LSTM Uzmanības uz neironu tīklu balstīta signālu noteikšana hibrīdmodulētiem ātrāk nekā Nyquist optiskajiem bezvadu sakariem

Anotācija:

Lai uzlabotu signāla atgūšanas precizitāti pēc pārraides pa atmosfēras turbulences kanālu, ir ierosināta uz dziļu mācīšanos balstīta signālu noteikšanas metode ātrākai nekā Nyquist (FTN) hibrīda modulētas optiskās bezvadu sakaru (OWC) sistēmai. Tas izmanto ilgtermiņa īstermiņa atmiņas (LSTM) tīkla priekšrocības atkārtotajā neironu tīklā (RNN), lai atvieglotu blakus esošo simbolu savstarpējās atkarības problēmu. Turklāt LSTM uzmanības dekodētājs ir konstruēts, izmantojot uzmanības mehānismu, kas var mazināt parastā LSTM trūkumus. Simulācijas rezultāti liecina, ka ierosinātā LSTM uzmanības neironu tīkla bitu kļūdu līmeņa (BER) veiktspēja ir par 1 dB labāka nekā atpakaļizplatīšanas (BP) neironu tīkla veiktspēja un ir par 2,5 dB labāka, salīdzinot ar maksimālās varbūtības secības novērtējumu (MLSE). noteikšanas metode.

Atkārtots neironu tīkls ir neironu tīkla veids, kas var ietekmēt nākamo izvadi, izmantojot iepriekšējos rezultātus. Šādi neironu tīkli tiek plaši izmantoti dabiskās valodas apstrādē, runas atpazīšanā, attēlu apstrādē un nākotnes notikumu prognozēšanā. Lielākā RNN priekšrocība ir to spēja uzglabāt un izmantot pagātnes informāciju, kas uzlabo precizitāti un stabilitāti.

Atkārtotais neironu tīkls realizē informācijas uzglabāšanu un izmantošanu, izmantojot atmiņu. Kad informācija tiek nodota no ievades slāņa uz neironu tīklu, neirons saglabā informāciju un nodod to nākamajam neironam. Šis cikliskais process kļūst par gredzena struktūru, kas nosaka jaunus rezultātus. Šī atkārtotā neironu tīkla dizainā tiek ņemti vērā ne tikai jauni ievadi tīklā, bet arī visu iepriekšējo ievades atstātās pēdas.

Atmiņa par atkārtotu neironu tīklu pilnībā atspoguļo arī cilvēka domāšanas veidu. Cilvēka smadzenes spēj arī pieņemt saprātīgus spriedumus, izmantojot atmiņu un spekulācijas ar vēsturisko informāciju. Tādā veidā darbojas arī atkārtoti neironu tīkli. Vēsturiskajai informācijai ir liela nozīme cilvēka domāšanas procesā, ļaujot pareizi atcerēties notikumus un risināt problēmas. Tas atbilst atkārtotu neironu tīklu projektēšanas principam.

Tāpēc mēs varam uzskatīt, ka pozitīvā atmiņa ir izšķiroša gan cilvēka domāšanai, gan atkārtotu neironu tīklu darbībai. Laba atmiņa var palīdzēt mums labāk atrisināt problēmas un iegūt slavu un bagātību. Atkārtoti neironu tīkli var apgūt un atcerēties visu informāciju lielos datu apjomos, palīdzot cilvēkiem paredzēt nākotnes tendences un veikt sarežģītus uzdevumus. Tādā veidā atkārtotu neironu tīklu atmiņa var ne tikai uzlabot mūsu dzīves kvalitāti, bet arī sniegt mums lielāku komerciālu un zinātnisku vērtību. Var redzēt, ka mums ir jāuzlabo atmiņa, un Cistanche deserticola var ievērojami palīdzēt uzlabot atmiņu, jo Cistanche deserticola ir tradicionāls ķīniešu ārstniecības materiāls, kam ir daudz unikālu efektu, no kuriem viens ir atmiņas uzlabošana. Maltās gaļas efektivitāti nodrošina dažādas tajā esošās aktīvās sastāvdaļas, tostarp karbonskābe, polisaharīdi, flavonoīdi utt. Šīs sastāvdaļas var veicināt smadzeņu veselību, izmantojot dažādus kanālus.

Noklikšķiniet uz zināt papildinājumus, lai uzlabotu atmiņu

Atslēgvārdi:

Ātrāk nekā Nyquist; neironu tīkls; hibrīda modulācija; uzmanības mehānisms; optiskā bezvadu komunikācija.

1. Ievads

Salīdzinājumā ar tradicionālo radiofrekvenču (RF) komunikāciju, OWC priekšrocības ir liela sistēmas jauda, ​​traucējumu noturība, laba drošība, elastība un ātra uzstādīšana, kā arī zemas izmaksas [1]. Tomēr optisko bezvadu signālu pārraidi ietekmē atmosfēras turbulence, atmosfēras absorbcija, izkliede un refrakcija. Uztvērējam ir grūti iegūt precīzu signālu ar refrakcijas indeksa struktūras konstantes izmaiņām, ko izraisa nejaušas atmosfēras temperatūras un spiediena izmaiņas. Daudzjoslu beznesēja amplitūdas fāzes (CAP) modulācijas metode tika ierosināta [2], lai uzlabotu sistēmas kapacitāti un OWC frekvenču joslas izmantošanu gamma-gamma atmosfēras turbulences kanālā. Eksperimentālie rezultāti parāda, ka fāzes nobīde ir labi kompensēta un starpsimbolu traucējumi (ISI) tiek efektīvi nomākti, izmantojot vairāku moduļu algoritmu (MMA). Tomēr, lai ciparu sakaru sistēmās panāktu pārraidi bez ISI, simbolu ātrumam ir jāatbilst Nyquist kritērijam. Tas ierobežo turpmāku OWC sistēmas spektrālās efektivitātes uzlabošanu.

1975. gadā Mazo pierādīja, ka, izmantojot FTN tehnoloģiju, var panākt lielāku pārraides ātrumu [3]. Tomēr FTN ievieš ISI, lai sasniegtu spektrālo efektivitāti, kas palielina signāla noteikšanas grūtības. Pēdējos gados pētījumi par FTN galvenokārt bija vērsti uz modeļu vadītiem noteikšanas algoritmiem. Noteikšanas algoritmiem, piemēram, lineārās noteikšanas algoritmam, kas balstīts uz minimālās vidējās kvadrātiskās kļūdas novērtējumu (MMSE) [4], nulles piespiešana (ZF), maksimālais a posteriori algoritms (MAP) [5] un nelineārais noteikšanas algoritms, ir neapmierinoša veiktspēja FTN signāli ar augstu paātrinājuma koeficientu un ieviešanas sarežģītību ir ārkārtīgi augsta. Interesanti, ka FTN signāla noteikšanas algoritma veiktspēja, kuras pamatā ir dziļa mācīšanās (DL), pārspēj tradicionālos modeļu vadītos algoritmus [6]. [7] DL ir izvietots FSO sistēmas raiduztvērējā atmosfēras turbulences kompensēšanai. Tas norāda, ka, izmantojot DL OWC, var sasniegt izcilu veiktspēju ar mazāku sarežģītību.

Lai novērstu kanālu novērtēšanas augsto sarežģītību, ko izraisa kovariācijas matricas translācijas invariances trūkums, Neumann David et al. izmantoja MMSE un konvolucionālos neironu tīklus (CNN), lai kompensētu šo trūkumu [8]. Yang Y et al. ierosināja divu selektīvu kanālu izbalēšanas novērtēšanas metodi, kuras pamatā ir dziļie neironu tīkli (DNN) kanālu novērtēšanai [9]. Tas apvieno bezsaistes apmācību un tiešsaistes apmācību, lai sasniegtu augstas precizitātes superizšķirtspējas kanālu aprēķinus, ko nodrošina DNN. No otras puses, kanālu izlīdzināšanas tehnoloģija bieži tiek izmantota, lai novērstu ISI, lai uzlabotu signāla kvalitāti [10,11]. No DL viedokļa kanālu izlīdzināšanu var uzskatīt par problēmu, kā pēc iespējas precīzāk atgūt pārraidītos simbolus no saņemtajiem simboliem. DL moduli var uzskatīt par "melno kasti", kuru uztvērējā dekodē neironu tīkls, tādējādi realizējot pārraidītā signāla demodulāciju. Liang S. et al. izveidoja eksperimentālu diferenciālās FTN priekškodēšanas redzamās gaismas komunikācijas sistēmu, izmantojot CAP modulāciju [12]. Tas optimizē dekodēšanas algoritmu ar DL metodi un pārbauda DL praktiskumu FTN-FSO sistēmā.

Kā RNN uzlabojumu LSTM tīklu ierosināja Hochreiter un Schmidhuber 1997. gadā, un tas ir izmantots daudzās jomās [13]. Konvolucionālais ilgtermiņa īstermiņa dziļais neironu tīkls (CLDNN) tika ieviests [14], kas izmanto CNN un LSTM komplementāro raksturu, lai apvienotu CNN un LSTM arhitektūras dziļos neironu tīklos. [15] autori ierosināja RNN, ko sauc par divvirzienu ilgtermiņa īstermiņa atmiņu (Bi-LSTM), lai raksturotu ISI iezīmi, kas ieviesta FTN signalizācijā. Turklāt tajā ir aprakstīta "neatbilstības SNR" stratēģija apmācības datu kopas veidošanai, kas var efektīvi palīdzēt novērst pārmērīgu pielāgošanu. No otras puses, bezvadu sakaru problēmu risināšanai un vērtīgu secinājumu izdarīšanai ir izmantotas dažādas DL pieejas. Biao Gong ir pētījis CNN demodulācijas tehnoloģiju orbitālā leņķiskā impulsa (OAM) atmosfēras lāzera sakaros [16].

Sijings Mao rāda, ka RNN un LSTM ir dažas priekšrocības, lai dekodētu aliasētos signālus, veicot eksperimentus [17]. Lai vēl vairāk uzlabotu tīkla veiktspēju un atlasītu visdiskriminējošākās funkcijas, tīklā tiek ieviests uzmanības mehānisms, lai izpētītu funkciju atkarības. Autori [18] ierosināja dubultu uzmanības tīklu (DANet) ar pašapziņas mehānismu, lai uzlabotu pazīmju attēlojumu diskriminantu ainas segmentācijai, kurā tiek piedāvāts pozīcijas uzmanības modulis, lai uzzinātu pazīmju un kanāla uzmanības telpiskās savstarpējās atkarības. modulis ir paredzēts kanālu savstarpējo atkarību modelēšanai. Tas ievērojami uzlabo segmentāciju, modelējot bagātīgas kontekstuālas atkarības no vietējām funkcijām. 2022. gada IEEE ICAIT konferencē mēs ierosinājām BP neironu tīklu, lai veicinātu signālu noteikšanas BER veiktspēju atmosfēras kanālā [19]. BP neironu tīkla priekšrocības ir augstas pašmācības spējas un pašpielāgošanās spējas. Tas var apgūt kartēšanas noteikumus starp ievades un izvades datiem apmācības procesa laikā un adaptīvi iegaumēt šādus noteikumus, izmantojot tīkla svarus. Līdz ar to neironu tīklu mazāk ietekmē paātrinājuma koeficients un izskrējiena koeficients, kas nodrošina sistēmas spektra izmantošanu ar FTN ātrumu.

Tomēr BP neironu tīklos pastāv secības informācijas aizmirstība. Tāpēc mēs izmantojam LSTM neironu tīklu un uzmanības mehānismu, lai pārvarētu secības informācijas aizmirstības problēmu. Mūsdienās uzmanības mehānisms ir kļuvis par izplatītu datu apstrādes metodi DL jomā un tiek plaši izmantots dažādos DL uzdevumos, piemēram, dabiskās valodas apstrādē, attēlu atpazīšanā un runas atpazīšanā. Funkciju salikšana, piešķirot lielākas nozīmes dažām “nozīmīgām” funkcijām, ne tikai samazina tīkla parametrus, bet arī uzlabo funkciju diskriminējošo spēku. Tāpēc uzmanības mehānisms tiek ieviests LSTM tīklā, lai izveidotu LSTM uzmanības dekodētāju impulsa pozīcijas modulācijas (PPM) un fāzes nobīdes atslēgas (QPSK) hibrīda modulētas FTN OWC sistēmas signāla noteikšanai, lai uzlabotu sistēmas veiktspēju, vienlaikus nodrošinot spektra efektivitāti. .

2. Sistēmas modelis

Tradicionāli intensitātes modulācija/tiešā noteikšana, kuras pamatā ir ieslēgšanas/izslēgšanas atslēgas (OOK) shēma, ir plaši pieņemta OWC, pateicoties tās vienkāršai ieviešanai un zemākām izmaksām [20]. Ņemot vērā OOK zemo BER veiktspēju un spektra efektivitāti, tika uzskatīts, ka PPM tiek izmantots OWC sakaros. Salīdzinot ar OOK, enerģijas patēriņš ir ievērojami palielināts. Turklāt modulētajam QPSK piemīt augsta spektra izmantošanas un spēcīgas prettraucējumu īpašības [21]. Tāpēc PPM un QPSK apvienošana var uzlabot datu pārraides ātrumu un sistēmas uzticamību [22,23].

1. attēlā parādīta 4PPM un QPSK hibrīda modulētās OWC sistēmas shēma ar FTN tehnoloģiju. Lietotāja dati pēc Grey kodētāja vispirms tiek kartēti attiecīgi 4PPM un QPSK. Pēc tam QPSK signāls tiek ielādēts 4PPM signāla laika slotā, lai izveidotu 4PPM – QPSK hibrīda modulēto signālu. Pēc tam formatētais 4PPMQPSK signāls tiek nosūtīts uz FTN formēšanas filtru FTN signāla veidošanai. Pēc tam pēc digitālās analogās konvertēšanas (DAC) dati tiek palaisti atmosfēras kanālā. Uztvērēja galā optisko signālu, kas tiek pārraidīts pa atmosfēras kanālu, vispirms nosaka fotodiode (PD) un pēc tam nosūta analogai-digitālai konvertēšanai (ADC), saskaņotai filtrēšanai un paraugu ņemšanai. Pēc tam signāls tiek nosūtīts uz DL moduli datu atkopšanai.

3. LSTM uzmanības dekodētājs

RNN ir svarīga DL nozare, ko var izmantot ne tikai laikrindu datu apstrādei, bet arī, lai koncentrētos uz iezīmju modeļa laiku. Turklāt tas ir noderīgi, lai apstrādātu secības datus, kur priekšējā ieeja ietekmē aizmugures izvadi [24]. Tomēr, paplašinot laika skalu tradicionālajā RNN, pastāv problēmas ar gradienta izzušanu un gradienta eksploziju. Gradienta izzušana notiek sigmoīda funkcijas dēļ. Sigmoīda funkcija parasti tiek izmantota izvades slānī, bet šīs funkcijas atvasinājums ir diapazonā no 0 līdz 0.25. Kad gradienta aprēķināšanai tiek izmantots BP algoritms, katra slāņa gradients tiks samazināts līdz 1/4 no sākotnējā. Ja ir daudz tīkla slāņu, gradients kļūs mazs. Sākotnējā tīkla svara vērtība ir jāiestata lielāka par 1, lai izvairītos no šīs parādības, taču tas novedīs pie gradienta eksplozijas [25]. Tātad tai ir lieli ierobežojumi ilgtermiņa rindu datu prognozēšanā. 2. attēlā parādīta RNN tīkla diagramma, kas izvērsta gar laika skalu.

Lai atrisinātu RNN pastāvošās problēmas, tīklā visuresošās ilgtermiņa atkarības problēmas risināšanai tiek piedāvāts LSTM tīkls, kas ir izrādījies efektīvs RNN izraisīto gradienta izzušanas un gradienta eksplozijas problēmu risināšanā [24]. Lielākā atšķirība starp LSTM un RNN ir tā, ka RNN ir tikai viens stāvoklis vienā atkārtotā struktūrā, savukārt LSTM ir četri stāvokļi, un katra struktūra sastāv no ievades vārtiem, aizmirst vārtiem, izejas vārtiem un šūnas stāvokļa. LSTM tīkla diagramma ir parādīta 3. attēlā. ⊗ apzīmē vektoru elementu reizināšanu un ⊕ apzīmē vektoru elementu pievienošanu. Gan ieejas, gan izejas vārti atver un izplata signālus tikai tad, ja ir nepieciešama iepriekšēja informācija. Tādā veidā iepriekšējo informāciju var saglabāt selektīvi. Aizmirstības vārtu funkcija ir saņemt kļūdu no atmiņas vienības un vajadzības gadījumā "aizmirst" atmiņas blokā saglabāto vērtību, lai panāktu tīkla svaru kontroli.

Gan RNN, gan LSTM tīkli ir paredzēti, lai risinātu garu laikrindu problēmu. Tomēr tīkls aizmirsīs iepriekšējo noderīgo informāciju, jo pastāv aizmirstības vārti, kad LSTM risina gradienta sprādziena problēmu. Tas pasliktina ilgstošas ​​apmācības efektu un sistēmas veiktspēju. Par laimi, uzmanības mehānisms ir lielisks šīs problēmas risinājums [26]. Uzmanības mehānismu varianti ietver vairāku galvu uzmanību, stingru uzmanību, strukturētu uzmanību un galveno un vērtību pāra uzmanību [27]. Vairāku galvu uzmanība izmanto vairākus vaicājumus, lai aprēķinātu paralēli, lai atlasītu vairākas ievades informācijas daļas. Katra uzmanība tiek pievērsta citai ievades daļai. Cieto uzmanību var īstenot divos veidos. Viens no tiem ir izvēlēties ievades informāciju ar vislielāko varbūtību. Cits ir nejauši atlasīt uzmanības sadalījumu. Strukturēta uzmanība ietver ar uzdevumu saistītās informācijas izņemšanu no ievades. Atslēgas–vērtības pāra uzmanība izmanto atslēgas–vērtības pāra formātu, lai attēlotu ievades informāciju, kur "atslēga" tiek izmantota, lai aprēķinātu uzmanības sadalījumu, un "vērtība" tiek izmantota atlasītās informācijas ģenerēšanai. Ņemot vērā tā lielisko veiktspēju, mūsu priekšlikumā veikt LSTM uzmanības dekodētāju tiek izmantots atslēgas un vērtības pāra uzmanības mehānisms, un to var izmantot, lai apstrādātu saņemtos FTN hibrīda signālus. LSTM uzmanības dekodētāja diagramma ir parādīta 4. attēlā.

4. Simulācijas analīze

Apmācības vai testa datu kopas lielums ir atkarīgs no sistēmas sarežģītības un DL algoritma. Nelielas datu kopas izmantošana var izraisīt vāju noteikšanas veiktspēju, jo modelis nespētu pilnībā apgūt dažādas sistēmas īpašības. Turklāt lielas datu kopas izmantošana var palielināt skaitļošanas sarežģītību [30]. Tādējādi tiek veiktas vairākas simulācijas, lai noteiktu piemēroto datu kopas lielumu un parametrus, kas varētu piedāvāt vislabāko BER veiktspēju. Jāpiebilst, ka neironu tīkla precizitāti ietekmē pats DL algoritms, kam ir liela nozīme dažu nelineāru problēmu risināšanā. Tāpēc ir jānovērtē tā veiktspēja un izturība. Nezaudējot vispārīgumu, tiek ņemti vērā daži kopīgi parametri. Simulācijā izmantotie parametri ir norādīti 1. tabulā.

2. tabulā parādīta tīkla precizitāte dažādos mācīšanās ātrumos. Validētai sistēmai ir nepieciešams atbilstošs mācīšanās ātrums. Ja mācīšanās ātrums ir pārāk liels, tīkls nevar saplūst, savukārt, ja tas ir pārāk mazs, tīkls saplūst ļoti lēni vai nespēs pabeigt mācīšanos. Turklāt, pieaugot mācīšanās ātrumam, tīkls var mainīties no nepietiekamas uz pārāk pielāgotu [31]. No tabulas ir redzams, ka 0.002 ir vislabākā veiktspēja.

Vēl viens svarīgs punkts ir slēpto slāņu izvēle. Zems vai liels slēpto slāņu skaits noved pie nepietiekamas vai pārmērīgas pielāgošanas parādībām [31]. Sakarība starp slēpto slāņu skaitu un precizitāti ir parādīta 4. tabulā. Precizitāte pakāpeniski palielinās līdz ar slēpto slāņu skaitu un samazinās, kad tā sasniedz noteiktu vērtību. Turklāt pētījumos [32,33] atklājās, ka pieaugošais slēpto slāņu skaits ievērojami palielina skaitļošanas sarežģītību un pārmērīgu pielāgošanos. Pārmērības cēloņus var iedalīt trīs kategorijās [34]. Pirmā ir neliela apmācības paraugu datu kopa, kas nevar atspoguļot kopējās iespējamās situācijas.

Tas novedīs pie mazāk precīzas apmācītā tīkla prognozēšanas. Tāpēc apmācības datu kopai pēc iespējas vairāk jāietver visu veidu dati. Otrais ir tīkls, kas nevar precīzi novērtēt saikni starp ievadi un izvadi, jo tiek pārmērīgi traucēti apmācības dati. Trešais ir tīkla augstā sarežģītība. Šādos apstākļos tam būtu jāapstrādā daudzi parametri, lai tīkls varētu precīzi pielāgot visus apmācības datu kopas datus. Tā rezultātā apmācītais tīkls nevar vispārināt testa datu kopu. Tāpēc atbilstošam slēpto slāņu skaitam ir izšķiroša nozīme sistēmas veiktspējā. Simulācijas eksperimentālie rezultāti 5. tabulā parāda, ka sistēmai ir vislabākā noteikšanas veiktspēja, ja slēpto slāņu skaits ir 8.

LSTM tīkla un LSTM uzmanības tīkla precizitātes salīdzinājums parādīts 5. tabulā. LSTM uzmanības tīkla precizitāte ir ievērojami augstāka nekā LSTM tīkla precizitāte.

Ir labi zināms, ka lietus, sniegs, putenis, migla, dūmaka, piesārņojums un tā tālāk ir atmosfēras faktori, kas ietekmē lāzera starus. To klātbūtne izraisa optisko signālu atstarošanu, refrakciju, izkliedi un vājināšanos. Ir pierādīts, ka atmosfēras turbulence seko gamma-gamma sadalījumam, un vāju, mērenu un spēcīgu turbulences intensitāti var izteikt ar refrakcijas indeksa struktūras konstanti C 2 n=2 × 10−. 18, C 2 n=2 × 10-15 un C 2 n=2 × 10-12, attiecīgi [35] Dažādu atmosfēras turbulences intensitātes līknes pret BER ir parādītas 6. attēlā, kur nolaišanās koeficients ir 0,6, τ=0,8, un pārraides attālums ir 500 m. No attēla redzams, ka BER veiktspēja pakāpeniski uzlabojas, samazinoties turbulences intensitātei. Ja BER ir=3.8 × 10–3, vājas turbulences BER veiktspēja ir attiecīgi par aptuveni 2 dB un 5 dB labāka nekā vidēji spēcīgai un spēcīgai turbulencei.

7. attēlā ir parādīta FTN formēšanas filtra izkrišanas faktora ietekme uz BER ar citu dekodētāju, kur paātrinājuma koeficients ir 0.8. Kā parādīts 7.a attēlā, kad BER=10−4, LSTM uzmanības dekodētājs uzlabo BER veiktspēju par aptuveni 1 dB, salīdzinot ar BP algoritmu. 7.b attēlā parādīts, ka LSTM uzmanības dekodētājs uzlabo BER veiktspēju par aptuveni 2,5 dB salīdzinājumā ar MLSE algoritmu, ja BER=10−4. Tāpēc LSTM uzmanība ir izdevīga, lai uzlabotu BER veiktspēju salīdzinājumā ar tradicionālo dekodētāju.

8. attēlā parādīta paātrinājuma faktora ietekme uz sistēmas BER veiktspēju. Ja BER ir 10-4 un paātrinājuma koeficients samazinās no 1 līdz 0.9 un 0.8, BER veiktspēja samazinās attiecīgi par aptuveni 2 dB un 4 dB. Ja BER ir 10-3 un paātrinājuma koeficients samazinās no 1 līdz 0,9 un 0,8, BER veiktspēja samazinās attiecīgi par aptuveni 1 dB un 4,5 dB. No attēla var secināt, ka BER līknes strauji samazinās, samazinoties paātrinājuma koeficientam. Tomēr, pamatojoties uz spektra efektivitātes uzlabošanu, sistēma joprojām var nodrošināt labu sakaru kvalitāti, ja paātrinājuma koeficients ir 0,8. Tādējādi priekšlikums ir izdevīgs sistēmas veiktspējas uzlabošanai.

Lai vēl vairāk ilustrētu piedāvātās metodes priekšrocības, kā parādīts 6. tabulā, tiek salīdzināts LSTM uzmanības un BP tīkla darbības laiks.

Laika sarežģītība ir saistīta ar aparatūras izpildi un ietver nepieciešamo darbību skaitu, apstrādājamo elementu skaitu un darbības pabeigšanai nepieciešamo ceļa garumu. Simulācijas eksperimentus īsteno Matlab 2018a un Pycharm 2021.3.2. Kā testa platforma tiek izmantots NVIDIA GeForce RTX 3050 klēpjdatora GPU. Apmācības procesā nejauši tiek ģenerēti 50,{6}} dati, no kuriem 80% tiek izmantoti kā apmācības datu kopa, bet pārējie 20% tiek izmantoti kā testa datu kopa. LSTM uzmanības tīkls pārspēj BP tīklu. Tas ir tāpēc, ka BP neironu tīkla konverģences ātrums ir lēns.

6. Secinājumi

Šajā rakstā ir piedāvāts LSTM uzmanības dekodētājs modulētās 4PPM – QPSK – FTN OWC sistēmas hibrīda signāla noteikšanai. LSTM uzmanības tīkls var mazināt gradienta izzušanas, gradienta eksplozijas un blakus esošo simbolu savstarpējās atkarības problēmas. Eksperimentālā simulācija parāda, ka mūsu priekšlikumam ir izcila signāla noteikšanas veiktspēja hibrīdmodulētiem FTN signāliem. Saņemto signālu var precīzi paredzēt un ātri un pareizi atšifrēt. Tādējādi shēma var efektīvi uzlabot BER darbību, pamatojoties uz frekvenču spektra efektivitātes nodrošināšanu.

Autora ieguldījums:

Konceptualizācija, MC, RY, JX un HW; Metodoloģija, MC, HW un RY; Validācija, MC, RY un JX; Izmeklēšana, JX un KJ; Resursi, RY un JX; Datu pārvaldīšana, JX; Rakstīšana — oriģinālā uzmetuma sagatavošana, JX un RY; rakstīšana — pārskatīšana un rediģēšana, MC, HW, RY un KJ; Vizualizācija, RY un HW; Uzraudzība, MC un HW; Projekta administrācija, MC Visi autori ir izlasījuši un piekrituši publicētajai manuskripta versijai.

Finansējums:

Šo pētījumu finansēja NSFC programma (62265010, 61875080, 62261033) un Gansu provinces Dabaszinātņu fonds, Ķīna (20JR5RA472).

Institucionālās pārbaudes padomes paziņojums:

Nav piemērojams.

Informētas piekrišanas paziņojums:

Nav piemērojams.

Paziņojums par datu pieejamību:

Pētījums nesniedza nekādus datus.

Pateicības:

Mēs pateicamies par Rui Wang palīdzību programmas sagatavošanā un atkļūdošanā. Mēs arī pateicamies Yan Qiu un Hongtao Zhou par palīdzību angļu valodas rakstīšanā un detaļās.

Interešu konflikti:

Autori paziņo, ka nav interešu konflikta.

Atsauces

1. Ke, XZ; Jing, YK Tāla lauka lāzera punktu attēla noteikšana izmantošanai atmosfēras turbulences apstākļos. Izvēlēties. Inž. 2020, 59, 016103. [CrossRef]

2. Vū, P.; Ke, X.; Li, M.; Džans, Q. Daudzjoslu CAP modulācijas sistēmas veiktspējas un līdzsvara eksperiments bezvadu optiskajā komunikācijā. Izvēlēties. Commun. 2019, 434., 128.–135. [CrossRef]

3. Mazo, J. Ātrāka nekā nyquist signalizācija. Zvanu sistēma. Tehn. J. 1975, 54, 1451–1462. [CrossRef]

4. Bāls, LR; Koks, Dž.; Jelineks, F.; Raviv, J. Optimāla lineāro kodu dekodēšana simbolu kļūdu līmeņa samazināšanai. IEEE Trans. Inf. Teorija 1974, 20, 284–287. [CrossRef]

5. Matar, MO; Jana, M.; Mitra, J.; Lampe, L.; Lis, M.; Soc, IC Turbo Maximum-a-Posteriori ekvalaizers ātrāk nekā Nyquist lietojumprogrammām. Proceedings of the 28th IEEE International Symposium on Field-Programmable Custom Computing Machines (FCCM), Fayetteville, AR, ASV, 2020. gada 3.–6. maijs; 167.–171.lpp.

6. Cococcioni, M.; Rosi, F.; Ruffaldi, E.; Saponāra, S.; de Dinechin, BD Jaunā aritmētika dziļo neironu tīklu signālu apstrādē autonomai braukšanai: izaicinājumi un iespējas. IEEE signāla process. Mag. 2021, 38, 97–110. [CrossRef]

7. Amirabadi, MA; Kahaei, MH; Nezamalhosseni, SA Zemas sarežģītības dziļās mācīšanās algoritmi atmosfēras turbulences kompensēšanai brīvās telpas optisko sakaru sistēmā. IET optoelektrons. 2022, 16, 93–105. [CrossRef]

8. Li, S.; Yuan, W.; Juaņs, Dž.; Bai, B.; Ng, DWK; Hanzo, L. Laika domēna un frekvences domēna izlīdzināšana FTN signalizācijai. IEEE Trans. Veh. Tehn. 2020, 69, 9174–9179. [CrossRef]

9. Yang, Y.; Gao, F.; Ma, X.; Džans, S. Uz dziļu mācīšanos balstīta kanālu novērtēšana divkārši selektīviem izbalēšanas kanāliem. IEEE Access 2019, 7, 36579–36589. [CrossRef] 10. Huang, H.; Jans, Dž.; Huangs, H.; Dziesma, Y.; Gui, G. Deep mācīšanās super-izšķirtspējas kanālu novērtēšanai un DOA aplēsēm balstītai masīvai MIMO sistēmai. IEEE Trans. Veh. Tehn. 2018, 67, 8549–8560. [CrossRef]

11. Hu, F.; Holguin-Lerma, JA; Mao, Y.; Zou, P.; Shen, C.; Ng, TK; Ooi, BS; Chi, N. Demonstrācija zemas sarežģītības atmiņas polinomu atbalstīta neironu tīkla ekvalaizera CAP redzamās gaismas komunikācijai ar superluminiscences diode. Opto-Electron. Adv. 2020, 3., 4.–14. [CrossRef]

12. Liang, S.; Dzjans, Z.; Cjao, L.; Lu, X.; Chi, N. Ātrāka nekā Nyquist iepriekš kodēta CAP modulācija redzamās gaismas sakaru sistēma, kuras pamatā ir nelineāra svērtā uzmeklēšanas tabulas iepriekšēja kropļošana. IEEE Photonics J. 2018, 10, 7900709. [CrossRef]

13. Hohreiters, S.; Schmidhuber, J. Ilgtermiņa īstermiņa atmiņa. Neironu skaitļošana. 1997, 9, 1735–1780. [CrossRef]

14. Sainath, TN; Vinyals, O.; Seniors, A.; Sak, H. Konvolucionāla, ilgtermiņa īstermiņa atmiņa, pilnībā savienoti dziļi neironu tīkli. 2015. gada IEEE starptautiskās konferences par akustiku, runas un signālu apstrādi (ICASSP) dokumentācijā, Dienvidbrisbenā, Austrālijā, 2015. gada 19.–24. aprīlis; IEEE: Piscataway, Ņūdžersija, ASV, 2015; 4580.–4584.lpp.

15. Lai, S.; Li, M. Recurrent Neural Network Assisted Equalization for FTN Signaling. IEEE Starptautiskās komunikācijas konferences (IEEE ICC)/Semināra par NOMA for 5G and Beyond, Electr Network, Dublinā, Īrijā, 2020. gada 7.–11. jūnija materiālos.

For more information:1950477648nn@gmail.com