May, 2024

短程光学系统中的机器学习：综述

PDF
TL;DR近年来，广泛的研究已经进行了探索，以利用机器学习算法在各种直接检测和自相干短距离通信应用中的应用。特别强调其在高带宽需求的被动光网络中的利用，我们介绍了一种用于机器学习信号处理的时间序列方法的新型分类法，提供了一个结构化的分类框架。最后，我们强调了这个快速发展领域中的未来研究方向，并提出了解决硬件实现复杂性问题的具体解决方案，以便在短距离光通信系统中更实用和高效地部署机器学习方法。
machine learningshort-reach communicationsdsp equalization algorithmsponstime-series methods
发现论文，激发创造
  • 机器学习技术在光网络中的应用概述

    本文简要介绍了机器学习在光通信和网络中的应用，包括 ML 在网络数据分析和自动网络自配置和故障管理方面的最新研究进展。尽管近年来出现了许多相关研究论文，但 ML 在光网络中的应用仍处于初始阶段。因此，提出了一些可能的研究方向，以推动其进一步发展。

    Mar, 2018

  • 通信系统物理层中深度学习的两个应用

    通过深度学习算法学习输入信号的关键特征和特性，而不需要人为进行先前的识别和建模，深度神经网络能够学习自然制造信号（例如照片和音频）中的复杂特征，并将其用于分类和决策，但在通信系统中，情况有所不同。信息信号是人造的且传播渠道相对易于建模以及在香农容量限制附近操作，那么深度学习在未来通信系统的发展中是否有作用呢？

    Jan, 2020

  • 使用机器学习的被动式光网络故障分支识别

    本文介绍了一种基于机器学习的波分复用被动式光网络故障检测方法，该方法通过统计和分类处理 OTDR 信号可以有效地实现网络故障检测和定位。

    Apr, 2023

  • 基于机器学习的远距离量子通信

    该研究表明机器学习可以被用于识别量子通信中的重要协议，包括量子纠缠、量子隐形传态、量子中继，同时可以找到改进长距离通信方案的方法，并通过使用 projective simulation 模型的学习代理训练，以用于将机器学习引入量子网络设计与实现中。

    Apr, 2019

  • 基于物理的深度学习在光纤通信系统中的应用

    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

  • 面向通信的基于模型的机器学习

    本文介绍了基于模型的机器学习在通信系统中的应用。作者从整体上审视了已有策略，将其与深度学习方法进行比较，并关注于通信接收器中的符号检测问题，探讨了深度架构、深度展开和 DNN 辅助混合算法等不同策略的优缺点。最后，提出了未来设计基于模型的深度学习系统的指导方针。

    Jan, 2021

  • 光纤通信中非线性薛定谔方程的深度学习

    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

  • 使用机器学习技术进行被动光纤网络的故障监控

    本文通过实验数据验证了针对被动光网络（PON）系统故障监测的多种机器学习方法，解决了全局反射信号难以区分故障分支的问题。

    Jul, 2023

  • 利用机器学习进行光网络信号丢失预测

    通过监控性能数据并利用监督式机器学习，我们可以在 1~7 天内预测光网络中的信号丢失事件，其中精确度较高，但召回率较低。通过使用多个网络同时训练模型，预测的精确度得到提高，而针对特定网络或设施类型进行调优只带来了适度的改进。

    Jan, 2022

  • 机器学习在通信系统中的应用简介

    这篇论文介绍了如何将数据驱动的机器学习方法应用于通信网络中的边缘计算和云计算，并探讨了监督学习和无监督学习的基础知识。

    Aug, 2018