Обнаружение сигналов на основе нейронных сетей LSTM Attention для гибридной модулированной оптической беспроводной связи быстрее, чем Найквист

Абстрактный:

Чтобы повысить точность восстановления сигнала после передачи по каналу атмосферной турбулентности, предлагается метод обнаружения сигнала на основе глубокого обучения для системы гибридной модулированной оптической беспроводной связи (OWC) быстрее, чем Найквист (FTN). Он использует преимущества сети долговременной краткосрочной памяти (LSTM) в рекуррентной нейронной сети (RNN), чтобы облегчить проблему взаимозависимости соседних символов. Более того, декодер внимания LSTM построен с использованием механизма внимания, который может устранить недостатки обычного LSTM. Результаты моделирования показывают, что производительность предлагаемой нейронной сети внимания LSTM по частоте ошибок по битам (BER) на 1 дБ лучше, чем у нейронной сети обратного распространения ошибки (BP), и превосходит ее на 2,5 дБ по сравнению с оценкой последовательности максимального правдоподобия (MLSE). метод обнаружения.

Рекуррентная нейронная сеть — это тип нейронной сети, которая может влиять на следующий результат, используя предыдущие результаты. Такие нейронные сети широко используются в обработке естественного языка, распознавании речи, обработке изображений и прогнозировании будущих событий. Самым большим преимуществом RNN является их способность хранить и использовать прошлую информацию, что повышает точность и стабильность.

Рекуррентная нейронная сеть реализует хранение и использование информации посредством памяти. Когда информация передается из входного слоя в нейронную сеть, нейрон сохраняет ее и передает ее следующему нейрону. Этот циклический процесс становится кольцевой структурой, которая определяет новые результаты. Конструкция этой рекуррентной нейронной сети учитывает не только новые входные данные в сеть, но и следы, оставленные всеми предыдущими входными данными.

Память рекуррентной нейронной сети также полностью отражает образ мышления человека. Человеческий мозг также способен выносить разумные суждения посредством памяти и предположений на основе исторической информации. Именно так работают рекуррентные нейронные сети. Историческая информация играет большую роль в мыслительном процессе человека, позволяя нам правильно вспоминать события и решать проблемы. Это соответствует принципу проектирования рекуррентных нейронных сетей.

Следовательно, можно считать, что положительная память имеет решающее значение как для человеческого мышления, так и для работы рекуррентных нейронных сетей. Хорошая память может помочь нам лучше решать проблемы и обрести славу и богатство. Рекуррентные нейронные сети могут изучать и запоминать всю информацию в больших объемах данных, помогая людям прогнозировать будущие тенденции и решать сложные задачи. Таким образом, память рекуррентных нейронных сетей может не только улучшить качество нашей жизни, но и принести нам большую коммерческую и научную ценность. Видно, что нам нужно улучшить нашу память, и цистанхе пустынный может значительно помочь нам улучшить нашу память, потому что цистанхе пустынный — это традиционное китайское лекарственное средство, обладающее множеством уникальных эффектов, одним из которых является улучшение памяти. Эффективность мясного фарша обусловлена ​​множеством содержащихся в нем активных ингредиентов, включая карбоновую кислоту, полисахариды, флавоноиды и т. д. Эти ингредиенты могут способствовать здоровью мозга различными способами.

Нажмите «Знайте добавки для улучшения памяти»

Ключевые слова:

Быстрее, чем Найквист; нейронная сеть; гибридная модуляция; механизм внимания; оптическая беспроводная связь.

1. Введение

По сравнению с традиционной радиочастотной (РЧ) связью, OWC имеет такие преимущества, как высокая пропускная способность системы, помехоустойчивость, хорошая безопасность, гибкость и быстрота монтажа, а также низкая стоимость [1]. Однако на передачу оптических беспроводных сигналов влияют атмосферная турбулентность, атмосферное поглощение, рассеяние и преломление. Приемнику трудно получить точный сигнал при изменении структурной постоянной показателя преломления, вызванном случайными изменениями атмосферной температуры и давления. Метод многополосной амплитудно-фазовой модуляции без несущей (CAP) был предложен в [2] для улучшения пропускной способности системы и использования полосы частот OWC в канале атмосферной турбулентности Гамма-Гамма. Результаты экспериментов показывают, что фазовый сдвиг хорошо компенсируется, а межсимвольная интерференция (ISI) эффективно подавляется с помощью многомодульного алгоритма (ММА). Однако для достижения передачи без ISI в цифровых системах связи скорость передачи символов должна соответствовать критерию Найквиста. Это ограничивает дальнейшее улучшение спектральной эффективности системы OWC.

В 1975 году Мазо доказал, что более высокие скорости передачи могут быть достигнуты с использованием технологии FTN [3]. Однако FTN вводит ISI для достижения спектральной эффективности, что увеличивает сложность обнаружения сигнала. В последние годы исследования FTN в основном были сосредоточены на алгоритмах обнаружения, управляемых моделями. Алгоритмы обнаружения, такие как алгоритм линейного обнаружения, основанный на оценке минимальной среднеквадратической ошибки (MMSE) [4], нулевой форсировки (ZF), алгоритм максимального апостериорного обнаружения (MAP) [5] и алгоритм нелинейного обнаружения, имеют неудовлетворительную производительность для Сигналы FTN имеют высокий коэффициент ускорения и сложность реализации чрезвычайно высока. Интересно, что производительность алгоритма обнаружения сигналов FTN, основанного на глубоком обучении (DL), превосходит традиционные алгоритмы, управляемые моделями [6]. В [7] ДЛ развернут на приемопередатчике системы FSO для компенсации атмосферной турбулентности. Это указывает на то, что использование DL в OWC позволяет добиться превосходной производительности при меньшей сложности.

Чтобы устранить высокую сложность оценки канала, вызванную отсутствием трансляционной инвариантности ковариационной матрицы, Нейман Дэвид и др. использовали MMSE и сверточные нейронные сети (CNN), чтобы компенсировать этот недостаток [8]. Ян Ю и др. предложил метод оценки замирания канала с двойной выборкой, основанный на глубоких нейронных сетях (DNN) для оценки канала [9]. Он сочетает в себе автономное и онлайн-обучение для достижения высокоточной оценки канала со сверхвысоким разрешением с помощью DNN. С другой стороны, технология выравнивания каналов часто используется для устранения ISI и улучшения качества сигнала [10,11]. С точки зрения DL, коррекцию каналов можно рассматривать как проблему того, как максимально точно восстановить переданные символы из принятых символов. Модуль DL можно рассматривать как «черный ящик», который декодируется нейронной сетью на приемнике, реализуя таким образом демодуляцию передаваемого сигнала. Лян С. и др. создали экспериментальную систему дифференциального предварительного кодирования FTN связи в видимом свете с использованием CAP-модуляции [12]. Он оптимизирует алгоритм декодирования методом DL и проверяет целесообразность DL в системе FTN-FSO.

В качестве усовершенствования RNN сеть LSTM была предложена Хохрайтером и Шмидхубером в 1997 году и использовалась во многих областях [13]. Сверточная долгосрочная глубокая нейронная сеть (CLDNN) была представлена ​​в [14], которая использует взаимодополняющую природу CNN и LSTM для объединения архитектур CNN и LSTM в глубокие нейронные сети. Авторы [15] предложили RNN, названную двунаправленной длинной краткосрочной памятью (Bi-LSTM), чтобы охарактеризовать особенность ISI, введенную в передачу сигналов FTN. Более того, он описывает стратегию «несоответствия SNR» для построения набора обучающих данных, которая может эффективно помочь предотвратить переобучение. С другой стороны, различные подходы DL использовались для решения проблем беспроводной связи и получения ценных выводов. Бяо Гун изучил технологию демодуляции CNN в атмосферной лазерной связи с орбитальным угловым моментом (OAM) [16].

Сыин Мао показывает, что RNN и LSTM имеют некоторые преимущества при декодировании псевдонимов сигналов с помощью экспериментов в [17]. Для дальнейшего улучшения производительности сети и выбора наиболее различительных функций в сеть вводится механизм внимания для изучения зависимостей между функциями. Авторы [18] предложили сеть двойного внимания (DANet) с механизмом самообслуживания для улучшения дискриминанта представлений признаков для сегментации сцены, в которой предлагается модуль позиционного внимания для изучения пространственных взаимозависимостей признаков и канал внимания. Модуль предназначен для моделирования взаимозависимостей каналов. Это значительно улучшает сегментацию за счет моделирования богатых контекстных зависимостей от локальных функций. На конференции IEEE ICAIT 2022 года мы предложили нейронную сеть BP для повышения эффективности BER при обнаружении сигнала в атмосферном канале [19]. Нейронная сеть BP обладает преимуществами высокой способности к самообучению и способности к самоадаптации. Он может изучить правила сопоставления входных и выходных данных во время процесса обучения и адаптивно запоминать такие правила, используя веса сети. Следовательно, на нейронную сеть меньше влияют коэффициент ускорения и коэффициент спада, что обеспечивает использование спектра системы на скорости FTN.

Однако в нейронных сетях BP существует забывание информации о последовательности. Поэтому мы используем нейронную сеть LSTM и механизм внимания, чтобы преодолеть проблему забывания информации о последовательности. В настоящее время механизм внимания стал распространенным методом обработки данных в области ДО и широко используется в различных задачах ДО, таких как обработка естественного языка, распознавание изображений и распознавание речи. Объединение признаков путем присвоения большего веса некоторым «значимым» признакам не только уменьшает параметры сети, но и повышает различительную способность признаков. Таким образом, в сеть LSTM вводится механизм внимания для создания декодера внимания LSTM для обнаружения сигналов гибридной модулированной системы FTN OWC с импульсно-позиционной модуляцией (PPM) и фазовой манипуляцией (QPSK) для улучшения производительности системы при обеспечении эффективности использования спектра. .

2. Модель системы

Традиционно в OWC широко применяется модуляция интенсивности/прямое обнаружение на основе схемы двухпозиционной манипуляции (OOK) из-за ее простоты реализации и низкой стоимости [20]. Учитывая низкую производительность BER и эффективность использования спектра OOK, считается, что PPM используется в связи OWC. По сравнению с OOK, использование энергии значительно увеличивается. Кроме того, модулированная QPSK обладает характеристиками высокого использования спектра и сильной помехоустойчивости [21]. Следовательно, объединение PPM и QPSK может улучшить скорость передачи данных и надежность системы [22,23].

На рисунке 1 показана схема системы OWC с гибридной модуляцией 4PPM и QPSK и технологией FTN. Пользовательские данные после кодера Грея сначала преобразуются в 4PPM и QPSK соответственно. После этого сигнал QPSK загружается во временной интервал сигнала 4PPM для формирования гибридного модулированного сигнала 4PPM-QPSK. После этого отформатированный сигнал 4PPMQPSK отправляется в фильтр формирования FTN для формирования сигнала FTN. В дальнейшем, после цифро-аналогового преобразования (ЦАП), данные запускаются в атмосферный канал. На приемном конце оптический сигнал, передаваемый по атмосферному каналу, сначала обнаруживается фотодиодом (ФД), а затем отправляется на аналого-цифровое преобразование (АЦП), согласованную фильтрацию и выборку. После этого сигнал отправляется в модуль DL для восстановления данных.

3. Декодер внимания LSTM

RNN — это важная ветвь DL, которую можно использовать не только для обработки данных временных рядов, но и для фокусировки на синхронизации модели признаков. Кроме того, это полезно для обработки данных последовательности, когда передний вход влияет на задний выход [24]. Однако существуют проблемы исчезновения градиента и взрыва градиента при расширении временной шкалы в традиционной RNN. Исчезновение градиента происходит из-за сигмовидной функции. Сигмовидная функция обычно используется в выходном слое, но производная этой функции находится в диапазоне от 0 до 0,25. Когда для расчета градиента используется алгоритм BP, градиент каждого слоя будет уменьшен до 1/4 от исходного. Если сетевых слоев много, градиент станет небольшим. Чтобы избежать этого явления, значение начального веса сети необходимо установить больше 1, но это приведет к взрыву градиента [25]. Таким образом, он имеет большие ограничения в прогнозировании данных долгосрочных рядов. На рисунке 2 показана схема сети RNN, развернутая на временной шкале.

Для решения проблем, существующих в RNN, предлагается использовать сеть LSTM для решения повсеместной проблемы долгосрочной зависимости в сети, которая доказала свою эффективность при решении проблем исчезновения градиента и взрыва градиента, вызванных RNN [24]. Самая большая разница между LSTM и RNN заключается в том, что RNN имеет только одно состояние внутри одной рекуррентной структуры, тогда как LSTM имеет четыре состояния, и каждая структура состоит из входного вентиля, вентиля забывания, выходного вентиля и состояния ячейки. Схема сети LSTM показана на рисунке 3. ⊗ обозначает умножение векторных элементов, а ⊕ обозначает сложение векторных элементов. И входные, и выходные вентили открываются и распространяют сигналы только тогда, когда необходима предварительная информация. Таким образом, предыдущую информацию можно сохранить выборочно. Функция шлюза забывания состоит в том, чтобы получить ошибку из блока памяти и «забыть» значение, хранящееся в блоке памяти, когда это необходимо, для достижения контроля над весами сети.

Сети RNN и LSTM предназначены для решения проблемы длинных временных рядов. Однако сеть забудет предыдущую полезную информацию из-за существования шлюза забывания, когда LSTM имеет дело с проблемой взрыва градиента. Это ухудшает эффект длительного обучения и производительность системы. К счастью, механизм внимания является отличным решением этой проблемы [26]. Варианты механизмов внимания включают многоглавое внимание, жесткое внимание, структурированное внимание и внимание пары ключ-значение [27]. Многоголовое внимание использует несколько запросов для параллельных вычислений и выбора нескольких фрагментов информации из входных данных. Каждое внимание фокусируется на отдельной части входных данных. Жесткое внимание можно реализовать двумя способами. Один из них — выбрать входную информацию с наибольшей вероятностью. Другой вариант — случайная выборка распределения внимания. Структурированное внимание предполагает выделение из входных данных информации, имеющей отношение к задаче. Внимание пары ключ-значение использует формат пары ключ-значение для представления входной информации, где «ключ» используется для расчета распределения внимания, а «значение» используется для генерации выбранной информации. Учитывая его превосходную производительность, в нашем предложении используется механизм внимания пары ключ-значение для выполнения декодера внимания LSTM, и его можно использовать для обработки полученных гибридных сигналов FTN. Схема декодера внимания LSTM представлена ​​на рисунке 4.

4. Анализ моделирования

Размер обучающего или тестового набора данных зависит от сложности системы и алгоритма DL. Использование небольшого набора данных может привести к снижению эффективности обнаружения, поскольку модель не сможет полностью изучить разнообразные характеристики системы. Кроме того, использование большого набора данных может привести к увеличению сложности вычислений [30]. Таким образом, проводится несколько симуляций, чтобы определить подходящий размер набора данных и параметры, которые могут обеспечить наилучшую производительность BER. Следует отметить, что на точность работы нейронной сети влияет сам алгоритм DL, который играет важную роль при решении некоторых нелинейных задач. Поэтому необходимо оценить его производительность и надежность. Без ограничения общности учитываются некоторые общие параметры. Параметры, использованные при моделировании, перечислены в Таблице 1.

В таблице 2 показана точность сети при разных скоростях обучения. Валидированная система требует соответствующей скорости обучения. Если скорость обучения слишком велика, сеть не сможет сходиться, а если она слишком мала, сеть будет сходиться очень медленно или не сможет завершить обучение. Более того, сеть может меняться от недостаточной до переоснащенной по мере увеличения скорости обучения [31]. Из таблицы видно, что 0.002 имеет наилучшую производительность.

Выбор скрытых слоев – еще один ключевой момент. Низкое или большое количество скрытых слоев приводит к явлениям недостаточного или переобучения [31]. Зависимость между количеством скрытых слоев и точностью показана в таблице 4. Точность постепенно увеличивается с увеличением количества скрытых слоев и снижается, когда достигает определенного значения. Кроме того, исследования в [32,33] показали, что увеличение количества скрытых слоев приводит к значительному увеличению вычислительной сложности и переобучению. Причины переобучения можно разделить на три категории [34]. Первый — это небольшой набор обучающих выборок, который не может отразить общие возможные ситуации.

Это приведет к менее точному прогнозу обученной сети. Следовательно, набор обучающих данных должен максимально охватывать все типы данных. Второй — сеть, которая не может точно оценить взаимосвязь между входными и выходными данными из-за чрезмерного вмешательства обучающих данных. Третье – высокая сложность сети. В таких обстоятельствах ей необходимо обработать множество параметров, чтобы сеть могла точно подогнать все данные в наборе обучающих данных. В результате обученная сеть не может обобщать тестовый набор данных. Следовательно, правильное количество скрытых слоев имеет решающее значение для производительности системы. Результаты экспериментов по моделированию в Таблице 5 показывают, что система имеет наилучшие характеристики обнаружения, когда количество скрытых слоев равно 8.

Сравнение точности сети LSTM и сети внимания LSTM показано в таблице 5. Точность сети внимания LSTM значительно выше, чем у сети LSTM.

Хорошо известно, что дождь, снег, мокрый снег, туман, дымка, загрязнение окружающей среды и т. д. являются атмосферными факторами, влияющими на лазерные лучи. Их присутствие вызывает отражение, преломление, рассеяние и затухание оптических сигналов. Было доказано, что атмосферная турбулентность подчиняется распределению гамма-гамма, а интенсивность слабой, умеренной и сильной турбулентности может быть выражена структурной константой показателя преломления C 2 n=2 × 10− 18, C 2 n=2 × 10–15 и C 2 n=2 × 10–12 соответственно [35]. Кривые зависимости различной интенсивности атмосферной турбулентности от BER показаны на рисунке 6, где коэффициент спада составляет 0,6, τ=0,8, дальность передачи — 500 м. Из рисунка видно, что производительность BER постепенно улучшается с уменьшением интенсивности турбулентности. Когда BER=3.8 × 10-3, характеристики BER при слабой турбулентности примерно на 2 дБ и 5 дБ лучше, чем при умеренной и сильной турбулентности соответственно.

На рисунке 7 показано влияние коэффициента спада формирующего фильтра FTN на BER с другим декодером, где коэффициент ускорения равен 0.8. Как показано на рисунке 7a, когда BER=10-4, декодер внимания LSTM улучшает производительность BER примерно на 1 дБ по сравнению с алгоритмом BP. На рисунке 7b показано, что декодер внимания LSTM улучшает производительность BER примерно на 2,5 дБ по сравнению с алгоритмом MLSE, когда BER=10-4. Таким образом, внимание LSTM полезно для улучшения производительности BER по сравнению с традиционным декодером.

На рисунке 8 показано влияние фактора ускорения на производительность системы BER. Когда BER равен 10-4, а коэффициент ускорения уменьшается с 1 до 0.9 и 0.8, производительность BER снижается примерно на 2 дБ и 4 дБ соответственно. Когда BER равен 10-3, а коэффициент ускорения уменьшается с 1 до 0,9 и 0,8, производительность BER снижается примерно на 1 дБ и 4,5 дБ соответственно. Из рисунка можно сделать вывод, что кривые BER быстро уменьшаются с уменьшением коэффициента ускорения. Однако при условии повышения эффективности использования спектра система по-прежнему может обеспечивать хорошее качество связи, когда коэффициент ускорения равен 0,8. Таким образом, предложение выгодно улучшить производительность системы.

Чтобы дополнительно проиллюстрировать преимущества предлагаемого метода, как показано в Таблице 6, сравнивается время работы сети внимания LSTM и сети BP.

Временная сложность связана с аппаратным выполнением и включает в себя количество необходимых операций, количество элементов для обработки и длину пути, необходимого для завершения операции. Эксперименты по моделированию реализованы с помощью Matlab 2018a и Pycharm 2021.3.2. В качестве тестовой платформы используется ноутбук NVIDIA GeForce RTX 3050. В процессе обучения случайным образом генерируются 50000 данных, из которых 80 % используются в качестве набора обучающих данных, а оставшиеся 20 % — в качестве набора тестовых данных. Сеть внимания LSTM превосходит сеть BP. Это связано с тем, что скорость сходимости нейронной сети BP низкая.

6. Выводы

В этой статье предлагается декодер внимания LSTM для обнаружения сигналов гибридной модулированной системы 4PPM-QPSK-FTN OWC. Сеть внимания LSTM может облегчить проблемы исчезновения градиента, взрыва градиента и взаимозависимости между соседними символами. Экспериментальное моделирование показывает, что наше предложение обладает выдающимися характеристиками обнаружения гибридно-модулированных сигналов FTN. Полученный сигнал можно точно предсказать, а также быстро и правильно декодировать. Следовательно, данная схема может эффективно улучшить показатели BER при условии обеспечения эффективности использования спектра.

Вклад автора:

Концептуализация, MC, RY, JX и HW; Методология, MC, HW и RY; Валидация, MC, RY и JX; Расследование, JX и KJ; Ресурсы, RY и JX; Курирование данных, JX; Письмо — подготовка первоначального проекта, JX и RY; написание — обзор и редактирование, MC, HW, RY и KJ; Визуализация, RY и HW; Надзор, MC и HW; Администрация проекта, MC Все авторы прочитали и согласились с опубликованной версией рукописи.

Финансирование:

Это исследование финансировалось Программой NSFC (62265010, 61875080, 62261033) и Фондом естественных наук провинции Ганьсу, Китай (20JR5RA472).

Заявление Институционального наблюдательного совета:

Непригодный.

Заявление об информированном согласии:

Непригодный.

Заявление о доступности данных:

Исследование не предоставило никаких данных.

Благодарности:

Мы выражаем признательность Руй Вангу за помощь в подготовке и отладке программы. Мы также благодарим Янь Цю и Хунтао Чжоу за помощь в написании текста на английском языке и подробностях.

Конфликт интересов:

Авторы объявили, что нет никаких конфликтов интересов.

Рекомендации

1. Ке, ХЗ; Цзин, Ю.К. Обнаружение лазерных пятен в дальнем поле для использования в условиях атмосферной турбулентности. Опция англ. 2020, 59, 016103. [CrossRef]

2. Ву, П.; Ке, Х.; Ли, М.; Чжан, К. Эксперимент по производительности и равновесию многополосной системы модуляции CAP в беспроводной оптической связи. Опция Коммун. 2019, 434, 128–135. [Перекрестная ссылка]

3. Мазо, Дж. Сигнализация быстрее, чем Найквист. Белл Сист. Тех. Дж. 1975, 54, 1451–1462. [Перекрестная ссылка]

4. Бахл, ЛР; Кок, Дж.; Елинек, Ф.; Равив, Дж. Оптимальное декодирование линейных кодов для минимизации частоты ошибок символов. IEEE Транс. Инф. Теория 1974, 20, 284–287. [Перекрестная ссылка]

5. Матар, Миссури; Яна, М.; Митра, Дж.; Лампе, Л.; Лис, М.; Soc, IC Турбо-максимум-апостериорный эквалайзер для приложений, работающих быстрее, чем Найквист. В материалах 28-го Международного симпозиума IEEE по программируемым пользовательским вычислительным машинам (FCCM), Фейетвилл, Арканзас, США, 3–6 мая 2020 г.; стр. 167–171.

6. Кокоччони, М.; Росси, Ф.; Руффальди, Э.; Сапонара, С.; де Динешен, Б.Д. Новая арифметика в обработке сигналов глубоких нейронных сетей для автономного вождения: проблемы и возможности. Сигнальный процесс IEEE. Маг. 2021, 38, 97–110. [Перекрестная ссылка]

7. Амирабади, Массачусетс; Кахаи, Миннесота; Незамалхосени, С.А. Алгоритмы глубокого обучения низкой сложности для компенсации атмосферной турбулентности в системе оптической связи в открытом космосе. ИЭПП Оптоэлектрон. 2022, 16, 93–105. [Перекрестная ссылка]

8. Ли, С.; Юань, В.; Юань, Дж.; Бай, Б.; Нг, ДВК; Ханзо, Л. Выравнивание временной и частотной области для передачи сигналов FTN. IEEE Транс. Вех. Технол. 2020, 69, 9174–9179. [Перекрестная ссылка]

9. Ян, Ю.; Гао, Ф.; Макс.; Чжан, С. Оценка канала на основе глубокого обучения для каналов с двойным избирательным замиранием. IEEE Access 2019, 7, 36579–36589. [CrossRef] 10. Хуан, Х.; Ян, Дж.; Хуанг, Х.; Сонг, Ю.; Гуй, Г. Глубокое обучение для оценки каналов со сверхвысоким разрешением и массивной системы MIMO на основе оценки DOA. IEEE Транс. Вех. Технол. 2018, 67, 8549–8560. [Перекрестная ссылка]

11. Ху, Ф.; Ольгин-Лерма, Ж.А.; Мао, Ю.; Цзоу, П.; Шен, К.; Нг, ТК; Оой, Б.С.; Чи, Н. Демонстрация несложного эквалайзера нейронной сети с полиномиальной памятью для связи CAP в видимом свете с суперлюминесцентным диодом. Опто-электрон. Адв. 2020, 3, 4–14. [Перекрестная ссылка]

12. Лян, С.; Цзян, З.; Цяо, Л.; Лу, Х.; Чи, Н. Система связи в видимом свете с предварительно кодированной CAP-модуляцией, работающая быстрее, чем Найквист, на основе нелинейной взвешенной справочной таблицы предварительного искажения. IEEE Photonics J. 2018, 10, 7900709. [CrossRef]

13. Хохрейтер С.; Шмидхубер, Дж. Длинная кратковременная память. Нейронный компьютер. 1997, 9, 1735–1780. [Перекрестная ссылка]

14. Сайнат, Теннесси; Виньялс, О.; Старший, А.; Сак, Х. Сверточная, длинная кратковременная память, полносвязные глубокие нейронные сети. В материалах Международной конференции IEEE по акустике, речи и обработке сигналов 2015 г. (ICASSP), Южный Брисбен, Австралия, 19–24 апреля 2015 г.; IEEE: Пискатауэй, Нью-Джерси, США, 2015 г.; стр. 4580–4584.

15. Лай, С.; Ли, М. Рекуррентная коррекция с помощью нейронной сети для передачи сигналов FTN. В материалах Международной конференции IEEE по коммуникациям (IEEE ICC)/семинара NOMA для 5G и не только, Electr Network, Дублин, Ирландия, 7–11 июня 2020 г.

For more information:1950477648nn@gmail.com