概率整形和几何整形

1. 概率整形

a. the low-amplitude constellation points are sent with a high probability than the high-amplitude ones. Besides, the constellation points under the same amplitude layer are sent equally likely. Therefore, the average symbol power will be decreased, but at a cost of lower source entropy.

b. The first PS scheme was proposed by Gallager, which is based on many-to-one mapping.

c. There are some methods proposed to further reduce the complexity of CCDM, like multiset-partition distribution matching and sreaming distribution matching.

2. CCDM

a. K-L散度(相对熵)

jianshu.com/p/43318a3dc715

b. All approaches are variable length, which can lead to varying transmission rate, large buffer sizes, error propagation and synchronization problem.

fixed-to-fixed length codes do not have these issues.

义理林教授观点

大部队还没到,我的福冈之行就结束了,好多朋友还没见到。第一次来个workshop only,还省掉了不少注册费[呲牙]
分享下我对机器学习用于光通信的一些观点:
1. 机器学习只是实现人工智能的工具之一,我们用这个工具来解决光通信的一些重要问题,主要是以前的手段不能解决或解决得不好的问题。我们做光通信,不是做人工智能。
2.神经网络用作信道均衡时,训练用的数据选择仍然是大家共同关注的热点话题。我的观点是用 matlab生成的随机数训练即可,然后用两个不相关的随机数序列做测试比对,确保神经网络没有过拟合就行,不用刻意关注使用的随机数序列是否真随机。
3.神经网络主要优势在于非线性均衡,纯线性信道均衡没必要使用神经网络。
4.对接入网应用场景,神经网络主要用于解决器件非线性,重点是不增加神经网络复杂度的基础上提升系统性能,判决反馈神经网络DFNN是个不错的技术。
5.对长距传输场景,神经网络主要用于解决光纤非线性。最大限度补偿光纤非线性至关重要,复杂度可先放在一边。端到端神经网络E2ENN可通过端到端信道学习到最佳星座图,性能大大优于接收端神经网络均衡,是未来方向。