Achievable Information Rates for Nonlinear Fiber Communication via End-to-end Autoencoder Learning
Paper i proceeding, 2018

Machine learning is used to compute achievable information rates (AIRs) for a simplified fiber channel. The approach jointly optimizes the input distribution (constellation shaping) and the auxiliary channel distribution to compute AIRs without explicit channel knowledge in an end-to-end fashion.

Författare

Shen Li

Chalmers, Elektroteknik, Kommunikation, Antenner och Optiska Nätverk

Christian Häger

Duke University

Chalmers, Elektroteknik, Kommunikation, Antenner och Optiska Nätverk

Nil Garcia

Chalmers, Elektroteknik, Kommunikation, Antenner och Optiska Nätverk

Henk Wymeersch

Chalmers, Elektroteknik, Kommunikation, Antenner och Optiska Nätverk

2018 European Conference on Optical Communication (ECOC)

Vol. 2018-September 8535456
978-153864862-9 (ISBN)

44th European Conference on Optical Communication, ECOC 2018
Rome, Italy,

Coding for terabit-per-second fiber-optical communications (TERA)

Europeiska kommissionen (EU) (EC/H2020/749798), 2017-01-01 -- 2019-12-31.

Ämneskategorier

Annan maskinteknik

Telekommunikation

Kommunikationssystem

DOI

10.1109/ECOC.2018.8535456

Mer information

Senast uppdaterat

2022-03-02