基于卷积神经网络的半导体光放大器强度调制信号建模——无需载流子速率方程

《IEICE Transactions on Communications》：CNN-based modeling of semiconductor optical amplifier for intensity-modulated signals without carrier rate equation

　　本文提出了一种利用深度学习对半导体光放大器（SOA）的模拟信号特性进行黑箱建模的方法。我们比较了三种神经网络（NN）模型的性能：带有跳跃连接的卷积神经网络（CNN）、不带跳跃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均进行了开展。除使用归一化均方误差（NMSE）、Q因子以及发射机和色散眼图关闭四元码（TDECQ）进行定量评估外，我们还通过眼图对波形重现性进行了基于视觉和结构的评价分析。在仿真结果中，带跳跃连接的CNN取得了最低的NMSE并表现出优异的泛化性能。在实验环境中，该模型在噪声波动和图案效应的重现方面也优于其他模型，这一结论已通过目视分析得到确认。这些结果表明，带跳跃连接的CNN在光放大器特性的高精度建模中是有效的，并且即使在实际条件下也能保持高度的稳定性和可靠性。