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, Kommunikationssystem, informationsteori och antenner, Kommunikationssystem

Christian Häger

Chalmers, Elektroteknik, Kommunikationssystem, informationsteori och antenner, Kommunikationssystem

Nil Garcia

Chalmers, Elektroteknik, Kommunikationssystem, informationsteori och antenner, Kommunikationssystem

Henk Wymeersch

Chalmers, Elektroteknik, Kommunikationssystem, informationsteori och antenner, 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