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

Abstract

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.

Recent changes in our society have incresead demand from the Telecomunications sectorfor solutions that seek increase the bandwith and reach of access network. In this context,Long Reach Passive Optical Network (LR-PON) when using digital signal processor (DSP)operating in coherent communications system are able to combine the mixing gain and thediversity of amplitude and phase formats, have high potencial sucessfull in the chalenge ofcompesating for the conbined efects of noise and non-linear distortion. This work proposethe use of machine learning applied to a new clustering algorithm, called histogram-basedclustering (HBC), wich use the sensity of a 2D histogram to classify constellations distorsedin a non-linear way. The alghorithm is apply in a LR-PON network of 100 km with 1:64split in the first 80 km of the span. The result are show a better efficiency of HBC whencompared to the algorithms used for Benchmark, Maximum Likelihood and K-means.When taking into the account the Q factor, HBC is 0.57 dB better than ManimumLikelihood and 0,21 dB betther that K-means. When look at BER, HBC reach a valueof 2×10−3, with 2.5 dB and 1.25 dB greater than Maximum Likelihood and K-meansrespectiviely.