LSTM Attention detekcija signala zasnovana na neuronskoj mreži za hibridne modulirane optičke bežične komunikacije brže od Nyquista

sažetak:

Da bi se poboljšala tačnost oporavka signala nakon odašiljanja preko kanala atmosferske turbulencije, predlaže se metoda detekcije signala zasnovana na dubokom učenju za hibridni modulirani optički bežični komunikacioni sistem (OWC), brži od Nyquista (FTN). Koristi prednost mreže dugotrajne memorije (LSTM) u rekurentnoj neuronskoj mreži (RNN) da ublaži problem međuzavisnosti susjednih simbola. Štaviše, LSTM dekoder pažnje je konstruisan upotrebom mehanizma pažnje, koji može ublažiti nedostatke konvencionalnog LSTM. Rezultati simulacije pokazuju da je performansa stope bitne greške (BER) predložene LSTM neuronske mreže pažnje za 1 dB bolja od one neuronske mreže povratnog širenja (BP) i da je bolja za 2,5 dB u poređenju sa procjenom sekvence maksimalne vjerovatnoće (MLSE) metoda detekcije.

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

Rekurentna neuronska mreža ostvaruje skladištenje i korištenje informacija putem memorije. Kada se informacija prosljeđuje sa ulaznog sloja na neuronsku mrežu, neuron pohranjuje informacije i prosljeđuje ih sljedećem neuronu. Ovaj ciklični proces postaje prstenasta struktura koja određuje nove rezultate. Dizajn ove rekurentne neuronske mreže uzima u obzir ne samo nove ulaze u mrežu već i tragove koje su ostavili svi prethodni ulazi.

Sećanje na rekurentnu neuronsku mrežu takođe u potpunosti odražava ljudski način razmišljanja. Ljudski mozak je takođe u stanju da donosi razumne sudove kroz pamćenje i spekulacije o istorijskim informacijama. Tako funkcionišu i rekurentne neuronske mreže. Historijske informacije igraju veliku ulogu u procesu ljudskog razmišljanja, omogućavajući nam da se ispravno prisjetimo događaja i riješimo probleme. Ovo je u skladu sa principom dizajna rekurentnih neuronskih mreža.

Stoga možemo smatrati da je pozitivno pamćenje ključno i za ljudsko razmišljanje i za rad rekurentnih neuronskih mreža. Dobro pamćenje nam može pomoći da bolje riješimo probleme i steknemo slavu i bogatstvo. Ponavljajuće neuronske mreže mogu naučiti i zapamtiti sve informacije u velikim količinama podataka, pomažući ljudima da predvide buduće trendove i postignu složene zadatke. Na taj način, pamćenje rekurentnih neuronskih mreža može ne samo poboljšati kvalitet našeg života, već nam može donijeti i veću komercijalnu i naučnu vrijednost. Vidi se da moramo poboljšati svoje pamćenje, a Cistanche deserticola nam može značajno pomoći da poboljšamo pamćenje jer je Cistanche deserticola tradicionalni kineski ljekoviti materijal koji ima mnogo jedinstvenih učinaka, od kojih je jedno poboljšanje pamćenja. Efikasnost mljevenog mesa dolazi od raznih aktivnih sastojaka koje sadrži, uključujući karboksilnu kiselinu, polisaharide, flavonoide, itd. Ovi sastojci mogu promovirati zdravlje mozga kroz različite kanale.

Kliknite znati suplemente za jačanje pamćenja

Ključne riječi:

Brže od Nyquista; neuronska mreža; hibridna modulacija; mehanizam pažnje; optička bežična komunikacija.

1. Uvod

U poređenju sa tradicionalnom radio frekvencijskom (RF) komunikacijom, OWC ima prednosti visokog kapaciteta sistema, otpornosti na smetnje, dobre sigurnosti, fleksibilnosti i brzog postavljanja, kao i niske cijene [1]. Međutim, na prijenos optičkih bežičnih signala utječu atmosferska turbulencija, atmosferska apsorpcija, raspršivanje i refrakcija. Prijemniku je teško dobiti precizan signal sa varijacijama u strukturnoj konstanti indeksa loma uzrokovane nasumičnim varijacijama atmosferske temperature i pritiska. Tehnika modulacije faze amplitude bez nosioca sa više pojaseva (CAP) predložena je u [2] kako bi se poboljšao kapacitet sistema i iskorištenost frekventnog pojasa OWC pod Gama-Gamma kanalom atmosferske turbulencije. Eksperimentalni rezultati pokazuju da je fazni pomak dobro kompenzovan i da je inter-simbolna interferencija (ISI) efikasno potisnuta korišćenjem multi-modulnog algoritma (MMA). Međutim, da bi se postigao prijenos bez ISI u digitalnim komunikacijskim sistemima, brzina simbola mora slijediti Nyquistov kriterij. Ovo ograničava dalje poboljšanje spektralne efikasnosti OWC sistema.

Godine 1975. Mazo je dokazao da se pomoću FTN tehnologije mogu postići veće brzine prijenosa [3]. Međutim, FTN uvodi ISI za postizanje spektralne efikasnosti, što povećava poteškoću detekcije signala. Posljednjih godina, studije o FTN-u uglavnom su se fokusirale na algoritme detekcije vođene modelom. Algoritmi detekcije, kao što je algoritam linearne detekcije zasnovan na procjeni minimalne srednje kvadratne greške (MMSE) [4], nultom prisiljavanju (ZF), maksimalnom a posteriori algoritmu (MAP) [5] i algoritmu nelinearne detekcije, imaju nezadovoljavajuće performanse za FTN signali sa visokim faktorom ubrzanja i složenošću implementacije je izuzetno visoka. Zanimljivo je da performanse algoritma za detekciju FTN signala zasnovane na dubokom učenju (DL) nadmašuju tradicionalne algoritme vođene modelom [6]. U [7], DL je raspoređen na primopredajniku FSO sistema za kompenzaciju atmosferske turbulencije. Ovo ukazuje da korišćenje DL u OWC može postići superiorne performanse sa manjom složenošću.

Da bi se eliminisala visoka složenost procjene kanala uzrokovana nedostatkom translacione invarijantnosti matrice kovarijanse, Neumann David et al. koristio MMSE i konvolucione neuronske mreže (CNN) da nadoknadi ovaj nedostatak [8]. Yang Y et al. predložio je metodu dvostruke selektivne procjene fadinga kanala zasnovanu na dubokim neuronskim mrežama (DNN) za procjenu kanala [9]. Kombinira obuku van mreže i online učenje kako bi se postigla precizna procjena kanala super rezolucije od strane DNN-a. S druge strane, tehnologija ekvilizacije kanala se često koristi za eliminaciju ISI radi poboljšanja kvaliteta signala [10,11]. Iz perspektive DL-a, izjednačavanje kanala može se posmatrati kao problem kako povratiti prenesene simbole što je moguće preciznije od primljenih simbola. DL modul se može posmatrati kao "crna kutija", koju dekodira neuronska mreža na prijemniku, čime se ostvaruje demodulacija prenetog signala. Liang S. et al. uspostaviti eksperimentalni sistem diferencijalnog FTN predkodiranja komunikacije vidljivom svjetlošću koristeći CAP modulaciju [12]. Optimizira algoritam dekodiranja DL metodom i provjerava izvodljivost DL u FTN-FSO sistemu.

Kao poboljšanje RNN-a, LSTM mrežu su predložili Hochreiter i Schmidhuber 1997. godine i korištena je u mnogim poljima [13]. Konvoluciona dugoročna duboka neuronska mreža (CLDNN) uvedena je u [14], koja koristi komplementarnu prirodu CNN-a i LSTM-a za kombinovanje arhitekture CNN-a i LSTM-a u duboke neuronske mreže. Autori [15] su predložili RNN nazvan dvosmjerna dugotrajna kratkoročna memorija (Bi-LSTM) da okarakteriziraju karakteristike ISI uvedene u FTN signalizaciju. Štaviše, opisuje strategiju "neusklađenosti SNR" za izgradnju skupa podataka za obuku koji može efikasno pomoći u sprečavanju prekomernog prilagođavanja. S druge strane, različiti DL pristupi su korišteni za rješavanje problema u bežičnoj komunikaciji i postizanje vrijednih zaključaka. Biao Gong je proučavao tehnologiju demodulacije CNN-a u atmosferskim laserskim komunikacijama s orbitalnim ugaonim momentom (OAM) [16].

Siying Mao pokazuje da RNN i LSTM imaju neke prednosti u dekodiranju alias signala eksperimentima u [17]. Da bi se dalje poboljšale performanse mreže i odabrali najdiskriminativnije karakteristike, mehanizam pažnje se uvodi u mrežu kako bi se istražile zavisnosti između karakteristika. Autori [18] su predložili mrežu dvostruke pažnje (DANet) sa mehanizmom samopažnje kako bi se poboljšala diskriminanta reprezentacija obilježja za segmentaciju scene, u kojoj se predlaže modul pozicijske pažnje kako bi naučio prostorne međuzavisnosti karakteristika i kanala pažnje. modul je dizajniran za modeliranje međuzavisnosti kanala. Značajno poboljšava segmentaciju modeliranjem bogatih kontekstualnih ovisnosti o lokalnim karakteristikama. Na IEEE ICAIT konferenciji 2022. godine, predložili smo BP neuronsku mrežu za promoviranje BER performansi detekcije signala u atmosferskom kanalu [19]. BP neuronska mreža ima prednosti visoke sposobnosti samoučenja i sposobnosti samoprilagođavanja. Može naučiti pravila mapiranja između ulaznih i izlaznih podataka tokom procesa obuke i adaptivno pamtiti takva pravila koristeći mrežne težine. Zbog toga je neuronska mreža manje pod utjecajem faktora ubrzanja i roll-off faktora, što osigurava korištenje spektra sistema pri FTN stopi.

Međutim, zaboravljanje informacija o sekvenci postoji u BP neuronskim mrežama. Stoga koristimo LSTM neuronsku mrežu i mehanizam pažnje kako bismo prevazišli problem zaboravljanja informacija o sekvenci. Danas je mehanizam pažnje postao uobičajena metoda obrade podataka u DL polju i široko se koristi u različitim DL zadacima, kao što su obrada prirodnog jezika, prepoznavanje slika i prepoznavanje govora. Sklapanje karakteristika dodeljivanjem većih težina nekim 'značajnim' karakteristikama ne samo da smanjuje parametre mreže već i poboljšava diskriminativnu moć karakteristika. Stoga je mehanizam pažnje uveden u LSTM mrežu kako bi se izgradio LSTM dekoder pažnje za detekciju signala modulacije impulsne pozicije (PPM) i faznog pomaka (QPSK) hibridno moduliranog FTN OWC sistema kako bi se poboljšale performanse sistema uz istovremeno osiguranje efikasnosti spektra. .

2. Model sistema

Tradicionalno, modulacija intenziteta/direktna detekcija zasnovana na on-off keying (OOK) šemi je široko prihvaćena u OWC zbog svoje jednostavne implementacije i niže cijene [20]. S obzirom na niske BER performanse i efikasnost spektra OOK-a, smatra se da se PPM koristi u OWC komunikacijama. U poređenju sa OOK, korišćenje energije je znatno povećano. Osim toga, modulirani QPSK ima karakteristike visokog iskorištenja spektra i jake anti-interferencije [21]. Stoga, kombinacija PPM-a i QPSK-a može poboljšati brzinu prijenosa podataka i pouzdanost sistema [22,23].

Slika 1 prikazuje šemu 4PPM i QPSK hibridnog moduliranog OWC sistema sa FTN tehnologijom. Korisnički podaci nakon Grey enkodera se prvo mapiraju u 4PPM i QPSK, respektivno. Nakon toga, QPSK signal se učitava u vremenski slot 4PPM signala kako bi se formirao 4PPM–QPSK hibridni modulirani signal. Nakon toga, formatirani 4PPMQPSK signal se šalje u FTN filter za oblikovanje za formiranje FTN signala. Nakon toga, nakon digitalno-analogne konverzije (DAC), podaci se lansiraju u atmosferski kanal. Na kraju prijemnika, optički signal koji se prenosi preko atmosferskog kanala prvo detektuje 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 o vremenskim serijama, već i za fokusiranje na vrijeme modela karakteristika. Osim toga, koristan je za obradu podataka sekvence gdje prednji ulaz utječe na izlaz iza [24]. Međutim, postoje problemi nestanka gradijenta i eksplozije gradijenta sa proširenjem vremenske linije u tradicionalnom RNN-u. Nestanak gradijenta nastaje zbog sigmoidne funkcije. Sigmoidna funkcija se obično koristi u izlaznom sloju, ali derivat ove funkcije se kreće od 0 do 0.25. Kada se za izračunavanje gradijenta koristi BP algoritam, gradijent svakog sloja će se smanjiti na 1/4 originala. Ako postoji mnogo mrežnih slojeva, gradijent će postati mali. Vrijednost početne težine mreže treba postaviti veću od 1 kako bi se izbjegao ovaj fenomen, ali će to dovesti do eksplozije gradijenta [25]. Dakle, ima velika ograničenja u predviđanju dugoročnih serija podataka. Slika 2 prikazuje dijagram RNN mreže koji se odvija duž vremenske linije.

Kako bi se riješili problemi koji postoje u RNN-u, LSTM mreža se predlaže za rješavanje sveprisutnog problema dugotrajne ovisnosti u mreži, za koji se pokazalo da je učinkovit 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 ulaznog gejta, gejta zaborava, izlaznog gejta i stanja ćelije. Dijagram LSTM mreže je prikazan na slici 3. ⊗ označava množenje vektorskih elemenata, a ⊕ označava dodavanje vektorskih elemenata. I ulazna i izlazna kapija otvaraju se i šire signale samo kada su potrebne prethodne informacije. Na ovaj način se prethodne informacije mogu selektivno sačuvati. Funkcija gejta za zaborav je da primi grešku od memorijske jedinice i "zaboravi" vrednost pohranjenu u memorijskoj jedinici kada je to potrebno, kako bi se postigla kontrola mrežnih težina.

I RNN i LSTM mreže su dizajnirane za rješavanje problema dugih vremenskih serija. Međutim, mreža će zaboraviti prethodne korisne informacije zbog postojanja kapije zaborava kada se LSTM bavi problemom eksplozije gradijenta. Ovo pogoršava efekat treninga dugog niza i performanse sistema. Srećom, mehanizam pažnje je odlično rješenje za ovaj problem [26]. Varijante mehanizama pažnje uključuju pažnju više glava, čvrstu pažnju, strukturiranu pažnju i pažnju na par ključ-vrijednost [27]. Pažnja više glava koristi višestruke upite za paralelno izračunavanje kako bi se izabralo više informacija iz ulaza. Svaka pažnja se fokusira na drugi dio inputa. Oštra pažnja se može implementirati na dva načina. Jedan je odabrati ulaznu informaciju sa najvećom vjerovatnoćom. Drugi je nasumično uzorkovanje distribucije pažnje. Strukturirana pažnja uključuje odabir informacija relevantnih za zadatak iz unosa. Pažnja u paru ključ-vrijednost koristi format para ključ-vrijednost za predstavljanje ulaznih informacija, gdje se "ključ" koristi za izračunavanje distribucije pažnje, a "vrijednost" za generiranje odabranih informacija. Uzimajući u obzir njegove odlične performanse, mehanizam pažnje par ključ-vrijednost je korišten u našem prijedlogu za izvođenje LSTM dekodera pažnje i može se koristiti za obradu primljenih FTN hibridnih signala. Dijagram LSTM dekodera pažnje prikazan je na slici 4.

4. Simulacijska analiza

Veličina skupa podataka za obuku ili testiranje zavisi od složenosti sistema i DL algoritma. Korištenje malog skupa podataka može uzrokovati loše performanse detekcije jer model ne bi bio u stanju da u potpunosti nauči različite karakteristike sistema. Nadalje, korištenje velikog skupa podataka može rezultirati povećanom složenošću računanja [30]. Stoga se provodi nekoliko simulacija kako bi se odredila odgovarajuća veličina skupa podataka i parametri koji bi mogli ponuditi najbolje BER performanse. Treba napomenuti da na tačnost neuronske mreže utiče sam DL algoritam, koji igra važnu ulogu u rešavanju nekih nelinearnih problema. Stoga je potrebno procijeniti njegove performanse i robusnost. Bez gubitka općenitosti, neki uobičajeni parametri se uzimaju u obzir. Parametri korišteni u simulaciji navedeni su u tabeli 1.

Tabela 2 pokazuje tačnost mreže pod različitim stopama učenja. Validiranom sistemu je potrebna odgovarajuća stopa učenja. Ako je brzina učenja prevelika, mreža se ne može konvergirati, dok ako je premala, mreža će konvergirati vrlo sporo ili neće moći završiti učenje. Štaviše, mreža se može promijeniti od nedovoljne opreme u preopterećenu kako se stopa učenja povećava [31]. Iz tabele je vidljivo da 0.002 ima najbolje performanse.

Odabir skrivenih slojeva je još jedna ključna tačka. Mali ili veliki broj skrivenih slojeva dovodi do fenomena nedovoljnog ili preopterećenja [31]. Odnos između broja skrivenih slojeva i tačnosti prikazan je u tabeli 4. Tačnost se postepeno povećava sa brojem skrivenih slojeva i opada kada dostigne određenu vrednost. Osim toga, studije u [32,33] otkrile su da sve veći broj skrivenih slojeva rezultira značajnim povećanjem računske složenosti i preopterećenja. Uzroci preopterećenja mogu se podijeliti u tri kategorije [34]. Prvi je mali skup podataka uzoraka za obuku koji ne mogu odražavati ukupne moguće situacije.

Ovo će dovesti do manje preciznog predviđanja obučene mreže. Stoga skup podataka za obuku treba da pokrije sve vrste podataka što je više moguće. Druga je mreža koja ne može precizno procijeniti odnos između ulaza i izlaza zbog prekomjerne interferencije podataka za obuku. Treće je visoka složenost mreže. Pod ovim okolnostima, trebalo bi da obrađuje mnoge parametre kako bi omogućila mreži da precizno uklopi sve podatke u skup podataka za obuku. Kao rezultat toga, obučena mreža ne može generalizirati na skup podataka testa. Stoga je odgovarajući broj skrivenih slojeva ključan za performanse sistema. Eksperimentalni rezultati simulacije u tabeli 5 pokazuju da sistem ima najbolje performanse detekcije kada je broj skrivenih slojeva 8.

Poređenje tačnosti LSTM mreže i LSTM mreže pažnje prikazano je u tabeli 5. Tačnost LSTM mreže pažnje je značajno veća od one LSTM mreže.

Dobro je poznato da su kiša, snijeg, susnježica, magla, izmaglica, zagađenje i tako dalje atmosferski faktori koji utiču na laserske zrake. Njihovo prisustvo uzrokuje refleksiju, prelamanje, rasipanje i slabljenje optičkih signala. Dokazano je da atmosferska turbulencija prati Gamma–Gamma distribuciju, a slab, umjeren i jak intenzitet turbulencije može se izraziti strukturnom konstantom indeksa prelamanja C 2 n=2 × 10− 18, C 2 n=2 × 10−15, i C 2 n=2 × 10−12, respektivno [35] Krive različitih intenziteta atmosferskih turbulencija u odnosu na BER prikazane su na slici 6, gdje je roll-off faktor je 0,6, τ=0,8, a udaljenost prijenosa je 500 m. Iz slike je vidljivo da se BER performanse postepeno poboljšavaju sa smanjenjem intenziteta turbulencije. Kada je BER=3.8 × 10−3, BER performanse slabe turbulencije su za oko 2 dB i 5 dB bolje od umjerene i jake turbulencije, respektivno.

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

Slika 8 prikazuje uticaj faktora ubrzanja na performanse sistema BER. Kada je BER 10−4 i faktor ubrzanja se smanji sa 1 na 0.9 i 0.8, BER performanse se smanjuju za oko 2 dB odnosno 4 dB. Kada je BER 10−3 i faktor ubrzanja se smanji sa 1 na 0.9 i 0.8, BER performanse opadaju za oko 1 dB odnosno 4.5 dB. Iz slike se može zaključiti da se BER krive brzo smanjuju kako faktor ubrzanja opada. Međutim, pod pretpostavkom poboljšanja efikasnosti spektra, sistem i dalje može osigurati dobar kvalitet komunikacije kada je faktor ubrzanja 0,8. Stoga je prijedlog koristan za poboljšanje performansi sistema.

Da bi se dalje ilustrovale prednosti predložene metode, kao što je prikazano u Tabeli 6, uspoređeno je vrijeme rada LSTM pažnje i BP mreže.

Vremenska složenost je vezana za hardversko izvršenje i uključuje broj potrebnih operacija, broj elemenata za obradu i dužinu putanje potrebne za dovršetak operacije. Simulacijske eksperimente implementiraju Matlab 2018a i Pycharm 2021.3.2. NVIDIA GeForce RTX 3050 Laptop GPU se koristi kao platforma za testiranje. U procesu obuke, 50,000 podataka se nasumično generira, od kojih se 80% koristi kao skup podataka za obuku, a preostalih 20% se koristi kao skup podataka za testiranje. LSTM mreža pažnje nadmašuje BP mrežu. To je zato što je brzina konvergencije BP neuronske mreže spora.

6. Zaključci

U ovom radu je predložen LSTM dekoder pažnje za detekciju signala hibridnog modulisanog 4PPM–QPSK–FTN OWC sistema. LSTM mreža pažnje može ublažiti probleme nestajanja gradijenta, eksplozije gradijenta i međuzavisnosti između susjednih simbola. Eksperimentalna simulacija pokazuje da naš prijedlog ima izvanredne performanse detekcije signala za hibridno modulirane FTN signale. Primljeni signal se može precizno predvideti i brzo i ispravno dekodirati. Dakle, šema može efikasno poboljšati performanse BER-a na osnovu premise osiguranja efikasnosti 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 originalnog nacrta, JX i RY; pisanje—pregled i uređivanje, MC, HW, RY i KJ; Vizualizacija, RY i HW; Nadzor, MC i HW; Administracija projekta, MC Svi autori su pročitali i pristali na objavljenu verziju rukopisa.

finansiranje:

Ovo istraživanje je finansirano od strane NSFC programa (62265010, 61875080, 62261033) i Fondacije za prirodne nauke 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.

Priznanja:

Zahvalni smo na pomoći Rui Wang-a u pripremi i otklanjanju grešaka u programu. Također zahvaljujemo Yan Qiu i Hongtao Zhou na njihovoj pomoći oko pisanja i detalja na engleskom.

Sukobi interesa:

Autori izjavljuju da nema sukoba interesa.

Reference

1. Ke, XZ; Jing, YK Detekcija laserske tačke u dalekom polju za upotrebu pod atmosferskim turbulencijama. Opt. inž. 2020, 59, 016103. [CrossRef]

2. Wu, P.; Ke, X.; Li, M.; Zhang, Q. Eksperiment performansi i ravnoteže višepojasnog CAP modulacionog sistema u bežičnoj optičkoj komunikaciji. Opt. Commun. 2019, 434, 128–135. [CrossRef]

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

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

5. Matar, MO; Jana, M.; Mitra, J.; Lampe, L.; Lis, M.; Soc, IC A Turbo Maximum-a-posteriori ekvilajzer za aplikacije brže od Nyquista. U Proceedings of the 28th IEEE International Symposium on Field-Programmable Custom Computing Machines (FCCM), Fayetteville, AR, SAD, 3–6. maja 2020.; str. 167–171.

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 mogućnosti. IEEE signalni proces. Mag. 2021, 38, 97–110. [CrossRef]

7. Amirabadi, MA; Kahaei, MH; Nezamalhosseni, SA Algoritmi dubokog učenja niske složenosti za kompenzaciju atmosferske turbulencije u optičkom komunikacijskom sistemu slobodnog prostora. IET Optoelectron. 2022, 16, 93–105. [CrossRef]

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

9. Yang, Y.; Gao, F.; Ma, X.; Zhang, S. Procjena kanala zasnovana na dubokom učenju za dvostruko selektivno fading kanale. IEEE Access 2019, 7, 36579–36589. [CrossRef] 10. Huang, H.; Yang, J.; Huang, H.; Song, Y.; Gui, G. Duboko učenje za procjenu kanala super rezolucije i masivni MIMO sistem zasnovan na DOA procjeni. 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 uz pomoć polinoma niske složenosti memorije za CAP komunikaciju vidljivog svjetla sa superluminiscentnom diodom. Opto-Electron. Adv. 2020, 3, 4–14. [CrossRef]

12. Liang, S.; Jiang, Z.; Qiao, L.; Lu, X.; Chi, N. Brže od Nyquista prethodno kodirane CAP modulacije vidljivim svjetlom komunikacioni sistem zasnovan na nelinearnoj ponderisanoj predizobličenju tabele. IEEE Photonics J. 2018, 10, 7900709. [CrossRef]

13. Hochreiter, S.; Schmidhuber, J. Dugotrajno pamćenje. Neural Comput. 1997, 9, 1735–1780. [CrossRef]

14. Sainath, TN; Vinyals, O.; Senior, A.; Sak, H. Konvolucijsko, dugotrajno pamćenje, potpuno povezane duboke neuronske mreže. U Proceedings of the 2015 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), South Brisbane, Australija, 19-24 April 2015; IEEE: Piscataway, NJ, SAD, 2015; str. 4580–4584.

15. Lai, S.; Li, M. Recurrent Neural Network Assisted Equalization za FTN signalizaciju. U Proceedings of the IEEE International Conference on Communications (IEEE ICC)/Workshop on NOMA for 5G and Beyond, Electr Network, Dablin, Irska, 7–11. juna 2020.

For more information:1950477648nn@gmail.com