Εξετάζοντας την εξάλειψη των μη γραμμικών φαινομένων στις οπτικές ίνες, αξιοποιώντας τις τεχνικές πιθανοκρατικής & μηχανικής μάθησης (bi-LSTM)

Σφυριδάκη, Αγγελική

Investigating the mitigation of non linear effects in optical fibre by exploiting probabilistic modulation shaping & bi-LSTM machine learning

Διπλωματική εργασία

Author

Σφυριδάκη, Αγγελική

Date

2022-07-14

Advisor

Bogris, Adonis

Sfyridaki_cs151036.pdf (12.34Mb)

ΔΗΛΩΣΗ ΣΥΓΓΡΑΦΕΑ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ (111.4Kb)

Keywords

Πιθανοκρατικός σχηματισμός ; Γεωμετρικός σχηματισμός ; Οπτικές ίνες ; Μη γραμμικά φαινόμενα ; Μηχανική μάθηση, Lstm

Abstract

Στις οπτικές ίνες υφίστανται δύο νοσογόνα προβλήματα, ο θόρυβος και η μη γραμμικότητα, που δυσχεραίνονται με την αύξηση της απόστασης. Για την μείωση του θορύβου είναι αναγκαία η αύξηση της ισχύος, ενώ για την αντιμετώπιση της μη γραμμικότητας απαιτείται η μείωσή της. Σε αυτήν την διπλωματική εργασία προσπαθούμε να εντοπίσουμε κατάλληλες τεχνικές αντιμετώπισης της επίδρασης της μη γραμμικότητας. Αρχικά ερευνήσαμε την πιθανοκρατική τεχνική, η οποία βασίζεται στην Gaussian κατανομή, δηλαδή μειώνει την εμφάνιση των εξωτερικών συμβόλων. Στη συνέχεια, εξετάσαμε συνοπτικά διάφορους γεωμετρικούς αστερισμούς ώστε να προσδιορίσουμε όσους προσφέρουν το καλύτερο BER. Ακολούθως, συνδυάσαμε τις δύο παραπάνω τεχνικές για να δημιουργήσουμε γεωμετρικούς αστερισμούς με Gaussian κατανομή εμφάνισης συμβόλων. Τέλος χρησιμοποιήσαμε τα παραπάνω δεδομένα και προσπαθήσαμε να βελτιώσουμε περεταίρω το BER χρησιμοποιώντας μοντέλα μηχανικής μάθησης. Αναλυτικότερα, αναπτύξαμε ένα μοντέλο Lstm που καταφέρνει να προσεγγίσει το όριο Fec με μείωση της εντροπίας μόλις 0.1 μονάδα

Abstract

There are two crucial problems with fiber optics, noise and non-linearity, which become more ominous with increasing distances. To diminish the noise it is required to amplify the power, while to decrease the non-linearity it is necessary to reduce it. In this thesis, we try to identify suitable techniques to mitigate the effect of non-linearity. Firstly, we investigate the probabilistic technique, which is based on the Gaussian distribution, i.e. reduces the occurrence of outer symbols. We then briefly review various geometric constellations to determine those that offer the best BER. Afterward, we combine the above two techniques to create geometric constellations with a Gaussian distribution of symbol occurrences. Finally, we use the above data and try to improve the BER further using machine learning models. Specifically, we develop an Lstm model that approaches the Fec limit with a negligible 0.1 decrease in entropy.