计算效率高的自我注意力辅助信号检测方法用于SIMO FSO通信与大气流

科学领域:

• 光学通信系统 光学通信系统
• 信号处理 信号处理
• 机器学习应用程序 机器学习应用程序

背景情况:

• 大气动荡严重降低了自由空间光学 (FSO) 通信性能.
• 空间多样性技术可以减轻流,但结合和检测方法至关重要.
• 深度学习 (DL) 提供解决方案,但经常面临高计算复杂性.

研究的目的:

• 提出一种新的,低复杂度的自我注意神经网络 (SANN),用于SIMO FSO系统中的信号组合和检测.
• 为了减少与FSO通信中基于DL的方法相关的计算开销.
• 加强在流式FSO通道中先进的信号处理技术的实际实施.

主要方法:

• 开发一个自我注意神经网络 (SANN),利用轻量级的自我注意机制.
• 实施适应性专注于有效处理关键信号组件.
• 使用测量强度波动进行实验验证,以实现大气流的真实模拟.

主要成果:

• 与基于CNN的DL和MMSE方法相比,拟的SANN实现了显著的计算开销降低.
• 保持可比或优越的比特错误率 (BER) 性能.
• 与现有的基于CNN的探测器相比,计算复杂度减少了70%以上.

结论:

• 在SIMO FSO系统中,SANN提供了一个计算效率高的信号检测框架.
• 这种方法为在处理效率至关重要的FSO系统提供了实际解决方案.
• 该研究强调了轻量级注意力机制在FSO通信中克服DL复杂性障碍的潜力.