In optischen Glasfasernetzwerken für Langstreckenübertragungen führen verschiedene lineare Verzerrungen aufgrund von Unvollkommenheiten in Teilsystemen zu Interaktionen mit unterschiedlichen Komponenten, die eine genaue Gestaltung und Signalverarbeitung in einer strategisch strukturierten Sequenz erfordern. Die Signalverarbeitung (DSP) spielt eine entscheidende Rolle bei der Identifizierung und Bewältigung dieser gemischten Effekte sequenziell, was für die Aufrechterhaltung der Systemintegrität und Leistung entscheidend ist. Traditionelle DSP-Module sind in statische und dynamische Entzerrungen unterteilt, die auf spezifische Verzerrungseigenschaften abzielen. Die statischen Entzerrungen wie CD-Kompensation (CDC) zielen auf konstante Verzerrungen ab, während dynamische Entzerrungen wie für PMD und Phasenrauschen variierende Verzerrungen behandeln.
In dieser Arbeit wird das LDSP-Schema als lernbasiertes DSP-Framework vorgestellt, das auf vorhandenen DSP-Modulen wie IQ-Schiebung, CD-Kompensation, Phasenrauschschätzung und LOFO-Schätzer aufbaut. Jedes DSP-Modul wird als lineare Schicht eines Deep Neural Networks behandelt, dessen Parameter mithilfe eines Lernalgorithmus optimiert werden. LDSP ermöglicht eine Performance-Optimierung aus globaler Perspektive und bietet somit eine holistische Lösung. Es optimiert IQ-Schiebung, LOFO-Kompensation und CD-Kompensation innerhalb desselben frequenzbasierten Moduls, wobei alle Parameter lernbar sind und sich anpassen und optimieren lassen.
Es wurde festgestellt, dass LDSP im Vergleich zu traditionellen DSP erhebliche Leistungsverbesserungen erzielt, insbesondere in Bezug auf die Q-Faktor-Performance. Die Parameteroptimierung in LDSP erfolgt automatisch, was den Bedarf an umfangreichen manuellen Einstellungen der DSP-Module reduziert. LDSP bietet eine effiziente Lösung für die Optimierung von Hyperparametern und minimiert den Aufwand für die manuelle Einstellung von DSP-Modulen. Durch die verbesserte lineare Kompensation zeigt LDSP bei der NLC-basierten NLC herausragende Leistungsgewinne, die auf eine erhöhte Genauigkeit der linearen Kompensation zurückzuführen sind.
Die Analyse der gelernten Parameter zeigt, dass LDSP effektiv auf IQ-Schiebungen und Timingfehler reagieren kann, ohne zusätzliche komplexe Module einzuführen. Die Komplexitätsanalyse zeigt, dass LDSP eine robuste Leistung bei verschiedenen Verarbeitungsraten bietet und dabei die Komplexität auf ein Minimum reduzieren kann. Insgesamt zeigt sich, dass LDSP eine effiziente und leistungsstarke Lösung für die Signalverarbeitung in optischen Fernübertragungssystemen darstellt.