相关实验视频
Updated: Sep 9, 2025
07:45
Quasi-light Storage for Optical Data Packets
Published on: February 6, 2014
11.0K
户外无线光通信系统的CNN-LSTM-AM方法
Montaser Abdelsattar1, Eman S Amer2, Hamdy A Ziedan3,4
1Electrical Engineering Department, Faculty of Engineering, South Valley University, Qena 83523, Egypt. Montaser.A.Elsattar@eng.svu.edu.eg.
Scientific reports
|September 1, 2025
概括
这项研究使用人工智能增强了车辆对车辆 (V2V) 通信,显著提高了数据吞吐量,功率效率,并减少了可靠V2V系统的错误和干扰.
科学领域:
- 电气工程和计算机科学
- 通信中的人工智能
背景情况:
- 车辆对车辆 (V2V) 系统的可见光通信 (VLC) 面临比特错误,高功耗和干扰等挑战.
- 现有的V2V通信系统需要改进,以在动态环境中提高性能和可靠性.
研究的目的:
- 推出基于人工智能的框架,以加强V2V通信中的VLC.
- 解决V2V系统中的关键问题,包括功耗,位错误和信号干扰.
主要方法:
- 开发了一种新的深度学习框架,结合了卷积神经网络 (CNN),生成对抗网络 (GAN),门式循环单元 (GRU) 和深度解读自编码器 (DDAE).
- 该框架包括功率降低 (GAN),性能增强 (GRU),比特错误率 (BER) 降低 (DDAE) 和干扰取消 (CNN-U-Net) 的模块.
- 对于V2V场景进行了模拟,车辆之间的纵向和横向距离各不相同.
主要成果:
- 拟议的CNN-U-Net-GAN-GRU-DDAE模型在吞吐量,功率效率,BER降低和干扰取消方面取得了显著的改善.
- 与现有模型相比,该模型的性能优于CNN-U-Net,CNN-U-Net-GAN和CNN-U-Net-GAN-GRU,分别为13.6%,14.4%和4.2%.
- 与之前的工作相比,总体平均性能提高了31.7%.
结论:
- 开发的深度学习框架为提高V2V通信性能提供了可靠和可扩展的解决方案.
- 集成的人工智能模型有效地缓解V2V系统中的常见问题,为更强大的通信铺平道路.
