一种用于 OTFS 系统的 MMSE 与 LDPC 解码器联合 Turbo 迭代检测方法

《IEICE Transactions on Communications》：A MMSE and LDPC decoder joint Turbo iterative detection method for OTFS system

　　

摘要：

本文提出了一种利用深度学习对半导体光放大器（SOA）模拟信号特性进行黑盒建模的方法。我们对比了三种神经网络（NN）模型的性能：带跳连接的卷积神经网络（CNN）、不带跳连接的卷积神经网络以及一个简单的神经网络。评估在仿真和实验环境下进行。除了使用归一化均方误差（NMSE）、Q因子和发送端色散眼图闭合四边形（TDECQ）进行定量评估外，我们还会基于眼图的视觉和结构评价分析波形复现能力。在仿真结果中，带跳连接的CNN取得了最低的NMSE和更优的泛化性能。在实验环境下，该模型在噪声波动和模式效应的复现方面也比其他模型表现更好，这一点通过视觉分析得到了证实。这些结果表明，带跳连接的CNN适用于光放大器特性的高精度建模，即使在实际条件下也能保持高稳定性和可靠性。