在大气流下,基于PCNN-LDPC的OAM-SK光通信系统的性能调查

科学领域:

• 光学通信是指光学通信.
• 信号处理 信号处理
• 机器学习 机器学习

背景情况:

• 轨道角动量转移键自由空间光学 (OAM-SK-FSO) 系统提供了高容量的通信潜力.
• 大气动荡显著降低了信号质量,并增加了位误差率 (BER).
• 现有的改造方案在动荡条件下难以保持性能.

研究的目的:

• 提出和评估一个新的概率卷积神经网络-低密度平价检查 (PCNN-LDPC) 解调方案.
• 为了提高OAM-SK-FSO通信系统的比特错误率 (BER) 性能.
• 在拟议方案中比较不同LDPC解码算法的有效性.

主要方法:

• 信息序列使用低密度平价检查 (LDPC) 代码进行编码,并映射到拉盖尔-高斯 (LG) 束.
• 使用功率光谱逆转方法模拟了大气流的影响.
• 在模拟数据上训练了一个卷积神经网络 (CNN),并与LDPC解码集成,用于自适应性解调.

主要成果:

• 拟议的PCNN-LDPC方案在BER方面显著优于现有的CNN自适应模拟器和CNN-LDPC战略.
• 概率卷积神经网络-规范化最小总和 (PCNN-NMS) 变体表现出优异的BER性能.
• 与其他LDPC解码算法相比,PCNN-NMS还表现出更高的融合效率和更高的解码稳定性.

结论:

• PCNN-LDPC调节方案为改善OAM-SK-FSO系统中的BER提供了一个强大的解决方案.
• PCNN-NMS方法提供了性能,效率和稳定的最佳平衡.
• 这项研究为推进OAM-SK-FSO通信技术提供了宝贵的理论和技术见解.