un BER menor que usando un láser de 25 kHz sin implementar las técnicas de demodulación propuestas. Conclusiones: Se demostró que las dos técnicas pueden ser aplicadas para minimizar efectos no lineales, y a su vez, permitiría una reducción de complejidad computacional en futuras redes de acceso ópticas.Introduction/Context: The use of coherent detection jointly with high-level modulation formats such as 16 and 64-QAM seems to be a convenient strategy to increment capacity of future optical access networks. However, coherent detection requires high complexity digital signal processing to mitigate different impairments. Objective: Mitigate signal distortions using nonsymmetrical demodulation techniques based on Machine Learning (ML) algorithms. Methodology: First, a single channel Nyquist m-QAM system at 28 and 32 Gbps was simulated in VPIDesignSuite software. Then, different signals modulated at 16 and 64-QAM were generated with different laser linewidth, transmission distances and launch powers. Two ML algorithms were implemented to carry out the demodulation of the generated signals. The performance of the algorithms was evaluated using the bit error rate (BER) in terms of different system parameters as laser linewidth, transmission distance, launch power and modulation format. Results: The use of ML allowed gains up to 2 dB in terms of optical signal-to-noise ratio at a BER value of for 16-QAM and 1.5 dB for 64-QAM. Also, the use of ML showed that it is possible to use a lower cost laser (100 kHz linewidth vs 25 kHz) with a better BER performance than using conventional demodulation. Conclusions: We showed that the use of both algorithms could mitigate nonlinear effects and could reduce computational complexity for future optical access networks.application/pdftext/htmlengUniversidad de la CostaINGE CUC - 2021http://creativecommons.org/licenses/by-nc-nd/4.0info:eu-repo/semantics/openAccessEsta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.http://purl.org/coar/access_right/c_abf2https://revistascientificas.cuc.edu.co/ingecuc/article/view/3302coherent communicationsdigital signal processingmachine learningoptical access networksquadrature amplitude modulationcomunicaciones coherentesmodulación de amplitud en cuadraturaprocesamiento digital de señalesredes ópticas de accesoaprendizaje de máquinaMitigación de Efectos No Lineales usando Aprendizaje Automático en Redes Ópticas de AccesoMitigation of Nonlinear Effects using Machine Learning in Coherent Optical Access NetworksArtículo de revistahttp://purl.org/coar/resource_type/c_6501http://purl.org/coar/resource_type/c_2df8fbb1Textinfo:eu-repo/semantics/articleJournal articlehttp://purl.org/redcol/resource_type/ARTinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/version/c_970fb48d4fbd8a85Inge Cuc M. Romagnoli, V. Sorianello, M. Midrio, F. H. L. Koppens, C. Huyghebaert, D. Neumaier, P. Galli, W. Templ, Antonio D’Errico & A. C. Ferrari, “Graphene-based integrated photonics for next-generation datacom and telecom,” Nat Rev Mater, vol. 3, pp. 392–414, Oct. 2018. https://doi.org/10.1038/s41578-018-0040-9 K. Shafique, B. A. Khawaja, F. Sabir, S. Qazi & M. Mustaqim, “Internet of Things (IoT) For Next-Generation Smart Systems: A Review of Current Challenges, Future Trends and Prospects for Emerging 5G-IoT Scenarios,” IEEE Access, vol. 8, pp. 1–1, 2020. https://doi.org/10.1109/access.2020.2970118 M. Zhong, Y. Yang, H. Yao, X. Fu, O. A. Dobre & O. Postolache, “5G and IoT: Towards a new era of communications and measurements,” IEEE Instrum Meas Mag, vol. 22, no. 6, pp. 18–26, Dec. 2019. https://doi.org/10.1109/MIM.2019.8917899 D. M. Marom, P. D. Colbourne, A. D’Errico, N. K. Fontaine, Y. Ikuma, R. Proietti, L. Zong, J. M. Rivas-Moscoso & I. Tomkos, “Survey of Photonic Switching Architectures and Technologies in Support of Spatially and Spectrally Flexible Optical Networking [Invited ,” J Opt Commun Netw, vol. 9, no. 1, pp. 1–, 2017. https://doi.org/10.1364/jocn.9.000001 S. Kartalopoulos & C. Qiao, “Optical access networks,” IEEE Commun Mag, vol. 43, no. 2, pp. S4–S4, Feb. 2005. https://doi.org/10.1109/MCOM.2005.1391495 L. Li, Z. Tao, L. Dou, W. Yan, S. Oda, T. Tanimura, T. Hoshida & J. C. Rasmussen, “Implementation Efficient Nonlinear Equalizer Based on Correlated Digital Backpropagation,” presented at 2011 Opt Fiber Commun Conf Expo Natl Fiber Opt Eng Conf, OFC, LA Ca. USA., 6-10 Mar. 2011. https://doi.org/10.1364/ofc.2011.oww3 L. Beygi, E. Agrell, P. Johannisson, M. Karlsson & H. Wymeersch, “The Limits of Digital Backpropagation in Nonlinear Coherent Fiber-Optical Links,” presented at 2012 38th Eur Conf Exhib Opt Commun, ECEOC, AMS, 2013. https://doi.org/10.1364/eceoc.2012.p4.14 J. Mata, I. de Miguel, R. J. Durán, N. Merayo, S. K. Singh, A. Jukan & M. Chamania, “Artificial intelligence (AI) methods in optical networks: A comprehensive surveyOpt Switch Netw, vol. 28, no.1 , pp. 43–57, Apr. 2018. https://doi.org/10.1016/j.osn.2017.12.006 Z. Dong, F. N. Khan, Q. Sui, K. Zhong, C. Lu & A. P. T. Lau, “Optical Performance Monitoring: A Review of Current and Future Technologies,” J Light Technol, vol. 34, no. 2, pp. 525–543, 15 Jan. 2016. https://doi.org/10.1109/JLT.2015.2480798 F. Musumeci, C. Rottondi, A. Nag, I. Macaluso, D. Zibar, M. Ruffini & M. Tornatore, “An Overview on Application of Machine Learning Techniques in Optical Networks,” IEEE Commun Surv Tutorials, vol. 21, no. 2, pp. 1383–1408, Sep. 2019. https://doi.org/10.1109/COMST.2018.2880039 C. Häger & H. D. Pfister, “Nonlinear interference mitigation via deep neural networks,” presented at Opt InfoBase Conf Pap, OFC, SD CA, USA, 11-15 Mar. 2018. https://doi.org/10.1364/OFC.2018.W3A.4 C. Y. Chuang, L. C. Liu, C. C. Wei, J. J. Liu, L. Henrickson, W. J. Huang, C. L. Wang, Y. K. Chen & J. Chen, “Convolutional neural network based nonlinear classifier for 112-Gbps high speed optical link,” presented at Opt InfoBase Conf Pap, OFC, SA, CA, USA, 11-15 Mar. 2018. https://doi.org/10.1364/OFC.2018.W2A.43 S. Liu, Y. M. Alfadhli, S. Shen, H. Tian & G. K. Chang, “Mitigation of multi-user access impairments in 5G A-RoF-based mobile fronthaul utilizing machine learning for an artificial neural network nonlinear equalizer2018 Opt Fiber Commun Conf Expo OFC 2018 - Proc, OFC, SA, CA, USA, 11-15 Mar. 2018. Available: https://ieeexplore.ieee.org/document/8386151 D. Wang, M. Zhang, Z. Cai, Y. Cui, Z. Li, H. Han, M. Fu & B. Luo, “Combatting nonlinear phase noise in coherent optical systems with an optimized decision processor based on machine learning,” Opt Commun, vol. 369, no. 1, pp. 199–208, Jun. 2016. https://doi.org/10.1016/j.optcom.2016.02.029 L. Sun, J. Du, G. Chen, Z. He, X. Chen & G. T. Reed, “Machine-learning detector based on support vector machine for 122-Gbps multi-CAP optical communication system,” presented at 2017 Opto-Electronics Commun Conf OECC 2017 Photonics Glob Conf PGC 2017, OECC, SG, 31 Jul.-4 Aug. 2017. https://doi.org/10.1109/OECC.2017.8114893 E. A. Fernández, J. J. G. Torres, A. M. C. Soto & N. G. Gonzalez, “Radio-over-Fiber signal demodulation in the presence of non-Gaussian distortions based on subregion constellation processing,” Opt Fiber Technol, vol. 53, no. 1, pp. 102062, Dec. 2019. https://doi.org/10.1016/j.yofte.2019.102062 H. Nain, U. Jadon & V. Mishra, “Evaluation and analysis of non-linear effect in WDM optical network,” IEEE Int Conf Recent Trends Electron Inf Commun Technol RTEICT 2016 - Proc, RTEICT, BLR, IMD, 20-21 May. 2017. https://doi.org/10.1109/RTEICT.2016.7807777 T. Okamoto & F. Ito, “Laser Phase Noise Characterization Using Parallel Linear Optical Sampling,” J Lightwave Technol, vol. 32, no. 18, pp. 3119–3125, 2014. Available: https://www.osapublishing.org/jlt/abstract.cfm?uri=jlt-32-18-3119 R.-J. Essiambre, G. Kramer, P. J. Winzer, G. J. Foschini & B. Goebel, “Capacity Limits of Optical Fiber Networks PART 1: DIGITIZATION, CAPACITY, AND CONSTELLATIONS,” J Light Technol, vol. 28, no. 4, pp. 662–701, 15 Feb. 2010. https://doi.org/10.1109/JLT.2009.20394642011217https://revistascientificas.cuc.edu.co/ingecuc/article/download/3302/3315https://revistascientificas.cuc.edu.co/ingecuc/article/download/3302/4663Núm. 2 , Año 2021 : (Julio-Diciembre)PublicationOREORE.xmltext/xml2725https://repositorio.cuc.edu.co/bitstreams/e17bfaa8-d793-4f4a-9994-0a6f81d54338/downloada0156656c014fcc905e0706db51da418MD5111323/12309oai:repositorio.cuc.edu.co:11323/123092024-09-16 16:39:23.241http://creativecommons.org/licenses/by-nc-nd/4.0INGE CUC - 2021metadata.onlyhttps://repositorio.cuc.edu.coRepositorio de la Universidad de la Costa CUCrepdigital@cuc.edu.co

Mitigación de Efectos No Lineales usando Aprendizaje Automático en Redes Ópticas de Acceso

Publicaciones similares