针对大线宽和高阶圆形正交幅度调制(C-QAM)的相干光正交频分复用(CO-OFDM)系统,提出一种基于射频导频(RF-Pilot)和时域扩展卡尔曼滤波相结合的相位噪声补偿算法。该算法通过在接收端预设的RF-Pilot进行时域相位噪声粗补偿,并进行信道估计和均衡。再对信道均衡后的频域数据进行预判决,结合判决后的时域数据和信道均衡后的时域数据,进行扩展卡尔曼滤波,实现相位噪声的最终补偿。基于传输速率为50 Gb·s ^-1和传输距离为100 km的CO-OFDM系统在C-16QAM和C-32QAM两种调制格式下进行了算法的仿真验证。仿真结果表明,该算法相较于原RF-Pilot算法,具有较好的相位噪声补偿效果,且频谱利用率并未显著降低,算法复杂度并未显著增加。激光器线宽为2.1 MHz,且使用C-32QAM时,该相位噪声算法补偿的误码性能可达到前向纠错上限,从理论上证明使用该算法可提高CO-OFDM系统对激光器线宽的容忍度,线宽较宽的廉价分布式反馈激光器可作为CO-OFDM系统的发射端光源和接收端本地振荡。该算法能扩展大线宽CO-OFDM系统在长距离接入网和城域网中的应用。

针对高阶正交幅度调制和大线宽相干光正交频分复用(CO-OFDM)系统,提出了一种基于广义回归神经网络(GRNN)的非线性均衡算法。将接收端进行相位噪声恢复之后的批量数据作为训练数据样本,通过训练学习得到GRNN的唯一参数平滑因子,然后对测试数据进行非线性均衡。对传输速率为50 Gb/s,传输距离为100 km的CO-OFDM系统进行了仿真验证。仿真结果表明,在大线宽和高阶调制下,GRNN非线性均衡算法对系统非线性损伤的补偿效果优于相应反向传播神经网络(BPNN)非线性均衡算法,且其训练运行时间远小于BPNN。GRNN非线性均衡算法能极大促进CO-OFDM系统在中长距离光纤传输中的应用。