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, Kommunikations- och antennsystem, Kommunikationssystem

Christian Häger

Chalmers, Elektroteknik, Kommunikations- och antennsystem, Kommunikationssystem

Nil Garcia

Chalmers, Elektroteknik, Kommunikations- och antennsystem, Kommunikationssystem

Henk Wymeersch

Chalmers, Elektroteknik, Kommunikations- och antennsystem, Kommunikationssystem

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

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

Europeiska kommissionen (Horisont 2020), 2017-01-01 -- 2019-12-31.

Ämneskategorier

Annan maskinteknik

Telekommunikation

Kommunikationssystem

Mer information

Senast uppdaterat

2019-01-20