Détection de signal d'attention basée sur le réseau neuronal LSTM pour des communications optiques sans fil à modulation hybride plus rapides que celles de Nyquist

Abstrait:

Pour améliorer la précision de la récupération du signal après sa transmission sur un canal de turbulence atmosphérique, une méthode de détection de signal basée sur l'apprentissage profond est proposée pour un système de communication optique sans fil (OWC) optique modulé hybride plus rapide que Nyquist (FTN). Il tire parti du réseau de mémoire à long terme (LSTM) dans le réseau neuronal récurrent (RNN) pour atténuer le problème d'interdépendance des symboles adjacents. De plus, un décodeur d'attention LSTM est construit en utilisant le mécanisme d'attention, ce qui peut atténuer les défauts du LSTM conventionnel. Les résultats de la simulation montrent que les performances du taux d'erreur sur les bits (BER) du réseau neuronal d'attention LSTM proposé sont supérieures de 1 dB à celles du réseau neuronal de rétropropagation (BP) et surpassent de 2,5 dB par rapport à l'estimation de séquence de vraisemblance maximale (MLSE). méthode de détection.

Un réseau de neurones récurrent est un type de réseau de neurones qui peut influencer le prochain résultat en prenant les résultats précédents. De tels réseaux neuronaux sont largement utilisés dans le traitement du langage naturel, la reconnaissance vocale, le traitement d’images et la prévision d’événements futurs. Le plus grand avantage des RNN est leur capacité à stocker et à utiliser des informations passées, ce qui améliore la précision et la stabilité.

Le réseau neuronal récurrent réalise le stockage et l'utilisation des informations via la mémoire. Lorsque les informations sont transmises de la couche d'entrée au réseau neuronal, le neurone stocke les informations et les transmet au neurone suivant. Ce processus cyclique devient une structure en anneau qui détermine de nouveaux résultats. La conception de ce réseau neuronal récurrent prend en compte non seulement les nouvelles entrées du réseau mais également les traces laissées par toutes les entrées précédentes.

La mémoire du réseau neuronal récurrent reflète également pleinement la façon de penser humaine. Le cerveau humain est également capable de porter des jugements raisonnables grâce à la mémoire et à la spéculation sur des informations historiques. C’est aussi ainsi que fonctionnent les réseaux de neurones récurrents. Les informations historiques jouent un rôle important dans le processus de pensée humaine, nous permettant de nous souvenir correctement des événements et de résoudre des problèmes. Ceci est cohérent avec le principe de conception des réseaux de neurones récurrents.

On peut donc considérer que la mémoire positive est cruciale à la fois pour la pensée humaine et pour le fonctionnement des réseaux neuronaux récurrents. Une bonne mémoire peut nous aider à mieux résoudre les problèmes et à acquérir gloire et fortune. Les réseaux neuronaux récurrents peuvent apprendre et mémoriser toutes les informations contenues dans de grandes quantités de données, aidant ainsi les gens à prédire les tendances futures et à accomplir des tâches complexes. De cette manière, la mémoire des réseaux neuronaux récurrents peut non seulement améliorer notre qualité de vie mais aussi nous apporter davantage de valeur commerciale et scientifique. On peut voir que nous devons améliorer notre mémoire, et la Cistanche deserticola peut nous aider de manière significative à améliorer notre mémoire, car la Cistanche deserticola est une matière médicinale traditionnelle chinoise qui a de nombreux effets uniques, dont l'un est d'améliorer la mémoire. L'efficacité de la viande hachée provient d'une variété d'ingrédients actifs qu'elle contient, notamment de l'acide carboxylique, des polysaccharides, des flavonoïdes, etc. Ces ingrédients peuvent favoriser la santé du cerveau par divers canaux.

Cliquez sur connaître les suppléments pour stimuler la mémoire

Mots clés:

Plus rapide que Nyquist ; réseau neuronal; modulation hybride; mécanisme d'attention; communication optique sans fil.

1. Présentation

Par rapport à la communication radiofréquence (RF) traditionnelle, l'OWC présente les avantages d'une capacité système élevée, d'une immunité aux interférences, d'une bonne sécurité, d'une flexibilité et d'un montage rapide, ainsi que d'un faible coût [1]. Cependant, la transmission des signaux optiques sans fil est affectée par la turbulence atmosphérique, l’absorption atmosphérique, la diffusion et la réfraction. Il est difficile pour le récepteur d'obtenir un signal précis avec la variation de la structure de l'indice de réfraction constante provoquée par une variation aléatoire de la température et de la pression atmosphérique. La technique de modulation de phase d'amplitude (CAP) multibande sans porteuse a été proposée dans [2] pour améliorer la capacité du système et l'utilisation de la bande de fréquences de l'OWC sous le canal de turbulence atmosphérique Gamma – Gamma. Les résultats expérimentaux démontrent que le déphasage est bien compensé et que l'interférence inter-symboles (ISI) est efficacement supprimée à l'aide de l'algorithme multi-module (MMA). Cependant, pour obtenir une transmission sans ISI dans les systèmes de communication numérique, le débit de symboles doit suivre le critère de Nyquist. Cela limite l'amélioration supplémentaire de l'efficacité spectrale du système OWC.

En 1975, Mazo a prouvé que des débits de transmission plus élevés pouvaient être obtenus grâce à la technologie FTN [3]. Cependant, FTN introduit l'ISI pour obtenir une efficacité spectrale, ce qui augmente la difficulté de détection du signal. Ces dernières années, les études sur FTN se sont principalement concentrées sur les algorithmes de détection basés sur des modèles. Les algorithmes de détection, tels que l'algorithme de détection linéaire basé sur l'estimation de l'erreur quadratique moyenne minimale (MMSE) [4], le forçage zéro (ZF), l'algorithme de maximum a posteriori (MAP) [5] et l'algorithme de détection non linéaire, ont des performances insatisfaisantes pour Signaux FTN avec un facteur d'accélération élevé et la complexité de mise en œuvre est extrêmement élevée. Il est intéressant de noter que les performances de l’algorithme de détection de signal FTN basé sur l’apprentissage profond (DL) surpassent celles des algorithmes traditionnels basés sur des modèles [6]. Dans [7], DL est déployé sur l'émetteur-récepteur d'un système FSO pour la compensation des turbulences atmosphériques. Cela indique que l'utilisation de DL dans OWC peut obtenir des performances supérieures avec une complexité moindre.

Pour éliminer la grande complexité de l'estimation de canal causée par le manque d'invariance de traduction de la matrice de covariance, Neumann David et al. ont utilisé le MMSE et les réseaux de neurones convolutifs (CNN) pour compenser cette lacune [8]. Yang Y et coll. ont proposé une méthode d'estimation d'évanouissement de canal double sélective basée sur des réseaux de neurones profonds (DNN) pour l'estimation de canal [9]. Il combine une formation hors ligne et un apprentissage en ligne pour obtenir une estimation de canal super-résolution de haute précision par DNN. D'un autre côté, la technologie d'égalisation des canaux est souvent utilisée pour éliminer l'ISI afin d'améliorer la qualité du signal [10,11]. Du point de vue de DL, l'égalisation de canal peut être considérée comme le problème de savoir comment récupérer le plus précisément possible les symboles transmis à partir des symboles reçus. Le module DL peut être considéré comme une « boîte noire », qui est décodée par le réseau neuronal du récepteur, réalisant ainsi la démodulation du signal transmis. Liang S. et al. mis en place un système expérimental de communication en lumière visible précodée par FTN différentiel en utilisant la modulation CAP [12]. Il optimise l'algorithme de décodage par la méthode DL et vérifie la praticabilité du DL dans le système FTN-FSO.

En tant qu'amélioration du RNN, le réseau LSTM a été proposé par Hochreiter et Schmidhuber en 1997 et a été utilisé dans de nombreux domaines [13]. Un réseau neuronal profond convolutionnel à long terme (CLDNN) a été introduit dans [14], qui exploite la nature complémentaire de CNN et LSTM pour combiner les architectures de CNN et LSTM dans des réseaux neuronaux profonds. Les auteurs de [15] ont proposé un RNN appelé mémoire bidirectionnelle à long terme et à court terme (Bi-LSTM) pour caractériser la fonctionnalité de l'ISI introduite dans la signalisation FTN. De plus, il décrit une stratégie de « mismatch SNR » pour créer l'ensemble de données de formation qui peut efficacement aider à prévenir le surapprentissage. D’un autre côté, diverses approches DL ont été utilisées pour résoudre les problèmes de communication sans fil et parvenir à des conclusions précieuses. Biao Gong a étudié la technologie de démodulation de CNN dans les communications laser atmosphériques à moment angulaire orbital (OAM) [16].

Siying Mao montre que RNN et LSTM présentent certains avantages dans le décodage des signaux aliasés par les expériences de [17]. Pour améliorer encore les performances du réseau et sélectionner les fonctionnalités les plus discriminantes, un mécanisme d'attention est introduit dans le réseau pour explorer les dépendances entre les fonctionnalités. Les auteurs de [18] ont proposé un réseau à double attention (DANet) avec un mécanisme d'auto-attention pour améliorer le discriminant des représentations de caractéristiques pour la segmentation de scène, dans lequel un module d'attention de position est proposé pour apprendre les interdépendances spatiales des caractéristiques et un canal d'attention. Le module est conçu pour modéliser les interdépendances des canaux. Il améliore considérablement la segmentation en modélisant de riches dépendances contextuelles sur les fonctionnalités locales. Lors de la conférence IEEE ICAIT 2022, nous avons proposé un réseau neuronal BP pour promouvoir les performances BER de détection de signal dans un canal atmosphérique [19]. Un réseau neuronal BP présente les avantages d’une grande capacité d’auto-apprentissage et d’auto-adaptation. Il peut apprendre les règles de mappage entre les données d'entrée et de sortie pendant le processus de formation et mémoriser ces règles de manière adaptative en utilisant les pondérations du réseau. Par conséquent, le réseau neuronal est moins affecté par le facteur d'accélération et le facteur d'atténuation, ce qui garantit l'utilisation du spectre du système à un taux FTN.

Cependant, l’oubli des informations de séquence existe dans les réseaux neuronaux BP. Par conséquent, nous utilisons le réseau neuronal LSTM et le mécanisme d’attention pour surmonter le problème de l’oubli des informations de séquence. De nos jours, le mécanisme d'attention est devenu une méthode de traitement de données courante dans le domaine DL et est largement utilisé dans diverses tâches DL, telles que le traitement du langage naturel, la reconnaissance d'images et la reconnaissance vocale. L'assemblage d'entités en attribuant des poids plus importants à certaines entités « significatives » réduit non seulement les paramètres du réseau, mais améliore également le pouvoir discriminant des entités. Par conséquent, le mécanisme d'attention est introduit dans le réseau LSTM pour construire un décodeur d'attention LSTM pour la détection du signal d'un système FTN OWC modulé hybride à modulation de position par impulsion (PPM) et à modulation par déplacement de phase (QPSK) afin d'améliorer les performances du système tout en garantissant l'efficacité du spectre. .

2. Modèle de système

Traditionnellement, la modulation d'intensité/détection directe basée sur un schéma de commutation marche-arrêt (OOK) est largement acceptée dans OWC en raison de sa mise en œuvre facile et de son coût inférieur [20]. Compte tenu des faibles performances du BER et de l'efficacité spectrale de l'OOK, le PPM a été considéré comme étant utilisé dans les communications OWC. Par rapport à OOK, la consommation d’énergie est considérablement augmentée. De plus, la QPSK modulée présente les caractéristiques d’une utilisation élevée du spectre et d’une forte anti-interférence [21]. Par conséquent, la combinaison du PPM et du QPSK peut améliorer le taux de transmission des données et la fiabilité du système [22,23].

La figure 1 montre le schéma du système OWC modulé hybride 4PPM et QPSK avec la technologie FTN. Les données utilisateur après l'encodeur Gray sont d'abord mappées respectivement en 4PPM et QPSK. Ensuite, le signal QPSK est chargé dans l'intervalle de temps du signal 4PPM pour former le signal modulé hybride 4PPM-QPSK. Ensuite, le signal 4PPMQPSK formaté est envoyé au filtre de mise en forme FTN pour la formation du signal FTN. Par la suite, après conversion numérique-analogique (DAC), les données sont lancées dans le canal atmosphérique. Du côté du récepteur, le signal optique transmis sur le canal atmosphérique est d'abord détecté par une photodiode (PD), puis envoyé pour une conversion analogique-numérique (ADC), un filtrage adapté et un échantillonnage. Par la suite, le signal est envoyé au module DL pour la récupération des données.

3. Décodeur d'attention LSTM

RNN est une branche importante de DL qui peut être utilisée non seulement pour le traitement des données de séries chronologiques, mais également pour se concentrer sur le timing du modèle de fonctionnalités. De plus, il est utile pour traiter des données de séquence où l'entrée avant affecte la sortie arrière [24]. Cependant, il existe des problèmes de disparition et d’explosion de gradient avec l’expansion de la chronologie dans le RNN traditionnel. La disparition du gradient se produit en raison de la fonction sigmoïde. La fonction sigmoïde est généralement utilisée dans la couche de sortie, mais la dérivée de cette fonction va de 0 à 0.25. Lorsque l'algorithme BP est utilisé pour calculer le dégradé, le dégradé de chaque couche sera réduit à 1/4 de l'original. S’il existe de nombreuses couches de réseau, le gradient deviendra faible. La valeur du poids initial du réseau doit être supérieure à 1 pour éviter ce phénomène, mais cela conduirait à une explosion de gradient [25]. Elle présente donc de grandes limites dans la prévision des données de séries chronologiques à long terme. La figure 2 montre le diagramme du réseau RNN déployé le long de la chronologie.

Pour résoudre les problèmes existants dans RNN, le réseau LSTM est proposé pour résoudre le problème de dépendance à long terme omniprésent dans le réseau, qui s'est avéré efficace pour résoudre les problèmes de disparition de gradient et d'explosion de gradient provoqués par RNN [24]. La plus grande différence entre LSTM et RNN est que RNN n'a qu'un seul état à l'intérieur d'une seule structure récurrente, tandis que LSTM a quatre états et chaque structure est composée d'une porte d'entrée, d'une porte d'oubli, d'une porte de sortie et d'un état de cellule. Le schéma du réseau LSTM est présenté à la figure 3. ⊗ désigne la multiplication d'éléments vectoriels et ⊕ désigne l'ajout d'éléments vectoriels. Les portes d'entrée et de sortie s'ouvrent et propagent les signaux uniquement lorsque des informations préalables sont nécessaires. De cette manière, les informations précédentes peuvent être enregistrées de manière sélective. La fonction de la porte d'oubli est de recevoir l'erreur de l'unité de mémoire et d'« oublier » la valeur stockée dans l'unité de mémoire lorsque cela est nécessaire, pour réaliser le contrôle des poids du réseau.

Les réseaux RNN et LSTM sont tous deux conçus pour résoudre le problème des séries chronologiques longues. Cependant, le réseau oubliera les informations utiles précédentes en raison de l'existence d'une porte d'oubli lorsque le LSTM traitera le problème de l'explosion de gradient. Cela détériore l'effet de la formation en séquence longue et les performances du système. Heureusement, le mécanisme d'attention est une excellente solution à ce problème [26]. Les variantes de mécanismes d'attention incluent l'attention multi-têtes, l'attention intense, l'attention structurée et l'attention par paire clé-valeur (27). L'attention multi-têtes utilise plusieurs requêtes pour calculer en parallèle afin de sélectionner plusieurs éléments d'information à partir de l'entrée. Chaque attention se concentre sur une partie différente de l’entrée. Une attention particulière peut être mise en œuvre de deux manières. La première consiste à sélectionner les informations d’entrée avec la probabilité la plus élevée. Une autre solution consiste à échantillonner au hasard la répartition de l’attention. L'attention structurée implique la sélection d'informations pertinentes pour la tâche à partir des entrées. L'attention par paire clé-valeur utilise un format de paire clé-valeur pour représenter les informations d'entrée, où « clé » est utilisée pour calculer la distribution de l'attention et « valeur » est utilisée pour générer les informations sélectionnées. Compte tenu de ses excellentes performances, le mécanisme d'attention des paires clé-valeur est utilisé dans notre proposition pour réaliser le décodeur d'attention LSTM, et il peut être utilisé pour traiter les signaux hybrides FTN reçus. Le schéma du décodeur d'attention LSTM est présenté à la figure 4.

4. Analyse de simulation

La taille de l'ensemble de données de formation ou de test dépend de la complexité du système et de l'algorithme DL. L'utilisation d'un petit ensemble de données peut entraîner de mauvaises performances de détection, car le modèle serait incapable d'apprendre pleinement les diverses caractéristiques du système. De plus, l’utilisation d’un grand ensemble de données peut entraîner une complexité informatique accrue [30]. Ainsi, plusieurs simulations sont effectuées pour déterminer la taille de l'ensemble de données appropriée et les paramètres susceptibles d'offrir les meilleures performances BER. Il convient de noter que la précision du réseau neuronal est affectée par l'algorithme DL lui-même, qui joue un rôle important dans la résolution de certains problèmes non linéaires. Ses performances et sa robustesse doivent donc être évaluées. Sans perte de généralité, certains paramètres courants sont pris en considération. Les paramètres utilisés dans la simulation sont répertoriés dans le tableau 1.

Le tableau 2 montre la précision du réseau à différents taux d'apprentissage. Un système validé nécessite un taux d’apprentissage approprié. Si le taux d'apprentissage est trop élevé, le réseau ne peut pas converger, tandis que s'il est trop petit, le réseau convergera très lentement ou ne pourra pas terminer l'apprentissage. De plus, le réseau peut passer d'un sous-apprentissage à un surapprentissage à mesure que le taux d'apprentissage augmente (31). Il ressort clairement du tableau que 0.002 a les meilleures performances.

La sélection des calques cachés est un autre point clé. Un nombre faible ou élevé de couches cachées conduit à des phénomènes de sous-apprentissage ou de surapprentissage [31]. La relation entre le nombre de couches cachées et la précision est présentée dans le tableau 4. La précision augmente progressivement avec le nombre de couches cachées et diminue lorsqu'elle atteint une certaine valeur. De plus, des études dans [32,33] ont montré que le nombre croissant de couches cachées entraîne une augmentation significative de la complexité informatique et du surajustement. Les causes du surapprentissage peuvent être divisées en trois catégories [34]. Le premier est un petit ensemble de données d’échantillons de formation qui ne peuvent pas refléter l’ensemble des situations possibles.

Cela conduira à une prédiction moins précise du réseau formé. Par conséquent, l’ensemble de données de formation doit couvrir autant que possible tous les types de données. Le second est un réseau qui ne peut pas estimer avec précision la relation entre l'entrée et la sortie en raison de l'interférence excessive des données d'entraînement. Le troisième est la grande complexité du réseau. Dans ces circonstances, il doit traiter de nombreux paramètres pour permettre au réseau d'adapter avec précision toutes les données de l'ensemble de données de formation. Par conséquent, le réseau formé ne peut pas généraliser à l’ensemble de données de test. Par conséquent, le nombre approprié de couches cachées est crucial pour les performances du système. Les résultats expérimentaux de simulation du tableau 5 montrent que le système présente les meilleures performances de détection lorsque le nombre de couches cachées est de 8.

La comparaison de la précision du réseau LSTM et du réseau d'attention LSTM est présentée dans le tableau 5. La précision du réseau d'attention LSTM est nettement supérieure à celle du réseau LSTM.

Il est bien connu que la pluie, la neige, le grésil, le brouillard, la brume, la pollution, etc. sont des facteurs atmosphériques qui ont un impact sur les faisceaux laser. Leur présence provoque la réflexion, la réfraction, la diffusion et l'atténuation des signaux optiques. Il a été prouvé que la turbulence atmosphérique suit la distribution Gamma – Gamma et que l'intensité de la turbulence faible, modérée et forte peut être exprimée par la constante de structure de l'indice de réfraction de C 2 n=2 × 1 0− 18, C 2 n=2 × 10−15 et C 2 n=2 × 10−12, respectivement [35] Les courbes des différentes intensités de turbulence atmosphérique en fonction du BER sont présentées à la figure 6, où le le facteur d'atténuation est de 0,6, τ=0,8, et la distance de transmission est de 500 m. Il ressort clairement de la figure que les performances du BER s'améliorent progressivement avec la diminution de l'intensité des turbulences. Lorsque le BER=3,8 × 10−3, les performances du BER en cas de turbulence faible sont respectivement environ 2 dB et 5 dB meilleures que celles en cas de turbulence modérée et forte.

La figure 7 montre l'influence du facteur d'atténuation du filtre de mise en forme FTN sur le BER avec un décodeur différent, où le facteur d'accélération est 0.8. Comme le montre la figure 7a, lorsque BER=10 −4, le décodeur d'attention LSTM améliore les performances du BER d'environ 1 dB par rapport à l'algorithme BP. La figure 7b montre que le décodeur d'attention LSTM améliore les performances du BER d'environ 2,5 dB par rapport à l'algorithme MLSE lorsque le BER=10−4. Par conséquent, l’attention du LSTM est bénéfique pour améliorer les performances du BER par rapport au décodeur traditionnel.

La figure 8 montre l'impact du facteur d'accélération sur les performances BER du système. Lorsque le BER est de 10−4 et que le facteur d'accélération diminue de 1 à 0,9 et 0,8, les performances du BER diminuent d'environ 2 dB et 4 dB, respectivement. Lorsque le BER est de 10−3 et que le facteur d'accélération diminue de 1 à 0,9 et 0,8, les performances du BER diminuent d'environ 1 dB et 4,5 dB, respectivement. On peut conclure de la figure que les courbes BER diminuent rapidement à mesure que le facteur d'accélération diminue. Cependant, dans le but d'améliorer l'efficacité du spectre, le système peut toujours garantir une bonne qualité de communication lorsque le facteur d'accélération est de 0,8. Ainsi, la proposition est bénéfique pour améliorer les performances du système.

Pour illustrer davantage les avantages de la méthode proposée, comme le montre le tableau 6, la durée d'exécution de l'attention LSTM et du réseau BP est comparée.

La complexité temporelle est liée à l'exécution matérielle et inclut le nombre d'opérations nécessaires, le nombre d'éléments à traiter et la longueur du chemin nécessaire pour terminer une opération. Les expériences de simulation sont implémentées par Matlab 2018a et Pycharm 2021.3.2. Un GPU pour ordinateur portable NVIDIA GeForce RTX 3050 est utilisé comme plate-forme de test. Dans le processus de formation, 50 000 données sont générées de manière aléatoire, dont 80 % sont utilisées comme ensemble de données de formation et les 20 % restants sont utilisés comme ensemble de données de test. Le réseau d'attention LSTM surpasse le réseau BP. En effet, la vitesse de convergence du réseau neuronal BP est lente.

6. Conclusions

Dans cet article, un décodeur d'attention LSTM est proposé pour la détection du signal du système hybride modulé 4PPM – QPSK – FTN OWC. Le réseau d’attention LSTM peut atténuer les problèmes de disparition de gradient, d’explosion de gradient et d’interdépendance entre symboles adjacents. La simulation expérimentale montre que notre proposition présente des performances de détection de signal exceptionnelles pour les signaux FTN à modulation hybride. Le signal reçu peut être prédit avec précision et décodé rapidement et correctement. Par conséquent, le système peut améliorer efficacement les performances du BER en garantissant l’efficacité du spectre.

Contributions d'auteur:

Conceptualisation, MC, RY, JX et HW ; Méthodologie, MC, HW et RY ; Validation, MC, RY et JX ; Enquête, JX et KJ ; Ressources, RY et JX ; Conservation des données, JX ; Rédaction : préparation du projet original, JX et RY ; rédaction – révision et édition, MC, HW, RY et KJ ; Visualisation, RY et HW ; Supervision, MC et matériel ; Administration du projet, MC Tous les auteurs ont lu et accepté la version publiée du manuscrit.

Financement:

Cette recherche a été financée par le programme NSFC (62265010, 61875080, 62261033) et la Fondation des sciences naturelles de la province du Gansu, en Chine (20JR5RA472).

Déclaration du comité d'examen institutionnel :

N'est pas applicable.

Déclaration de consentement éclairé :

N'est pas applicable.

Déclaration de disponibilité des données :

L’étude n’a rapporté aucune donnée.

Remerciements :

Nous remercions Rui Wang pour son aide dans la préparation et le débogage du programme. Nous remercions également Yan Qiu et Hongtao Zhou pour leur aide avec la rédaction et les détails en anglais.

Les conflits d'intérêts:

Les auteurs ne déclarent aucun conflit d'intérêt.

Les références

1. Ke, XZ ; Jing, YK Détection d'images laser en champ lointain pour utilisation sous turbulence atmosphérique. Opter. Ing. 2020, 59, 016103. [Réf. croisée]

2. Wu, P. ; Ke, X. ; Li, M. ; Zhang, Q. Expérience de performance et d'équilibre d'un système de modulation CAP multibande dans la communication optique sans fil. Opter. Commun. 2019, 434, 128-135. [Référence croisée]

3. Mazo, J. Signalisation plus rapide que Nyquist. Système Bell. Technologie. J. 1975, 54, 1451-1462. [Référence croisée]

4. Bahl, LR ; Cocke, J. ; Jelinek, F. ; Raviv, J. Décodage optimal des codes linéaires pour minimiser le taux d'erreur des symboles. IEEETrans. Inf. Théorie 1974, 20, 284-287. [Référence croisée]

5. Matar, Missouri ; Jana, M. ; Mitra, J. ; Lampe, L. ; Lis, M. ; Soc, IC Un égaliseur Turbo Maximum-a-Posteriori pour des applications plus rapides que Nyquist. Dans les actes du 28e Symposium international de l'IEEE sur les machines informatiques personnalisées programmables sur site (FCCM), Fayetteville, AR, États-Unis, 3-6 mai 2020 ; pp. 167-171.

6. Cococcioni, M. ; Rossi, F. ; Ruffaldi, E. ; Saponara, S. ; de Dinechin, BD Nouvelles arithmétiques dans le traitement du signal des réseaux de neurones profonds pour la conduite autonome : défis et opportunités. Processus de signal IEEE. Mag. 2021, 38, 97-110. [Référence croisée]

7. Amirabadi, MA ; Kahaei, MH; Nezamalhosseni, SA Algorithmes d'apprentissage en profondeur de faible complexité pour compenser les turbulences atmosphériques dans le système de communication optique en espace libre. IET Optoélectron. 2022, 16, 93-105. [Référence croisée]

8. Li, S. ; Yuan, W. ; Yuan, J. ; Bai, B. ; Ng, DWK; Hanzo, L. Égalisation dans le domaine temporel et dans le domaine fréquentiel pour la signalisation FTN. IEEETrans. Véh. Technologie. 2020, 69, 9174-9179. [Référence croisée]

9. Yang, Y. ; Gao, F. ; Maman, X. ; Zhang, S. Estimation de canal basée sur l'apprentissage profond pour les canaux à évanouissement doublement sélectifs. Accès IEEE 2019, 7, 36579-36589. [CrossRef] 10. Huang, H. ; Yang, J. ; Huang, H. ; Chanson, Y. ; Gui, G. Apprentissage profond pour l'estimation de canal de super-résolution et le système MIMO massif basé sur l'estimation DOA. IEEETrans. Véh. Technologie. 2018, 67, 8549-8560. [Référence croisée]

11. Hu, F. ; Holguin-Lerma, JA; Mao, Y. ; Zou, P. ; Shen, C. ; Ng, savoirs traditionnels ; Ooi, BS; Chi, N. Démonstration d'un égaliseur de réseau neuronal à mémoire de faible complexité pour la communication en lumière visible CAP avec une diode superluminescente. Opto-Electron. Av. 2020, 3, 4-14. [Référence croisée]

12. Liang, S. ; Jiang, Z. ; Qiao, L. ; Lu, X. ; Chi, N. Système de communication par lumière visible à modulation CAP pré-codé plus rapide que Nyquist basé sur une pré-distorsion de table de recherche pondérée non linéaire. IEEE Photonics J. 2018, 10, 7900709. [CrossRef]

13. Hochreiter, S. ; Schmidhuber, J. Mémoire longue à court terme. Calcul neuronal. 1997, 9, 1735-1780. [Référence croisée]

14. Sainath, Tennessee ; Vinyals, O. ; Aîné, A. ; Sak, H. Mémoire convolutionnelle à long terme, réseaux de neurones profonds entièrement connectés. Dans les actes de la conférence internationale IEEE 2015 sur l'acoustique, la parole et le traitement du signal (ICASSP), South Brisbane, Australie, 19-24 avril 2015 ; IEEE : Piscataway, New Jersey, États-Unis, 2015 ; pages 4580 à 4584.

15. Lai, S. ; Li, M. Égalisation assistée par réseau neuronal récurrent pour la signalisation FTN. Dans Actes de la Conférence internationale de l'IEEE sur les communications (IEEE ICC)/atelier sur NOMA pour la 5G et au-delà, Electr Network, Dublin, Irlande, 7-11 juin 2020.

For more information:1950477648nn@gmail.com