Predição de potência de saída em amplificadores a fibra dopada com érbio baseada em redes neurais artificiais

Abstract

Erbium-doped fiber amplifiers represent a critical device in many communications systems. These devices feature a high output power, a relatively low noise figure, and a low sensitivity to polarization. However, in the presence of multiple wavelength-multiplexed channels, competition for the excited ions of erbium results in cross-gain modulation. The model typically adopted to consider this effect is the Giles-Desurvire model, which consists of a system of coupled differential equations. In this work we propose an erbium-doped fiber amplifier model based on artificial neural networks capable of considering the cross-gain effect between different channels without needing to integrate a system of coupled differential equations. In particular, we use a multilayer feedforward perceptron operating in regression mode with a single hidden layer to model each of the amplifier outputs. It is worth mentioning that the number of neurons in the hidden layer is optimized using stochastic cross validation. The numerical results reveal that the proposed model accurately predicts the output power in a fourchannel system. We also show that the complexity of neural networks is different for each channel, being greater in the central channels. For the studied object, the computational cost of the ANN model trained in this work is 370 floating point operations, which is predictably less than the complexity of numerically solving the Giles-Desurvire model.

Os amplificadores a fibra dopada com érbio representam um dispositivo crítico em muitos sistemas de comunicações. Estes dispositivos apresentam uma elevada potência de saída, uma figura de ruído relativamente baixa e uma sensibilidade baixa a polarização. Porém, na presença de múltiplos canais multiplexados em comprimento de onda, a concorrência pelos íons excitados de érbio resulta numa modulação cruzada de ganho. O modelo tipicamente adotado para considerar este efeito é o modelo de Giles-Desurvire que consiste num sistema de equações diferenciais acopladas. Neste trabalho propomos um modelo de amplificador a fibra dopada com érbio baseado em redes neurais artificiais capaz de considerar o efeito de ganho cruzado entre diferentes canais sem precisar integrar um sistema de equações diferencias acopladas. Em particular utilizamos um perceptron multicamada feedforward operando em regressão com uma única camada oculta para modelar cada uma das saídas do amplificador. Cabe mencionar que o número de neurônios na camada oculta é otimizado utilizando validação cruzada estocástica. Os resultados numéricos revelam que o modelo proposto prediz de forma precisa a potência de saída em um sistema de quatro canais. Também mostramos que a complexidade das redes neurais são diferentes para cada canal, sendo maior nos canais centrais. Para o objeto estudado, o custo computacional do modelo ANN treinado deste trabalho é de 370 operações de ponto flutuante, o qual é previsivelmente menor que a complexidade de resolver numericamente o modelo de Giles-Desurvire.