Atenció LSTM Detecció de senyal basada en xarxa neuronal per a comunicacions sense fils òptiques modulades híbrides més ràpides que Nyquist

Resum:

Per millorar la precisió de la recuperació del senyal després de la transmissió a través d'un canal de turbulència atmosfèrica, es proposa un mètode de detecció del senyal basat en l'aprenentatge profund per a un sistema de comunicació sense fil òptica (OWC) modulat híbrid més ràpid que Nyquist (FTN). Aprofita la xarxa de memòria a llarg termini (LSTM) a la xarxa neuronal recurrent (RNN) per alleujar el problema d'interdependència dels símbols adjacents. A més, un descodificador d'atenció LSTM es construeix utilitzant el mecanisme d'atenció, que pot alleujar les deficiències del LSTM convencional. Els resultats de la simulació mostren que el rendiment de la taxa d'error de bits (BER) de la xarxa neuronal d'atenció LSTM proposada és 1 dB millor que el de la xarxa neuronal de retropropagació (BP) i supera en 2,5 dB en comparació amb l'estimació de la seqüència de màxima probabilitat (MLSE) mètode de detecció.

Una xarxa neuronal recurrent és un tipus de xarxa neuronal que pot influir en la següent sortida prenent resultats anteriors. Aquestes xarxes neuronals s'utilitzen àmpliament en el processament del llenguatge natural, el reconeixement de la parla, el processament d'imatges i la predicció d'esdeveniments futurs. El major avantatge dels RNN és ​​la seva capacitat per emmagatzemar i utilitzar informació passada, cosa que millora la precisió i l'estabilitat.

La xarxa neuronal recurrent realitza l'emmagatzematge i la utilització de la informació a través de la memòria. Quan la informació es passa de la capa d'entrada a la xarxa neuronal, la neurona emmagatzema la informació i la passa a la següent neurona. Aquest procés cíclic es converteix en una estructura d'anell que determina noves sortides. El disseny d'aquesta xarxa neuronal recurrent considera no només les noves entrades a la xarxa sinó també els rastres deixats per totes les entrades anteriors.

La memòria de la xarxa neuronal recurrent també reflecteix plenament la manera de pensar humana. El cervell humà també és capaç de fer judicis raonables mitjançant la memòria i l'especulació sobre la informació històrica. Així també funcionen les xarxes neuronals recurrents. La informació històrica juga un paper important en el procés de pensament humà, permetent-nos recordar correctament els esdeveniments i resoldre problemes. Això és coherent amb el principi de disseny de xarxes neuronals recurrents.

Per tant, podem considerar que la memòria positiva és crucial tant per al pensament humà com per al funcionament de les xarxes neuronals recurrents. Un bon record ens pot ajudar a resoldre millor els problemes i guanyar fama i fortuna. Les xarxes neuronals recurrents poden aprendre i recordar tota la informació en grans quantitats de dades, ajudant les persones a predir tendències futures i a aconseguir tasques complexes. D'aquesta manera, la memòria de les xarxes neuronals recurrents no només pot millorar la nostra qualitat de vida sinó que també ens pot aportar més valor comercial i científic. Es pot veure que hem de millorar la nostra memòria, i Cistanche deserticola ens pot ajudar significativament a millorar la nostra memòria perquè Cistanche deserticola és un material medicinal tradicional xinès que té molts efectes únics, un dels quals és millorar la memòria. L'eficàcia de la carn picada prové d'una varietat d'ingredients actius que conté, com l'àcid carboxílic, polisacàrids, flavonoides, etc. Aquests ingredients poden promoure la salut del cervell a través de diversos canals.

Feu clic a Coneix suplements per augmentar la memòria

Paraules clau:

Més ràpid que Nyquist; xarxa neuronal; modulació híbrida; mecanisme d'atenció; comunicació òptica sense fils.

1. Introducció

En comparació amb la comunicació tradicional de radiofreqüència (RF), OWC té els avantatges d'una alta capacitat del sistema, immunitat a interferències, bona seguretat, flexibilitat i muntatge ràpid i baix cost [1]. Tanmateix, la transmissió de senyals òptiques sense fil es veu afectada per la turbulència atmosfèrica, l'absorció atmosfèrica, la dispersió i la refracció. És difícil que el receptor obtingui un senyal precís amb la variació constant de l'estructura de l'índex de refracció causada per la variació aleatòria de la temperatura i la pressió atmosfèriques. La tècnica de modulació de fase d'amplitud lliure de portadora multibanda (CAP) es va proposar a [2] per millorar la capacitat del sistema i la utilització de la banda de freqüència d'OWC sota el canal de turbulència atmosfèrica Gamma-Gamma. Els resultats experimentals demostren que el canvi de fase està ben compensat i la interferència entre símbols (ISI) es suprimeix eficaçment mitjançant l'algorisme multimòdul (MMA). Tanmateix, per aconseguir una transmissió lliure d'ISI en sistemes de comunicació digital, la velocitat de símbol ha de seguir el criteri de Nyquist. Això limita la millora addicional de l'eficiència espectral del sistema OWC.

El 1975, Mazo va demostrar que es podien aconseguir taxes de transmissió més altes mitjançant la tecnologia FTN [3]. Tanmateix, FTN introdueix ISI per aconseguir l'eficiència espectral, la qual cosa augmenta la dificultat de detecció del senyal. En els darrers anys, els estudis sobre FTN es van centrar principalment en algorismes de detecció basats en models. Els algorismes de detecció, com l'algorisme de detecció lineal basat en l'estimació d'error quadrat mitjà mínim (MMSE) [4], el forçament zero (ZF), l'algoritme màxim a posteriori (MAP) [5] i l'algorisme de detecció no lineal, tenen un rendiment insatisfactori per a Senyals FTN amb un alt factor d'acceleració i la complexitat d'implementació és extremadament alta. Curiosament, el rendiment de l'algoritme de detecció de senyals FTN basat en l'aprenentatge profund (DL) supera els algorismes tradicionals basats en models [6]. A [7], DL es desplega al transceptor d'un sistema FSO per a la compensació de la turbulència atmosfèrica. Això indica que l'ús de DL a OWC pot aconseguir un rendiment superior amb una complexitat menor.

Per eliminar l'alta complexitat de l'estimació del canal causada per la manca d'invariància de traducció de la matriu de covariància, Neumann David et al. va emprar el MMSE i les xarxes neuronals convolucionals (CNN) per compensar aquesta deficiència [8]. Yang Y et al. va proposar un mètode d'estimació de l'esvaïment de canal selectiu dual basat en xarxes neuronals profundes (DNN) per a l'estimació de canals [9]. Combina formació fora de línia i aprenentatge en línia per aconseguir una estimació de canal de superresolució d'alta precisió per part de DNN. D'altra banda, la tecnologia d'equalització de canals s'utilitza sovint per eliminar l'ISI per millorar la qualitat del senyal [10, 11]. Des de la perspectiva de DL, l'equalització de canals es pot considerar com el problema de com recuperar els símbols transmesos amb la màxima precisió possible dels símbols rebuts. El mòdul DL es pot considerar com una "caixa negra", que és descodificada per la xarxa neuronal al receptor, realitzant així la demodulació del senyal transmès. Liang S. et al. establir un sistema experimental de comunicació de llum visible de precodificació diferencial de FTN mitjançant la modulació CAP [12]. Optimitza l'algoritme de descodificació pel mètode DL i verifica la viabilitat de DL al sistema FTN-FSO.

Com a millora de RNN, Hochreiter i Schmidhuber van proposar la xarxa LSTM el 1997 i s'ha utilitzat en molts camps [13]. A [14] es va introduir una xarxa neuronal profunda convolucional a curt termini (CLDNN), que aprofita la naturalesa complementària de CNN i LSTM per combinar les arquitectures de CNN i LSTM en xarxes neuronals profundes. Els autors de [15] van proposar una RNN anomenada memòria bidireccional a llarg termini (Bi-LSTM) per caracteritzar la característica d'ISI introduïda en la senyalització FTN. A més, descriu una estratègia de "no coincidència SNR" per crear el conjunt de dades d'entrenament que pot ajudar eficaçment a prevenir el sobreajustament. D'altra banda, s'han utilitzat diversos enfocaments de DL per abordar els problemes de la comunicació sense fil i arribar a conclusions valuoses. Biao Gong ha estudiat la tecnologia de demodulació de CNN en comunicacions làser atmosfèriques de moment angular orbital (OAM) [16].

Siying Mao mostra que RNN i LSTM tenen alguns avantatges en la descodificació de senyals àlies mitjançant experiments a [17]. Per millorar encara més el rendiment de la xarxa i seleccionar les característiques més discriminatòries, s'introdueix un mecanisme d'atenció a la xarxa per explorar les dependències entre les característiques. Els autors de [18] van proposar una xarxa d'atenció dual (DANet) amb un mecanisme d'autoatenció per millorar el discriminant de les representacions de característiques per a la segmentació de l'escena, en la qual es proposa un mòdul d'atenció a la posició per aprendre les interdependències espacials de les característiques i un canal d'atenció. El mòdul està dissenyat per modelar les interdependències de canals. Millora significativament la segmentació modelant dependències contextuals riques sobre les característiques locals. A la conferència IEEE ICAIT de 2022, vam proposar una xarxa neuronal BP per promoure el rendiment BER de la detecció de senyals en un canal atmosfèric [19]. Una xarxa neuronal BP té els avantatges d'una alta capacitat d'autoaprenentatge i capacitat d'autoadaptació. Pot aprendre les regles de mapeig entre les dades d'entrada i de sortida durant el procés d'entrenament i memoritzar de manera adaptativa aquestes regles utilitzant els pesos de la xarxa. Per tant, la xarxa neuronal es veu menys afectada pel factor d'acceleració i el factor de desplaçament, que garanteix la utilització de l'espectre del sistema a una velocitat FTN.

Tanmateix, l'oblit de la informació de la seqüència existeix a les xarxes neuronals de BP. Per tant, utilitzem la xarxa neuronal LSTM i el mecanisme d'atenció per superar el problema d'oblidar la informació de la seqüència. Avui en dia, el mecanisme d'atenció s'ha convertit en un mètode de processament de dades comú en el camp de la DL i s'utilitza àmpliament en diverses tasques de DL, com ara el processament del llenguatge natural, el reconeixement d'imatges i el reconeixement de veu. El muntatge de característiques mitjançant l'assignació de pesos més grans a algunes característiques "significatives" no només redueix els paràmetres de la xarxa sinó que també millora el poder discriminatiu de les característiques. Per tant, el mecanisme d'atenció s'introdueix a la xarxa LSTM per construir un descodificador d'atenció LSTM per a la detecció del senyal d'un sistema FTN OWC modulat híbrid de modulació de posició de pols (PPM) i canvi de fase (QPSK) per millorar el rendiment del sistema alhora que garanteix l'eficiència de l'espectre. .

2. Model del sistema

Tradicionalment, la modulació d'intensitat/detecció directa basada en un esquema de claus on-off (OOK) és àmpliament acceptada a OWC a causa de la seva fàcil implementació i menor cost [20]. Tenint en compte el baix rendiment BER i l'eficiència de l'espectre d'OOK, s'ha considerat que PPM s'utilitza en comunicacions OWC. En comparació amb OOK, la utilització d'energia augmenta molt. A més, el QPSK modulat té les característiques d'una alta utilització de l'espectre i una forta anti-interferència [21]. Per tant, la combinació de PPM i QPSK pot millorar la velocitat de transmissió de dades i la fiabilitat del sistema [22,23].

La figura 1 mostra l'esquema del sistema OWC modulat híbrid 4PPM i QPSK amb tecnologia FTN. Les dades de l'usuari després del codificador Gray es mapegen en primer lloc a 4PPM i QPSK, respectivament. A continuació, el senyal QPSK es carrega a la franja horària del senyal 4PPM per formar el senyal modulat híbrid 4PPM-QPSK. Després, el senyal 4PPMQPSK formatat s'envia al filtre de conformació FTN per a la formació del senyal FTN. Posteriorment, després de la conversió de digital a analògic (DAC), les dades es llancen al canal atmosfèric. A l'extrem del receptor, el senyal òptic transmès pel canal atmosfèric es detecta primer per un fotodíode (PD) i després s'envia per a la conversió d'analògic a digital (ADC), el filtratge coincident i el mostreig. A continuació, el senyal s'envia al mòdul DL per a la recuperació de dades.

3. Descodificador d'atenció LSTM

RNN és ​​una branca important de DL que es pot utilitzar no només per al processament de dades de sèries temporals, sinó també per centrar-se en el temps del model de característiques. A més, és útil per processar dades de seqüències on l'entrada frontal afecta la sortida posterior [24]. No obstant això, hi ha problemes de desaparició del gradient i explosió del gradient amb l'expansió de la línia de temps en RNN tradicional. La desaparició del gradient es produeix a causa de la funció sigmoide. La funció sigmoide s'utilitza normalment a la capa de sortida, però la derivada d'aquesta funció oscil·la entre 0 i 0.25. Quan s'utilitza l'algorisme BP per calcular el gradient, el gradient de cada capa es reduirà a 1/4 de l'original. Si hi ha moltes capes de xarxa, el gradient es farà petit. El valor del pes inicial de la xarxa s'ha d'establir més gran que 1 per evitar aquest fenomen, però provocarà una explosió de gradient [25]. Per tant, té grans limitacions en la predicció de dades de sèries a llarg termini. La figura 2 mostra el diagrama de la xarxa RNN desplegada al llarg de la línia de temps.

Per resoldre els problemes existents a RNN, es proposa la xarxa LSTM per resoldre l'omnipresent problema de dependència a llarg termini a la xarxa, que s'ha demostrat que és eficaç per resoldre els problemes de desaparició del gradient i explosió del gradient causats per RNN [24]. La diferència més gran entre LSTM i RNN és ​​que RNN només té un estat dins d'una única estructura recurrent, mentre que LSTM té quatre estats i cada estructura es compon d'una porta d'entrada, una porta oblidada, una porta de sortida i un estat de cel·la. El diagrama de la xarxa LSTM es mostra a la figura 3. ⊗ denota la multiplicació d'elements vectorials i ⊕ denota l'addició d'elements vectorials. Tant les portes d'entrada com de sortida s'obren i propaguen senyals només quan es necessita informació prèvia. D'aquesta manera, la informació anterior es pot desar de manera selectiva. La funció de la porta oblida és rebre l'error de la unitat de memòria i "oblidar" el valor emmagatzemat a la unitat de memòria quan sigui necessari, per aconseguir el control dels pesos de la xarxa.

Tant les xarxes RNN com LSTM estan dissenyades per gestionar el problema de les sèries de temps llargues. Tanmateix, la xarxa oblidarà la informació útil anterior a causa de l'existència d'una porta oblidada quan LSTM tracta el problema de l'explosió de gradient. Això deteriora l'efecte de l'entrenament de seqüències llargues i el rendiment del sistema. Afortunadament, el mecanisme d'atenció és una gran solució a aquest problema [26]. Les variants dels mecanismes d'atenció inclouen l'atenció multicap, l'atenció dura, l'atenció estructurada i l'atenció de parella clau-valor [27]. L'atenció multicapçalera utilitza múltiples consultes per calcular en paral·lel per seleccionar múltiples peces d'informació de l'entrada. Cada atenció se centra en una part diferent de l'entrada. L'atenció dura es pot implementar de dues maneres. Un és seleccionar la informació d'entrada amb la probabilitat més alta. Un altre és fer mostres aleatòries de la distribució de l'atenció. L'atenció estructurada implica escollir informació rellevant per a la tasca de l'entrada. L'atenció del parell clau-valor utilitza un format de parella clau-valor per representar la informació d'entrada, on "clau" s'utilitza per calcular la distribució de l'atenció i "valor" s'utilitza per generar la informació seleccionada. Tenint en compte el seu excel·lent rendiment, el mecanisme d'atenció del parell clau-valor s'utilitza a la nostra proposta per realitzar el descodificador d'atenció LSTM i es pot utilitzar per processar els senyals híbrids FTN rebuts. El diagrama del descodificador d'atenció LSTM es mostra a la figura 4.

4. Anàlisi de simulació

La mida del conjunt de dades d'entrenament o de prova depèn de la complexitat del sistema i de l'algorisme DL. L'ús d'un conjunt de dades petit pot provocar un rendiment de detecció deficient perquè el model seria incapaç d'aprendre completament les diverses característiques del sistema. A més, l'ús d'un conjunt de dades gran pot augmentar la complexitat computacional [30]. Així, es realitzen diverses simulacions per determinar la mida adequada del conjunt de dades i els paràmetres que podrien oferir el millor rendiment BER. Cal tenir en compte que la precisió de la xarxa neuronal es veu afectada pel propi algorisme DL, que juga un paper important en la resolució d'alguns problemes no lineals. Per tant, cal avaluar el seu rendiment i robustesa. Sense pèrdua de generalitat, es tenen en compte alguns paràmetres comuns. Els paràmetres utilitzats en la simulació es mostren a la taula 1.

La taula 2 mostra la precisió de la xarxa amb diferents índexs d'aprenentatge. Un sistema validat necessita una taxa d'aprenentatge adequada. Si la taxa d'aprenentatge és massa gran, la xarxa no pot convergir, mentre que si és massa petita, la xarxa convergeix molt lentament o no podrà acabar d'aprendre. A més, la xarxa pot canviar de subadaptació a sobreadaptació a mesura que augmenta la taxa d'aprenentatge [31]. A la taula es desprèn que 0.002 té el millor rendiment.

La selecció de capes ocultes és un altre punt clau. Un nombre baix o elevat de capes ocultes condueix al fenomen de subajustament o sobreajustament [31]. La relació entre el nombre de capes ocultes i la precisió es mostra a la Taula 4. La precisió augmenta gradualment amb el nombre de capes ocultes i disminueix quan arriba a un valor determinat. A més, els estudis de [32,33] van trobar que el nombre creixent de capes ocultes provoca un augment significatiu de la complexitat computacional i el sobreajust. Les causes del sobreajust es poden dividir en tres categories [34]. El primer és un petit conjunt de dades de mostres d'entrenament que no poden reflectir les situacions globals possibles.

Això comportarà una predicció menys precisa de la xarxa entrenada. Per tant, el conjunt de dades d'entrenament hauria de cobrir tot tipus de dades tant com sigui possible. La segona és una xarxa que no pot estimar amb precisió la relació entre entrada i sortida a causa de la interferència excessiva de les dades d'entrenament. El tercer és l'alta complexitat de la xarxa. En aquestes circumstàncies, hauria de processar molts paràmetres per permetre que la xarxa s'ajusti amb precisió a totes les dades del conjunt de dades d'entrenament. Com a resultat, la xarxa entrenada no pot generalitzar-se al conjunt de dades de prova. Per tant, el nombre adequat de capes ocultes és crucial per al rendiment del sistema. Els resultats experimentals de simulació de la taula 5 mostren que el sistema té el millor rendiment de detecció quan el nombre de capes ocultes és de 8.

La comparació de la precisió de la xarxa LSTM i la xarxa d'atenció LSTM es mostra a la taula 5. La precisió de la xarxa d'atenció LSTM és significativament superior a la de la xarxa LSTM.

És ben sabut que la pluja, la neu, el aigualit, la boira, la boira, la contaminació, etc. són factors atmosfèrics que afecten els raigs làser. La seva presència provoca reflexió, refracció, dispersió i atenuació dels senyals òptics. S'ha demostrat que la turbulència atmosfèrica segueix la distribució Gamma-Gamma, i la intensitat de la turbulència feble, moderada i forta es pot expressar mitjançant la constant de l'estructura de l'índex de refracció de C 2 n=2 × 10− 18, C 2 n=2 × 10−15, i C 2 n=2 × 10−12, respectivament [35] Les corbes de diferents intensitats de turbulència atmosfèrica en funció del BER es mostren a la figura 6, on la el factor de desplaçament és 0,6, τ=0,8 i la distància de transmissió és de 500 m. A partir de la figura, és evident que el rendiment del BER millora gradualment amb la disminució de la intensitat de la turbulència. Quan BER=3.8 × 10−3, el rendiment BER de turbulència feble és aproximadament 2 dB i 5 dB millor que el de turbulència moderada i forta, respectivament.

La figura 7 mostra la influència del factor d'amortització del filtre de conformació FTN en el BER amb un descodificador diferent, on el factor d'acceleració és 0.8. Tal com es mostra a la figura 7a, quan BER=10-4, el descodificador d'atenció LSTM millora el rendiment BER en aproximadament 1 dB en comparació amb l'algorisme BP. La figura 7b mostra que el descodificador d'atenció LSTM millora el rendiment BER en uns 2,5 dB en comparació amb l'algorisme MLSE quan BER=10-4. Per tant, l'atenció LSTM és beneficiosa per millorar el rendiment BER en comparació amb el descodificador tradicional.

La figura 8 mostra l'impacte del factor d'acceleració en el rendiment del sistema BER. Quan el BER és 10−4 i el factor d'acceleració disminueix d'1 a 0,9 i 0,8, el rendiment del BER disminueix uns 2 dB i 4 dB, respectivament. Quan el BER és 10-3 i el factor d'acceleració disminueix d'1 a 0,9 i 0,8, el rendiment del BER disminueix aproximadament 1 dB i 4,5 dB, respectivament. Es pot concloure de la figura que les corbes BER disminueixen ràpidament a mesura que disminueix el factor d'acceleració. Tanmateix, sota la premissa de millorar l'eficiència de l'espectre, el sistema encara pot garantir una bona qualitat de comunicació quan el factor d'acceleració és de 0,8. Així, la proposta és beneficiosa per millorar el rendiment del sistema.

Per il·lustrar encara més els avantatges del mètode proposat, tal com es mostra a la taula 6, es comparen el temps d'execució de l'atenció LSTM i la xarxa BP.

La complexitat del temps està lligada a l'execució del maquinari i inclou el nombre d'operacions necessàries, el nombre d'elements a processar i la longitud del camí necessari per completar una operació. Els experiments de simulació estan implementats per Matlab 2018a i Pycharm 2021.3.2. S'utilitza una GPU per a portàtils NVIDIA GeForce RTX 3050 com a plataforma de prova. En el procés d'entrenament, es generen aleatòriament 50000 dades, de les quals el 80% s'utilitza com a conjunt de dades d'entrenament i el 20% restant s'utilitza com a conjunt de dades de prova. La xarxa d'atenció LSTM supera la xarxa BP. Això es deu al fet que la velocitat de convergència de la xarxa neuronal BP és lenta.

6. Conclusions

En aquest article, es proposa un descodificador d'atenció LSTM per a la detecció de senyals del sistema híbrid 4PPM-QPSK-FTN OWC modulat. La xarxa d'atenció LSTM pot alleujar els problemes de la desaparició del gradient, l'explosió del gradient i la interdependència entre símbols adjacents. La simulació experimental mostra que la nostra proposta té un rendiment de detecció de senyal excepcional per a senyals FTN modulats híbrids. El senyal rebut es pot predir amb precisió i descodificar-se ràpidament i correctament. Per tant, l'esquema pot millorar eficaçment el rendiment BER amb la premissa de garantir l'eficiència de l'espectre.

Contribucions de l'autor:

Conceptualització, MC, RY, JX i HW; Metodologia, MC, HW i RY; Validació, MC, RY i JX; Investigació, JX i KJ; Recursos, RY i JX; curació de dades, JX; Redacció: preparació de l'esborrany original, JX i RY; redacció: revisió i edició, MC, HW, RY i KJ; Visualització, RY i HW; Supervisió, MC i HW; Administració del projecte, MC Tots els autors han llegit i han acceptat la versió publicada del manuscrit.

Finançament:

Aquesta investigació va ser finançada pel programa NSFC (62265010, 61875080, 62261033) i la Natural Science Foundation de la província de Gansu, Xina (20JR5RA472).

Declaració de la Junta de Revisió Institucional:

No aplicable.

Declaració de consentiment informat:

No aplicable.

Declaració de disponibilitat de dades:

L'estudi no va reportar cap dada.

Agraïments:

Agraïm l'assistència de Rui Wang en la preparació i depuració del programa. També agraïm a Yan Qiu i Hongtao Zhou la seva ajuda amb l'escriptura i els detalls en anglès.

Conflictes d'interès:

Els autors declaren no conflicte d'interessos.

Referències

1. Ke, XZ; Jing, YK Detecció d'imatges de punt làser de camp llunyà per al seu ús sota turbulències atmosfèriques. Opt. Eng. 2020, 59, 016103. [CrossRef]

2. Wu, P.; Ke, X.; Li, M.; Zhang, Q. Experiment de rendiment i equilibri d'un sistema de modulació CAP multibanda en comunicació òptica sense fil. Opt. Commun. 2019, 434, 128–135. [Ref creuat]

3. Mazo, J. Faster-than-nyquist signaling. Bell Syst. Tècnica. J. 1975, 54, 1451–1462. [Ref creuat]

4. Bahl, LR; Cocke, J.; Jelinek, F.; Raviv, J. Descodificació òptima de codis lineals per minimitzar la taxa d'error de símbols. IEEE Trans. Inf. Teoria 1974, 20, 284–287. [Ref creuat]

5. Matar, MO; Jana, M.; Mitra, J.; Lampe, L.; Lis, M.; Soc, IC A Turbo Maximum-a-Posteriori Equalizer per a aplicacions més ràpides que Nyquist. A Proceedings of the 28th IEEE International Symposium on Field-Programmable Custom Computing Machines (FCCM), Fayetteville, AR, EUA, 3-6 de maig de 2020; pàgines 167–171.

6. Cococcioni, M.; Rossi, F.; Ruffaldi, E.; Saponara, S.; de Dinechin, BD Novel Arithmetics in Deep Neural Networks Processament de senyals per a la conducció autònoma: reptes i oportunitats. Procés de senyal IEEE. Mag. 2021, 38, 97–110. [Ref creuat]

7. Amirabadi, MA; Kahaei, MH; Nezamalhosseni, SA Algorismes d'aprenentatge profund de baixa complexitat per compensar la turbulència atmosfèrica en el sistema de comunicació òptica d'espai lliure. Optoelectró IET. 2022, 16, 93–105. [Ref creuat]

8. Li, S.; Yuan, W.; Yuan, J.; Bai, B.; Ng, DWK; Hanzo, L. Equalització del domini del temps vs. del domini de la freqüència per a la senyalització FTN. IEEE Trans. Veh. Tecnol. 2020, 69, 9174–9179. [Ref creuat]

9. Yang, Y.; Gao, F.; Ma, X.; Zhang, S. Estimació del canal basada en l'aprenentatge profund per a canals d'esvaïment doblement selectius. Accés IEEE 2019, 7, 36579–36589. [CrossRef] 10. Huang, H.; Yang, J.; Huang, H.; Cançó, Y.; Gui, G. Aprenentatge profund per a l'estimació del canal de super-resolució i el sistema MIMO massiu basat en l'estimació de DOA. IEEE Trans. Veh. Tecnol. 2018, 67, 8549–8560. [Ref creuat]

11. Hu, F.; Holguin-Lerma, JA; Mao, Y.; Zou, P.; Shen, C.; Ng, TK; Ooi, BS; Chi, N. Demostració d'un equalitzador de xarxa neuronal assistit per polinomis de memòria de baixa complexitat per a la comunicació de llum visible CAP amb díode superluminiscent. Opto-electró. Adv. 2020, 3, 4–14. [Ref creuat]

12. Liang, S.; Jiang, Z.; Qiao, L.; Lu, X.; Chi, N. Sistema de comunicació de llum visible de modulació CAP precodificat més ràpid que Nyquist basat en la pre-distorsió de la taula de cerca ponderada no lineal. IEEE Photonics J. 2018, 10, 7900709. [CrossRef]

13. Hochreiter, S.; Schmidhuber, J. Memòria a curt termini. Computadora Neural. 1997, 9, 1735–1780. [Ref creuat]

14. Sainath, TN; Vinyals, O.; Sènior, A.; Sak, H. Memòria convolucional, a llarg termini, xarxes neuronals profundes totalment connectades. A Proceedings of the 2015 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), South Brisbane, Austràlia, 19-24 d'abril de 2015; IEEE: Piscataway, NJ, EUA, 2015; pàgines 4580–4584.

15. Lai, S.; Li, M. Equalització assistida per xarxes neuronals recurrents per a senyalització FTN. A Proceedings of the IEEE International Conference on Communications (IEEE ICC)/Workshop on NOMA for 5G and Beyond, Electr Network, Dublín, Irlanda, 7-11 de juny de 2020.

For more information:1950477648nn@gmail.com