بهبود عملکرد سیستم های ارتباطی فیبر نوری

به گزارش ICTNN، محمدعلی امیرابیدی، کارشناس دکتری مهندسی برق، مخابرات و سیستم‌های دانشگاه علم و صنعت درباره این پروژه توضیح داد: با رشد و گسترش روزافزون شبکه‌ها و سیستم‌های مخابراتی، نیاز به افزایش سرعت و پهنای باند داده یکی از مواردی است که دلایل نیازهای اساسی شبکه های زیرساختی

وی ادامه داد: در میان انواع فناوری های مخابراتی، مخابرات نوری از دیرباز مورد توجه محققان قرار گرفته و نقش حیاتی در انتقال ترافیک در هسته شبکه های مخابراتی ایفا می کند. این سیستم با بهره گیری از محیط انتشار فیبر نوری، می تواند پهنای باند، امنیت و قابلیت اطمینان بالایی را ارائه دهد. با این وجود، با توجه به رشد روزافزون ترافیک تولید شده در شبکه های دسترسی و همچنین گسترش نسل پنجم، محققان همچنان به دنبال دستیابی به نرخ داده و پهنای باند بالاتر هستند.

امیرابیدی ادامه می دهد: اخیراً تحقیقات به سمت استفاده از فیبر نوری بر اساس تقسیم فضایی برای رفع نیازهای بیان شده رفته است چرا که پاسخ مناسبی به مشکل نرخ داده ارائه می دهد. با وجود مزایای ذکر شده، عملکرد این سیستم به دلیل وجود کوپلینگ خطی و غیرخطی و همچنین سایر اثرات فیبر نوری محدود است.

وی گفت: تحقیقات مختلفی برای جبران اثرات خطی و غیرخطی در فیبر نوری انجام شده است. مشکل کاهش اثرات خطی و غیرخطی فیبر نوری در فیبر نوری بر اساس تقسیم فضایی اهمیت بیشتری پیدا می کند، زیرا در این فیبرهای نوری کوپلینگ خطی و غیرخطی بین اجزای مختلف فضایی ایجاد می شود که بر عملکرد سیستم تأثیر می گذارد.

وی خاطرنشان کرد: مطالعات کمی در زمینه کاهش اثرات فیبر نوری بر اساس تقسیم بندی فضایی چه در حوزه پردازش سیگنال سنتی و چه در زمینه یادگیری عمیق انجام شده است. در این پروژه روش های مختلف پردازش سیگنال سنتی به عنوان راه حلی مناسب برای کاهش اثرات فیبر نوری بر اساس تقسیم فضایی ارائه شده است.

به گزارش بنیاد ملی علوم ایران (INSF)، امیرابیدی درباره اهداف این طرح گفت: یکی از اهداف این طرح ارائه راه حلی با پیچیدگی کم و البته با کارایی بالا و استفاده از الگوریتم های مبتنی بر عمق است. یادگیری حل مسئله پیشنهادی

وی در پایان خاطرنشان کرد: ارائه راه حل مبتنی بر یادگیری عمیق برای کاهش بار محاسباتی از دستاوردهای مهم این پژوهش است چرا که پیش از این پژوهشی در زمینه کاهش اثرات خطی و فیبر نوری فضایی غیرخطی صورت نگرفته است. اشتراک گذاری تقسیم با استفاده از یادگیری عمیق ارائه نشده است.

ICTNN