Commercial coherent receivers utilize balanced photodetectors (PDs) with high single-port rejection ratio (SPRR) to mitigate the signal-signal beat interference (SSBI) due to the square-law detection process. As the symbol rates of coherent transponders are increased to 100 Gbaud and beyond, maintaining a high SPRR in a cost-effective manner becomes more and more challenging. One potential approach for solving this problem is to leverage the concept of single-ended coherent receiver (SER) where single-ended PDs are used instead of the balanced PDs. In this case, the resulting SSBI should be mitigated in the digital domain. In this paper, we show that SSBI can be effectively mitigated using various low-complexity techniques, such as the direct filed reconstruction (DFR), clipped iterative SSBI cancellation (CIC) and gradient decent (GD). In addition, we present a self-calibration technique for SERs which can be extended for characterizing the optical-to-electrical (O/E) response of a conventional balanced coherent receiver (BR). Using the developed techniques, we then experimentally demonstrate a 90 Gbaud probabilistically constellation shaped 64-QAM (PCS-64QAM) transmission using a SER, achieving a net data rate of 882 Gb/s over 100 km of standard single mode fiber (SSMF). The sensitivity penalty compared to the BR is below 0.5 dB. We expect that when the symbol rate is increased further, a SER can potentially outperform a BR, especially when applied to cost-sensitive commercial pluggable coherent transceivers


翻译:商业一致性接收器使用平衡的光检测器(PD),且单端拒绝率(SPRR)高,以缓解由于平方法律检测过程造成的信号信号信号节拍干扰(SSBI)。随着一致转发器的符号率提高到100Gbaud及以上,以成本效益高的方式保持高的SPR也越来越具有挑战性。解决这一问题的一个潜在办法是利用单端统一接收器(SER)的概念,即使用单端标准接收器而不是平衡的PD(SPR)。在这种情况下,由此产生的SSBI应在数字域内减少。在本文件中,我们表明SSBI可以使用各种低兼容度技术(SSBI)有效减缓,例如直接存档的重建(DFRR)、剪接的迭接式SPRR(CIC)和梯度等。此外,我们为SERS(S)提供了一种自我校准技术,在光向电压平衡接收器(O/EE)的特性上可以扩大一个常规平衡接收器(BRR)的响应。使用开发技术,然后我们实验性地展示了一种低于GAMA-R8的递模比例,在GAB标准上更低的递压压时,也就是一个比的BRBRBRB的递增率。我们可以进一步使用一种比的递增的递增的递增压压压压压。

0
下载
关闭预览

相关内容

[WSDM2021]用于边缘流异常检测的频率因子分解
专知会员服务
11+阅读 · 2020年11月24日
《DeepGCNs: Making GCNs Go as Deep as CNNs》
专知会员服务
30+阅读 · 2019年10月17日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
MIT新书《强化学习与最优控制》
专知会员服务
275+阅读 · 2019年10月9日
强化学习三篇论文 避免遗忘等
CreateAMind
19+阅读 · 2019年5月24日
已删除
将门创投
8+阅读 · 2019年1月30日
【TED】生命中的每一年的智慧
英语演讲视频每日一推
9+阅读 · 2019年1月29日
无监督元学习表示学习
CreateAMind
27+阅读 · 2019年1月4日
分布式TensorFlow入门指南
机器学习研究会
4+阅读 · 2017年11月28日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
0+阅读 · 2021年12月4日
Arxiv
11+阅读 · 2020年12月2日
VIP会员
相关资讯
强化学习三篇论文 避免遗忘等
CreateAMind
19+阅读 · 2019年5月24日
已删除
将门创投
8+阅读 · 2019年1月30日
【TED】生命中的每一年的智慧
英语演讲视频每日一推
9+阅读 · 2019年1月29日
无监督元学习表示学习
CreateAMind
27+阅读 · 2019年1月4日
分布式TensorFlow入门指南
机器学习研究会
4+阅读 · 2017年11月28日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员