基于广义回归神经网络的CO-OFDM系统非线性均衡

作     者：吴金达 卢瑾 任宏亮 覃亚丽 郭淑琴 胡卫生 Wu Jinda;Lu Jin;Ren Hongliang;Qin Yali;Guo Shuqin;Hu Weisheng

作者机构：浙江工业大学信息工程学院浙江杭州310023 上海交通大学区域光纤通信网与新型光通信系统国家重点实验室上海200240 

出 版 物：《光学学报》 (Acta Optica Sinica)

年 卷 期：2018年第38卷第9期

页      面：70-78页

核心收录：

学科分类：0810[工学-信息与通信工程] 0808[工学-电气工程] 0809[工学-电子科学与技术（可授工学、理学学位）] 08[工学] 0805[工学-材料科学与工程（可授工学、理学学位）] 081001[工学-通信与信息系统] 0702[理学-物理学] 

基　　金：国家自然科学基金(60907032 61675184 61675183) 浙江省自然科学基金(LY16F050009) 上海交通大学区域光纤通信网与新型光通信系统国家重点实验室开放基金(2016GZKF0JT004) 

主　　题：光通信 相干光正交频分复用 大线宽 高阶正交幅度调制 广义回归神经网络 非线性均衡 

摘      要：针对高阶正交幅度调制和大线宽相干光正交频分复用(CO-OFDM)系统,提出了一种基于广义回归神经网络(GRNN)的非线性均衡算法。将接收端进行相位噪声恢复之后的批量数据作为训练数据样本,通过训练学习得到GRNN的唯一参数平滑因子,然后对测试数据进行非线性均衡。对传输速率为50Gb/s,传输距离为100km的CO-OFDM系统进行了仿真验证。仿真结果表明,在大线宽和高阶调制下,GRNN非线性均衡算法对系统非线性损伤的补偿效果优于相应反向传播神经网络(BPNN)非线性均衡算法,且其训练运行时间远小于BPNN。GRNN非线性均衡算法能极大促进CO-OFDM系统在中长距离光纤传输中的应用。