EQUALIZAÇÃO NÃO LINEAR BASEADA EM APRENDIZADO DE MÁQUINA PARA SISTEMAS ÓPTICOS COM MODULAÇÃO DE AMPLITUDE E DETECÇÃO DIRETA
Resumo
Na transmissão de sinais em sistemas de comunicações ópticas, diferentes frequências de um sinal óptico sofrem diferentes atrasos na fibra devido à reflexão total, o que pode causar interferência entre os símbolos que contém a informação. Para reverter esses efeitos, é usado o processo de equalização. Recentemente, com o desenvolvimento de algoritmos de aprendizado de máquinas, redes neurais vem sendo utilizadas com esse propósito. Um dos principais desafios na utilização de redes neurais, principalmente as mais complexas, é o custo computacional para seu treinamento. Nesse trabalho, estudamos a aplicabilidade e eficiência de transfer learning, uma ferramenta que consiste em reutilizar redes neurais já treinadas para certas situações, em casos semelhantes, buscando reduzir a quantidade de épocas necessárias para o treinamento da rede, em redes neurais para equalização não linear em sistemas ópticos PAM-8 IM/DD a uma taxa de 40 Gbd e distâncias de transmissão de 3 a 6 km. comparamos o desempenho de uma rede treinada com a técnica de transfer learning e uma rede treinada desde a inicialização. Os resultados obtidos a partir de simulações numéricas indicam uma redução razoável na quantidade de épocas necessárias para covergência da função de perda do algoritmo, enquanto que a BER de ambos os sinais equalizados são semelhantes, exceto para casos em que o problema se distingue muito do problema original.
