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,
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