CN116155393A - 一种基于自动编码器的几何-概率成形光信号产生方法 - Google Patents
一种基于自动编码器的几何-概率成形光信号产生方法 Download PDFInfo
- Publication number
- CN116155393A CN116155393A CN202310147364.1A CN202310147364A CN116155393A CN 116155393 A CN116155393 A CN 116155393A CN 202310147364 A CN202310147364 A CN 202310147364A CN 116155393 A CN116155393 A CN 116155393A
- Authority
- CN
- China
- Prior art keywords
- layer
- automatic encoder
- constellation
- channel
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000003287 optical effect Effects 0.000 title claims abstract description 29
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 title claims abstract description 5
- 230000005540 biological transmission Effects 0.000 claims abstract description 25
- 238000009826 distribution Methods 0.000 claims abstract description 25
- 230000008569 process Effects 0.000 claims abstract description 7
- 239000000835 fiber Substances 0.000 claims abstract description 6
- 238000007493 shaping process Methods 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 9
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 9
- 239000013307 optical fiber Substances 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/50—Transmitters
- H04B10/516—Details of coding or modulation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/32—Carrier systems characterised by combinations of two or more of the types covered by groups H04L27/02, H04L27/10, H04L27/18 or H04L27/26
- H04L27/34—Amplitude- and phase-modulated carrier systems, e.g. quadrature-amplitude modulated carrier systems
- H04L27/36—Modulator circuits; Transmitter circuits
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/32—Carrier systems characterised by combinations of two or more of the types covered by groups H04L27/02, H04L27/10, H04L27/18 or H04L27/26
- H04L27/34—Amplitude- and phase-modulated carrier systems, e.g. quadrature-amplitude modulated carrier systems
- H04L27/38—Demodulator circuits; Receiver circuits
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明公开一种基于自动编码器的几何‑概率成形光信号产生方法，属于光通信领域。本发明通过自动编码器生成光信号，并通过自动编码器的迭代训练过程不断更新生成的成信号，在自动编码器训练完成后，得到适合传输信道的光信号调制方法，通过解码器，将自动编码器的低维信息重构回高维表达式；自动编码器预测输入的回归任务，负责自动构建发射星座，并将发射比特与发生星座点对应，发射信号通过光纤信道添加损伤，接收信号通过解码器还原为比特序列。本发明能够降低难以定量考虑信道损伤而带来的影响；产生的光信号符合光纤信道的最佳分布；仅需要改变信道参数便实现对不同光纤信道环境的最佳光信号调试。
Description
技术领域
本发明涉及一种基于自动编码器的几何-概率成形光信号产生方法，属于光通信领域。
背景技术
光纤传输的系统广泛采用传统的正交幅度调制(QAM)格式，正交幅度调制方法由均匀分布的星座点排列在二维空间上形成星座图。由于非线性损伤已成为影响长距离光纤通信系统性能的最大障碍，为逼近香农极限容量、提高系统性能，采用星座成形技术在发射端减小非线性效应带来的损伤。星座成形技术包括几何成形(GS)和概率成形(PS)技术：几何整形技术是将均匀分布的信号映射到非均匀分布的星座点上，概率成形技术是改变调制阶段星座点出现概率，使星座点的出现概率非均等。
大多数关于联合概率成形和几何成形的方法都是针对特定调制格式和加性高斯白噪声(AWGN)信道手动生成的，由于星座成形中需要考虑的变量较多，规律性不强，人工生成只能应用于特殊环境，具有一定的局限性，此外难以有效地解决超长距离光纤传输系统中的非线性问题。因此，亟需一种能够根据所需信道环境自动生成合适星座的方法。
发明内容
本发明的目的在于提供一种基于自动编码器的几何-概率成形光信号产生方法，基于自动编码器产生的几何概率成形信号，在光通信系统中产生符合信道条件的几何概率成形信号，解决由于信道损耗导致在接收端失真的情况，使光通信系统容量逼近香农极限。
本发明的目的是通过以下技术方案实现的：
本发明的一种基于自动编码器的几何-概率成形光信号产生方法，通过自动编码器生成光信号，并通过自动编码器的迭代训练过程不断更新生成的成信号，在自动编码器训练完成后，得到适合传输信道的光信号调制方法，通过解码器将自动编码器的低维信息重构回高维表达式；自动编码器预测输入的回归任务，负责自动构建发射星座，并将发射比特与发生星座点对应，发射信号通过光纤信道添加损伤，接收信号通过解码器还原为比特序列，具体包含以下步骤：
步骤一：调制器的初始训练；
初始训练序列为随机产生的比特序列，并将训练序列输入到调制器中；
步骤二：构建调制器；
调制器为一个三层神经网络：第一层输入信号为一组四维正态分布的噪声向量，第二层为2m节点的隐藏层，m为调制阶数，第三层为2m节点的输出层；
第一层与第二层之间、第二层与第三层之间均采用Linear连接，并采用LeakyReLU作为激活函数，第三层的节点进行批标准化；
输出的2m个节点前m个为对应每个星座点的I路坐标，后m个对应每个星座点的Q路坐标；
步骤三：确定下一次训练时的训练序列；
根据分布匹配器确定下一次训练时的训练序列；
下一次训练时的训练序列的熵值H(S)，如式(1)所示：
其中，p(si)为第i个符号出现的概率；
对于任意星座，采用二维Maxwell-Boltzmann分布使星座符合最佳概率分布，通过对二维Maxwell-Boltzmann分布进行采样，确定每个符号对应的概率如式(2)所示：
其中，α为用于调整整形程度的系数，(xi,yi)为与第i个符号对应的坐标；
通过式(1)和式(2)，确定本轮训练中每个星座的最佳出现概率，根据每个星座出现的概率以及训练序列的长度确定每个星座点出现的次数，根据不同星座点出现的次数创建下一轮的训练数据；
步骤四：组成IQ信号并加入噪声；
选择调制器器输出节点中和训练序列对应的2个节点组成IQ信号，经过信道传输加入噪声，根据不同应用场景选用不同的信道模型；
步骤五：构建解调器；
解调器为一个四层神经网络，第一层由六个节点构成，前两个节点取自信道的输出，其余节点为噪声输入，以增加解码器的鲁棒性；第二、三层分别为2m和128个节点的隐藏层；第四层为输出层，节点个数为log2m；解调器的层与层之间采用Linear连接；
第二层与第三层的激活函数采用Leaky ReLU，第三层与第四层的激活函数采用Sigmoid；
含噪的信号输入到解调器中，输出为对数似然比形式；
步骤六：构建自动编码器
将步骤五构建的解调器输出与训练序列比对，确定比特交叉熵作为神经网络的Loss进行梯度回传网络权值更新，在编码的第三层与解码器的第二层之间采用残差块连接，在梯度回传的时候绕开信道，通过残差捷径直接更新编码器；
以比特交叉熵作为神经网络的Loss，如式(3)所示：
其中，DKL为两个后验概率之间的Kullback-Leibler(KL)散度，用于测量同一变量的两个分布之间的差异
为信道的广义互信息(GMI)，/>
和/>
分别为信道前后的二进制随机序列，H(S)为源熵；
对于星座整形信号，比特交叉熵随星座点的位置及出现的概率变化而变化；
步骤七：训练自动编码器
根据分布匹配器确定的符号数量构建下一次迭代训练的数据，并重复步骤一到步骤五，在不断迭代训练的过程中，自动编码器的loss逐渐收敛，比特互信息趋于最大，编码器和解码器相对熵趋于最小，自动编码器训练完成；
步骤八：根据步骤七训练后的自动编码器，获取调制器输出的星座以及分布匹配器输出每个星座点的概率，得到在给定信道环境下的最佳发射调制方案，将得到的调制方案用于对应的信道能够减小信号在传输时受噪声的影响，提升传输系统容量。
有益效果：
1、本发明的一种基于自动编码器的几何-概率成形光信号产生方法，采用自动编码器自动匹配信道环境调制光信号，降低难以定量估计信道损伤而带来的影响。
2、本发明的一种基于自动编码器的几何-概率成形光信号产生方法，采用几何-概率混合成形的方法，生成的混合成形调制方案为光纤信道的最佳分布，能够最大化传输系统的容量。
3、本发明的一种基于自动编码器的几何-概率成形光信号产生方法，采用模块化方法，自动编码器中的信道模型根据不同信道条件进行替换，仅需要改变信道参数便实现对不同光纤信道环境的最佳光信号调试。
附图说明
图1为本发明的一种基于自动编码器的几何-概率成形光信号产生方法流程图；
图2为实施例步骤二中构建的自动编码器的结构示意图；
图3为实施例步骤三中采用分布匹配器确定下一次训练时的训练序列的流程图；
图4为实施例中调制器输出的32QAM星座图；
图5为实施例中不同传输距离下以及不同发射功率下调制器输出的32QAM星座图。
具体实施方式
为了更好的说明本发明的目的和优点，下面结合附图和实例对发明内容做进一步说明。
实施例1：
本实施例是在传输距离为1600km及2400km的光纤传输链路下的光信号产生过程，发射光信号选32QAM，信源熵值为4.75bit/symbol，发射功率分别为0dBm、2dBm、4dBm，应用本发明的方法实现成形光信号产生，如图1所示，包括以下步骤：
步骤一：产生初始训练序列；
产生随机的二进制比特序列作为初始训练序列，用于输入到自动编码器并对其进行训练；
步骤二：调制器的初始训练构建调制器；
实施例中，如图2所示，调制器为一个三层神经网络：第一层输入信号为一组四维正态分布的噪声向量，第二层为64节点的隐藏层，第三层为64节点的输出层，其中前32个节点对应每个星座点的实部，后32个节点对应每个星座点的虚部；
第一层与第二层之间、第二层与第三层之间均采用Linear连接，并采用LeakyReLU作为激活函数，第三层的节点进行批标准化；
步骤三：确定下一次训练时的训练序列；
根据分布匹配器确定下一次训练时的训练序列，如图3所示，首先确定本次训练序列经过调制器后的星座图，上次训练的星座图，以及M-B分布系数；
若为首轮训练，每个星座点出现概率均等，则上次训练的星座图用本次训练后的星座图代替；
判断本次训练得到的星座图是否包含全部星座点，如果没有包含全部星座点，则缺失的星座点用上次训练的星座位置替代，保证当有星座点出现概率降低至0时，能够记录其坐标；
下一次训练时的训练序列的熵值H(S)，如式(1)所示：
其中，p(si)为第i个符号出现的概率；
对于任意星座，采用二维Maxwell-Boltzmann分布使星座符合最佳概率分布，通过对二维Maxwell-Boltzmann分布进行采样，确定每个符号对应的概率如式(2)所示：
其中，α为用于调整整形程度的系数，(xi,yi)为与第i个符号对应的坐标；
通过式(1)和式(2)，确定本轮训练中每个星座的最佳出现概率，根据每个星座出现的概率以及训练序列的长度确定每个星座点出现的次数，根据不同星座点出现的次数创建下一轮的训练数据；
步骤四：组成IQ信号并加入噪声；
选择调制器器输出节点中和训练序列对应的2个节点组成IQ信号，经过信道传输加入噪声，根据不同应用场景选用不同的信道模型；
步骤五：构建解调器；
实施例中，如图3所示，解调器为一个四层神经网络，第一层由六个节点构成，前两个节点取自信道的输出，其余节点为噪声输入，以增加解码器的鲁棒性；第二、三层分别为64和128个节点的隐藏层；第四层为输出层，节点个数为5；解调器的层与层之间采用Linear连接；
第二层与第三层的激活函数采用Leaky ReLU，第三层与第四层的激活函数采用Sigmoid；
含噪的信号输如到解调器中，输出为对数似然比形式；
步骤六：构建自动编码器
将步骤五构建的解调器输出与训练序列比对，确定比特交叉熵作为神经网络的Loss进行梯度回传网络权值更新，在编码的第三层与解码器的第二层之间采用残差块连接，在梯度回传的时候绕开信道，通过残差捷径直接更新编码器；
以比特交叉熵作为神经网络的Loss，如式(3)所示：
其中，DKL为两个后验概率之间的Kullback-Leibler(KL)散度，用于测量同一变量的两个分布之间的差异，
为信道的广义互信息(GMI)，/>
和/>
分别为信道前后的二进制随机序列，H(S)为源熵；
对于星座整形信号，比特交叉熵随星座点的位置及出现的概率变化而变化；
步骤七：训练自动编码器
根据分布匹配器确定的符号数量构建下一次迭代训练的数据，并重复步骤一到步骤五，在不断迭代训练的过程中，自动编码器的loss逐渐收敛，比特互信息趋于最大，编码器和解码器相对熵趋于最小，自动编码器训练完成；
步骤八：根据步骤七训练后的自动编码器，获取调制器输出的星座以及分布匹配器输出每个星座点的概率，输出的星座图如图4所示，得到在传输距离1600km、发射功率4dBm的信道环境下的最佳发射调制方案；其余信道条件下的最佳调制方案如图5所示，图5(a)-(d)为传输距离1600km、发射功率分别为0dBm、2dBm、4dBm信道环境下生成的调制方案以及传统均匀调制方案；图5(e)-(h)为传输距离2400km、发射功率分别为0dBm、2dBm、4dBm信道环境下生成的调制方案以及传统均匀调制方案，在不同条件下生成的调制方案中，以不同灰度表示概率整形后每个星座点在调制中出现的概率；
本发明通过将信道信息引入自动编码器，针对每种信道环境对调制格式单独进行优化，替代传统方法中固定的调制格式，由于自动编码器按照最小比特交叉熵进行优化，所得出的调制格式使接收的信息与发射的信息误差最小，采用本发明的方法确定的调制格式将传输时噪声的影响降至最低，减小误码率，提升系统容量。
以上所述的具体描述，对发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (2)
1.一种基于自动编码器的几何-概率成形光信号产生方法，其特征在于：通过自动编码器生成光信号，并通过自动编码器的迭代训练过程不断更新生成的成信号，在自动编码器训练完成后，得到适合传输信道的光信号调制方法，通过解码器将自动编码器的低维信息重构回高维表达式；自动编码器预测输入的回归任务，负责自动构建发射星座，并将发射比特与发生星座点对应，发射信号通过光纤信道添加损伤，接收信号通过解码器还原为比特序列，具体包含以下步骤：
步骤一：调制器的初始训练；
初始训练序列为随机产生的比特序列，并将训练序列输入到调制器中；
步骤二：构建调制器；
调制器为一个三层神经网络：第一层输入信号为一组四维正态分布的噪声向量，第二层为2m节点的隐藏层，m为调制阶数，第三层为2m节点的输出层；
第一层与第二层之间、第二层与第三层之间均采用Linear连接，并采用Leaky ReLU作为激活函数，第三层的节点进行批标准化；
输出的2m个节点前m个为对应每个星座点的I路坐标，后m个对应每个星座点的Q路坐标；
步骤三：确定下一次训练时的训练序列；
根据分布匹配器确定下一次训练时的训练序列；
下一次训练时的训练序列的熵值H(S)，如式(1)所示：
其中，p(si)为第i个符号出现的概率；
对于任意星座，采用二维Maxwell-Boltzmann分布使星座符合最佳概率分布，通过对二维Maxwell-Boltzmann分布进行采样，确定每个符号对应的概率如式(2)所示：
其中，α为用于调整整形程度的系数，(xi,yi)为与第i个符号对应的坐标；
通过式(1)和式(2)，确定本轮训练中每个星座的最佳出现概率，根据每个星座出现的概率以及训练序列的长度确定每个星座点出现的次数，根据不同星座点出现的次数创建下一轮的训练数据；
步骤四：组成IQ信号并加入噪声；
选择调制器器输出节点中和训练序列对应的2个节点组成IQ信号，经过信道传输加入噪声，根据不同应用场景选用不同的信道模型；
步骤五：构建解调器；
解调器为一个四层神经网络，第一层由六个节点构成，前两个节点取自信道的输出，其余节点为噪声输入，以增加解码器的鲁棒性；第二、三层分别为2m和128个节点的隐藏层；第四层为输出层，节点个数为log2m；解调器的层与层之间采用Linear连接；
第二层与第三层的激活函数采用Leaky ReLU，第三层与第四层的激活函数采用Sigmoid；
含噪的信号输入到解调器中，输出为对数似然比形式；
步骤六：构建自动编码器
将步骤五构建的解调器输出与训练序列比对，确定比特交叉熵作为神经网络的Loss进行梯度回传网络权值更新，在编码的第三层与解码器的第二层之间采用残差块连接，在梯度回传的时候绕开信道，通过残差捷径直接更新编码器；
以比特交叉熵作为神经网络的Loss，如式(3)所示：
其中，DKL为两个后验概率之间的Kullback-Leibler(KL)散度，用于测量同一变量的两个分布之间的差异，
为信道的广义互信息(GMI)，/>
和/>
分别为信道前后的二进制随机序列，H(S)为源熵；
对于星座整形信号，比特交叉熵随星座点的位置及出现的概率变化而变化；
步骤七：训练自动编码器
根据分布匹配器确定的符号数量构建下一次迭代训练的数据，并重复步骤一到步骤五，在不断迭代训练的过程中，自动编码器的loss逐渐收敛，比特互信息趋于最大，编码器和解码器相对熵趋于最小，自动编码器训练完成。
2.如权利要求1所述的一种基于自动编码器的几何-概率成形光信号产生方法，其特征在于：还包括步骤八：根据步骤七训练后的自动编码器，获取调制器输出的星座以及分布匹配器输出每个星座点的概率，得到在给定信道环境下的最佳发射调制方案，将得到的调制方案用于对应的信道能够减小信号在传输时受噪声的影响，提升传输系统容量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310147364.1A CN116155393A (zh) | 2023-02-20 | 2023-02-20 | 一种基于自动编码器的几何-概率成形光信号产生方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310147364.1A CN116155393A (zh) | 2023-02-20 | 2023-02-20 | 一种基于自动编码器的几何-概率成形光信号产生方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116155393A true CN116155393A (zh) | 2023-05-23 |
Family
ID=86355922
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310147364.1A Pending CN116155393A (zh) | 2023-02-20 | 2023-02-20 | 一种基于自动编码器的几何-概率成形光信号产生方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116155393A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117354654A (zh) * | 2023-12-05 | 2024-01-05 | 南京信息工程大学 | 基于学习率动态裁剪的混合成形星座多参量寻优方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150104197A1 (en) * | 2013-10-14 | 2015-04-16 | Nec Laboratories America, Inc. | Optimal Signal Constellation Design for Ultra-High-Speed Optical Transport in the Presence of Phase Noise |
| CN111628789A (zh) * | 2020-05-26 | 2020-09-04 | 复旦大学 | 一种基于混合概率整形和几何整形的信号生成方法及装置 |
| CN114499755A (zh) * | 2022-01-05 | 2022-05-13 | 上海交通大学 | 基于互信息量估计的几何与概率联合星座整形方法及系统 |
| CN115208736A (zh) * | 2022-05-16 | 2022-10-18 | 东南大学 | 适用于混合自动重传请求系统的高阶调制星座设计方法 |
-
2023
- 2023-02-20 CN CN202310147364.1A patent/CN116155393A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150104197A1 (en) * | 2013-10-14 | 2015-04-16 | Nec Laboratories America, Inc. | Optimal Signal Constellation Design for Ultra-High-Speed Optical Transport in the Presence of Phase Noise |
| CN111628789A (zh) * | 2020-05-26 | 2020-09-04 | 复旦大学 | 一种基于混合概率整形和几何整形的信号生成方法及装置 |
| CN114499755A (zh) * | 2022-01-05 | 2022-05-13 | 上海交通大学 | 基于互信息量估计的几何与概率联合星座整形方法及系统 |
| CN115208736A (zh) * | 2022-05-16 | 2022-10-18 | 东南大学 | 适用于混合自动重传请求系统的高阶调制星座设计方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117354654A (zh) * | 2023-12-05 | 2024-01-05 | 南京信息工程大学 | 基于学习率动态裁剪的混合成形星座多参量寻优方法 |
| CN117354654B (zh) * | 2023-12-05 | 2024-01-26 | 南京信息工程大学 | 基于学习率动态裁剪的混合成形星座多参量寻优方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111490737B (zh) | 一种用于功率放大器的非线性补偿方法和设备 | |
| CN103036845B (zh) | 一种基于apsk星座图的非等概星座映射方法 | |
| CN111786729B (zh) | 一种适用于高速相干光通信系统的概率成形编码方法 | |
| CN116155393A (zh) | 一种基于自动编码器的几何-概率成形光信号产生方法 | |
| CN109728824B (zh) | 一种基于深度学习的ldpc码迭代译码方法 | |
| CN104009822B (zh) | 基于非理想信道估计含窄带干扰的新型解调修正方法 | |
| CN113612720B (zh) | 无线信道抗干扰调制方法及系统 | |
| CN115208736A (zh) | 适用于混合自动重传请求系统的高阶调制星座设计方法 | |
| CN116886203B (zh) | 一种4维光信号的调制方法、装置及存储介质 | |
| CN113037298A (zh) | 一种基于低码率ldpc码干扰信息填充的系统及方法 | |
| Maneekut et al. | Hybrid probabilistic and geometric shaping for 64-QAM optical fiber transmission with maximum aposterior probability detection | |
| Huang et al. | Learning to design constellation for AWGN channel using auto-encoders | |
| CN106656423A (zh) | 一种基于em算法的ldpc码译码噪声方差的估计方法 | |
| CN117675004A (zh) | 一种自编码器光纤通信概率整形方法 | |
| Yang et al. | Performance of convolutional coded subcarrier intensity modulation over Gamma-Gamma turbulence channels | |
| Liu et al. | Probabilistic Shaping for Multidimensional Signals with Autoencoder-based End-to-end Learning | |
| CN1138388C (zh) | 无线通信的设备、方法和系统 | |
| CN117879620B (zh) | 译码方法、可读存储介质、程序产品及电子设备 | |
| CN114650100B (zh) | 一种星座点概率可调的16-cap映射传输方法 | |
| KR102567782B1 (ko) | Qam 변조를 위한 매퍼 및 디매퍼 장치 | |
| CN116389287B (zh) | 一种模分复用通信系统的信道构建方法 | |
| Lin | Machine Learning Based End-to-End Constellation Training for Communication Systems | |
| CN117856918A (zh) | 低复杂度概率整形16qam-fso相干检测dsp方法 | |
| CN116388880A (zh) | 基于广义任意熵值tcm和焦点损失神经网络的水下无线光通信系统及方法 | |
| Yan et al. | A Novel Channel Coding Scheme for Digital Multiple Access Computing |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |