Μελέτη και χρήση τεχνικών μηχανικής μάθησης για την αντιστάθμιση μη γραμμικών φαινομένων του σήματος σε σύγχρονα συστήματα μετάδοσης

Abstract

Η αυξανόμενη ζήτηση για υψηλούς ρυθμούς μετάδοσης και χαμηλή καθυστέρηση στα δίκτυα 6G καθιστά απαραίτητη τη βέλτιστη αξιοποίηση του φάσματος. Η τεχνολογία Analog Radio-overFiber (A-RoF), η οποία επιτρέπει τη μετάδοση αναλογικών σημάτων Radio Frequency (RF) μέσω οπτικής ίνας, αποτελεί λύση για τα δίκτυα 6G, αλλά επηρεάζεται από μη γραμμικά φαινόμενα που υποβαθμίζουν την ποιότητα του σήματος.

Στην παρούσα εργασία, προσομοιώθηκε μια αρχιτεκτονική A-RoF με πολυπλεξία συχνοτήτων (Frequency Division Multiplexing (FDM)) σε συχνότητα υψηλόσυχνου φέροντος 0.3 (THz) στην πλατφόρμα VPIphotonics, όπου μελετήθηκε η επίδραση των μη γραμμικοτήτων, της διαμόρφωσης QPSK και 16-QAM, καθώς και της επιλογής roll-off και channel spacing στην απόδοση του συστήματος.

Τα αρχικά αποτελέσματα έδειξαν ότι οι μη γραμμικότητες αυξάνονται με την αύξηση των καναλιών, ενώ η επιλογή των roll-off και channel spacing επηρεάζει άμεσα την παρεμβολή μεταξύ καναλιών (Inter-Carrier Interference (ICI)) και συμβόλων (Inter-Symbol Interference (ISI)). Υψηλό roll-off (0.7, 0.9) προκάλεσε αυξημένη ICI, ενώ χαμηλό roll-off (0.05, 0.2) ενίσχυσε το ISI. Ο βέλτιστος συνδυασμός παραμέτρων περιλαμβάνει roll-off 0.5 ή 0.2 και channel spacing 50–80 Megahertz (MHz), επιτυγχάνοντας ισορροπία μεταξύ ποιότητας σήματος και φασματικής απόδοσης.

Για την αντιστάθμιση των παραμορφώσεων, αναπτύχθηκε ένα Multi-Layer Perceptron (MLP) νευρωνικό δίκτυο με R 2 = 0.9997, το οποίο μείωσε το Error Vector Magnitude (EVM), βελτίωσε την ανάκτηση συμβόλων και παρουσίασε υψηλή ικανότητα γενίκευσης στα υπόλοιπα subcarriers, επιβεβαιώνοντας τη δυνατότητα χρήσης μηχανικής μάθησης για τη απόδοση των A-RoF 6G συστημάτων.