LSTM Attention Neurale netwerkgebaseerde signaaldetectie voor hybride gemoduleerde, sneller dan Nyquist optische draadloze communicatie

Samenvatting:

Om de nauwkeurigheid van signaalherstel na verzending via een atmosferisch turbulentiekanaal te verbeteren, wordt een op deep learning gebaseerde signaaldetectiemethode voorgesteld voor een sneller dan Nyquist (FTN) hybride gemoduleerd optisch draadloos communicatiesysteem (OWC). Het maakt gebruik van het langetermijngeheugennetwerk (LSTM) in het recurrente neurale netwerk (RNN) om het onderlinge afhankelijkheidsprobleem van aangrenzende symbolen te verlichten. Bovendien wordt een LSTM-aandachtsdecoder geconstrueerd door gebruik te maken van het aandachtsmechanisme, dat de tekortkomingen van conventionele LSTM kan verlichten. De simulatieresultaten laten zien dat de bit error rate (BER)-prestaties van het voorgestelde LSTM-aandachtsneurale netwerk 1 dB beter zijn dan die van het backpropagation (BP) neurale netwerk en 2,5 dB beter presteren in vergelijking met de maximale waarschijnlijkheidssequentieschatting (MLSE). detectie methode.

Een terugkerend neuraal netwerk is een type neuraal netwerk dat de volgende output kan beïnvloeden door eerdere resultaten te nemen. Dergelijke neurale netwerken worden veel gebruikt bij de verwerking van natuurlijke taal, spraakherkenning, beeldverwerking en het voorspellen van toekomstige gebeurtenissen. Het grootste voordeel van RNN's is hun vermogen om informatie uit het verleden op te slaan en te gebruiken, wat de nauwkeurigheid en stabiliteit verbetert.

Het terugkerende neurale netwerk realiseert de opslag en het gebruik van informatie via het geheugen. Wanneer informatie van de invoerlaag naar het neurale netwerk wordt doorgegeven, slaat het neuron de informatie op en geeft deze door aan het volgende neuron. Dit cyclische proces wordt een ringstructuur die nieuwe outputs bepaalt. Bij het ontwerp van dit terugkerende neurale netwerk wordt niet alleen rekening gehouden met nieuwe input in het netwerk, maar ook met de sporen die door alle eerdere input zijn achtergelaten.

Ook het geheugen van het terugkerende neurale netwerk weerspiegelt volledig de menselijke manier van denken. Het menselijk brein is ook in staat redelijke oordelen te vellen door middel van geheugen en speculatie over historische informatie. Dit is ook hoe terugkerende neurale netwerken werken. Historische informatie speelt een grote rol in het menselijke denkproces, waardoor we ons gebeurtenissen correct kunnen herinneren en problemen kunnen oplossen. Dit komt overeen met het ontwerpprincipe van terugkerende neurale netwerken.

Daarom kunnen we bedenken dat positief geheugen cruciaal is voor zowel het menselijk denken als de werking van terugkerende neurale netwerken. Een goed geheugen kan ons helpen problemen beter op te lossen en roem en fortuin te verwerven. Terugkerende neurale netwerken kunnen alle informatie in grote hoeveelheden gegevens leren en onthouden, waardoor mensen toekomstige trends kunnen voorspellen en complexe taken kunnen uitvoeren. Op deze manier kan het geheugen van terugkerende neurale netwerken niet alleen onze levenskwaliteit verbeteren, maar ons ook meer commerciële en wetenschappelijke waarde opleveren. Het is duidelijk dat we ons geheugen moeten verbeteren, en Cistanche deserticola kan ons aanzienlijk helpen ons geheugen te verbeteren, omdat Cistanche deserticola een traditioneel Chinees medicinaal materiaal is dat veel unieke effecten heeft, waaronder het verbeteren van het geheugen. De werkzaamheid van gehakt komt voort uit een verscheidenheid aan actieve ingrediënten die het bevat, waaronder carbonzuur, polysachariden, flavonoïden, enz. Deze ingrediënten kunnen via verschillende kanalen de gezondheid van de hersenen bevorderen.

Klik op supplementen kennen om het geheugen te vergroten

Trefwoorden:

Sneller dan Nyquist; neuraal netwerk; hybride modulatie; aandachtsmechanisme; optische draadloze communicatie.

1. Inleiding

Vergeleken met traditionele radiofrequentie (RF) communicatie heeft OWC de voordelen van een hoge systeemcapaciteit, immuniteit tegen interferentie, goede beveiliging, flexibiliteit en snelle opbouw, en lage kosten [1]. De transmissie van optische draadloze signalen wordt echter beïnvloed door atmosferische turbulentie, atmosferische absorptie, verstrooiing en breking. Het is moeilijk voor de ontvanger om een ​​nauwkeurig signaal te verkrijgen waarbij de variatie in de brekingsindexstructuur constant is, veroorzaakt door willekeurige variaties in de atmosferische temperatuur en druk. De multiband draaggolfvrije amplitudefase (CAP) modulatietechniek werd voorgesteld in [2] om de systeemcapaciteit en het frequentiebandgebruik van OWC onder het Gamma-Gamma atmosferische turbulentiekanaal te verbeteren. De experimentele resultaten tonen aan dat de faseverschuiving goed wordt gecompenseerd en dat de intersymboolinterferentie (ISI) effectief wordt onderdrukt met behulp van het multi-modulusalgoritme (MMA). Om ISI-vrije transmissie in digitale communicatiesystemen te bereiken, moet de symboolsnelheid echter het Nyquist-criterium volgen. Dit beperkt de verdere verbetering van de spectrale efficiëntie van het OWC-systeem.

In 1975 bewees Mazo dat hogere transmissiesnelheden konden worden bereikt met behulp van FTN-technologie [3]. FTN introduceert echter ISI om spectrale efficiëntie te bereiken, wat de moeilijkheid van signaaldetectie vergroot. De afgelopen jaren hebben onderzoeken naar FTN zich vooral gericht op modelgestuurde detectiealgoritmen. Detectie-algoritmen, zoals het lineaire detectie-algoritme op basis van minimale gemiddelde kwadratische foutschatting (MMSE) [4], nulforcering (ZF), maximum a posteriori-algoritme (MAP) [5] en niet-lineaire detectie-algoritme, presteren onbevredigend voor FTN-signalen met een hoge versnellingsfactor en de implementatiecomplexiteit zijn extreem hoog. Interessant is dat de prestaties van het FTN-signaaldetectiealgoritme op basis van deep learning (DL) de traditionele modelgestuurde algoritmen overtreffen [6]. In [7] wordt DL ingezet bij de transceiver van een FSO-systeem voor compensatie van atmosferische turbulentie. Dit geeft aan dat het gebruik van DL in OWC superieure prestaties kan bereiken met een lagere complexiteit.

Om de hoge complexiteit van kanaalschatting, veroorzaakt door het gebrek aan translatie-invariantie van de covariantiematrix, te elimineren, hebben Neumann David et al. gebruikte de MMSE en convolutionele neurale netwerken (CNN's) om dit tekort te compenseren [8]. Yang Y et al. stelde een dual-selectieve schattingsmethode voor kanaalfading voor, gebaseerd op diepe neurale netwerken (DNN's) voor kanaalschatting [9]. Het combineert offline training en online leren om uiterst nauwkeurige kanaalschattingen met superresolutie door DNN te realiseren. Aan de andere kant wordt kanaalequalisatietechnologie vaak gebruikt om de ISI te elimineren om de kwaliteit van het signaal te verbeteren [10,11]. Vanuit het perspectief van DL kan kanaalegalisatie worden beschouwd als het probleem van hoe de verzonden symbolen zo nauwkeurig mogelijk uit de ontvangen symbolen kunnen worden hersteld. De DL-module kan worden beschouwd als een "black box", die wordt gedecodeerd door het neurale netwerk bij de ontvanger, waardoor de demodulatie van het verzonden signaal wordt gerealiseerd. Liang S. et al. een experimenteel systeem opgezet voor differentiële FTN-voorcodering van zichtbaar-lichtcommunicatie met behulp van CAP-modulatie [12]. Het optimaliseert het decoderingsalgoritme volgens de DL-methode en verifieert de uitvoerbaarheid van DL in het FTN-FSO-systeem.

Als verbetering van RNN werd het LSTM-netwerk in 1997 voorgesteld door Hochreiter en Schmidhuber en is op veel gebieden gebruikt [13]. Een convolutioneel diep neuraal netwerk voor de korte termijn (CLDNN) werd geïntroduceerd in [14], dat gebruik maakt van de complementaire aard van CNN en LSTM om de architecturen van CNN en LSTM te combineren tot diepe neurale netwerken. De auteurs van [15] stelden een RNN voor, genaamd bidirectioneel lange-kortetermijngeheugen (Bi-LSTM), om het kenmerk van ISI te karakteriseren dat in FTN-signalering is geïntroduceerd. Bovendien beschrijft het een "mismatch SNR"-strategie voor het opbouwen van de trainingsdataset die effectief kan helpen overfitting te voorkomen. Aan de andere kant zijn er verschillende DL-benaderingen gebruikt om de problemen in draadloze communicatie aan te pakken en waardevolle conclusies te trekken. Biao Gong heeft de demodulatietechnologie van CNN bestudeerd in atmosferische lasercommunicatie met orbitaal impulsmoment (OAM) [16].

Siying Mao laat door experimenten in [17] zien dat RNN en LSTM enkele voordelen hebben bij het decoderen van aliassignalen. Om de netwerkprestaties verder te verbeteren en de meest onderscheidende kenmerken te selecteren, wordt een aandachtsmechanisme in het netwerk geïntroduceerd om de afhankelijkheden tussen kenmerken te onderzoeken. De auteurs van [18] stelden een duaal aandachtsnetwerk (DANet) voor met een zelfaandachtsmechanisme om de discriminant van kenmerkrepresentaties voor scènesegmentatie te verbeteren, waarbij een positie-aandachtsmodule wordt voorgesteld om de ruimtelijke onderlinge afhankelijkheden van kenmerken en een kanaalaandacht te leren. module is ontworpen om de onderlinge afhankelijkheden van kanalen te modelleren. Het verbetert de segmentatie aanzienlijk door rijke contextuele afhankelijkheden over lokale kenmerken te modelleren. Op de IEEE ICAIT-conferentie van 2022 hebben we een BP-neuraal netwerk voorgesteld om de BER-prestaties van signaaldetectie in een atmosferisch kanaal te bevorderen [19]. Een BP-neuraal netwerk heeft de voordelen van een hoog zelflerend vermogen en een zelfaanpassend vermogen. Het kan tijdens het trainingsproces de mappingregels tussen invoer- en uitvoergegevens leren en dergelijke regels adaptief onthouden door gebruik te maken van de netwerkgewichten. Daarom wordt het neurale netwerk minder beïnvloed door de versnellingsfactor en de roll-off-factor, waardoor het spectrumgebruik van het systeem met een FTN-snelheid wordt gegarandeerd.

Het vergeten van sequentie-informatie bestaat echter in neurale netwerken van BP. Daarom gebruiken we het LSTM neurale netwerk en aandachtsmechanisme om het probleem van het vergeten van sequentie-informatie te overwinnen. Tegenwoordig is het aandachtsmechanisme een gebruikelijke gegevensverwerkingsmethode geworden op het gebied van DL en wordt het veel gebruikt bij verschillende DL-taken, zoals natuurlijke taalverwerking, beeldherkenning en spraakherkenning. Het samenstellen van kenmerken door grotere gewichten toe te kennen aan enkele 'significante' kenmerken reduceert niet alleen de parameters van het netwerk, maar verbetert ook het onderscheidend vermogen van de kenmerken. Daarom wordt het aandachtsmechanisme in het LSTM-netwerk geïntroduceerd om een ​​LSTM-aandachtsdecoder te bouwen voor de signaaldetectie van een hybride gemoduleerd FTN OWC-systeem met pulspositiemodulatie (PPM) en faseverschuivingssleuteling (QPSK) om de systeemprestaties te verbeteren en tegelijkertijd spectrumefficiëntie te garanderen. .

2. Systeemmodel

Traditioneel wordt intensiteitsmodulatie/directe detectie op basis van een aan-uit-sleutelschema (OOK) algemeen aanvaard in OWC vanwege de eenvoudige implementatie en lagere kosten [20]. Gezien de lage BER-prestaties en spectrumefficiëntie van OOK, wordt aangenomen dat PPM wordt gebruikt in OWC-communicatie. Vergeleken met OOK is het energieverbruik aanzienlijk verhoogd. Bovendien heeft gemoduleerde QPSK de kenmerken van een hoog spectrumgebruik en een sterke anti-interferentie [21]. Daarom kan het combineren van de PPM en QPSK de datatransmissiesnelheid en de systeembetrouwbaarheid verbeteren [22,23].

Figuur 1 toont het schema van het 4PPM en QPSK hybride gemoduleerde OWC-systeem met FTN-technologie. De gebruikersgegevens na de Gray-encoder worden eerst toegewezen aan respectievelijk 4PPM en QPSK. Daarna wordt het QPSK-signaal in het tijdslot van het 4PPM-signaal geladen om het 4PPM-QPSK hybride gemoduleerde signaal te vormen. Daarna wordt het geformatteerde 4PPMQPSK-signaal naar het FTN-vormfilter gestuurd voor FTN-signaalvorming. Vervolgens worden de gegevens, na de digitaal-naar-analoog-conversie (DAC), in het atmosferische kanaal gelanceerd. Aan de ontvangerzijde wordt het optische signaal dat via het atmosferische kanaal wordt verzonden eerst gedetecteerd door een fotodiode (PD) en vervolgens verzonden voor analoog-naar-digitaal-omzetting (ADC), aangepaste filtering en bemonstering. Daarna wordt het signaal naar de DL-module gestuurd voor gegevensherstel.

3. LSTM-aandachtsdecoder

RNN is een belangrijke tak van DL die niet alleen kan worden gebruikt voor de verwerking van tijdreeksgegevens, maar ook om zich te concentreren op de timing van het featuremodel. Bovendien is het nuttig voor het verwerken van reeksgegevens waarbij de invoer aan de voorkant de uitvoer aan de achterkant beïnvloedt [24]. Er zijn echter problemen met het verdwijnen en exploderen van gradiënten met de uitbreiding van de tijdlijn in traditionele RNN. Het verdwijnen van de gradiënt vindt plaats vanwege de Sigmoid-functie. De Sigmoid-functie wordt gewoonlijk gebruikt in de uitvoerlaag, maar de afgeleide van deze functie varieert van 0 tot 0.25. Wanneer het BP-algoritme wordt gebruikt om de gradiënt te berekenen, wordt de gradiënt van elke laag teruggebracht tot 1/4 van het origineel. Als er veel netwerklagen zijn, wordt de gradiënt klein. De waarde van het initiële netwerkgewicht moet groter dan 1 worden ingesteld om dit fenomeen te voorkomen, maar dit zal leiden tot een gradiëntexplosie [25]. Het heeft dus grote beperkingen bij het voorspellen van gegevens over lange tijdreeksen. Figuur 2 toont het diagram van het RNN-netwerk, ontvouwd langs de tijdlijn.

Om de bestaande problemen in RNN op te lossen, wordt voorgesteld dat het LSTM-netwerk het alomtegenwoordige langetermijnafhankelijkheidsprobleem in het netwerk oplost, waarvan is bewezen dat het effectief is bij het oplossen van de gradiëntverdwijnings- en gradiëntexplosieproblemen veroorzaakt door RNN [24]. Het grootste verschil tussen LSTM en RNN is dat RNN slechts één toestand heeft binnen een enkele terugkerende structuur, terwijl LSTM vier toestanden heeft en elke structuur is samengesteld uit een invoerpoort, vergeetpoort, uitvoerpoort en celstatus. Het diagram van het LSTM-netwerk wordt getoond in Figuur 3. ⊗ geeft de vermenigvuldiging van vectorelementen aan en ⊕ geeft de toevoeging van vectorelementen aan. Zowel de invoer- als de uitvoerpoort openen en verspreiden signalen alleen wanneer eerdere informatie nodig is. Op deze manier kan de eerdere informatie selectief worden opgeslagen. De functie van de vergeetpoort is om de fout van de geheugeneenheid te ontvangen en de in de geheugeneenheid opgeslagen waarde te "vergeten" wanneer dat nodig is, om de controle over de netwerkgewichten te bereiken.

Zowel RNN- als LSTM-netwerken zijn ontworpen om het probleem van lange tijdreeksen aan te pakken. Het netwerk zal echter de eerdere nuttige informatie vergeten vanwege het bestaan ​​van een vergeetpoort wanneer LSTM het gradiëntexplosieprobleem aanpakt. Dit verslechtert het effect van langdurige training en de systeemprestaties. Gelukkig is het aandachtsmechanisme een geweldige oplossing voor dit probleem [26]. Varianten van aandachtsmechanismen zijn onder meer multi-head aandacht, harde aandacht, gestructureerde aandacht en aandacht voor sleutel-waardeparen [27]. Multi-head aandacht maakt gebruik van meerdere query's om parallel te berekenen om meerdere stukjes informatie uit de invoer te selecteren. Elke aandacht richt zich op een ander deel van de input. Harde aandacht kan op twee manieren worden geïmplementeerd. Eén daarvan is het selecteren van de invoerinformatie met de hoogste waarschijnlijkheid. Een andere is om willekeurig de verdeling van de aandacht te bemonsteren. Gestructureerde aandacht houdt in dat u taakrelevante informatie uit de input haalt. Sleutel-waardepaar aandacht maakt gebruik van een sleutel-waardepaarformaat om invoerinformatie weer te geven, waarbij "sleutel" wordt gebruikt om de aandachtsverdeling te berekenen en "waarde" wordt gebruikt om de geselecteerde informatie te genereren. Gezien de uitstekende prestaties ervan, wordt het sleutel-waardepaar-aandachtsmechanisme gebruikt in ons voorstel om de LSTM-aandachtsdecoder uit te voeren, en het kan worden gebruikt om de ontvangen FTN-hybride signalen te verwerken. Het diagram van de LSTM-aandachtsdecoder wordt getoond in Figuur 4.

4. Simulatieanalyse

De grootte van de trainings- of testdataset is afhankelijk van de complexiteit van het systeem en het DL-algoritme. Het gebruik van een kleine dataset kan slechte detectieprestaties veroorzaken, omdat het model niet in staat zou zijn de diverse kenmerken van het systeem volledig te leren. Verder kan het gebruik van een grote dataset resulteren in een grotere rekencomplexiteit [30]. Er worden dus verschillende simulaties uitgevoerd om de geschikte datasetgrootte en de parameters te bepalen die de beste BER-prestaties zouden kunnen bieden. Opgemerkt moet worden dat de nauwkeurigheid van het neurale netwerk wordt beïnvloed door het DL-algoritme zelf, dat een belangrijke rol speelt bij het oplossen van sommige niet-lineaire problemen. Daarom moeten de prestaties en robuustheid ervan worden geëvalueerd. Zonder verlies van algemeenheid worden enkele gemeenschappelijke parameters in overweging genomen. De parameters die in de simulatie worden gebruikt, staan ​​vermeld in Tabel 1.

Tabel 2 toont de nauwkeurigheid van het netwerk bij verschillende leersnelheden. Een gevalideerd systeem heeft een passend leertempo nodig. Als de leersnelheid te groot is, kan het netwerk niet convergeren, terwijl als het te klein is, het netwerk zeer langzaam zal convergeren of het leren niet kan voltooien. Bovendien kan het netwerk veranderen van underfitting naar overfitting naarmate het leertempo toeneemt [31]. Uit de tabel blijkt duidelijk dat 0.002 de beste prestaties levert.

De selectie van verborgen lagen is een ander belangrijk punt. Een laag of hoog aantal verborgen lagen leidt tot het fenomeen van underfitting of overfitting [31]. De relatie tussen het aantal verborgen lagen en de nauwkeurigheid wordt weergegeven in Tabel 4. De nauwkeurigheid neemt geleidelijk toe met het aantal verborgen lagen en neemt af wanneer deze een bepaalde waarde bereikt. Bovendien is uit onderzoek in [32,33] gebleken dat het toenemende aantal verborgen lagen resulteert in een aanzienlijke toename van de rekencomplexiteit en overfitting. De oorzaken van overfitting kunnen in drie categorieën worden onderverdeeld [34]. De eerste is een kleine dataset van trainingsvoorbeelden die niet de algemene mogelijke situaties kunnen weerspiegelen.

Dit zal leiden tot een minder nauwkeurige voorspelling van het getrainde netwerk. Daarom moet de trainingsdataset zoveel mogelijk alle soorten gegevens omvatten. De tweede is een netwerk dat de relatie tussen input en output niet nauwkeurig kan inschatten vanwege de overmatige interferentie van trainingsgegevens. De derde is de hoge complexiteit van het netwerk. Onder de gegeven omstandigheden zou het veel parameters moeten verwerken om het netwerk in staat te stellen alle gegevens in de trainingsdataset nauwkeurig in te passen. Als gevolg hiervan kan het getrainde netwerk niet generaliseren naar de testgegevensset. Daarom is het juiste aantal verborgen lagen cruciaal voor de prestaties van het systeem. De experimentele simulatieresultaten in Tabel 5 laten zien dat het systeem de beste detectieprestaties heeft als het aantal verborgen lagen 8 is.

De vergelijking van de nauwkeurigheid van het LSTM-netwerk en het LSTM-aandachtsnetwerk wordt weergegeven in Tabel 5. De nauwkeurigheid van het LSTM-aandachtsnetwerk is aanzienlijk hoger dan die van het LSTM-netwerk.

Het is bekend dat regen, sneeuw, natte sneeuw, mist, nevel, vervuiling, enzovoort atmosferische factoren zijn die de laserstralen beïnvloeden. Hun aanwezigheid veroorzaakt reflectie, breking, verstrooiing en verzwakking van optische signalen. Het is bewezen dat atmosferische turbulentie de Gamma-Gamma-verdeling volgt, en dat zwakke, matige en sterke turbulentie-intensiteit kan worden uitgedrukt door de brekingsindexstructuurconstante van C 2 n=2 × 10− 18, respectievelijk C 2 n=2 × 10−15 en C 2 n=2 × 10−12 [35] De curven van verschillende atmosferische turbulentie-intensiteiten versus BER worden weergegeven in Figuur 6, waar de de roll-off-factor is 0,6, τ=0.8, en de transmissieafstand is 500 m. Uit de figuur blijkt duidelijk dat de BER-prestaties geleidelijk verbeteren naarmate de turbulentie-intensiteit afneemt. Wanneer BER=3.8 × 10−3 is, zijn de BER-prestaties van zwakke turbulentie ongeveer 2 dB en 5 dB beter dan die van respectievelijk matige en sterke turbulentie.

Figuur 7 toont de invloed van de roll-off factor van het FTN shaping filter op BER met een andere decoder, waarbij de versnellingsfactor 0.8 is. Zoals weergegeven in figuur 7a verbetert de LSTM-aandachtsdecoder, wanneer BER=10−4, de BER-prestaties met ongeveer 1 dB vergeleken met het BP-algoritme. Figuur 7b laat zien dat de LSTM-aandachtsdecoder de BER-prestaties met ongeveer 2,5 dB verbetert vergeleken met het MLSE-algoritme wanneer BER=10−4. Daarom is LSTM-aandacht nuttig om de BER-prestaties te verbeteren in vergelijking met de traditionele decoder.

Figuur 8 toont de impact van de versnellingsfactor op de BER-prestaties van het systeem. Wanneer de BER 10−4 is en de versnellingsfactor afneemt van 1 naar 0.9 en 0.8, nemen de BER-prestaties af met respectievelijk ongeveer 2 dB en 4 dB. Wanneer de BER 10−3 is en de versnellingsfactor afneemt van 1 naar 0.9 en 0,8, nemen de BER-prestaties af met respectievelijk ongeveer 1 dB en 4,5 dB. Uit de figuur kan worden geconcludeerd dat de BER-curven snel afnemen naarmate de versnellingsfactor afneemt. Onder de vooronderstelling van het verbeteren van de spectrumefficiëntie kan het systeem echter nog steeds een goede communicatiekwaliteit garanderen wanneer de versnellingsfactor 0,8 is. Het voorstel is dus gunstig voor het verbeteren van de prestaties van het systeem.

Om de voordelen van de voorgestelde methode verder te illustreren, zoals weergegeven in Tabel 6, worden de looptijden van het LSTM-attentie- en BP-netwerk vergeleken.

De tijdscomplexiteit is gekoppeld aan de hardware-uitvoering en omvat het aantal benodigde bewerkingen, het aantal te verwerken elementen en de padlengte die nodig is om een ​​bewerking te voltooien. De simulatie-experimenten zijn geïmplementeerd door Matlab 2018a en Pycharm 2021.3.2. Als testplatform wordt een NVIDIA GeForce RTX 3050 laptop GPU gebruikt. Tijdens het trainingsproces worden willekeurig 50000 gegevens gegenereerd, waarvan 80% wordt gebruikt als trainingsdataset en de resterende 20% als testdataset. Het LSTM-aandachtsnetwerk presteert beter dan het BP-netwerk. Dit komt omdat de convergentiesnelheid van het neurale netwerk van BP laag is.

6. Conclusies

In dit artikel wordt een LSTM-aandachtsdecoder voorgesteld voor signaaldetectie van het hybride gemoduleerde 4PPM – QPSK – FTN OWC-systeem. Het LSTM-aandachtsnetwerk kan de problemen van het verdwijnen van gradiënten, het exploderen van gradiënten en de onderlinge afhankelijkheid tussen aangrenzende symbolen verlichten. De experimentele simulatie laat zien dat ons voorstel uitstekende signaaldetectieprestaties biedt voor hybride gemoduleerde FTN-signalen. Het ontvangen signaal kan nauwkeurig worden voorspeld en snel en correct worden gedecodeerd. Derhalve kan de regeling de prestaties van de BER effectief verbeteren, uitgaande van het waarborgen van spectrumefficiëntie.

Auteursbijdragen:

Conceptualisatie, MC, RY, JX en HW; Methodologie, MC, HW en RY; Validatie, MC, RY en JX; Onderzoek, JX en KJ; Bronnen, RY en JX; Datacuratie, JX; Schrijven - originele conceptvoorbereiding, JX en RY; schrijven - beoordelen en redigeren, MC, HW, RY en KJ; Visualisatie, RY en HW; Supervisie, MC en HW; Projectadministratie, MC Alle auteurs hebben de gepubliceerde versie van het manuscript gelezen en gaan ermee akkoord.

Financiering:

Dit onderzoek werd gefinancierd door het NSFC-programma (62265010, 61875080, 62261033) en de Natural Science Foundation van de provincie Gansu, China (20JR5RA472).

Verklaring van de institutionele beoordelingsraad:

Niet toepasbaar.

Verklaring van geïnformeerde toestemming:

Niet toepasbaar.

Verklaring over gegevensbeschikbaarheid:

Het onderzoek leverde geen gegevens op.

Dankbetuigingen:

Wij erkennen dankbaar de hulp van Rui Wang bij het voorbereiden en debuggen van het programma. We danken ook Yan Qiu en Hongtao Zhou voor hun hulp bij het schrijven en de details in het Engels.

Belangenconflicten:

De auteurs verklaren geen belangenverstrengeling.

Referenties

1. Ke, XZ; Jing, YK Far-field laserspotbeelddetectie voor gebruik onder atmosferische turbulentie. Opt. Eng. 2020, 59, 016103. [Kruisref]

2. Wu, P.; Ke, X.; Li, M.; Zhang, Q. Prestatie- en evenwichtsexperiment van een multiband CAP-modulatiesysteem in draadloze optische communicatie. Opt. Gemeenschappelijk. 2019, 434, 128–135. [Kruisref]

3. Mazo, J. Sneller dan nyquist-signalering. Belsysteem. Technologie. J. 1975, 54, 1451–1462. [Kruisref]

4. Bahl, LR; Cocke, J.; Jelinek, F.; Raviv, J. Optimale decodering van lineaire codes voor het minimaliseren van het aantal symboolfouten. IEEE Trans. Inf. Theorie 1974, 20, 284–287. [Kruisref]

5. Matar, MO; Jana, M.; Mitra, J.; Lampe, L.; Lis, M.; Soc, IC Een Turbo Maximum-a-Postteriori Equalizer voor snellere toepassingen dan Nyquist. In Proceedings of the 28th IEEE International Symposium on Field-Programmable Custom Computing Machines (FCCM), Fayetteville, AR, VS, 3-6 mei 2020; blz. 167–171.

6. Cococcioni, M.; Rossi, F.; Ruffaldi, E.; Saponara, S.; de Dinechin, BD Nieuwe rekenkunde in diepe neurale netwerken Signaalverwerking voor autonoom rijden: uitdagingen en kansen. IEEE-signaalproces. Mag. 2021, 38, 97–110. [Kruisref]

7. Amirabadi, MA; Kahaei, MH; Nezamalhosseni, SA Deep learning-algoritmen met lage complexiteit voor het compenseren van atmosferische turbulentie in het optische communicatiesysteem in de vrije ruimte. IET opto-elektron. 2022, 16, 93–105. [Kruisref]

8. Li, S.; Yuan, W.; Yuan, J.; Bai, B.; Ng, DWK; Hanzo, L. Egalisatie van tijddomein versus frequentiedomein voor FTN-signalering. IEEE Trans. Veh. Technologie 2020, 69, 9174–9179. [Kruisref]

9. Yang, Y.; Gao, F.; Ma, X.; Zhang, S. Op diep leren gebaseerde kanaalschatting voor dubbel selectieve fadingkanalen. IEEE-toegang 2019, 7, 36579–36589. [Kruisref] 10. Huang, H.; Yang, J.; Huang, H.; Lied, Y.; Gui, G. Diep leren voor kanaalschatting met superresolutie en op DOA-schatting gebaseerd enorm MIMO-systeem. IEEE Trans. Veh. Technologie 2018, 67, 8549-8560. [Kruisref]

11. Hu, F.; Holguin-Lerma, JA; Mao, Y.; Zou, P.; Shen, C.; Ng, TK; Ooi, BS; Chi, N. Demonstratie van een geheugenpolynoom-ondersteunde neurale netwerkequalizer met lage complexiteit voor CAP-communicatie met zichtbaar licht met superluminescente diode. Opto-elektron. Gev. 3, 4–14 2020. [Kruisref]

12. Liang, S.; Jiang, Z.; Qiao, L.; Lu, X.; Chi, N. Sneller dan Nyquist voorgecodeerd CAP-modulatie zichtbaar lichtcommunicatiesysteem gebaseerd op niet-lineair gewogen opzoektabel-voorvervorming. IEEE Photonics J. 2018, 10, 7900709. [Kruisref]

13. Hochreiter, S.; Schmidhuber, J. Lang kortetermijngeheugen. Neurale computer. 1997, 9, 1735–1780. [Kruisref]

14. Sainath, TN; Vinylals, O.; Senior, A.; Sak, H. Convolutioneel, lang kortetermijngeheugen, volledig verbonden diepe neurale netwerken. In Proceedings of the 2015 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), South Brisbane, Australië, 19-24 april 2015; IEEE: Piscataway, NJ, VS, 2015; blz. 4580-4584.

15. Lai, S.; Li, M. Terugkerende neurale netwerkondersteunde egalisatie voor FTN-signalering. In Proceedings of the IEEE International Conference on Communications (IEEE ICC)/Workshop on NOMA for 5G and Beyond, Electr Network, Dublin, Ierland, 7-11 juni 2020.

For more information:1950477648nn@gmail.com