基于深度学习的数据中心光通信色散估计与管理

您当前的位置：

首页 >

文章列表页 >

光学测量 | 更新时间：2025-09-01

- 基于深度学习的数据中心光通信色散估计与管理
- Estimation and management of fiber dispersion in the data center based on the deep learning
- 光学技术 2018年44卷第5期页码：617-621
- 作者机构：
  
  1. 1:江苏商贸职业学院物联网技术研究所
  2. 2:南通智大信息技术有限公司
- 作者简介：
- 基金信息：
  
  江苏省第十四批“六大人才高峰”高层次人才培养资助项目(XYDXX-121);南通市崇川区科技创新计划项目(CCY201607)
- DOI：10.13741/j.cnki.11-1879/o4.2018.05.017
  中图分类号：
- 纸质出版：2018
- 稿件说明：
移动端阅览
瞿国庆, 于树科. 基于深度学习的数据中心光通信色散估计与管理[J]. 光学技术, 2018,44(5):617-621.

Estimation and management of fiber dispersion in the data center based on the deep learning[J]. 2018, 44(5): 617-621.
瞿国庆, 于树科. 基于深度学习的数据中心光通信色散估计与管理[J]. 光学技术, 2018,44(5):617-621. DOI： 10.13741/j.cnki.11-1879/o4.2018.05.017.

Estimation and management of fiber dispersion in the data center based on the deep learning[J]. 2018, 44(5): 617-621. DOI： 10.13741/j.cnki.11-1879/o4.2018.05.017.

最大似然估计能够准确地估计光通信的色散

但其对高速符号传输的计算复杂度较高

云计算数据中心的光网络是一种高速光通信的情况

为了降低数据中心中光通信色散估计的计算成本

设计了一种基于深度学习的数据中心光通信均衡器。基于人工神经网络的均衡器分为两个阶段

第一阶段采用光信道的脉冲响应数据对人工神经网络进行训练

对人工神经网络的模型参数进行优化

建立人工神经网络的非线性响应模型;第二阶段采用训练的人工神经网络均衡器对光信道的传输数据进行处理

实现对光信道色散的估计与补偿。按照数据中心的光网络方案进行了仿真实验

结果显示

基于人工神经网络的均衡器提高了光通信的光信噪比

并且延长了光通信的传输距离。

浏览量

237

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于卷积神经网络的光纤通信非线性失真补偿

基于高光谱遥感的荒漠化草原草种类分类模型研究

基于3D全卷积神经网络的肺叶自动分割方法

利用双流卷积神经网络的人脸表情识别方法

基于移动机器人和单目视觉的姿态测量方法