研究目的
研究支持向量机（SVM）机器学习检测的分类方法，并对QAM调制光互连进行性能比较。
研究成果
实验结果表明，支持向量机方法能有效检测信号的非线性损伤，并对信号进行合理分类。基于同相和正交分量的支持向量机多分类方法在保持一定误码率性能的同时具有最低复杂度。
研究不足
本研究仅限于基于马赫-曾德尔调制器和10公里标准单模光纤的QAM-DMT光传输链路。支持向量机方法的性能可能因不同调制格式和非线性失真而有所变化。
1：实验设计与方法选择：
基于马赫-曾德尔调制器（MZM）和10公里标准单模光纤（SSMF），在QAM-DMT光传输链路中实现了SVM检测。研究了四种基于SVM的多分类检测方法。
2：样本选择与数据来源：
生成了聚合速率为100 Gbps（含128个载波）的QAM-DMT信号。
3：实验设备与材料清单：
MZM：马赫-曾德尔调制器；PD：光电二极管；AWG：任意波形发生器；EA：电放大器；DSO：数字存储示波器；SSMF：标准单模光纤；PC：偏振控制器。
4：实验步骤与操作流程：
接收光功率设置为4 dBm。示例星座图为光背靠背（B2B）情况下的第17个载波。
5：数据分析方法：
离线测量了DMT信号的误码率（BER）。分析了四种分类方法的复杂度与误码率对比。
独家科研数据包，助您复现前沿成果，加速创新突破
获取完整内容-
Mach-Zehnder Modulator
MZM
Modulation of optical signals
-
Photodiode
PD
Detection of optical signals
-
arbitrary waveform generator
AWG
Generation of arbitrary waveforms
-
electrical amplifier
EA
Amplification of electrical signals
-
digital storage oscilloscope
DSO
Storage and display of digital signals
-
standard single mode fiber
SSMF
Transmission of optical signals
-
polarization controller
PC
Control of polarization state of light
-
登录查看剩余5件设备及参数对照表
查看全部
