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。

基于高阶正交幅度调制(QAM)和大线宽相干光正交频分复用(CO-OFDM)系统, 提出了一种在时域进行无迹卡尔曼滤波(UKF)的相位噪声补偿算法。该算法在接收端基于训练符号频域卡尔曼滤波实现信道均衡, 用较小的频域导频数据开销进行频域扩展卡尔曼滤波, 先补偿公共相位误差(CPE)噪声, 然后将CPE噪声补偿之后的数据在时域进行载波间干扰(ICI)相位噪声粗补偿。对相位噪声粗补偿后的频域数据进行预判决, 结合接收端原始时域数据, 在时域对判决后的数据进行UKF以实现ICI相位噪声的精细补偿。对精细补偿之后的频域数据再进行相位噪声粗补偿并进行迭代运算, 极大地提高了相位噪声的补偿效果。对50 Gbit·s-1的CO-OFDM系统进行了传输距离为100 km的仿真, 与其他算法相比, 所提算法的频谱利用率极高, 且具有较好的补偿效果。对激光器线宽为700 kHz且调制方式为32QAM的传输信号进行二次迭代后, 所提相位噪声补偿算法的误码率性能仍可达到前向纠错上限。所提算法促进了大线宽CO-OFDM系统在长距离接入网和城域网中的应用。

针对基于高阶正交幅度调制(QAM)的大线宽相干光正交频分复用(CO-OFDM)系统, 提出了一种基于时域和频域卡尔曼滤波(KF)联合估计的相位噪声补偿算法。所提算法在发射端插入时域训练符号和导频序列, 在接收端基于训练符号进行频域卡尔曼滤波后得到信道估计值, 进行时域扩展卡尔曼滤波(EKF)后得到相位噪声粗略估计值。时域相位噪声估计值为复数值, 为获得较好的补偿效果, 根据导频序列数目将每个OFDM符号分割为若干个亚符号。在导频序列处进行时域EKF, 通过在每个亚符号最后一个导频处进行线性插值, 得到每个采样点的相位噪声粗略估计值。对粗略相位噪声补偿后的频域数据进行预判决, 并对时域相位噪声进行精细补偿。采用所提算法对传输速率为50 Gbit·s-1 、传输距离为100 km的CO-OFDM系统进行了数值模拟, 结果表明所提算法与其他方法相比取得了较好的补偿效果。对于激光器线宽为1 MHz(16QAM)和800 kHz(32QAM) 的CO-OFDM系统, 误码率可达前向纠错上限。