LSTM Attention Neural-nätverksbaserad signaldetektering för hybridmodulerad snabbare än Nyquist optisk trådlös kommunikation

Abstrakt:

För att förbättra noggrannheten för signalåtervinning efter sändning över en atmosfärisk turbulenskanal, föreslås en djupinlärningsbaserad signaldetekteringsmetod för ett hybridmodulerat optiskt trådlöst kommunikationssystem (OWC) som är snabbare än Nyquist (FTN). Det drar fördel av det långa korttidsminnet (LSTM) nätverket i det återkommande neurala nätverket (RNN) för att lindra problemet med ömsesidigt beroende av intilliggande symboler. Dessutom är en LSTM uppmärksamhetsavkodare konstruerad genom att använda uppmärksamhetsmekanismen, som kan lindra bristerna hos konventionell LSTM. Simuleringsresultaten visar att prestanda för bitfelsfrekvensen (BER) för det föreslagna LSTM uppmärksamhetsneurala nätverket är 1 dB bättre än det för backpropagation (BP) neurala nätverket och överträffar med 2,5 dB jämfört med maximal sannolikhetssekvensuppskattning (MLSE) detekteringsmetod.

Ett återkommande neuralt nätverk är en typ av neuralt nätverk som kan påverka nästa utdata genom att ta tidigare resultat. Sådana neurala nätverk används ofta i naturlig språkbehandling, taligenkänning, bildbehandling och förutsägelse av framtida händelser. Den största fördelen med RNN är deras förmåga att lagra och använda tidigare information, vilket förbättrar noggrannheten och stabiliteten.

Det återkommande neurala nätverket realiserar lagring och användning av information genom minnet. När information skickas från ingångsskiktet till det neurala nätverket, lagrar neuronen informationen och skickar den vidare till nästa neuron. Denna cykliska process blir en ringstruktur som bestämmer nya utgångar. Utformningen av detta återkommande neurala nätverk tar inte bara hänsyn till nya ingångar till nätverket utan även spåren som lämnats av alla tidigare ingångar.

Minnet av det återkommande neurala nätverket speglar också fullt ut det mänskliga sättet att tänka. Den mänskliga hjärnan kan också göra rimliga bedömningar genom minne och spekulationer om historisk information. Det är också så återkommande neurala nätverk fungerar. Historisk information spelar en stor roll i den mänskliga tankeprocessen, vilket gör det möjligt för oss att korrekt återkalla händelser och lösa problem. Detta överensstämmer med designprincipen för återkommande neurala nätverk.

Därför kan vi anse att positivt minne är avgörande för både mänskligt tänkande och driften av återkommande neurala nätverk. Ett bra minne kan hjälpa oss att lösa problem bättre och vinna berömmelse och rikedom. Återkommande neurala nätverk kan lära sig och komma ihåg all information i stora mängder data, vilket hjälper människor att förutsäga framtida trender och utföra komplexa uppgifter. På så sätt kan minnet av återkommande neurala nätverk inte bara förbättra vår livskvalitet utan också ge oss mer kommersiellt och vetenskapligt värde. Det kan ses att vi behöver förbättra vårt minne, och Cistanche deserticola kan avsevärt hjälpa oss att förbättra vårt minne eftersom Cistanche deserticola är ett traditionellt kinesiskt läkemedelsmaterial som har många unika effekter, varav en är att förbättra minnet. Effekten av malet kött kommer från en mängd olika aktiva ingredienser som det innehåller, inklusive karboxylsyra, polysackarider, flavonoider, etc. Dessa ingredienser kan främja hjärnans hälsa genom olika kanaler.

Klicka på vet kosttillskott för att öka minnet

Nyckelord:

Snabbare-än-Nyquist; neuralt nätverk; hybridmodulering; uppmärksamhetsmekanism; optisk trådlös kommunikation.

1. Introduktion

Jämfört med traditionell radiofrekvenskommunikation (RF) har OWC fördelarna med hög systemkapacitet, störningsimmunitet, god säkerhet, flexibilitet och snabb erektion samt låg kostnad [1]. Men överföringen av optiska trådlösa signaler påverkas av atmosfärisk turbulens, atmosfärisk absorption, spridning och refraktion. Det är svårt för mottagaren att erhålla en korrekt signal med variationen i brytningsindexstrukturen konstant orsakad av slumpmässig variation i atmosfärstemperatur och tryck. Moduleringstekniken för multibandbärvågsfri amplitudfas (CAP) föreslogs i [2] för att förbättra systemkapaciteten och frekvensbandsutnyttjandet av OWC under Gamma-Gamma-atmosfärisk turbulenskanal. De experimentella resultaten visar att fasförskjutningen är väl kompenserad och inter-symbolinterferensen (ISI) undertrycks effektivt med hjälp av multimodulalgoritmen (MMA). För att uppnå ISI-fri överföring i digitala kommunikationssystem måste dock symbolhastigheten följa Nyquist-kriteriet. Detta begränsar den ytterligare förbättringen av den spektrala effektiviteten hos OWC-systemet.

1975 visade Mazo att högre överföringshastigheter kunde uppnås med FTN-teknik [3]. FTN introducerar dock ISI för att uppnå spektral effektivitet, vilket ökar svårigheten med signaldetektering. Under senare år har studier om FTN främst fokuserat på modelldrivna detektionsalgoritmer. Detektionsalgoritmer, såsom den linjära detektionsalgoritmen baserad på uppskattning av minsta medelkvadratfel (MMSE) [4], nollforcing (ZF), maximum a posteriori-algoritm (MAP) [5] och olinjär detektionsalgoritm, har otillfredsställande prestanda för FTN-signaler med hög accelerationsfaktor och implementeringskomplexiteten är extremt hög. Intressant nog överväger FTN-signaldetekteringsalgoritmens prestanda baserad på djupinlärning (DL) de traditionella modelldrivna algoritmerna [6]. I [7] är DL utplacerad vid transceivern i ett FSO-system för att kompensera för atmosfärisk turbulens. Detta indikerar att användning av DL i OWC kan uppnå överlägsen prestanda med lägre komplexitet.

För att eliminera den höga komplexiteten av kanaluppskattning orsakad av bristen på translationsinvarians av kovariansmatrisen, Neumann David et al. använde MMSE och konvolutionella neurala nätverk (CNN) för att kompensera för denna brist [8]. Yang Y et al. föreslog en dubbelselektiv kanalfading-uppskattningsmetod baserad på djupa neurala nätverk (DNN) för kanaluppskattning [9]. Den kombinerar offlineutbildning och onlineinlärning för att uppnå högprecisionsuppskattning av kanaler med superupplösning av DNN. Å andra sidan används kanalutjämningsteknik ofta för att eliminera ISI för att förbättra kvaliteten på signalen [10,11]. Ur DL-perspektivet kan kanalutjämning betraktas som problemet med hur man kan återställa de överförda symbolerna så exakt som möjligt från de mottagna symbolerna. DL-modulen kan betraktas som en "svart låda", som avkodas av det neurala nätverket vid mottagaren, vilket på så sätt realiserar demoduleringen av den sända signalen. Liang S. et al. upprätta ett experimentellt system med differentiell FTN-förkodning av synligt ljuskommunikation med hjälp av CAP-modulering [12]. Den optimerar avkodningsalgoritmen med DL-metoden och verifierar genomförbarheten av DL i FTN-FSO-systemet.

Som en förbättring av RNN föreslogs LSTM-nätverket av Hochreiter och Schmidhuber 1997 och har använts inom många områden [13]. Ett konvolutionellt långt kortsiktigt djupt neuralt nätverk (CLDNN) introducerades i [14], som utnyttjar den komplementära karaktären hos CNN och LSTM för att kombinera arkitekturerna för CNN och LSTM till djupa neurala nätverk. Författarna till [15] föreslog ett RNN som kallas dubbelriktat långtidsminne (Bi-LSTM) för att karakterisera funktionen hos ISI som introduceras i FTN-signalering. Dessutom beskriver den en "missmatch SNR"-strategi för att bygga träningsdatauppsättningen som effektivt kan hjälpa till att förhindra överanpassning. Å andra sidan har olika DL-metoder använts för att ta itu med problemen med trådlös kommunikation och nå värdefulla slutsatser. Biao Gong har studerat demodulationstekniken för CNN i orbital angular momentum (OAM) atmosfärisk laserkommunikation [16].

Siying Mao visar att RNN och LSTM har vissa fördelar med att avkoda aliassignaler genom experiment i [17]. För att ytterligare förbättra nätverkets prestanda och välja de mest diskriminerande funktionerna, introduceras en uppmärksamhetsmekanism i nätverket för att utforska beroenden mellan funktioner. Författarna till [18] föreslog ett nätverk med dubbla uppmärksamhet (DANet) med en självuppmärksamhetsmekanism för att förbättra diskriminanten av funktionsrepresentationer för scensegmentering, där en positionsuppmärksamhetsmodul föreslås för att lära sig de rumsliga ömsesidiga beroenden av funktioner och en kanaluppmärksamhet modulen är utformad för att modellera ömsesidigt beroende av kanaler. Det förbättrar segmenteringen avsevärt genom att modellera rika kontextuella beroenden över lokala funktioner. I 2022 IEEE ICAIT-konferens föreslog vi ett BP neuralt nätverk för att främja BER-prestandan för signaldetektering i en atmosfärisk kanal [19]. Ett BP neuralt nätverk har fördelarna med hög självinlärningsförmåga och självanpassningsförmåga. Den kan lära sig mappningsreglerna mellan in- och utdata under träningsprocessen och adaptivt memorera sådana regler genom att använda nätverksvikterna. Därför påverkas det neurala nätverket mindre av accelerationsfaktorn och roll-off-faktorn, vilket säkerställer spektrumanvändning av systemet vid en FTN-hastighet.

Glömningen av sekvensinformation finns dock i BP neurala nätverk. Därför använder vi LSTM neurala nätverk och uppmärksamhetsmekanism för att övervinna problemet med att glömma sekvensinformation. Nuförtiden har uppmärksamhetsmekanismen blivit en vanlig databehandlingsmetod inom DL-området och används i stor utsträckning i olika DL-uppgifter, såsom naturlig språkbehandling, bildigenkänning och taligenkänning. Att sätta samman funktioner genom att tilldela större vikter till vissa "signifikanta" funktioner minskar inte bara nätverkets parametrar utan förbättrar också funktionernas särskiljande kraft. Därför introduceras uppmärksamhetsmekanismen i LSTM-nätverket för att bygga en LSTM uppmärksamhetsavkodare för signaldetektering av ett hybridmodulerat FTN OWC-system för pulspositionsmodulering (PPM) och fasskiftnyckel (QPSK) för att förbättra systemets prestanda samtidigt som spektrumeffektivitet säkerställs. .

2. Systemmodell

Traditionellt är intensitetsmodulering/direkt detektering baserad på ett on-off-nyckelsystem (OOK) allmänt accepterat i OWC på grund av dess enkla implementering och lägre kostnad [20]. Med tanke på OOKs låga BER-prestanda och spektrumeffektivitet har PPM ansetts användas i OWC-kommunikation. Jämfört med OOK är energiutnyttjandet kraftigt ökat. Dessutom har modulerad QPSK egenskaperna för högspektrumanvändning och stark anti-interferens [21]. Därför kan en kombination av PPM och QPSK förbättra dataöverföringshastigheten och systemets tillförlitlighet [22,23].

Figur 1 visar schemat för det hybridmodulerade OWC-systemet 4PPM och QPSK med FTN-teknik. Användardata efter Gray-kodaren mappas först till 4PPM respektive QPSK. Därefter laddas QPSK-signalen in i tidsluckan för 4PPM-signalen för att bilda den hybridmodulerade 4PPM-QPSK-signalen. Efteråt skickas den formaterade 4PPMQPSK-signalen till FTN-formningsfiltret för FTN-signalbildning. Därefter, efter digital-till-analog-konvertering (DAC), skickas data till den atmosfäriska kanalen. I mottagaränden detekteras den optiska signalen som sänds över den atmosfäriska kanalen först av en fotodiod (PD) och skickas sedan för analog-till-digital omvandling (ADC), matchad filtrering och sampling. Därefter skickas signalen till DL-modulen för dataåterställning.

3. LSTM Uppmärksamhet Avkodare

RNN är en viktig gren av DL som kan användas inte bara för bearbetning av tidsseriedata utan också för att fokusera på tidsinställningen för funktionsmodellen. Dessutom är den användbar för att bearbeta sekvensdata där den främre ingången påverkar den bakre utgången [24]. Det finns dock problem med gradientförsvinnande och gradientexplosion med utvidgningen av tidslinjen i traditionell RNN. Gradienten försvinner på grund av Sigmoid-funktionen. Sigmoid-funktionen används vanligtvis i utdatalagret, men derivatan av denna funktion sträcker sig från 0 till 0.25. När BP-algoritmen används för att beräkna gradienten kommer gradienten för varje lager att reduceras till 1/4 av originalet. Om det finns många nätverkslager kommer gradienten att bli liten. Värdet på den initiala nätverksvikten måste ställas in större än 1 för att undvika detta fenomen, men det kommer att leda till gradientexplosion [25]. Så det har stora begränsningar i förutsägelsen av långtidsseriedata. Figur 2 visar diagrammet över RNN-nätverket utvikt längs tidslinjen.

För att lösa de problem som finns i RNN, föreslås LSTM-nätverket för att lösa det allestädes närvarande långsiktiga beroendeproblemet i nätverket, vilket har visat sig vara effektivt för att lösa problemen med gradientförsvinnande och gradientexplosion orsakade av RNN [24]. Den största skillnaden mellan LSTM och RNN är att RNN bara har ett tillstånd i en enda återkommande struktur, medan LSTM har fyra tillstånd och varje struktur består av en ingångsgrind, glöm grind, utgångsgrind och celltillstånd. Diagrammet för LSTM-nätverket visas i figur 3. ⊗ anger multiplikationen av vektorelement och ⊕ anger addition av vektorelement. Både ingångs- och utgångsgrindarna öppnar och sprider signaler endast när tidigare information behövs. På detta sätt kan den tidigare informationen sparas selektivt. Glömgrindens funktion är att ta emot felet från minnesenheten och "glömma" värdet lagrat i minnesenheten vid behov, för att uppnå kontroll av nätverksvikterna.

Både RNN- och LSTM-nätverk är designade för att hantera problemet med långa tidsserier. Nätverket kommer dock att glömma den tidigare användbara informationen på grund av förekomsten av en glöm grind när LSTM hanterar gradientexplosionsproblemet. Detta försämrar effekten av långsekvensträning och systemets prestanda. Lyckligtvis är uppmärksamhetsmekanismen en utmärkt lösning på detta problem [26]. Varianter av uppmärksamhetsmekanismer inkluderar multi-head uppmärksamhet, hård uppmärksamhet, strukturerad uppmärksamhet och nyckel-värde par uppmärksamhet [27]. Multi-head uppmärksamhet använder flera frågor för att beräkna parallellt för att välja flera bitar av information från indata. Varje uppmärksamhet fokuserar på en annan del av input. Hård uppmärksamhet kan implementeras på två sätt. En är att välja den ingångsinformation som har störst sannolikhet. En annan är att slumpmässigt ta prov på fördelningen av uppmärksamhet. Strukturerad uppmärksamhet innebär att plocka ut uppgiftsrelevant information från input. Nyckel–värde par uppmärksamhet använder ett nyckel–värde par format för att representera indata, där "nyckel" används för att beräkna uppmärksamhetsfördelningen och "värde" används för att generera den valda informationen. Med tanke på dess utmärkta prestanda, används nyckel-värde parets uppmärksamhetsmekanism i vårt förslag för att utföra LSTM uppmärksamhetsavkodare, och den kan användas för att behandla de mottagna FTN-hybridsignalerna. Diagrammet för LSTM uppmärksamhetsavkodare visas i figur 4.

4. Simuleringsanalys

Storleken på tränings- eller testdatauppsättningen beror på systemets komplexitet och DL-algoritmen. Användning av en liten datamängd kan orsaka dålig detekteringsprestanda eftersom modellen inte helt skulle kunna lära sig systemets olika egenskaper. Vidare kan användning av en stor datamängd resultera i ökad beräkningskomplexitet [30]. Således genomförs flera simuleringar för att bestämma lämplig datauppsättningsstorlek och parametrarna som kan erbjuda den bästa BER-prestandan. Det bör noteras att noggrannheten i det neurala nätverket påverkas av själva DL-algoritmen, som spelar en viktig roll för att lösa vissa olinjära problem. Därför måste dess prestanda och robusthet utvärderas. Utan en förlust av generalitet tas några vanliga parametrar i beaktande. Parametrarna som används i simuleringen är listade i tabell 1.

Tabell 2 visar nätverkets noggrannhet under olika inlärningshastigheter. Ett validerat system behöver en lämplig inlärningshastighet. Om inlärningshastigheten är för stor kan nätverket inte konvergera, medan om det är för litet kommer nätverket att konvergera mycket långsamt eller inte kunna avsluta inlärningen. Dessutom kan nätverket ändras från underanpassat till överanpassat när inlärningshastigheten ökar [31]. Det framgår av tabellen att 0.002 har bäst prestanda.

Valet av dolda lager är en annan viktig punkt. Ett lågt eller högt antal dolda lager leder till fenomenet underpassning eller överanpassning [31]. Sambandet mellan antalet dolda lager och noggrannheten visas i Tabell 4. Noggrannheten ökar gradvis med antalet dolda lager och avtar när den når ett visst värde. Dessutom fann studier i [32,33] att det ökande antalet dolda lager resulterar i en signifikant ökning av beräkningskomplexitet och överanpassning. Orsakerna till överanpassning kan delas in i tre kategorier [34]. Den första är en liten datauppsättning av träningsprov som inte kan återspegla de övergripande möjliga situationerna.

Detta kommer att leda till en mindre exakt förutsägelse av det tränade nätverket. Därför bör utbildningsdataset täcka alla typer av data så mycket som möjligt. Det andra är ett nätverk som inte kan uppskatta förhållandet mellan input och output på grund av överdriven störning av träningsdata. Det tredje är nätverkets höga komplexitet. Under dessa omständigheter bör den bearbeta många parametrar för att göra det möjligt för nätverket att korrekt passa varje data i träningsdatauppsättningen. Som ett resultat kan det tränade nätverket inte generalisera till testdatauppsättningen. Därför är lämpligt antal dolda lager avgörande för systemets prestanda. Simuleringsexperimentresultaten i Tabell 5 visar att systemet har den bästa detekteringsprestandan när antalet dolda lager är 8.

Jämförelsen av noggrannheten för LSTM-nätverket och LSTM-uppmärksamhetsnätverket visas i tabell 5. Noggrannheten hos LSTM-uppmärksamhetsnätverket är signifikant högre än den för LSTM-nätverket.

Det är välkänt att regn, snö, snöslask, dimma, dis, föroreningar och så vidare är atmosfäriska faktorer som påverkar laserstrålarna. Deras närvaro orsakar reflektion, brytning, spridning och dämpning av optiska signaler. Det har bevisats att atmosfärisk turbulens följer Gamma–Gamma-fördelningen, och svag, måttlig och stark turbulensintensitet kan uttryckas med brytningsindexstrukturkonstanten för C 2 n=2 × 10- 18, C 2 n=2 × 10−15 respektive C 2 n=2 × 10−12 [35] Kurvorna för olika atmosfäriska turbulensintensiteter kontra BER visas i figur 6, där roll-off faktor är 0,6, τ=0,8, och överföringsavståndet är 500 m. Det är uppenbart från figuren att BER-prestandan gradvis förbättras med minskningen av turbulensintensiteten. När BER=3.8 × 10−3 är BER-prestandan för svag turbulens cirka 2 dB och 5 dB bättre än den för måttlig respektive stark turbulens.

Figur 7 visar inverkan av roll-off-faktorn för FTN-formningsfiltret på BER med en annan avkodare, där accelerationsfaktorn är 0.8. Som visas i figur 7a, när BER=10−4, förbättrar LSTM uppmärksamhetsavkodaren BER-prestandan med cirka 1 dB jämfört med BP-algoritmen. Figur 7b visar att LSTM uppmärksamhetsavkodaren förbättrar BER-prestandan med cirka 2,5 dB jämfört med MLSE-algoritmen när BER=10−4. Därför är LSTM-uppmärksamhet fördelaktigt för att förbättra BER-prestandan jämfört med den traditionella avkodaren.

Figur 8 visar effekten av accelerationsfaktorn på systemets BER-prestanda. När BER är 10−4 och accelerationsfaktorn minskar från 1 till 0.9 och 0.8, minskar BER-prestandan med cirka 2 dB respektive 4 dB. När BER är 10−3 och accelerationsfaktorn minskar från 1 till 0.9 och 0.8, minskar BER-prestandan med cirka 1 dB respektive 4,5 dB. Av figuren kan man dra slutsatsen att BER-kurvorna minskar snabbt när accelerationsfaktorn minskar. Men under förutsättningen att spektrumeffektiviteten förbättras kan systemet fortfarande säkerställa god kommunikationskvalitet när accelerationsfaktorn är 0,8. Således är förslaget till fördel för att förbättra systemets prestanda.

För att ytterligare illustrera fördelarna med den föreslagna metoden, som visas i tabell 6, jämförs körtiden för LSTM uppmärksamhet och BP-nätverket.

Tidskomplexiteten är knuten till hårdvaruexekvering och inkluderar antalet operationer som behövs, antalet element som ska bearbetas och väglängden som krävs för att slutföra en operation. Simuleringsexperimenten är implementerade av Matlab 2018a och Pycharm 2021.3.2. En NVIDIA GeForce RTX 3050 Laptop GPU används som testplattform. I utbildningsprocessen genereras slumpmässigt 50,000 data, varav 80 % används som träningsdatauppsättning och de återstående 20 % används som testdatauppsättning. LSTM uppmärksamhetsnätverk överträffar BP-nätverket. Detta beror på att konvergenshastigheten för det neurala BP-nätverket är långsam.

6. Slutsatser

I detta dokument föreslås en LSTM uppmärksamhetsavkodare för signaldetektering av hybrid det modulerade 4PPM–QPSK–FTN OWC-systemet. LSTM-uppmärksamhetsnätverket kan lindra problemen med gradientförsvinnande, gradientexplosion och ömsesidigt beroende mellan intilliggande symboler. Den experimentella simuleringen visar att vårt förslag har enastående signaldetekteringsprestanda för hybridmodulerade FTN-signaler. Den mottagna signalen kan noggrant förutsägas och snabbt och korrekt avkodas. Därför kan schemat effektivt förbättra BER-prestandan på premissen att säkerställa spektrumeffektivitet.

Författarbidrag:

Konceptualisering, MC, RY, JX och HW; Metodik, MC, HW och RY; Validering, MC, RY och JX; Utredning, JX och KJ; Resurser, RY och JX; Datakurering, JX; Skrivning—original utkast förberedelse, JX och RY; skrivande—recension och redigering, MC, HW, RY och KJ; Visualisering, RY och HW; Supervision, MC och HW; Projektadministration, MC Alla författare har läst och samtyckt till den publicerade versionen av manuskriptet.

Finansiering:

Denna forskning finansierades av NSFC-programmet (62265010, 61875080, 62261033) och Natural Science Foundation i Gansu-provinsen, Kina (20JR5RA472).

Uttalande av institutionell granskningsnämnd:

Inte tillämpbar.

Informerat samtycke:

Inte tillämpbar.

Datatillgänglighetsförklaring:

Studien rapporterade inga uppgifter.

Erkännanden:

Vi tackar tacksamt för hjälpen från Rui Wang med att förbereda och felsöka programmet. Vi tackar också Yan Qiu och Hongtao Zhou för deras hjälp med den engelska texten och detaljerna.

Intressekonflikt:

Författarna förklarar ingen intressekonflikt.

Referenser

1. Ke, XZ; Jing, YK Fjärrfältslaserfläckbilddetektering för användning under atmosfärisk turbulens. Välja. Eng. 2020, 59, 016103. [CrossRef]

2. Wu, P.; Ke, X.; Li, M.; Zhang, Q. Prestanda- och jämviktsexperiment av ett multiband CAP-moduleringssystem i trådlös optisk kommunikation. Välja. Commun. 2019, 434, 128–135. [CrossRef]

3. Mazo, J. Snabbare-än-nyquist-signalering. Bell Syst. Tech. J. 1975, 54, 1451-1462. [CrossRef]

4. Bahl, LR; Cocke, J.; Jelinek, F.; Raviv, J. Optimal avkodning av linjära koder för att minimera symbolfelfrekvens. IEEE Trans. Inf. Teori 1974, 20, 284–287. [CrossRef]

5. Matar, MO; Jana, M.; Mitra, J.; Lampe, L.; Lis, M.; Soc, IC A Turbo Maximum-a-Posteriori-equalizer för snabbare än Nyquist-applikationer. I samband med det 28:e IEEE International Symposium on Field-Programmable Custom Computing Machines (FCCM), Fayetteville, AR, USA, 3–6 maj 2020; s. 167–171.

6. Cococcioni, M.; Rossi, F.; Ruffaldi, E.; Saponara, S.; de Dinechin, BD Novel Aritmetics in Deep Neural Networks Signal Processing for Autonomous Driving: Challenges and Opportunities. IEEE-signalprocess. Mag. 2021, 38, 97–110. [CrossRef]

7. Amirabadi, MA; Kahaei, MH; Nezamalhosseni, SA Lågkomplexa djupinlärningsalgoritmer för att kompensera atmosfärisk turbulens i det optiska kommunikationssystemet för fritt utrymme. IET optoelektron. 2022, 16, 93–105. [CrossRef]

8. Li, S.; Yuan, W.; Yuan, J.; Bai, B.; Ng, DWK; Hanzo, L. Tidsdomän vs. frekvensdomänutjämning för FTN-signalering. IEEE Trans. Veh. Technol. 2020, 69, 9174–9179. [CrossRef]

9. Yang, Y.; Gao, F.; Ma, X.; Zhang, S. Deep learning-baserad kanaluppskattning för dubbelt selektiva toningskanaler. IEEE Access 2019, 7, 36579–36589. [CrossRef] 10. Huang, H.; Yang, J.; Huang, H.; Song, Y.; Gui, G. Deep learning för kanaluppskattning med superupplösning och DOA-uppskattning baserat massivt MIMO-system. 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. Demonstration av en polynomstödd neural nätverksutjämnare med låg komplexitet för CAP synligt ljuskommunikation med superluminescerande diod. Opto-elektron. Adv. 2020, 3, 4–14. [CrossRef]

12. Liang, S.; Jiang, Z.; Qiao, L.; Lu, X.; Chi, N. Snabbare-än-Nyquist förkodad CAP-modulering synligt ljus kommunikationssystem baserat på ickelinjär viktad uppslagstabell fördistorsion. IEEE Photonics J. 2018, 10, 7900709. [CrossRef]

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

14. Sainath, TN; Vinyals, O.; Senior, A.; Sak, H. Konvolutionellt, långt korttidsminne, fullt anslutna djupa neurala nätverk. I Proceedings of the 2015 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), South Brisbane, Australien, 19–24 april 2015; IEEE: Piscataway, NJ, USA, 2015; s. 4580–4584.

15. Lai, S.; Li, M. Recurrent Neural Network Assisted Equalization för FTN-signalering. I Proceedings of the IEEE International Conference on Communications (IEEE ICC)/Workshop on NOMA for 5G and Beyond, Electr Network, Dublin, Irland, 7–11 juni 2020.

For more information:1950477648nn@gmail.com