27140

مدل سازي و كاهش اثرات غيرخطي فيبرنوري چندمدي

دكتري

مهندسي برق- مخابرات سيستم

1400-1401

1401/06/30

دكتر محمد حسين كهايي

دكتر سيد عليرضا نظام الحسيني

مهندسي برق

مخابرات فيبرنوري قادر به تامين پهناي باند وسيع، امنيت و قابليت اطمينان بالايي مي باشد. با اين وجود، با رشد روز افزون ترافيك در شبكه هاي دسترسي و همچنين گسترش نسل پنجم، دستيابي به نرخ داده بالاتر مورد نياز مي باشد. استفاده از فيبرنوري چندمدي، بدليل بكارگيري الگوي تسهيم تقسيم فضايي، نرخ داده بيشتري را فراهم مي آورد. با اين وجود عملكرد اين سيستم به دليل وجود اثرات غيرخطي محدود مي شود. براي ارائه راهكار هاي كاهش اثرات غير خطي فيبرنوري مدل سازي رياضي اين مسئله بسيار تعيين كننده است. بنابراين، در گام اول اين پروژه به مدل سازي اثرات غيرخطي فيبرنوري چندمدي پرداخته مي شود و روابط مدل نويز گاوسي و نويز گاوسي تعميم يافته انتگرالي و فرم بسته ارائه و به كمك شبيه سازي عددي اعتبار سنجي مي شوند. روابط به دست آمده در پارامترهاي مختلف لينك دقيق مي باشند، اما بار محاسباتي بالايي دارند. در ادامه يادگيري ماشين براي مدل سازي اثرات غيرخطي فيبرنوري چندمدي استفاده مي شود و دقت بالا و بار محاسباتي پايين اين رويكرد نشان داده مي شود. مشكل اصلي اين راهكار نياز به داده آموزش زياد است، لذا از يادگيري ماشين مبتني بر انتقال يادگيري، يادگيري فعال و فرايادگيري استفاده مي شود. نتايج نشان مي دهند كه اين رويكردها حتي با داده آموزش كم و زمان آموزش كوتاه، دقت بالا و بارمحاسباتي پايين دارند. در گام دوم اين پروژه به كاهش اثرات غيرخطي فيبرنوري چندمدي مبتني بر مدل هاي رياضياتي به دست آمده در گام اول پرداخته مي شود. به اين منظور مسائل تخصيص توان بهينه و تخصيص توام توان و بهره بهينه ارائه و به كمك بهينه سازي محدب حل مي شوند. نتايج نشان مي دهند تخصيص توام توان و بهره بهينه در مقايسه با تخصيص توان بهينه و بهترين تخصيص توان برابر به ترتيب 4/1 و 7/1 دسي بل حداقل حاشيه نسبت سيگنال به نويز را در يك شبكه خطي افزايش مي دهد. اثرات غيرخطي فيبرنوري چندمدي موجب تغييرات غيرخطي دامنه و فاز سيگنال دريافتي مي شوند، لذا در ادامه مساله تخمين كور فاز همراه با آشكارسازي سمبل و مساله شكل دهي منظومه سيگنال توام با آشكارسازي سمبل ارائه و به كمك يادگيري عميق حل مي شوند. نتايج نشان مي دهند كه تخمين كور فاز همراه با آشكارسازي سمبل پيشنهادي در مقايسه با روش‌هاي سنتي مانند جستجوي كور فاز همراه با آشكارساز حداكثر درستنمايي، نرخ خطاي سمبل و پيچيدگي كمتري دارد. همچنين شكل دهي منظومه سيگنال توام با آشكارسازي سمبل پيشنهادي در مقايسه با منظومه مدولاسيون دامنه چهارتايي با آشكارساز حداكثر درست نمايي، 22/0 بيت بر سمبل اطلاعات متقابل را بهبود مي دهد.

1401/07/23

Modelling and Mitigating Multimode Fiber Nonlinear Effects

1/1/1900 12:00:00 AM

Optical fiber communication is able to provide high bandwidth, security, and reliability. However, with the increasing growth of traffic in access networks as well as the expansion of the fifth generation, achieving higher data rates is needed. The use of multimode fiber provides higher data rates due to the use of spatial division multiplexing. However, the performance of this system is limited due to nonlinear effects. This is crucial for providing solutions to reduce the nonlinear effects of fiber optic mathematical modeling. Therefore, in the first step of this project, the nonlinear effects of multimodal fiber are modeled and the formulations of Gaussian noise and enhanced Gaussian noise model in integral and closed form are presented and validated by numerical simulation. The obtained relationships are accurate in various link parameters, however, they have a high computational load. In the following, machine learning is used to model the nonlinear effects of multimodal fiber, and this approach shows high accuracy and low computational load. The main problem of this solution is the need for a lot of training data, thus machine learning based on transfer learning, active learning, and meta-learning is used. The results show that these approaches have high accuracy and low computational load even at small training datasets and few training epochs. In the second step of this project, the nonlinear effects of multimode fiber are mitigated based on mathematical models obtained in the first step. For this purpose, the problems of optimal power allocation and optimal power and gain allocation and efficiency are presented and solved with the help of convex optimization. The results show that optimal power and gain allocation increase by 1.4 and 1.7 dB the minimum signal-to-noise ratio margin in a linear network compared to the optimal power allocation and the best equal power allocation, respectively. The nonlinear effects of multimode fiber cause nonlinear changes in the amplitude and phase of the received signal, thus the problem of joint blind phase estimation and symbol detection, and the problem of constellation shaping with symbol detection are presented and solved using deep learning. The results show that the proposed phase blind estimation with symbol detection has a symbol error rate and less complexity than the traditional methods such as blind phase search with a maximum likelihood detector. Also, the formation of the signal system with the detection of the proposed symbol improves the mutual information by 0.22 bits per symbol compared to the quadrature amplitude modulation with a maximum likelihood detector.

اثرات غيرخطي فيبرنوري چندمدي , مدل نويز گاوسي , بهينه سازي محدب , يادگيري ماشين

Multimode fiber nonlinearity , Gaussian noise , convex optimization , machine learning

Mohammad Ali Amirabadi

Dr. Mohammad Hossein Kahaei