概括
一个新的自适应性学习速率 (ALR) 和卷积神经网络 (CNN) MIMO检测器在模式划分多重光学系统中实现了100%的准确性. 这种先进的深度学习MIMO探测器的性能优于传统方法,达到理想的方程相位移键位错误率水平.
科学领域:
- 光学通信系统 光学通信系统
- 信号处理 信号处理
- 机器学习在通信中的应用.
背景情况:
- 多输入多输出 (MIMO) 探测器对于现代通信系统至关重要.
- 模式分割复杂化 (MDM) 提供了更大的数据容量,但需要复杂的检测.
- 现有的MIMO探测器在复杂的光传输系统中面临性能限制.
研究的目的:
- 通过将自适应性学习速率 (ALR) 与卷积神经网络 (CNN) 集成来设计和实施一种新的MIMO探测器.
- 在MDM光传输系统中评估拟议的ALR-CNN MIMO探测器的性能.
- 为了比较ALR-CNN检测器与传统检测算法的有效性.
主要方法:
- 开发一种新的MIMO探测器架构,将ALR和CNN结合起来.
- 在MDM光传输测试台内实现ALR-CNN探测器.
- 通过培训和测试信号精度和比特错误率 (BER) 的性能评估.
- 与传统的MIMO检测技术进行比较分析.
主要成果:
- 拟议的ALR-CNN MIMO探测器实现了100%的训练和测试准确性.
- 与传统的MIMO探测器相比,ALR-CNN探测器表现出卓越的性能.
- 该系统成功地达到理想的正方形相位移键 (QPSK) BER水平.
- 在10-3的BER时,观察到约9.5dB的最小信号噪声比 (SNR) 差异.
结论:
- ALR-CNN方法为MDM光学系统中MIMO检测提供了高度准确和有效的解决方案.
- 这种基于深度学习的探测器显著提高了通信系统的性能.
- 拟议的方法比传统的MIMO检测算法提供了有希望的进步.
