Estimación y minimización de efectos de la interferencia intercanal en sistemas Nyquist-WDM usando técnicas de procesamiento digital de imágenes y aprendizaje automático

Abstract

RESUMEN : La interferencia intercanal (ICI) en sistemas Nyquist-WDM sin rejilla fija espectral se da por el reducido espaciamiento entre canales ópticos, lo que puede conllevar a una degradación de la señal de información y por ende una limitación del sistema de transmisión, siendo difícil de estimar y/o mitigar este efecto sin información de los canales vecinos al canal bajo evaluación. En este trabajo se propusieron dos técnicas basadas en aprendizaje automático para mitigar y estimar la ICI en redes de fibra óptica sin rejilla sin requerir información de canales adyacentes al canal evaluado. La técnica propuesta para mitigar efectos de la ICI fue demodulación no simétrica usando el algoritmo no supervisado DBSCAN, el cual requirió incluir el uso de árboles k-dimensionales para los valores atípicos o ruido residual, permitiendo aumentar el rendimiento en términos de la tasa de error de bit. Por otro lado, el método de estimación de la ICI consiste en tratar los símbolos representados en un diagrama IQ como una imagen usando técnicas de procesamiento digital de imágenes (PDI) y clasificarlos según el porcentaje de traslape espectral mediante una red neuronal convolucional (CNN), siendo la tasa de acierto (accuracy) la métrica elegida para evaluar el rendimiento. Ambas técnicas se validaron experimentalmente en un sistema Nyquist WDM con 3x16 GBaudios modulados en 16-QAM. La técnica de mitigación logró ganancias superiores a 1.2 dB en el límite FEC en comparación con la demodulación convencional, y un rendimiento ligeramente superior para escenarios con un porcentaje de traslape espectral inferior al 6.8% y con una relación de señal a ruido óptico mayor a 32 dB. Por otro lado, la técnica propuesta para la estimación alcanzó una tasa de acierto de ~97% en clasificación binaria (sin traslape y con traslape) y ~76% para clasificación multiclase, siendo superior al rendimiento de la red neuronal convolucional VGG16 preentrenada con más de un millón de imágenes superándola en cada una de las pruebas propuestas (2, 3, 4, 5, 7 y 8 clases). Además, se superó los resultados obtenidos en el estado del arte para la estimación de la ICI en escenarios Nyquist-WDM.