光纤通信的端到端深度学习
本研究提出一种基于序列自编码收发器的双向深度循环神经网络(BRNN),该网络使用滑动窗口技术来实现高效数据流估计。我们发现,这种滑动窗口 BRNN 相比之前的基于块的前馈神经网络(FFNN)自编码器在所有检测的距离上都能显著降低误码率,从而增加传输距离。与 FFNN 接收器实现的基于两级脉冲幅度调制的最新 IM/DD 方案相比较,我们的结果表明,在训练更少的参数的情况下,SBRNN 在 42 和 84 Gb /s 下均优于这些系统。我们的新型 SBRNN 设计旨在为具有存储器的非线性信道(例如光学 IM/DD 光纤信道)的端对端深度学习系统进行定制。
Jan, 2019
通过深度学习优化,可以显著降低纤维光通信中非线性薛定谔方程求解的复杂度,使得使用分裂步傅里叶法比线性均衡算法只多 2-6 倍计算量即可获得类似的准确性。
Apr, 2018
通过使用多模光纤,我们提出了一个信息理论框架来传输最大熵(数据)图像,并通过千米以内的距离最大化信息传输,通过不同的差分可微神经网络来检索图像,最终能够以最大化的信息页大小恢复出数字输入图像。
Jan, 2023
本研究针对频率和时间选择性衰落信道,探讨端到端学习在无线通信上的应用,通过神经网络接收机代替传统正交导频,并使用超定位信号,线性复合和优化星座几何图形等技术替换正交导频,实现了与基线方案相同的误比特率和相对 7%的吞吐量提高,表明协同学习的发射机和接收机是超越 5G 通信系统的一个有趣组成部分,可以消除解调参考信号的需求和相关控制开销。
Sep, 2020
我们提出一种基于物理的机器学习模型来处理光纤通信中的非线性斯格明子方程,这个模型可以用于数字反传播(DBP),可以有效地逆转非线性方程,而且使用可训练的过滤器可以极大地降低其复杂性。
Oct, 2020
本文提出了基于深度学习的新颖 OFDM 解调器,该解调器采用单比特量化技术,并设计了一种新的生成式有监督深度神经网络 (DNN) 进行通道估计,并使用神经网络进行数据检测来降低位错率 (BER) 和错误地板。我们的深度学习通道估计和数据检测设计超过了传统的 OFDM 方法,在信噪比 10dB 的情况下表现良好。
Nov, 2018
本文提出了一种基于机器学习的物理层接收器解决方案,用于解调受到高非线性失真影响的 OFDM 信号。该方案采用卷积神经网络接收器,在时域和频域中都包含了层,可以可靠地解调和译码传输的比特,特别是当转移信号的误差向量幅度为高时,可以显著优于传统的线性接收器和现有的机器学习接收器方法。因此,建议采用该机器学习接收器来推动终端功率放大器系统进入饱和状态,从而提高终端功率效率、辐射功率和网络覆盖范围。
Jun, 2021