LSTM Attention Zaznavanje signala na podlagi nevronske mreže za hibridno modulirano optično brezžično komunikacijo hitrejšo od Nyquista

Povzetek:

Za izboljšanje natančnosti obnovitve signala po prenosu preko atmosferskega turbulenčnega kanala je predlagana metoda zaznavanja signala, ki temelji na poglobljenem učenju, za sistem hibridne modulirane optične brezžične komunikacije (OWC), hitrejši od Nyquista (FTN). Izkorišča prednost omrežja dolgotrajnega kratkoročnega spomina (LSTM) v ponavljajočem se nevronskem omrežju (RNN), da ublaži problem medsebojne odvisnosti sosednjih simbolov. Poleg tega je dekoder pozornosti LSTM izdelan z uporabo mehanizma pozornosti, ki lahko ublaži pomanjkljivosti običajnega LSTM. Rezultati simulacije kažejo, da je stopnja bitne napake (BER) predlagane nevronske mreže pozornosti LSTM za 1 dB boljša kot pri nevronski mreži s povratnim širjenjem (BP) in za 2,5 dB prekaša v primerjavi z oceno zaporedja največje verjetnosti (MLSE). metoda odkrivanja.

Ponavljajoča se nevronska mreža je vrsta nevronske mreže, ki lahko vpliva na naslednji izhod z upoštevanjem prejšnjih rezultatov. Takšne nevronske mreže se pogosto uporabljajo pri obdelavi naravnega jezika, prepoznavanju govora, obdelavi slik in napovedovanju prihodnjih dogodkov. Največja prednost RNN je njihova sposobnost shranjevanja in uporabe preteklih informacij, kar izboljša natančnost in stabilnost.

Ponavljajoča se nevronska mreža izvaja shranjevanje in uporabo informacij prek spomina. Ko se informacije posredujejo iz vhodne plasti v nevronsko mrežo, jih nevron shrani in posreduje naslednjemu nevronu. Ta ciklični proces postane obročna struktura, ki določa nove rezultate. Zasnova te ponavljajoče se nevronske mreže ne upošteva le novih vnosov v omrežje, temveč tudi sledi, ki so jih pustili vsi prejšnji vhodi.

Tudi spomin ponavljajoče se nevronske mreže v celoti odseva človeški način razmišljanja. Človeški možgani so tudi sposobni razumno presojati s pomočjo spomina in špekulacij o zgodovinskih informacijah. Tako delujejo tudi ponavljajoče se nevronske mreže. Zgodovinske informacije igrajo veliko vlogo v človeškem miselnem procesu, saj nam omogočajo pravilno spominjanje dogodkov in reševanje problemov. To je skladno z načelom načrtovanja ponavljajočih se nevronskih mrež.

Zato lahko štejemo, da je pozitivni spomin ključen tako za človeško razmišljanje kot za delovanje ponavljajočih se nevronskih mrež. Dober spomin nam lahko pomaga pri boljšem reševanju težav in pridobivanju slave in bogastva. Ponavljajoče se nevronske mreže se lahko naučijo in si zapomnijo vse informacije v velikih količinah podatkov, kar ljudem pomaga napovedati prihodnje trende in doseči zapletene naloge. Na ta način lahko spomin ponavljajočih se nevronskih mrež ne le izboljša kakovost našega življenja, temveč nam prinese tudi večjo komercialno in znanstveno vrednost. Vidi se, da moramo izboljšati svoj spomin, in Cistanche deserticola nam lahko bistveno pomaga pri izboljšanju našega spomina, saj je Cistanche deserticola tradicionalno kitajsko zdravilno sredstvo, ki ima številne edinstvene učinke, eden od njih je izboljšanje spomina. Učinkovitost mletega mesa izhaja iz različnih učinkovin, ki jih vsebuje, vključno s karboksilno kislino, polisaharidi, flavonoidi itd. Te sestavine lahko spodbujajo zdravje možganov prek različnih kanalov.

Kliknite poznajte dodatke za povečanje spomina

Ključne besede:

Hitrejši od Nyquista; zivcno omrezje; hibridna modulacija; mehanizem pozornosti; optična brezžična komunikacija.

1. Uvod

V primerjavi s tradicionalno radiofrekvenčno (RF) komunikacijo ima OWC prednosti visoke sistemske zmogljivosti, odpornosti na motnje, dobre varnosti, prilagodljivosti in hitre postavitve ter nizkih stroškov [1]. Vendar pa na prenos optičnih brezžičnih signalov vplivajo atmosferske turbulence, atmosferska absorpcija, sipanje in lom. Sprejemnik težko pridobi natančen signal s spremembo strukturne konstante lomnega indeksa, ki jo povzroči naključna sprememba atmosferske temperature in tlaka. Tehnika modulacije večpasovne amplitudne faze brez nosilca (CAP) je bila predlagana v [2] za izboljšanje zmogljivosti sistema in izrabe frekvenčnega pasu OWC pod atmosferskim turbulenčnim kanalom gama–gama. Eksperimentalni rezultati kažejo, da je fazni premik dobro kompenziran in da je inter-simbolna interferenca (ISI) učinkovito potlačena z uporabo večmodulnega algoritma (MMA). Da bi dosegli prenos brez ISI v digitalnih komunikacijskih sistemih, mora hitrost simbola slediti Nyquistovemu kriteriju. To omejuje nadaljnje izboljšanje spektralne učinkovitosti sistema OWC.

Leta 1975 je Mazo dokazal, da je mogoče doseči višje hitrosti prenosa s tehnologijo FTN [3]. Vendar pa FTN uvaja ISI za doseganje spektralne učinkovitosti, kar poveča težave pri zaznavanju signala. V zadnjih letih so se študije o FTN osredotočale predvsem na algoritme za odkrivanje, ki temeljijo na modelu. Algoritmi zaznavanja, kot je algoritem linearnega zaznavanja, ki temelji na oceni minimalne srednje kvadratne napake (MMSE) [4], ničelno forsiranje (ZF), maksimalni aposteriorni algoritem (MAP) [5] in algoritem za nelinearno zaznavanje, imajo nezadovoljivo zmogljivost za FTN signali z visokim faktorjem pospeška in zahtevnostjo izvedbe je izjemno visoka. Zanimivo je, da zmogljivost algoritma za zaznavanje signala FTN, ki temelji na globokem učenju (DL), presega tradicionalne algoritme, ki temeljijo na modelih [6]. V [7] je DL nameščen na oddajniku sistema FSO za kompenzacijo atmosferske turbulence. To kaže, da je z uporabo DL v OWC mogoče doseči vrhunsko zmogljivost z nižjo kompleksnostjo.

Da bi odpravili visoko zapletenost ocene kanala, ki jo povzroča pomanjkanje prevodne invariantnosti kovariančne matrike, so Neumann David et al. uporabil MMSE in konvolucijske nevronske mreže (CNN), da bi nadomestil to pomanjkljivost [8]. Yang Y et al. predlagal dvojno selektivno metodo ocenjevanja bledenja kanala, ki temelji na globokih nevronskih mrežah (DNN) za ocenjevanje kanala [9]. Združuje usposabljanje brez povezave in spletno učenje za doseganje visoko natančne ocene kanala super ločljivosti s strani DNN. Po drugi strani se tehnologija izenačevanja kanalov pogosto uporablja za odpravo ISI za izboljšanje kakovosti signala [10,11]. Z vidika DL lahko izenačitev kanala obravnavamo kot problem, kako čim bolj natančno obnoviti prenesene simbole iz prejetih simbolov. Modul DL lahko razumemo kot "črno skrinjico", ki jo dekodira nevronska mreža na sprejemniku in tako izvede demodulacijo oddanega signala. Liang S. et al. vzpostaviti eksperimentalni sistem diferencialne komunikacije vidne svetlobe s predkodiranjem FTN z uporabo modulacije CAP [12]. Optimizira algoritem dekodiranja po metodi DL in preverja izvedljivost DL v sistemu FTN-FSO.

Hochreiter in Schmidhuber sta leta 1997 kot izboljšavo RNN predlagala omrežje LSTM, ki je bilo uporabljeno na številnih področjih [13]. Konvolucijska dolgotrajna globoka nevronska mreža (CLDNN) je bila predstavljena v [14], ki izkorišča komplementarno naravo CNN in LSTM za združevanje arhitektur CNN in LSTM v globoke nevronske mreže. Avtorji [15] so predlagali RNN, imenovan dvosmerni dolgi kratkoročni spomin (Bi-LSTM), da bi označili značilnost ISI, ki je bila uvedena v signalizacijo FTN. Poleg tega opisuje strategijo "neusklajenega SNR" za gradnjo nabora podatkov o usposabljanju, ki lahko učinkovito pomaga preprečiti prekomerno opremljanje. Po drugi strani pa so bili uporabljeni različni pristopi DL za reševanje težav pri brezžični komunikaciji in doseganje dragocenih zaključkov. Biao Gong je preučeval demodulacijsko tehnologijo CNN v atmosferskih laserskih komunikacijah z orbitalnim kotnim momentom (OAM) [16].

Siying Mao s poskusi v [17] pokaže, da imata RNN in LSTM nekaj prednosti pri dekodiranju vzdevkov signalov. Za nadaljnje izboljšanje zmogljivosti omrežja in izbiro najbolj diskriminatornih funkcij je v omrežje uveden mehanizem pozornosti za raziskovanje odvisnosti med funkcijami. Avtorji [18] so predlagali mrežo dvojne pozornosti (DANet) z mehanizmom samopozornosti za izboljšanje diskriminacije predstavitev funkcij za segmentacijo scene, v kateri je predlagan modul pozornosti položaja za učenje prostorskih soodvisnosti funkcij in pozornosti kanala. Modul je zasnovan za modeliranje medsebojnih odvisnosti kanalov. Bistveno izboljša segmentacijo z modeliranjem bogatih kontekstualnih odvisnosti od lokalnih značilnosti. Na konferenci IEEE ICAIT leta 2022 smo predlagali nevronsko mrežo BP za spodbujanje učinkovitosti BER pri zaznavanju signala v atmosferskem kanalu [19]. Nevronska mreža BP ima prednosti visoke sposobnosti samoučenja in sposobnosti samoprilagajanja. Med postopkom usposabljanja se lahko nauči pravil preslikave med vhodnimi in izhodnimi podatki in si ta pravila prilagodi z uporabo omrežnih uteži. Zato na nevronsko mrežo manj vplivata faktor pospeška in faktor roll-off, kar zagotavlja izrabo spektra sistema pri stopnji FTN.

Vendar pa pozabljanje informacij o zaporedju obstaja v nevronskih mrežah BP. Zato uporabljamo nevronsko mrežo LSTM in mehanizem pozornosti, da premagamo problem pozabljanja informacij o zaporedju. Dandanes je mehanizem pozornosti postal običajna metoda obdelave podatkov na področju DL in se pogosto uporablja pri različnih nalogah DL, kot je obdelava naravnega jezika, prepoznavanje slik in prepoznavanje govora. Sestavljanje funkcij z dodeljevanjem večjih uteži nekaterim 'pomembnim' funkcijam ne le zmanjša parametre omrežja, ampak tudi izboljša razlikovalno moč funkcij. Zato je mehanizem pozornosti uveden v omrežje LSTM za izgradnjo dekoderja pozornosti LSTM za zaznavanje signala hibridnega moduliranega sistema FTN OWC z modulacijo položaja impulza (PPM) in faznega zamika (QPSK), da se izboljša zmogljivost sistema ob zagotavljanju učinkovitosti spektra. .

2. Model sistema

Tradicionalno je modulacija intenzitete/neposredno zaznavanje, ki temelji na shemi vklop-izklop (OOK), splošno sprejeta v OWC zaradi enostavne izvedbe in nižjih stroškov [20]. Glede na nizko zmogljivost BER in učinkovitost spektra OOK je PPM veljal za uporabo v komunikacijah OWC. V primerjavi z OOK je izraba energije močno povečana. Poleg tega ima moduliran QPSK značilnosti visoke izkoriščenosti spektra in močne zaščite pred motnjami [21]. Zato lahko kombinacija PPM in QPSK izboljša hitrost prenosa podatkov in zanesljivost sistema [22,23].

Slika 1 prikazuje shemo hibridnega moduliranega sistema OWC 4PPM in QPSK s tehnologijo FTN. Uporabniški podatki po Grayevem kodirniku se najprej preslikajo v 4PPM oziroma QPSK. Nato se signal QPSK naloži v časovno režo signala 4PPM, da se tvori hibridni modulirani signal 4PPM–QPSK. Nato se formatirani signal 4PPMQPSK pošlje filtru za oblikovanje FTN za oblikovanje signala FTN. Nato se podatki po digitalno-analogni pretvorbi (DAC) pošljejo v atmosferski kanal. Na koncu sprejemnika optični signal, ki se prenaša po atmosferskem kanalu, najprej zazna fotodioda (PD), nato pa se pošlje v analogno-digitalno pretvorbo (ADC), usklajeno filtriranje in vzorčenje. Nato se signal pošlje v modul DL za obnovitev podatkov.

3. Dekoder pozornosti LSTM

RNN je pomembna veja DL, ki se lahko uporablja ne le za obdelavo podatkov časovnih vrst, temveč tudi za osredotočanje na časovno razporeditev modela funkcij. Poleg tega je uporaben za obdelavo zaporednih podatkov, kjer sprednji vhod vpliva na zadnji izhod [24]. Vendar pa obstajajo težave z izginotjem gradienta in eksplozijo gradienta s širjenjem časovne osi v tradicionalnem RNN. Do izginotja gradienta pride zaradi sigmoidne funkcije. Sigmoidna funkcija se običajno uporablja v izhodni plasti, vendar se izpeljanka te funkcije giblje od 0 do 0.25. Ko se za izračun gradienta uporabi algoritem BP, se gradient vsake plasti zmanjša na 1/4 izvirnika. Če je omrežnih plasti veliko, bo gradient postal majhen. Vrednost začetne teže omrežja mora biti nastavljena na večjo od 1, da bi se izognili temu pojavu, vendar bo povzročil eksplozijo gradienta [25]. Torej ima velike omejitve pri napovedovanju dolgoročnih podatkov. Slika 2 prikazuje diagram omrežja RNN, razgrnjenega vzdolž časovne osi.

Za rešitev težav, ki obstajajo v RNN, je predlagano omrežje LSTM za rešitev vseprisotnega problema dolgotrajne odvisnosti v omrežju, ki se je izkazalo za učinkovito pri reševanju problemov izginotja gradienta in eksplozije gradienta, ki jih povzroča RNN [24]. Največja razlika med LSTM in RNN je, da ima RNN samo eno stanje znotraj ene ponavljajoče se strukture, medtem ko ima LSTM štiri stanja in je vsaka struktura sestavljena iz vhodnih vrat, pozabljenih vrat, izhodnih vrat in stanja celice. Diagram omrežja LSTM je prikazan na sliki 3. ⊗ označuje množenje vektorskih elementov in ⊕ označuje seštevanje vektorskih elementov. Tako vhodna kot izhodna vrata se odprejo in razširjajo signale le, ko so potrebne predhodne informacije. Na ta način se lahko prejšnje informacije selektivno shranijo. Funkcija vrat za pozabo je, da sprejme napako iz pomnilniške enote in "pozabi" vrednost, shranjeno v pomnilniški enoti, kadar je to potrebno, da se doseže nadzor omrežnih uteži.

Omrežja RNN in LSTM sta zasnovana tako, da obravnavata problem dolgih časovnih vrst. Vendar pa bo omrežje pozabilo prejšnje koristne informacije zaradi obstoja pozabljenih vrat, ko se LSTM ukvarja s problemom eksplozije gradienta. To poslabša učinek dolgotrajnega usposabljanja in učinkovitost sistema. Na srečo je mehanizem pozornosti odlična rešitev za ta problem [26]. Različice mehanizmov pozornosti vključujejo večglavno pozornost, močno pozornost, strukturirano pozornost in pozornost v paru ključ-vrednost [27]. Pozornost z več glavami uporablja več poizvedb za vzporedno računanje, da iz vnosa izbere več informacij. Vsaka pozornost se osredotoči na drug del vnosa. Močno pozornost je mogoče izvajati na dva načina. Ena je izbira vhodnih informacij z največjo verjetnostjo. Drugi je naključno vzorčenje porazdelitve pozornosti. Strukturirana pozornost vključuje izbiranje informacij, pomembnih za nalogo, iz vnosa. Pozornost para ključ–vrednost uporablja format para ključ–vrednost za predstavitev vhodnih informacij, kjer se »ključ« uporablja za izračun porazdelitve pozornosti, »vrednost« pa se uporablja za ustvarjanje izbranih informacij. Glede na njegovo odlično zmogljivost je v našem predlogu za izvedbo dekoderja pozornosti LSTM uporabljen mehanizem pozornosti v paru ključ-vrednost in ga je mogoče uporabiti za obdelavo prejetih hibridnih signalov FTN. Diagram dekoderja pozornosti LSTM je prikazan na sliki 4.

4. Analiza simulacije

Velikost nabora podatkov za usposabljanje ali test je odvisna od kompleksnosti sistema in algoritma DL. Uporaba majhnega nabora podatkov lahko povzroči slabo zmogljivost zaznavanja, ker se model ne bi mogel v celoti naučiti različnih značilnosti sistema. Poleg tega lahko uporaba velikega nabora podatkov povzroči povečano računsko kompleksnost [30]. Tako se izvede več simulacij, da se določi primerna velikost nabora podatkov in parametri, ki bi lahko ponudili najboljšo zmogljivost BER. Opozoriti je treba, da na natančnost nevronske mreže vpliva sam algoritem DL, ki ima pomembno vlogo pri reševanju nekaterih nelinearnih problemov. Zato je treba oceniti njegovo delovanje in robustnost. Brez izgube splošnosti so upoštevani nekateri skupni parametri. Parametri, uporabljeni v simulaciji, so navedeni v tabeli 1.

Tabela 2 prikazuje natančnost mreže pri različnih stopnjah učenja. Preverjen sistem potrebuje ustrezno stopnjo učenja. Če je stopnja učenja prevelika, omrežje ne more konvergirati, če pa je premajhna, bo omrežje konvergiralo zelo počasi ali ne bo moglo končati učenja. Poleg tega se lahko omrežje spremeni iz premalo opremljenega v preveč opremljenega, ko se stopnja učenja poveča [31]. Iz tabele je razvidno, da ima 0.002 najboljšo zmogljivost.

Izbira skritih slojev je še ena ključna točka. Majhno ali veliko število skritih slojev vodi do pojava premajhnega ali pretiranega opremljanja [31]. Razmerje med številom skritih slojev in natančnostjo je prikazano v tabeli 4. Natančnost postopoma narašča s številom skritih slojev in upada, ko doseže določeno vrednost. Poleg tega so študije v [32,33] pokazale, da naraščajoče število skritih plasti povzroči znatno povečanje računske kompleksnosti in prekomernega opremljanja. Vzroke za prekomerno opremljanje lahko razdelimo v tri kategorije [34]. Prvi je majhen podatkovni niz vzorcev usposabljanja, ki ne more odražati vseh možnih situacij.

To bo vodilo do manj natančne napovedi usposobljenega omrežja. Zato mora nabor podatkov za usposabljanje čim bolj zajemati vse vrste podatkov. Drugo je omrežje, ki ne more natančno oceniti razmerja med vhodom in izhodom zaradi čezmernega vmešavanja podatkov o usposabljanju. Tretja je velika kompleksnost omrežja. V danih okoliščinah bi moralo obdelati veliko parametrov, da bi omrežju omogočilo natančno prileganje vsakemu podatku v naboru podatkov za usposabljanje. Posledično usposobljeno omrežje ne more posplošiti na testni nabor podatkov. Zato je ustrezno število skritih slojev ključnega pomena za delovanje sistema. Eksperimentalni rezultati simulacije v tabeli 5 kažejo, da ima sistem najboljšo zmogljivost zaznavanja, ko je število skritih plasti 8.

Primerjava natančnosti mreže LSTM in mreže pozornosti LSTM je prikazana v tabeli 5. Natančnost mreže pozornosti LSTM je bistveno večja kot pri mreži LSTM.

Dobro je znano, da so dež, sneg, žled, megla, meglica, onesnaženost in tako naprej atmosferski dejavniki, ki vplivajo na laserske žarke. Njihova prisotnost povzroča odboj, lom, sipanje in oslabitev optičnih signalov. Dokazano je, da atmosferska turbulenca sledi porazdelitvi gama–gama, šibko, zmerno in močno intenzivnost turbulence pa lahko izrazimo s strukturno konstanto lomnega indeksa C 2 n=2 × 10− 18, C 2 n=2 × 10−15 oziroma C 2 n=2 × 10−12 [35] Krivulje različnih intenzivnosti atmosferske turbulence glede na BER so prikazane na sliki 6, kjer je faktor roll-off je 0,6, τ=0.8, razdalja prenosa pa 500 m. Iz slike je razvidno, da se učinkovitost BER postopoma izboljšuje z zmanjševanjem intenzivnosti turbulence. Ko je BER=3.8 × 10−3, je učinkovitost BER pri šibki turbulenci približno 2 dB oziroma 5 dB boljša kot pri zmerni oziroma močni turbulenci.

Slika 7 prikazuje vpliv faktorja roll-off filtra za oblikovanje FTN na BER z drugim dekoderjem, kjer je faktor pospeška 0.8. Kot je prikazano na sliki 7a, ko je BER=10-4, dekoder pozornosti LSTM izboljša zmogljivost BER za približno 1 dB v primerjavi z algoritmom BP. Slika 7b prikazuje, da dekoder pozornosti LSTM izboljša zmogljivost BER za približno 2,5 dB v primerjavi z algoritmom MLSE, ko je BER=10-4. Zato je pozornost LSTM koristna za izboljšanje zmogljivosti BER v primerjavi s tradicionalnim dekoderjem.

Slika 8 prikazuje vpliv faktorja pospeška na zmogljivost sistema BER. Ko je BER 10−4 in se faktor pospeška zmanjša z 1 na 0.9 in 0.8, se zmogljivost BER zmanjša za približno 2 dB oziroma 4 dB. Ko je BER 10−3 in se faktor pospeška zmanjša z 1 na 0.9 in 0,8, se zmogljivost BER zmanjša za približno 1 dB oziroma 4,5 dB. Iz slike lahko sklepamo, da se krivulje BER hitro zmanjšujejo, ko se faktor pospeška zmanjšuje. Vendar pa lahko sistem pod predpostavko izboljšanja učinkovitosti spektra še vedno zagotavlja dobro kakovost komunikacije, če je faktor pospeška 0,8. Tako je predlog koristen za izboljšanje delovanja sistema.

Za nadaljnjo ponazoritev prednosti predlagane metode, kot je prikazano v tabeli 6, primerjamo čas delovanja omrežja pozornosti LSTM in omrežja BP.

Časovna kompleksnost je povezana z izvajanjem strojne opreme in vključuje število potrebnih operacij, število elementov za obdelavo in dolžino poti, potrebno za dokončanje operacije. Simulacijske poskuse izvajata Matlab 2018a in Pycharm 2021.3.2. Kot preskusna platforma je uporabljena grafična enota za prenosnike NVIDIA GeForce RTX 3050. V procesu usposabljanja se naključno ustvari 50,000 podatkov, od katerih se 80 % uporabi kot nabor podatkov za usposabljanje, preostalih 20 % pa kot nabor podatkov za test. Mreža pozornosti LSTM prekaša mrežo BP. To je zato, ker je hitrost konvergence nevronske mreže BP počasna.

6. Sklepi

V tem prispevku je predlagan dekoder pozornosti LSTM za detekcijo signala hibridnega moduliranega sistema 4PPM–QPSK–FTN OWC. Omrežje pozornosti LSTM lahko ublaži težave izginotja gradienta, eksplozije gradienta in soodvisnosti med sosednjimi simboli. Eksperimentalna simulacija kaže, da ima naš predlog izjemno zmogljivost zaznavanja signalov za hibridno modulirane signale FTN. Prejeti signal je mogoče natančno predvideti ter hitro in pravilno dekodirati. Zato lahko shema učinkovito izboljša učinkovitost BER ob predpostavki zagotavljanja učinkovitosti spektra.

Avtorski prispevki:

Konceptualizacija, MC, RY, JX in HW; Metodologija, MC, HW in RY; Validacija, MC, RY in JX; Preiskava, JX in KJ; Viri, RY in JX; Urejanje podatkov, JX; Pisanje – priprava izvirnega osnutka, JX in RY; pisanje – pregled in urejanje, MC, HW, RY in KJ; Vizualizacija, RY in HW; Nadzor, MC in HW; Vodstvo projekta, MC Vsi avtorji so prebrali in se strinjajo z objavljeno verzijo rokopisa.

Financiranje:

To raziskavo sta financirala program NSFC (62265010, 61875080, 62261033) in Naravoslovna fundacija province Gansu na Kitajskem (20JR5RA472).

Izjava institucionalnega revizijskega odbora:

Se ne uporablja.

Izjava o informirani privolitvi:

Se ne uporablja.

Izjava o razpoložljivosti podatkov:

Študija ni poročala o nobenih podatkih.

Zahvala:

Hvaležni smo za pomoč Ruija Wanga pri pripravi in ​​odpravljanju napak v programu. Zahvaljujemo se tudi Yan Qiu in Hongtao Zhou za njuno pomoč pri angleškem zapisu in podrobnostih.

Nasprotja interesov:

Avtorji izjavljajo, da ni navzkrižja interesov.

Reference

1. Ke, XZ; Jing, YK Lasersko zaznavanje slik oddaljenega polja za uporabo v atmosferskih turbulencah. Opt. inž. 2020, 59, 016103. [CrossRef]

2. Wu, P.; Ke, X.; Li, M.; Zhang, Q. Zmogljivost in ravnotežni poskus večpasovnega modulacijskega sistema CAP v brezžični optični komunikaciji. Opt. Komun. 2019, 434, 128–135. [CrossRef]

3. Mazo, J. Signalizacija hitrejša od nyquista. Bell Syst. Tech. J. 1975, 54, 1451–1462. [CrossRef]

4. Bahl, LR; Cocke, J.; Jelinek, F.; Raviv, J. Optimalno dekodiranje linearnih kod za zmanjšanje stopnje napak simbolov. IEEE Trans. Inf. Theory 1974, 20, 284–287. [CrossRef]

5. Matar, MO; Jana, M.; Mitra, J.; Lampe, L.; Lis, M.; Soc, IC Turbo Maximum-a-posteriori izenačevalnik za aplikacije, hitrejše od Nyquista. V zborniku 28. mednarodnega simpozija IEEE o računalniških strojih po meri, ki jih je mogoče programirati (FCCM), Fayetteville, AR, ZDA, 3.–6. maj 2020; strani 167–171.

6. Cococcioni, M.; Rossi, F.; Ruffaldi, E.; Saponara, S.; de Dinechin, BD Nova aritmetika v obdelavi signalov globokih nevronskih mrež za avtonomno vožnjo: izzivi in ​​priložnosti. Proces signala IEEE. mag. 2021, 38, 97–110. [CrossRef]

7. Amirabadi, MA; Kahaei, MH; Nezamalhosseni, SA Nizko zapleteni algoritmi globokega učenja za kompenzacijo atmosferske turbulence v optičnem komunikacijskem sistemu prostega prostora. IET optoelektron. 2022, 16, 93–105. [CrossRef]

8. Li, S.; Yuan, W.; Yuan, J.; Bai, B.; Ng, DWK; Hanzo, L. Izravnavanje časovne in frekvenčne domene za signalizacijo FTN. IEEE Trans. Veh. Technol. 2020, 69, 9174–9179. [CrossRef]

9. Yang, Y.; Gao, F.; Ma, X.; Zhang, S. Ocena kanala na podlagi globokega učenja za kanale z dvojnim selektivnim bledenjem. IEEE Access 2019, 7, 36579–36589. [CrossRef] 10. Huang, H.; Yang, J.; Huang, H.; Pesem, Y.; Gui, G. Globoko učenje za ocenjevanje kanala v super ločljivosti in masivni sistem MIMO, ki temelji na ocenjevanju DOA. IEEE Trans. Veh. Technol. 2018, 67, 8549–8560. [CrossRef]

11. Hu, F.; Holguin-Lerma, JA; Mao, Y.; Zou, P.; Shen, C.; Ng, TK; Ooj, BS; Chi, N. Demonstracija izenačevalnika nevronskih mrež z nizko kompleksnostjo pomnilniškega polinoma za komunikacijo CAP v vidni svetlobi s superluminiscenčno diodo. Optoelektron. Adv. 2020, 3, 4–14. [CrossRef]

12. Liang, S.; Jiang, Z.; Qiao, L.; Lu, X.; Chi, N. Komunikacijski sistem za vidno svetlobo s predkodirano CAP modulacijo hitrejši od Nyquista, ki temelji na predizkrivljanju nelinearne utežene iskalne tabele. IEEE Photonics J. 2018, 10, 7900709. [CrossRef]

13. Hochreiter, S.; Schmidhuber, J. Dolgi kratkoročni spomin. Nevronsko računalništvo. 1997, 9, 1735–1780. [CrossRef]

14. Sainath, TN; Vinyals, O.; Senior, A.; Sak, H. Konvolucijski, dolgotrajni kratkoročni spomin, popolnoma povezane globoke nevronske mreže. V zborniku 2015 mednarodne konference IEEE o akustiki, govoru in obdelavi signalov (ICASSP), Južni Brisbane, Avstralija, 19.–24. april 2015; IEEE: Piscataway, NJ, ZDA, 2015; str. 4580–4584.

15. Lai, S.; Li, M. Ponavljajoče se izenačevanje s pomočjo nevronske mreže za signalizacijo FTN. V zborniku IEEE International Conference on Communications (IEEE ICC)/Workshop on NOMA for 5G and Beyond, Electr Network, Dublin, Irska, 7.–11. junij 2020.

For more information:1950477648nn@gmail.com