Compensação de não linearidades em redes PON coerentes de longa distância usando clusterização baseada em histograma

• Ano de defesa: 2020
• Autor(a) principal: Oliveira Junior, Geraldo Antonio de [UNESP]
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Comunicações óticas; Fibras ópticas; Teoria da aprendizagem computacional
• Link de acesso: http://hdl.handle.net/11449/202536

As mudanças recentes em nossa sociedade têm aumentado a demanda junto ao setor de telecomunicações por soluções que busquem ampliar a largura de banda e o alcance das redes de acesso. Neste contexto, as redes ópticas passivas de longo alcance (LRPON) ao usarem processadores digitais de sinais (DSP) operando em sistemas de comunicações coerentes, conseguem aliar o ganho de mixagem e a diversidade de formatos de amplitude e fase, apresentam alto potencial de sucesso no desafio de compensar os efeitos combinados do ruído e da distorção não linear. Neste trabalho, é proposto o uso de aprendizagem de máquina aplicada a um novo algoritmo de agrupamento, denominado agrupamento baseado em histograma (HBC), que emprega a densidade de um histograma 2D para classificar constelações distorcidas de forma não linear. O algoritmo foi aplicado em uma rede LR-PON de 100 km de comprimento com divisão de 1:64 nos primeiros 80 km do enlace. Os resultados alcançados mostram uma melhor eficiência de HBC em comparação aos algoritmos utilizados de Becnhmark, Máxima Verossimilhança e K-means. Quando levado em conta o fator Q, HBC é 0,57 dB melhor que Máxima Verossimilhança e 0,21 dB melhor que K-means. Quando olhamos para BER, HBC alcança um valor de 2 x 10−3, sendo 2.5 dB e 1,25 dB maior que Máxima Verossimilhança e K-means respectivamente.