Detecção de sinal baseada em rede neural de atenção LSTM para comunicações ópticas sem fio moduladas híbridas mais rápidas que Nyquist

Abstrato:

Para melhorar a precisão da recuperação do sinal após a transmissão através de um canal de turbulência atmosférica, um método de detecção de sinal baseado em aprendizagem profunda é proposto para um sistema de comunicação óptica sem fio modulada (OWC) híbrido mais rápido que Nyquist (FTN). Ele aproveita a rede de memória de longo prazo (LSTM) na rede neural recorrente (RNN) para aliviar o problema de interdependência de símbolos adjacentes. Além disso, um decodificador de atenção LSTM é construído empregando o mecanismo de atenção, que pode aliviar as deficiências do LSTM convencional. Os resultados da simulação mostram que o desempenho da taxa de erro de bit (BER) da rede neural de atenção LSTM proposta é 1 dB melhor do que o da rede neural de retropropagação (BP) e supera em 2,5 dB quando comparado com a estimativa de sequência de máxima verossimilhança (MLSE) método de detecção.

Uma rede neural recorrente é um tipo de rede neural que pode influenciar a próxima saída obtendo resultados anteriores. Essas redes neurais são amplamente utilizadas no processamento de linguagem natural, reconhecimento de fala, processamento de imagens e previsão de eventos futuros. A maior vantagem das RNNs é a sua capacidade de armazenar e utilizar informações passadas, o que melhora a precisão e a estabilidade.

A rede neural recorrente realiza o armazenamento e utilização de informações através da memória. Quando a informação é passada da camada de entrada para a rede neural, o neurônio armazena a informação e a repassa para o próximo neurônio. Este processo cíclico torna-se uma estrutura em anel que determina novos resultados. O projeto desta rede neural recorrente considera não apenas as novas entradas da rede, mas também os rastros deixados por todas as entradas anteriores.

A memória da rede neural recorrente também reflete plenamente o modo de pensar humano. O cérebro humano também é capaz de fazer julgamentos razoáveis ​​através da memória e da especulação sobre informações históricas. É também assim que funcionam as redes neurais recorrentes. A informação histórica desempenha um papel importante no processo de pensamento humano, permitindo-nos relembrar eventos corretamente e resolver problemas. Isto é consistente com o princípio de design de redes neurais recorrentes.

Portanto, podemos considerar que a memória positiva é crucial tanto para o pensamento humano quanto para o funcionamento das redes neurais recorrentes. Uma boa memória pode nos ajudar a resolver melhor os problemas e a ganhar fama e fortuna. As redes neurais recorrentes podem aprender e lembrar todas as informações em grandes quantidades de dados, ajudando as pessoas a prever tendências futuras e a realizar tarefas complexas. Desta forma, a memória das redes neurais recorrentes pode não só melhorar a nossa qualidade de vida, mas também trazer-nos mais valor comercial e científico. Percebe-se que precisamos melhorar a nossa memória, e a Cistanche deserticola pode nos ajudar significativamente a melhorar a nossa memória porque a Cistanche deserticola é um material medicinal tradicional chinês que tem muitos efeitos únicos, um dos quais é melhorar a memória. A eficácia da carne picada vem de uma variedade de ingredientes ativos que ela contém, incluindo ácido carboxílico, polissacarídeos, flavonóides, etc. Esses ingredientes podem promover a saúde do cérebro por meio de vários canais.

Clique em conhecer suplementos para aumentar a memória

Palavras-chave:

Mais rápido que Nyquist; rede neural; modulação híbrida; mecanismo de atenção; comunicação óptica sem fio.

1. Introdução

Comparado com a comunicação tradicional por radiofrequência (RF), o OWC tem as vantagens de alta capacidade do sistema, imunidade a interferências, boa segurança, flexibilidade e montagem rápida e baixo custo [1]. No entanto, a transmissão de sinais ópticos sem fio é afetada pela turbulência atmosférica, absorção atmosférica, espalhamento e refração. É difícil para o receptor obter um sinal preciso com a variação na constante da estrutura do índice de refração causada pela variação aleatória na temperatura e pressão atmosférica. A técnica de modulação de fase de amplitude livre de portadora multibanda (CAP) foi proposta em [2] para melhorar a capacidade do sistema e a utilização da banda de frequência do OWC sob o canal de turbulência atmosférica Gamma-Gamma. Os resultados experimentais demonstram que a mudança de fase é bem compensada e a interferência entre símbolos (ISI) é efetivamente suprimida usando o algoritmo multimódulo (MMA). Contudo, para alcançar uma transmissão livre de ISI em sistemas de comunicação digital, a taxa de símbolos deve seguir o critério de Nyquist. Isto limita a melhoria adicional na eficiência espectral do sistema OWC.

Em 1975, Mazo provou que taxas de transmissão mais altas poderiam ser alcançadas usando a tecnologia FTN [3]. No entanto, a FTN introduz o ISI para obter eficiência espectral, o que aumenta a dificuldade de detecção do sinal. Nos últimos anos, os estudos sobre FTN concentraram-se principalmente em algoritmos de detecção baseados em modelos. Algoritmos de detecção, como o algoritmo de detecção linear baseado na estimativa de erro quadrático médio mínimo (MMSE) [4], forçamento zero (ZF), algoritmo máximo a posteriori (MAP) [5] e algoritmo de detecção não linear, têm desempenho insatisfatório para Sinais FTN com alto fator de aceleração e complexidade de implementação extremamente alta. Curiosamente, o desempenho do algoritmo de detecção de sinal FTN baseado em aprendizagem profunda (DL) supera os algoritmos tradicionais baseados em modelo [6]. Em [7], DL é implantado no transceptor de um sistema FSO para compensação de turbulência atmosférica. Isso indica que o uso de DL no OWC pode alcançar desempenho superior com menor complexidade.

Para eliminar a alta complexidade da estimativa do canal causada pela falta de invariância de tradução da matriz de covariância, Neumann David et al. empregou o MMSE e redes neurais convolucionais (CNNs) para compensar essa deficiência [8]. YangY et al. propuseram um método de estimativa de desvanecimento de canal duplo seletivo baseado em redes neurais profundas (DNNs) para estimativa de canal [9]. Ele combina treinamento offline e aprendizado online para obter estimativa de canal de super-resolução de alta precisão por DNN. Por outro lado, a tecnologia de equalização de canal é frequentemente utilizada para eliminar o ISI e melhorar a qualidade do sinal [10,11]. Do ponto de vista da DL, a equalização de canal pode ser considerada como o problema de como recuperar os símbolos transmitidos com a maior precisão possível a partir dos símbolos recebidos. O módulo DL pode ser considerado uma “caixa preta”, que é decodificada pela rede neural no receptor, realizando assim a desmodulação do sinal transmitido. Liang S. et al. configurar um sistema experimental de pré-codificação diferencial de comunicação de luz visível FTN usando modulação CAP [12]. Otimiza o algoritmo de decodificação pelo método DL e verifica a praticabilidade do DL no sistema FTN-FSO.

Como uma melhoria para RNN, a rede LSTM foi proposta por Hochreiter e Schmidhuber em 1997 e tem sido utilizada em muitos campos [13]. Uma rede neural profunda convolucional de longo curto prazo (CLDNN) foi introduzida em [14], que explora a natureza complementar de CNN e LSTM para combinar as arquiteturas de CNN e LSTM em redes neurais profundas. Os autores de [15] propuseram uma RNN chamada memória bidirecional de longo curto prazo (Bi-LSTM) para caracterizar o recurso ISI introduzido na sinalização FTN. Além disso, descreve uma estratégia de "incompatibilidade SNR" para construir o conjunto de dados de treinamento que pode efetivamente ajudar a prevenir o sobreajuste. Por outro lado, várias abordagens de DL têm sido utilizadas para resolver os problemas da comunicação sem fio e chegar a conclusões valiosas. Biao Gong estudou a tecnologia de desmodulação da CNN em comunicações de laser atmosférico de momento angular orbital (OAM) [16].

Siying Mao mostra que RNN e LSTM têm algumas vantagens na decodificação de sinais com alias por meio de experimentos em [17]. Para melhorar ainda mais o desempenho da rede e selecionar os recursos mais discriminativos, um mecanismo de atenção é introduzido na rede para explorar as dependências entre os recursos. Os autores de [18] propuseram uma rede de atenção dupla (DANet) com um mecanismo de autoatenção para aprimorar o discriminante de representações de recursos para segmentação de cena, na qual é proposto um módulo de atenção de posição para aprender as interdependências espaciais de recursos e um canal de atenção O módulo é projetado para modelar interdependências de canais. Melhora significativamente a segmentação modelando dependências contextuais ricas em recursos locais. Na conferência IEEE ICAIT de 2022, propusemos uma rede neural BP para promover o desempenho BER de detecção de sinal em um canal atmosférico [19]. Uma rede neural BP tem as vantagens de alta capacidade de autoaprendizagem e capacidade de autoadaptação. Ele pode aprender as regras de mapeamento entre os dados de entrada e saída durante o processo de treinamento e memorizar essas regras de forma adaptativa usando os pesos da rede. Portanto, a rede neural é menos afetada pelo fator de aceleração e pelo fator de roll-off, o que garante a utilização do espectro do sistema a uma taxa FTN.

Porém, o esquecimento de informações de sequência existe nas redes neurais BP. Portanto, empregamos a rede neural LSTM e o mecanismo de atenção para superar o problema de esquecimento de informações de sequência. Hoje em dia, o mecanismo de atenção tornou-se um método comum de processamento de dados no campo de EAD e é amplamente utilizado em diversas tarefas de EAD, como processamento de linguagem natural, reconhecimento de imagem e reconhecimento de fala. A montagem de recursos atribuindo pesos maiores a alguns recursos “significativos” não apenas reduz os parâmetros da rede, mas também melhora o poder discriminativo dos recursos. Portanto, o mecanismo de atenção é introduzido na rede LSTM para construir um decodificador de atenção LSTM para a detecção de sinal de um sistema FTN OWC modulado híbrido de modulação de posição de pulso (PPM) e chaveamento de fase (QPSK) para melhorar o desempenho do sistema, garantindo a eficiência do espectro. .

2. Modelo de Sistema

Tradicionalmente, a modulação de intensidade/detecção direta baseada em um esquema de chaveamento on-off (OOK) é amplamente aceita no OWC devido à sua fácil implementação e menor custo [20]. Considerando o baixo desempenho do BER e a eficiência do espectro do OOK, o PPM tem sido considerado para ser utilizado em comunicações OWC. Comparado com OOK, a utilização de energia aumenta bastante. Além disso, o QPSK modulado possui características de alta utilização de espectro e forte anti-interferência [21]. Portanto, combinar o PPM e o QPSK pode melhorar a taxa de transmissão de dados e a confiabilidade do sistema [22,23].

A Figura 1 mostra o esquema do sistema OWC modulado híbrido 4PPM e QPSK com tecnologia FTN. Os dados do usuário após o codificador Gray são primeiramente mapeados em 4PPM e QPSK, respectivamente. Depois disso, o sinal QPSK é carregado no intervalo de tempo do sinal 4PPM para formar o sinal modulado híbrido 4PPM – QPSK. Posteriormente, o sinal 4PPMQPSK formatado é enviado ao filtro de modelagem FTN para formação de sinal FTN. Posteriormente, após a conversão digital para analógico (DAC), os dados são lançados no canal atmosférico. Na extremidade do receptor, o sinal óptico transmitido pelo canal atmosférico é primeiro detectado por um fotodiodo (PD) e depois enviado para conversão analógico-digital (ADC), filtragem correspondente e amostragem. Depois disso, o sinal é enviado ao módulo DL para recuperação de dados.

3. Decodificador de atenção LSTM

RNN é um ramo importante da DL que pode ser usado não apenas para o processamento de dados de séries temporais, mas também para focar no tempo do modelo de recursos. Além disso, é útil para processar dados de sequência onde a entrada frontal afeta a saída posterior [24]. No entanto, existem problemas de desaparecimento e explosão de gradiente com a expansão da linha do tempo no RNN tradicional. O desaparecimento do gradiente ocorre devido à função Sigmóide. A função Sigmóide é geralmente empregada na camada de saída, mas a derivada desta função varia de 0 a 0,25. Quando o algoritmo BP é utilizado para calcular o gradiente, o gradiente de cada camada será reduzido para 1/4 do original. Se houver muitas camadas de rede, o gradiente ficará pequeno. O valor do peso inicial da rede precisa ser definido maior que 1 para evitar esse fenômeno, mas isso levará à explosão do gradiente [25]. Portanto, possui grandes limitações na previsão de dados de séries longas. A Figura 2 mostra o diagrama da rede RNN desdobrado ao longo da linha do tempo.

Para resolver os problemas existentes na RNN, a rede LSTM é proposta para resolver o problema onipresente de dependência de longo prazo na rede, que tem se mostrado eficaz na resolução dos problemas de desaparecimento e explosão de gradiente causados ​​​​pela RNN [24]. A maior diferença entre LSTM e RNN é que RNN possui apenas um estado dentro de uma única estrutura recorrente, enquanto LSTM possui quatro estados e cada estrutura é composta por uma porta de entrada, porta de esquecimento, porta de saída e estado de célula. O diagrama da rede LSTM é mostrado na Figura 3. ⊗ denota a multiplicação de elementos do vetor e ⊕ denota a adição de elementos do vetor. Tanto as portas de entrada quanto as de saída abrem e propagam sinais somente quando informações prévias são necessárias. Desta forma, as informações anteriores podem ser salvas de forma seletiva. A função da porta de esquecimento é receber o erro da unidade de memória e “esquecer” o valor armazenado na unidade de memória quando necessário, para conseguir o controle dos pesos da rede.

Ambas as redes RNN e LSTM são projetadas para lidar com o problema de longas séries temporais. No entanto, a rede esquecerá as informações úteis anteriores devido à existência de uma porta de esquecimento quando o LSTM lidar com o problema da explosão de gradiente. Isto deteriora o efeito do treinamento de longa sequência e o desempenho do sistema. Felizmente, o mecanismo de atenção é uma ótima solução para esse problema [26]. Variantes de mecanismos de atenção incluem atenção multi-cabeça, atenção forte, atenção estruturada e atenção de par de valores-chave [27]. A atenção multicabeças utiliza múltiplas consultas para calcular em paralelo e selecionar várias informações da entrada. Cada atenção se concentra em uma parte diferente da entrada. A atenção intensa pode ser implementada de duas maneiras. Uma é selecionar as informações de entrada com a maior probabilidade. Outra é amostrar aleatoriamente a distribuição da atenção. A atenção estruturada envolve a seleção de informações relevantes para a tarefa a partir de entradas. A atenção do par chave-valor emprega um formato de par chave-valor para representar as informações de entrada, onde "chave" é utilizada para calcular a distribuição de atenção e "valor" é utilizado para gerar as informações selecionadas. Considerando seu excelente desempenho, o mecanismo de atenção do par chave-valor é empregado em nossa proposta para realizar o decodificador de atenção LSTM, podendo ser utilizado para processar os sinais híbridos FTN recebidos. O diagrama do decodificador de atenção LSTM é mostrado na Figura 4.

4. Análise de Simulação

O tamanho do conjunto de dados de treinamento ou teste depende da complexidade do sistema e do algoritmo DL. Usar um pequeno conjunto de dados pode causar um desempenho de detecção ruim porque o modelo seria incapaz de aprender completamente as diversas características do sistema. Além disso, o uso de um grande conjunto de dados pode resultar em aumento da complexidade computacional [30]. Assim, diversas simulações são realizadas para determinar o tamanho adequado do conjunto de dados e os parâmetros que poderiam oferecer o melhor desempenho do BER. Deve-se notar que a precisão da rede neural é afetada pelo próprio algoritmo DL, que desempenha um papel importante na resolução de alguns problemas não lineares. Portanto, seu desempenho e robustez precisam ser avaliados. Sem perda de generalidade, alguns parâmetros comuns são levados em consideração. Os parâmetros utilizados na simulação estão listados na Tabela 1.

A Tabela 2 mostra a precisão da rede sob diferentes taxas de aprendizagem. Um sistema validado precisa de uma taxa de aprendizagem apropriada. Se a taxa de aprendizagem for muito grande, a rede não poderá convergir, enquanto se for muito pequena, a rede convergirá muito lentamente ou não conseguirá terminar o aprendizado. Além disso, a rede pode mudar de underfitting para overfitting à medida que a taxa de aprendizagem aumenta [31]. É evidente na tabela que 0.002 tem o melhor desempenho.

A seleção de camadas ocultas é outro ponto chave. Um número baixo ou alto de camadas ocultas leva ao fenômeno de underfitting ou overfitting [31]. A relação entre o número de camadas ocultas e a precisão é mostrada na Tabela 4. A precisão aumenta gradualmente com o número de camadas ocultas e diminui quando atinge um determinado valor. Além disso, estudos em [32,33] descobriram que o número crescente de camadas ocultas resulta em um aumento significativo na complexidade computacional e no sobreajuste. As causas do overfitting podem ser divididas em três categorias [34]. O primeiro é um pequeno conjunto de dados de amostras de treinamento que não consegue refletir as situações gerais possíveis.

Isso levará a uma previsão menos precisa da rede treinada. Portanto, o conjunto de dados de treinamento deve cobrir, tanto quanto possível, todos os tipos de dados. A segunda é uma rede que não consegue estimar com precisão a relação entre entrada e saída devido à interferência excessiva dos dados de treinamento. A terceira é a alta complexidade da rede. Nessas circunstâncias, ele deve processar muitos parâmetros para permitir que a rede ajuste com precisão todos os dados do conjunto de dados de treinamento. Como resultado, a rede treinada não pode generalizar para o conjunto de dados de teste. Portanto, o número apropriado de camadas ocultas é crucial para o desempenho do sistema. Os resultados experimentais da simulação na Tabela 5 mostram que o sistema tem o melhor desempenho de detecção quando o número de camadas ocultas é 8.

A comparação da precisão da rede LSTM e da rede de atenção LSTM é mostrada na Tabela 5. A precisão da rede de atenção LSTM é significativamente maior do que a da rede LSTM.

É bem sabido que chuva, neve, granizo, neblina, neblina, poluição e assim por diante são fatores atmosféricos que impactam os raios laser. Sua presença causa reflexão, refração, espalhamento e atenuação de sinais ópticos. Foi provado que a turbulência atmosférica segue a distribuição Gama-Gama, e a intensidade da turbulência fraca, moderada e forte pode ser expressa pela constante da estrutura do índice de refração de C 2 n=2 × 10− 18, C 2 n=2 × 10−15 e C 2 n=2 × 10−12, respectivamente [35] As curvas de diferentes intensidades de turbulência atmosférica versus BER são mostradas na Figura 6, onde o o fator de roll-off é 0,6, τ=0,8, e a distância de transmissão é 500 m. É evidente na figura que o desempenho do BER está melhorando gradualmente com a diminuição da intensidade da turbulência. Quando BER=3.8 × 10−3, o desempenho do BER de turbulência fraca é cerca de 2 dB e 5 dB melhor do que o de turbulência moderada e forte, respectivamente.

A Figura 7 mostra a influência do fator de roll-off do filtro de modelagem FTN no BER com um decodificador diferente, onde o fator de aceleração é 0,8. Conforme mostrado na Figura 7a, quando BER=10 −4, o decodificador de atenção LSTM melhora o desempenho do BER em cerca de 1 dB em comparação com o algoritmo BP. A Figura 7b mostra que o decodificador de atenção LSTM melhora o desempenho do BER em cerca de 2,5 dB em comparação com o algoritmo MLSE quando BER=10−4. Portanto, a atenção do LSTM é benéfica para melhorar o desempenho do BER em comparação com o decodificador tradicional.

A Figura 8 mostra o impacto do fator de aceleração no desempenho do sistema BER. Quando o BER é 10−4 e o fator de aceleração diminui de 1 para 0,9 e 0,8, o desempenho do BER diminui em cerca de 2 dB e 4 dB, respectivamente. Quando o BER é 10−3 e o fator de aceleração diminui de 1 para 0,9 e 0,8, o desempenho do BER diminui em cerca de 1 dB e 4,5 dB, respectivamente. Pode-se concluir pela figura que as curvas BER diminuem rapidamente à medida que o fator de aceleração diminui. Porém, sob a premissa de melhorar a eficiência do espectro, o sistema ainda pode garantir uma boa qualidade de comunicação quando o fator de aceleração for 0,8. Assim, a proposta é benéfica para melhorar o desempenho do sistema.

Para ilustrar ainda mais as vantagens do método proposto, conforme mostrado na Tabela 6, são comparados o tempo de execução da atenção LSTM e da rede BP.

A complexidade do tempo está ligada à execução do hardware e inclui o número de operações necessárias, o número de elementos a serem processados ​​e o comprimento do caminho necessário para concluir uma operação. Os experimentos de simulação são implementados por Matlab 2018a e Pycharm 2021.3.2. Uma GPU de laptop NVIDIA GeForce RTX 3050 é usada como plataforma de teste. No processo de treinamento, 50000 dados são gerados aleatoriamente, dos quais 80% são usados ​​como conjunto de dados de treinamento e os 20% restantes são usados ​​como conjunto de dados de teste. A rede de atenção LSTM supera a rede BP. Isso ocorre porque a velocidade de convergência da rede neural BP é lenta.

6. conclusões

Neste artigo, um decodificador de atenção LSTM é proposto para detecção de sinal do sistema híbrido modulado 4PPM – QPSK – FTN OWC. A rede de atenção LSTM pode aliviar os problemas de desaparecimento de gradiente, explosão de gradiente e interdependência entre símbolos adjacentes. A simulação experimental mostra que nossa proposta possui excelente desempenho de detecção de sinais para sinais FTN modulados híbridos. O sinal recebido pode ser previsto com precisão e decodificado rápida e corretamente. Assim, o esquema pode efetivamente melhorar o desempenho do BER com base na premissa de garantir a eficiência do espectro.

Contribuições do autor:

Conceituação, MC, RY, JX e HW; Metodologia, MC, HW e RY; Validação, MC, RY e JX; Investigação, JX e KJ; Recursos, RY e JX; Curadoria de dados, JX; Redação – preparação do rascunho original, JX e RY; redação – revisão e edição, MC, HW, RY e KJ; Visualização, RY e HW; Supervisão, MC e HW; Administração do projeto, MC Todos os autores leram e concordaram com a versão publicada do manuscrito.

Financiamento:

Esta pesquisa foi financiada pelo Programa NSFC (62265010, 61875080, 62261033) e pela Fundação de Ciências Naturais da Província de Gansu, China (20JR5RA472).

Declaração do Conselho de Revisão Institucional:

Não aplicável.

Declaração de consentimento informado:

Não aplicável.

Declaração de disponibilidade de dados:

O estudo não relatou nenhum dado.

Agradecimentos:

Reconhecemos com gratidão a assistência de Rui Wang na preparação e depuração do programa. Agradecemos também a Yan Qiu e Hongtao Zhou pela ajuda com a redação e detalhes em inglês.

Conflitos de interesse:

Os autores declaram não haver conflito de interesses.

Referências

1. Ke, XZ; Jing, YK Detecção de imagens pontuais de laser de campo distante para uso sob turbulência atmosférica. Optar. Eng. 2020, 59, 016103. [CrossRef]

2. Wu, P.; Ke, X.; Li, M.; Zhang, Q. Experimento de desempenho e equilíbrio de um sistema de modulação CAP multibanda em comunicação óptica sem fio. Optar. Comum. 2019, 434, 128–135. [RefCruz]

3. Mazo, J. Sinalização mais rápida que Nyquist. Sistema Bell. Tecnologia. J. 1975, 54, 1451–1462. [RefCruz]

4. Bahl, LR; Cocke, J.; Jelinek, F.; Raviv, J. Decodificação ideal de códigos lineares para minimizar a taxa de erro de símbolo. IEEE Trans. Inf. Teoria 1974, 20, 284–287. [RefCruz]

5. Matar, MO; Jana, M.; Mitra, J.; Lampe, L.; Lis, M.; Soc, IC Um equalizador turbo máximo a posteriori para aplicações mais rápidas que Nyquist. Em Anais do 28º Simpósio Internacional IEEE sobre Máquinas de Computação Personalizadas Programáveis ​​em Campo (FCCM), Fayetteville, AR, EUA, 3–6 de maio de 2020; pp. 167–171.

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

7. Amirabadi, MA; Kahaei, MH; Nezamalhosseni, SA Algoritmos de aprendizagem profunda de baixa complexidade para compensação de turbulência atmosférica no sistema de comunicação óptica no espaço livre. Optoelétron IET. 2022, 16, 93–105. [RefCruz]

8. Li, S.; Yuan, W.; Yuan, J.; Bai, B.; Ng, DWK; Hanzo, L. Equalização no domínio do tempo vs. domínio da frequência para sinalização FTN. IEEE Trans. Veh. Tecnologia. 2020, 69, 9174–9179. [RefCruz]

9.Yang, Y.; Gao, F.; Mãe, X.; Zhang, S. Estimativa de canal baseada em aprendizagem profunda para canais de desvanecimento duplamente seletivos. Acesso IEEE 2019, 7, 36579–36589. [CrossRef] 10. Huang, H.; Yang, J.; Huang, H.; Canção, Y.; Gui, G. Aprendizado profundo para estimativa de canal de super-resolução e sistema MIMO massivo baseado em estimativa de DOA. IEEE Trans. Veh. Tecnologia. 2018, 67, 8549–8560. [RefCruz]

11. Hu, F.; Holguin-Lerma, JA; Mao, Y.; Zou, P.; Shen, C.; Ng, TK; Olá, BS; Chi, N. Demonstração de um equalizador de rede neural auxiliado por polinômio de memória de baixa complexidade para comunicação de luz visível CAP com diodo superluminescente. Opto-elétron. Av. 2020, 3, 4–14. [RefCruz]

12.Liang, S.; Jiang, Z.; Qiao, L.; Luxo.; Chi, N. Sistema de comunicação de luz visível com modulação CAP pré-codificada mais rápida que Nyquist baseado na pré-distorção da tabela de consulta ponderada não linear. IEEE Fotônica J. 2018, 10, 7900709. [CrossRef]

13. Hochreiter, S.; Schmidhuber, J. Memória de longo prazo. Computação Neural. 1997, 9, 1735–1780. [RefCruz]

14.Sainath, TN; Vinyals, O.; Sênior, A.; Sak, H. Convolucional, memória de longo e curto prazo, redes neurais profundas totalmente conectadas. Em Anais da Conferência Internacional IEEE 2015 sobre Acústica, Fala e Processamento de Sinais (ICASSP), South Brisbane, Austrália, 19–24 de abril de 2015; IEEE: Piscataway, NJ, EUA, 2015; págs.

15.Lai, S.; Li, M. Equalização assistida por rede neural recorrente para sinalização FTN. Em Proceedings of the IEEE International Conference on Communications (IEEE ICC)/Workshop on NOMA for 5G and Beyond, Electr Network, Dublin, Irlanda, 7–11 de junho de 2020.

For more information:1950477648nn@gmail.com