LSTM Attention Detekcija signala temeljena na neuronskoj mreži za hibridne modulirane optičke bežične komunikacije brže od Nyquista

Sažetak:

Kako bi se poboljšala točnost oporavka signala nakon odašiljanja preko kanala atmosferske turbulencije, predložena je metoda detekcije signala temeljena na dubokom učenju za sustav hibridne modulirane optičke bežične komunikacije (OWC) brže od Nyquista (FTN). Iskorištava prednosti mreže dugog kratkoročnog pamćenja (LSTM) u rekurentnoj neuronskoj mreži (RNN) kako bi ublažio problem međuovisnosti susjednih simbola. Štoviše, LSTM dekoder pažnje konstruiran je korištenjem mehanizma pažnje, koji može ublažiti nedostatke konvencionalnog LSTM-a. Rezultati simulacije pokazuju da je izvedba stope pogreške u bitovima (BER) predložene LSTM neuronske mreže pažnje 1 dB bolja od one neuronske mreže s povratnim širenjem (BP) i nadmašuje za 2,5 dB u usporedbi s procjenom sekvence najveće vjerojatnosti (MLSE). metoda otkrivanja.

Rekurentna neuronska mreža vrsta je neuronske mreže koja može utjecati na sljedeći izlaz uzimajući prethodne rezultate. Takve se neuronske mreže široko koriste u obradi prirodnog jezika, prepoznavanju govora, obradi slike i predviđanju budućih događaja. Najveća prednost RNN-ova je njihova sposobnost pohranjivanja i korištenja prošlih informacija, što poboljšava točnost i stabilnost.

Rekurentna neuronska mreža ostvaruje pohranjivanje i korištenje informacija kroz pamćenje. Kada se informacije proslijede od ulaznog sloja do neuronske mreže, neuron pohranjuje informacije i prosljeđuje ih sljedećem neuronu. Ovaj ciklički proces postaje prstenasta struktura koja određuje nove rezultate. Dizajn ove rekurentne neuronske mreže ne uzima u obzir samo nove ulaze u mrežu, već i tragove koje su ostavili svi prethodni ulazi.

Pamćenje rekurentne neuronske mreže također u potpunosti odražava ljudski način razmišljanja. Ljudski mozak također je u stanju donositi razumne prosudbe putem pamćenja i nagađanja o povijesnim informacijama. Tako funkcioniraju i rekurentne neuronske mreže. Povijesne informacije igraju veliku ulogu u procesu ljudskog razmišljanja, omogućujući nam da se ispravno prisjetimo događaja i riješimo probleme. Ovo je u skladu s načelom dizajna rekurentnih neuronskih mreža.

Stoga možemo smatrati da je pozitivno pamćenje ključno i za ljudsko razmišljanje i za rad ponavljajućih neuronskih mreža. Dobro pamćenje može nam pomoći da bolje rješavamo probleme i steknemo slavu i bogatstvo. Rekurentne neuronske mreže mogu učiti i pamtiti sve informacije u velikim količinama podataka, pomažući ljudima u predviđanju budućih trendova i ispunjavanju složenih zadataka. Na taj način pamćenje ponavljajućih neuronskih mreža ne samo da može poboljšati našu kvalitetu života, već nam može donijeti i veću komercijalnu i znanstvenu vrijednost. Vidi se da moramo poboljšati svoje pamćenje, a Cistanche deserticola nam može značajno pomoći u poboljšanju pamćenja jer je Cistanche deserticola tradicionalni kineski ljekoviti materijal koji ima mnogo jedinstvenih učinaka, a jedno od njih je i poboljšanje pamćenja. Učinkovitost mljevenog mesa dolazi od različitih aktivnih sastojaka koje sadrži, uključujući karboksilnu kiselinu, polisaharide, flavonoide itd. Ovi sastojci mogu promicati zdravlje mozga kroz različite kanale.

Kliknite znajte dodatke za jačanje pamćenja

Ključne riječi:

Brži od Nyquista; živčana mreža; hibridna modulacija; mehanizam pažnje; optička bežična komunikacija.

1. Uvod

U usporedbi s tradicionalnom radiofrekventnom (RF) komunikacijom, OWC ima prednosti visokog kapaciteta sustava, otpornosti na smetnje, dobre sigurnosti, fleksibilnosti i brze montaže te niske cijene [1]. Međutim, na prijenos optičkih bežičnih signala utječu atmosferske turbulencije, atmosferska apsorpcija, raspršenje i refrakcija. Prijemniku je teško dobiti točan signal s varijacijom konstante strukture indeksa loma uzrokovane nasumičnim varijacijama atmosferske temperature i tlaka. Tehnika modulacije amplitudne faze bez nositelja (CAP) s više pojaseva predložena je u [2] kako bi se poboljšao kapacitet sustava i iskorištenje frekvencijskog pojasa OWC-a pod gama-gama kanalom atmosferske turbulencije. Eksperimentalni rezultati pokazuju da je fazni pomak dobro kompenziran i da je međusimbolna interferencija (ISI) učinkovito potisnuta korištenjem višemodulnog algoritma (MMA). Međutim, da bi se postigao prijenos bez ISI u digitalnim komunikacijskim sustavima, brzina simbola mora slijediti Nyquistov kriterij. Ovo ograničava daljnje poboljšanje spektralne učinkovitosti OWC sustava.

Godine 1975. Mazo je dokazao da se pomoću FTN tehnologije mogu postići veće brzine prijenosa [3]. Međutim, FTN uvodi ISI za postizanje spektralne učinkovitosti, što povećava poteškoće u detekciji signala. Posljednjih su se godina studije o FTN-u uglavnom usredotočile na algoritme detekcije vođene modelom. Algoritmi detekcije, kao što je algoritam linearne detekcije temeljen na procjeni minimalne srednje kvadratne pogreške (MMSE) [4], forsiranje nule (ZF), maksimalni aposteriorni algoritam (MAP) [5] i algoritam nelinearne detekcije, imaju nezadovoljavajuću izvedbu za FTN signali s visokim faktorom akceleracije, a složenost implementacije je izuzetno visoka. Zanimljivo je da izvedba algoritma detekcije FTN signala temeljenog na dubokom učenju (DL) nadmašuje tradicionalne algoritme vođene modelima [6]. U [7], DL je postavljen na primopredajniku FSO sustava za kompenzaciju atmosferske turbulencije. To ukazuje da se korištenjem DL-a u OWC-u može postići vrhunska izvedba uz manju složenost.

Kako bi eliminirali visoku složenost procjene kanala uzrokovanu nedostatkom invarijantnosti prijevoda matrice kovarijance, Neumann David et al. koristio je MMSE i konvolucijske neuronske mreže (CNN) kako bi nadoknadio ovaj nedostatak [8]. Yang Y i sur. predložio je dvostruko selektivnu metodu procjene fedinga kanala temeljenu na dubokim neuronskim mrežama (DNN) za procjenu kanala [9]. Kombinira offline obuku i online učenje kako bi DNN postigao visoko preciznu procjenu kanala super-razlučivosti. S druge strane, tehnologija izjednačavanja kanala često se koristi za uklanjanje ISI-a radi poboljšanja kvalitete signala [10,11]. Iz perspektive DL-a, izjednačavanje kanala može se smatrati problemom kako povratiti prenesene simbole što je točnije moguće iz primljenih simbola. DL modul se može smatrati "crnom kutijom", koju dekodira neuronska mreža na prijemniku, čime se ostvaruje demodulacija odaslanog signala. Liang S. i sur. postaviti eksperimentalni sustav diferencijalne FTN predkodirane komunikacije vidljivog svjetla korištenjem CAP modulacije [12]. Optimizira algoritam dekodiranja DL metodom i provjerava izvedivost DL-a u FTN-FSO sustavu.

Kao poboljšanje RNN-a, LSTM mrežu predložili su Hochreiter i Schmidhuber 1997. godine i korištena je u mnogim područjima [13]. Konvolucijska dugotrajna duboka neuronska mreža (CLDNN) predstavljena je u [14], koja iskorištava komplementarnu prirodu CNN-a i LSTM-a za kombiniranje arhitekture CNN-a i LSTM-a u duboke neuronske mreže. Autori [15] predložili su RNN nazvanu dvosmjerno dugo kratkoročno pamćenje (Bi-LSTM) za karakterizaciju značajke ISI uvedene u FTN signalizaciju. Štoviše, opisuje strategiju "neusklađenog SNR-a" za izgradnju skupa podataka za obuku koji može učinkovito spriječiti prekomjerno opremanje. S druge strane, različiti DL pristupi korišteni su za rješavanje problema u bežičnoj komunikaciji i postizanje vrijednih zaključaka. Biao Gong proučavao je tehnologiju demodulacije CNN-a u atmosferskim laserskim komunikacijama s orbitalnim kutnim momentom (OAM) [16].

Siying Mao pokazuje da RNN i LSTM imaju neke prednosti u dekodiranju aliaziranih signala eksperimentima u [17]. Kako bi se dodatno poboljšala izvedba mreže i odabrale najdiskriminativnije značajke, u mrežu se uvodi mehanizam pažnje za istraživanje ovisnosti između značajki. Autori [18] predložili su mrežu dvojne pozornosti (DANet) s mehanizmom samopažnje kako bi se poboljšala diskriminantnost prikaza značajki za segmentaciju scene, u kojoj se predlaže modul pozornosti na položaj kako bi se naučile prostorne međuovisnosti značajki i pozornost kanala. Modul je dizajniran za modeliranje međuovisnosti kanala. Značajno poboljšava segmentaciju modeliranjem bogatih kontekstualnih ovisnosti o lokalnim značajkama. Na konferenciji IEEE ICAIT 2022. predložili smo BP neuronsku mrežu za promicanje BER izvedbe detekcije signala u atmosferskom kanalu [19]. BP neuronska mreža ima prednosti visoke sposobnosti samoučenja i sposobnosti samoprilagodbe. Može naučiti pravila mapiranja između ulaznih i izlaznih podataka tijekom procesa obuke i adaptivno pamtiti takva pravila korištenjem mrežnih težina. Stoga na neuronsku mrežu manje utječu faktor ubrzanja i faktor okretanja, što osigurava iskorištenje spektra sustava pri FTN stopi.

Međutim, zaboravljanje informacija o nizu postoji u BP neuronskim mrežama. Stoga koristimo LSTM neuronsku mrežu i mehanizam pažnje kako bismo prevladali problem zaboravljanja informacija o nizu. Danas je mehanizam pažnje postao uobičajena metoda obrade podataka u DL polju i naširoko se koristi u raznim DL zadacima, kao što je obrada prirodnog jezika, prepoznavanje slike i prepoznavanje govora. Sastavljanje značajki dodjeljivanjem većih težina nekim 'značajnim' značajkama ne samo da smanjuje parametre mreže, već također poboljšava diskriminirajuću snagu značajki. Stoga je mehanizam pozornosti uveden u LSTM mrežu kako bi se izgradio LSTM dekoder pozornosti za detekciju signala hibridnog moduliranog FTN OWC sustava modulacije pulsne pozicije (PPM) i faznog pomaka (QPSK) kako bi se poboljšala izvedba sustava uz osiguravanje učinkovitosti spektra .

2. Model sustava

Tradicionalno, modulacija intenziteta/izravna detekcija temeljena na shemi uključeno-isključeno (OOK) široko je prihvaćena u OWC-u zahvaljujući jednostavnoj implementaciji i nižoj cijeni [20]. Uzimajući u obzir niske BER performanse i spektralnu učinkovitost OOK-a, smatra se da se PPM koristi u OWC komunikacijama. U usporedbi s OOK, iskorištenje energije je znatno povećano. Osim toga, modulirani QPSK ima značajke visoke iskoristivosti spektra i jake zaštite od smetnji [21]. Stoga, kombiniranje PPM i QPSK može poboljšati brzinu prijenosa podataka i pouzdanost sustava [22,23].

Slika 1 prikazuje shemu 4PPM i QPSK hibridno moduliranog OWC sustava s FTN tehnologijom. Korisnički podaci nakon Grayeva kodera prvo se mapiraju u 4PPM odnosno QPSK. Nakon toga, QPSK signal se učitava u vremenski utor 4PPM signala kako bi se formirao 4PPM–QPSK hibridni modulirani signal. Nakon toga, formatirani 4PPMQPSK signal se šalje FTN filteru za oblikovanje za formiranje FTN signala. Nakon toga, nakon digitalno-analogne pretvorbe (DAC), podaci se šalju u atmosferski kanal. Na kraju prijemnika, optički signal koji se prenosi preko atmosferskog kanala najprije detektira fotodioda (PD), a zatim se šalje na analogno-digitalno pretvaranje (ADC), usklađeno filtriranje i uzorkovanje. Nakon toga, signal se šalje DL modulu za oporavak podataka.

3. LSTM dekoder pažnje

RNN je važna grana DL-a koja se može koristiti ne samo za obradu podataka vremenskih serija, već i za fokusiranje na vrijeme modela značajki. Osim toga, koristan je za obradu sekvenci podataka gdje prednji ulaz utječe na izlaz iza [24]. Međutim, postoje problemi nestanka gradijenta i eksplozije gradijenta s proširenjem vremenske linije u tradicionalnom RNN-u. Do nestanka gradijenta dolazi zbog sigmoidne funkcije. Sigmoidna funkcija obično se koristi u izlaznom sloju, ali derivacija ove funkcije kreće se od 0 do 0.25. Kada se za izračun gradijenta koristi BP algoritam, gradijent svakog sloja smanjit će se na 1/4 izvornika. Ako postoji mnogo mrežnih slojeva, gradijent će postati mali. Vrijednost početne težine mreže mora biti postavljena na veću od 1 kako bi se izbjegao ovaj fenomen, ali to će dovesti do eksplozije gradijenta [25]. Dakle, ima velika ograničenja u predviđanju dugotrajnih serija podataka. Slika 2 prikazuje dijagram RNN mreže razmotan duž vremenske trake.

Za rješavanje problema koji postoje u RNN-u, predlaže se LSTM mreža za rješavanje sveprisutnog problema dugoročne ovisnosti u mreži, što se pokazalo učinkovitim u rješavanju problema nestanka gradijenta i eksplozije gradijenta uzrokovanih RNN-om [24]. Najveća razlika između LSTM i RNN je u tome što RNN ima samo jedno stanje unutar jedne rekurentne strukture, dok LSTM ima četiri stanja i svaka struktura se sastoji od ulaznih vrata, zaboravljenih vrata, izlaznih vrata i stanja ćelije. Dijagram LSTM mreže prikazan je na slici 3. ⊗ označava množenje vektorskih elemenata, a ⊕ označava zbrajanje vektorskih elemenata. I ulazna i izlazna vrata otvaraju se i šire signale samo kada su potrebne prethodne informacije. Na taj način se prethodne informacije mogu selektivno spremiti. Funkcija vrata za zaboravljanje je primanje pogreške iz memorijske jedinice i "zaboravljanje" vrijednosti pohranjene u memorijskoj jedinici kada je to potrebno, kako bi se postigla kontrola mrežnih težina.

I RNN i LSTM mreže dizajnirane su za rješavanje problema dugih vremenskih serija. Međutim, mreža će zaboraviti prethodne korisne informacije zbog postojanja zaboravljenih vrata kada se LSTM bavi problemom eksplozije gradijenta. To pogoršava učinak dugotrajnog treninga i performanse sustava. Srećom, mehanizam pažnje odlično je rješenje za ovaj problem [26]. Varijante mehanizama pažnje uključuju pažnju s više glava, tvrdu pozornost, strukturiranu pozornost i pozornost u paru ključ-vrijednost [27]. Multi-head focus koristi višestruke upite za paralelno izračunavanje za odabir više informacija iz ulaza. Svaka se pažnja fokusira na različiti dio unosa. Čvrsta pozornost se može implementirati na dva načina. Jedan je odabir ulaznih informacija s najvećom vjerojatnošću. Drugi je nasumično uzorkovanje distribucije pažnje. Strukturirana pažnja uključuje odabir informacija relevantnih za zadatak iz ulaza. Pažnja para ključ-vrijednost koristi format para ključ-vrijednost za predstavljanje ulaznih informacija, gdje se "ključ" koristi za izračun distribucije pažnje, a "vrijednost" se koristi za generiranje odabranih informacija. Uzimajući u obzir njegove izvrsne performanse, mehanizam pažnje para ključ-vrijednost korišten je u našem prijedlogu za izvođenje LSTM dekodera pažnje, a može se koristiti za obradu primljenih FTN hibridnih signala. Dijagram LSTM dekodera pažnje prikazan je na slici 4.

4. Analiza simulacije

Veličina skupa podataka za obuku ili test ovisi o složenosti sustava i DL algoritmu. Korištenje malog skupa podataka može uzrokovati lošu izvedbu detekcije jer model ne bi bio u stanju u potpunosti naučiti različite karakteristike sustava. Nadalje, korištenje velikog skupa podataka može rezultirati povećanom računskom složenošću [30]. Stoga se provodi nekoliko simulacija kako bi se odredila odgovarajuća veličina skupa podataka i parametri koji bi mogli ponuditi najbolju izvedbu BER-a. Treba napomenuti da na točnost neuronske mreže utječe sam DL algoritam koji ima važnu ulogu u rješavanju nekih nelinearnih problema. Stoga je potrebno procijeniti njegovu izvedbu i robusnost. Bez gubitka općenitosti, uzeti su u obzir neki uobičajeni parametri. Parametri korišteni u simulaciji navedeni su u tablici 1.

Tablica 2 prikazuje točnost mreže pod različitim stopama učenja. Validirani sustav treba odgovarajuću stopu učenja. Ako je stopa učenja prevelika, mreža ne može konvergirati, dok ako je premala, mreža će konvergirati vrlo sporo ili neće moći završiti učenje. Štoviše, mreža se može promijeniti od nedostatne do pretjerane kako se stopa učenja povećava [31]. Iz tablice je vidljivo da 0.002 ima najbolje performanse.

Odabir skrivenih slojeva još je jedna ključna točka. Nizak ili visok broj skrivenih slojeva dovodi do fenomena nedostatnog ili pretjeranog uklapanja [31]. Odnos između broja skrivenih slojeva i točnosti prikazan je u tablici 4. Točnost postupno raste s brojem skrivenih slojeva i opada kada dosegne određenu vrijednost. Nadalje, studije u [32,33] otkrile su da sve veći broj skrivenih slojeva rezultira značajnim povećanjem računske složenosti i prekomjernog prilagođavanja. Uzroci prekomjernog opremanja mogu se podijeliti u tri kategorije [34]. Prvi je mali skup podataka uzoraka obuke koji ne mogu odražavati ukupne moguće situacije.

To će dovesti do manje točnog predviđanja uvježbane mreže. Stoga bi skup podataka za obuku trebao pokrivati ​​sve vrste podataka što je više moguće. Druga je mreža koja ne može točno procijeniti odnos između ulaza i izlaza zbog pretjerane interferencije podataka o obuci. Treći je velika složenost mreže. Pod tim okolnostima, trebalo bi obraditi mnoge parametre kako bi omogućilo mreži da točno uklopi svaki podatak u skup podataka za obuku. Kao rezultat toga, obučena mreža ne može generalizirati testni skup podataka. Stoga je odgovarajući broj skrivenih slojeva ključan za performanse sustava. Eksperimentalni rezultati simulacije u tablici 5 pokazuju da sustav ima najbolje performanse detekcije kada je broj skrivenih slojeva 8.

Usporedba točnosti LSTM mreže i LSTM mreže pažnje prikazana je u tablici 5. Točnost LSTM mreže pažnje značajno je veća od one LSTM mreže.

Dobro je poznato da su kiša, snijeg, susnježica, magla, izmaglica, zagađenje i tako dalje atmosferski čimbenici koji utječu na laserske zrake. Njihova prisutnost uzrokuje refleksiju, lom, raspršenje i slabljenje optičkih signala. Dokazano je da atmosferska turbulencija slijedi gama-gama distribuciju, a intenzitet slabe, umjerene i jake turbulencije može se izraziti strukturnom konstantom indeksa loma C 2 n=2 × 10− 18, C 2 n=2 × 10−15, odnosno C 2 n=2 × 10−12 [35] Krivulje različitih intenziteta atmosferske turbulencije u odnosu na BER prikazane su na slici 6, gdje je faktor okretanja je 0,6, τ=0.8, a udaljenost prijenosa je 500 m. Na slici je vidljivo da se BER izvedba postupno poboljšava sa smanjenjem intenziteta turbulencije. Kada je BER=3.8 × 10−3, učinak BER-a slabe turbulencije je oko 2 dB i 5 dB bolji od učinka umjerene i jake turbulencije.

Slika 7 prikazuje utjecaj faktora opadanja filtra za oblikovanje FTN na BER s različitim dekoderom, gdje je faktor ubrzanja 0.8. Kao što je prikazano na slici 7a, kada je BER=10-4, LSTM dekoder pažnje poboljšava performanse BER-a za oko 1 dB u usporedbi s BP algoritmom. Slika 7b pokazuje da LSTM dekoder pažnje poboljšava performanse BER-a za oko 2,5 dB u usporedbi s MLSE algoritmom kada je BER=10-4. Stoga je pažnja LSTM-a korisna za poboljšanje performansi BER-a u usporedbi s tradicionalnim dekoderom.

Slika 8 prikazuje utjecaj faktora ubrzanja na BER performanse sustava. Kada je BER 10−4 i faktor ubrzanja se smanji s 1 na 0.9 i 0.8, BER izvedba se smanjuje za oko 2 dB odnosno 4 dB. Kada je BER 10−3 i faktor ubrzanja se smanji s 1 na 0.9 i 0.8, BER izvedba opada za oko 1 dB odnosno 4.5 dB. Iz slike se može zaključiti da BER krivulje brzo opadaju kako se smanjuje faktor ubrzanja. Međutim, pod pretpostavkom poboljšanja učinkovitosti spektra, sustav još uvijek može osigurati dobru kvalitetu komunikacije kada je faktor ubrzanja 0,8. Stoga je prijedlog koristan za poboljšanje performansi sustava.

Za daljnju ilustraciju prednosti predložene metode, kao što je prikazano u tablici 6, uspoređuju se vrijeme rada LSTM mreže pažnje i BP.

Vremenska složenost povezana je s izvršenjem hardvera i uključuje broj potrebnih operacija, broj elemenata za obradu i duljinu puta potrebnu za dovršetak operacije. Simulacijske eksperimente provode Matlab 2018a i Pycharm 2021.3.2. NVIDIA GeForce RTX 3050 GPU za prijenosna računala koristi se kao testna platforma. U procesu obuke nasumično se generira 50,000 podataka, od kojih se 80% koristi kao skup podataka za obuku, a preostalih 20% kao skup podataka za testiranje. LSTM mreža pažnje nadmašuje BP mrežu. To je zato što je brzina konvergencije BP neuronske mreže mala.

6. Zaključci

U ovom radu predložen je LSTM dekoder pažnje za detekciju signala hibridnog moduliranog 4PPM–QPSK–FTN OWC sustava. LSTM mreža pažnje može ublažiti probleme nestanka gradijenta, eksplozije gradijenta i međuovisnosti između susjednih simbola. Eksperimentalna simulacija pokazuje da naš prijedlog ima izvanredne performanse detekcije signala za hibridno modulirane FTN signale. Primljeni signal se može točno predvidjeti te brzo i ispravno dekodirati. Stoga shema može učinkovito poboljšati performanse BER-a pod pretpostavkom osiguravanja učinkovitosti spektra.

Doprinosi autora:

Konceptualizacija, MC, RY, JX i HW; Metodologija, MC, HW i RY; Validacija, MC, RY i JX; Istraga, JX i KJ; Resursi, RY i JX; Kuriranje podataka, JX; Pisanje—priprema izvornog nacrta, JX i RY; pisanje—recenzija i uređivanje, MC, HW, RY i KJ; Vizualizacija, RY i HW; Nadzor, MC i HW; Administracija projekta, MC Svi su autori pročitali i suglasni s objavljenom verzijom rukopisa.

Financiranje:

Ovo istraživanje financirali su NSFC program (62265010, 61875080, 62261033) i Zaklada za prirodne znanosti provincije Gansu, Kina (20JR5RA472).

Izjava institucionalnog odbora za reviziju:

Nije primjenjivo.

Izjava o informiranom pristanku:

Nije primjenjivo.

Izjava o dostupnosti podataka:

Studija nije objavila nikakve podatke.

Zahvale:

Zahvaljujemo Ruiju Wangu na pomoći u pripremi i otklanjanju pogrešaka u programu. Također zahvaljujemo Yan Qiu i Hongtao Zhou na njihovoj pomoći s engleskim pisanjem i detaljima.

Sukob interesa:

Autori izjavljuju da nema sukoba interesa.

Reference

1. Ke, XZ; Jing, YK Lasersko otkrivanje točke dalekog polja za korištenje pod atmosferskim turbulencijama. Opt. inž. 2020, 59, 016103. [CrossRef]

2. Wu, P.; Ke, X.; Li, M.; Zhang, Q. Performanse i eksperiment ravnoteže višepojasnog CAP modulacijskog sustava u bežičnoj optičkoj komunikaciji. Opt. Komun. 2019, 434, 128–135. [CrossRef]

3. Mazo, J. Faster-than-nyquist signalizacija. Bell Syst. tehn. J. 1975, 54, 1451–1462. [CrossRef]

4. Bahl, LR; Cocke, J.; Jelinek, F.; Raviv, J. Optimalno dekodiranje linearnih kodova za smanjenje stope pogreške simbola. IEEE Trans. Inf. Teorija 1974, 20, 284–287. [CrossRef]

5. Matar, MO; Jana, M.; Mitra, J.; Lampe, L.; Lis, M.; Soc, IC Turbo Maximum-a-posteriori ekvilajzer za aplikacije brže od Nyquista. U zborniku 28. IEEE međunarodnog simpozija o prilagođenim računalnim strojevima koji se mogu programirati (FCCM), Fayetteville, AR, SAD, 3. – 6. svibnja 2020.; 167–171 str.

6. Cococcioni, M.; Rossi, F.; Ruffaldi, E.; Saponara, S.; de Dinechin, BD Nova aritmetika u obradi signala dubokih neuronskih mreža za autonomnu vožnju: izazovi i prilike. IEEE signalni proces. Mag. 2021, 38, 97–110. [CrossRef]

7. Amirabadi, MA; Kahaei, MH; Nezamalhosseni, SA Nisko složeni algoritmi dubokog učenja za kompenzaciju atmosferskih turbulencija u optičkom komunikacijskom sustavu slobodnog prostora. IET Optoelektron. 2022, 16, 93–105. [CrossRef]

8. Li, S.; Yuan, W.; Yuan, J.; Bai, B.; Ng, DWK; Hanzo, L. Izjednačavanje u vremenskoj i frekvencijskoj domeni za FTN signalizaciju. IEEE Trans. Veh. Technol. 2020, 69, 9174–9179. [CrossRef]

9. Yang, Y.; Gao, F.; Ma, X.; Zhang, S. Procjena kanala temeljena na dubokom učenju za kanale s dvostruko selektivnim fedingom. IEEE Access 2019, 7, 36579–36589. [CrossRef] 10. Huang, H.; Yang, J.; Huang, H.; Pjesma, Y.; Gui, G. Duboko učenje za procjenu kanala super rezolucije i masivni MIMO sustav temeljen na procjeni DOA. IEEE Trans. Veh. Technol. 2018, 67, 8549–8560. [CrossRef]

11. Hu, F.; Holguin-Lerma, JA; Mao, Y.; Zou, P.; Shen, C.; Ng, TK; Ooi, BS; Chi, N. Demonstracija ekvilajzera neuronske mreže potpomognutog memorijskim polinomom niske složenosti za CAP komunikaciju u vidljivom svjetlu sa superluminescentnom diodom. Opto-elektron. Adv. 2020, 3, 4–14. [CrossRef]

12. Liang, S.; Jiang, Z.; Qiao, L.; Lu, X.; Chi, N. Komunikacijski sustav vidljivog svjetla s prethodno kodiranom CAP modulacijom brži od Nyquista temeljen na nelinearnoj ponderiranoj prethodnoj tablici pretraživanja. IEEE Photonics J. 2018, 10, 7900709. [CrossRef]

13. Hochreiter, S.; Schmidhuber, J. Dugo kratkoročno pamćenje. Neuralno računalo. 1997., 9, 1735–1780. [CrossRef]

14. Sainath, TN; Vinyals, O.; Senior, A.; Sak, H. Konvolucijska, dugotrajna memorija, potpuno povezane duboke neuronske mreže. U zborniku 2015. IEEE Međunarodne konferencije o akustici, obradi govora i signala (ICASSP), South Brisbane, Australija, 19. – 24. travnja 2015.; IEEE: Piscataway, NJ, SAD, 2015.; str. 4580–4584.

15. Lai, S.; Li, M. Rekurentna neuronska mreža potpomognuta izjednačavanja za FTN signalizaciju. U zborniku radova IEEE međunarodne konferencije o komunikacijama (IEEE ICC)/radionice o NOMA-i za 5G i šire, Electr Network, Dublin, Irska, 7. – 11. lipnja 2020.

For more information:1950477648nn@gmail.com