Mar, 2021

数字相干系统中双向循环神经网络模型与 Volterra 非线性均衡器的性能和复杂性分析

PDF
TL;DR研究了循环神经网络模型作为后处理单元用于补偿数字相干系统中的光纤非线性的复杂性和性能，并评估了三种双向循环神经网络模型，发现它们在特别是在未受扰动干扰管理系统中都是很有前途的非线性补偿器。模拟表明，在推断期间，这三个模型提供类似的补偿性能，因此，在现实生活中的系统中，应选择基于 Vanilla-RNN 单元的最简单的方案。与 Volterra 非线性均衡器进行比较并展示了它在性能和复杂性方面的优越性，因此凸显了 RNN 处理是升级利用相干检测的长途光通信系统的非常有前途的途径。
发现论文，激发创造
  • 相干光系统中神经网络均衡器的性能与复杂度研究

    本研究采用多种人工神经网络，采用 Bayesian optimizer 优化的方式进行非线性通道均衡，使用实验验证了不同神经网络的性能、复杂度和复杂度的权衡，并表明在没有复杂度限制下，CNN + biLSTM 是最佳选项，而在复杂度限制较低时，三层感知器提供最佳性能。

    Mar, 2021

  • 利用长短时记忆神经网络对数字相干系统中光纤非线性进行补偿

    使用长短时记忆神经网络来补偿数字相干系统中光纤非线性，该方案在单 / 多信道 16QAM 调制和极化复用情况下得到了验证，结果表明，与数字反向传播相比，LSTM 神经网络可以作为光接收机的后处理器，提供卓越的性能。

    Jan, 2020

  • 基于超低复杂度的长短期记忆网络用于相干光通信系统中的光纤非线性抑制

    本文提出了一种中心定向长短记忆网络（Co-LSTM）结合简化模式和回收机制的方法，以实现在具有超低复杂度的相干光通信系统中减轻纤维非线性。

    Aug, 2021

  • 双向循环神经网络在色散强度调制信道上进行端到端优化传输

    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

  • 基于神经网络的光学均衡器非线性激活函数的硬件实现

    本文论述了通过逼近激活函数来实现双向 LSTM 光信道均衡器的性能近似于原模型，以减少神经网络化光学信道均衡器的硬件实现复杂度。

    May, 2023

  • 通信系统中数据序列的神经网络检测

    该研究利用深度学习进行检测，通过提出一种双向递归神经网络（SBRNN）的技术，能够在不知道通道模型的情况下进行检测，且在分子通信系统中表现出良好的性能。

    Jan, 2018

  • 虚拟模拟音频效果建模的循环神经网络比较研究

    通过比较 State Space 模型、Linear Recurrent Units 和 Long Short Term Memory 网络在模拟音频效果方面的性能，本文研究了近期机器学习进展在虚拟类比建模中的应用，包括信号历史编码、能量包络、频率内容和瞬态等方面的准确度。结果表明，Long Short Term Memory 网络在模拟失真和均衡器方面的准确度较高，而 State Space 模型在饱和和压缩方面的模拟能力超过其他方法。对于长时间变化特性，State Space 模型展现了最高的准确度。Long Short Term Memory 网络和 Linear Recurrent Unit 网络则更容易引入音频伪像。

    May, 2024

  • E-RNN：FPGAs 中高效循环神经网络的设计优化

    本文提出了一种基于块循环矩阵框架的高效 RNN（E-RNN）框架，用于 FPGA 实现自动语音识别（ASR），旨在提高性能 / 能量效率，保证精度。采用了交替方向乘法器（ADMM）技术和两个设计探索来提高块循环训练的准确性和引导块大小选择，并将 E-RNN 分解为两个阶段：确定 RNN 模型以降低计算和存储，并进行硬件实现。在实际的 FPGA 部署中，实验结果表明，相对于 ESE 的最大能量效率提高了 37.4 倍，相对于 C-LSTM 提高了 2 倍以上，但保持了相同的准确性水平。

    Dec, 2018

  • 数字子载波复用系统中用于光通道非线性补偿的神经网络结构

    本文提出使用各种人工神经网络对数字子载波多路复用光传输系统中的帧内和帧间光纤非线性干扰进行建模和补偿，并通过卷积神经网络和长短期记忆等核心进行非线性信道均衡。本研究表明，在 DSCM 系统中，将合适的宏结构放入神经网络非线性均衡器的设计中可以对未来一代相干光收发机的实际解决方案起到至关重要的作用。

    Apr, 2023

  • 使用顺序非标准动力学改善循环神经网络的记忆能力

    探讨使用非正常的重复神经网络（RNNs）以解决梯度 “消失 / 爆炸” 的问题并提高 “信噪比”。研究显示，具有非正常的重复连接矩阵的非正常 RNN 可以在序列处理任务中胜过其正交对应物。

    May, 2019