Данная работа посвящена сравнению классических методов компенсации нелинейных искажений в волоконно-оптических сетях связи с более современным и актуальным методом на основе глубоких нейронных сетей. Производится сравнение по уровню ошибок и сложности реализации. Также предлагается способы улучшения данного алгоритма. Нейросеть написана на языке Python с использованием библиотеки Tensorflow и её приложений. В ходе работы было получено, что использование 1-ступенчатого обратного распространения, основанного на глубоких нейронных сетях, дает выигрыш по сравнению с обычным 1 и 50 – шаговым DBP на 1,6 и 0,9 дБ соответственно. В связи с этим можно сделать вывод, что применение глубоких нейронных сетей в задачах компенсации нелинейных искажений в волоконных сетях превосходит по эффективности и, в связи с чем, является перспективным направлением.

This work is devoted to the comparison of classical methods of nonlinear distortion compensation in fiber-optic communication networks with a more modern and relevant method based on deep neural networks. The comparison is made by the level of errors and the complexity of the implementation. There is also suggest ways to improve this algorithm. The neural network is written in Python using the Tensorflow library and its applications. In the course of the work, it was found that the use of 1-step back propagation, based on deep neural networks, gives a gain compared to the usual 1 and 50 – step DBP of 1.6 and 0.9 dB, respectively. In this regard, it can be concluded that the use of deep neural networks in the problems of nonlinear distortion compensation in fiber networks is superior in efficiency and, therefore, is a promising direction.