一、基于神经网络的均衡器（论文文献综述）
刘欣雨[1]（2021）在《基于高阶调制格式的相干光通信系统中非线性均衡技术研究》文中研究表明云计算、人工智能、移动互联网等新兴技术的不断突破和发展,推动现代社会迈入了“万物互联”的“大数据时代”。超大数据存储、传送、共享等业务的需求日益增强,进一步推动了网络流量的爆炸性增长。因此,现代通信网络需要更高的传输速率、更大的传输容量以及更好的传输质量来保障日益增长的网络流量需求。以光纤作为传输媒介的光纤通信系统具有衰减小、抗干扰能力强、传输容量大等优点,经过几十年来研究学者们的不断探索与突破,光纤通信系统已经发展成为实现全球互联互通的基石和现代通信网络的支柱。结合了高阶调制格式、相干检测技术以及数字信号处理技术的相干光纤通信技术可以实现高频谱效率、长距离、大容量的信号传输,是应对现代通信网络流量危机的重要技术。然而,在目前的高速相干光通信系统中,非线性损伤是限制高阶调制格式光信号大容量长距离传输的最重要因素。因此,对基于高阶调制格式的相干光通信系统的非线性均衡技术进行探索和研究具有重要的意义。本论文以单载波偏振复用相干光通信系统为研究背景,重点研究适用于高阶调制格式信号的非线性均衡技术,改善信号质量,实现系统传输性能的提升。具体的研究内容包括:具有非线性容忍度的判决算法、基于神经网络的非线性均衡方案、基于微扰理论和回归算法相结合的非线性均衡方案。论文的创新点和主要研究成果如下:1.基于高斯混合聚类的M-QAM调制格式信号非线性判决算法针对传统的基于最大似然估计（MLE）的判决算法不能很好的对非线性失真信号进行有效的判决这一问题,将机器学习中的高斯混合（MoG）聚类算法引入到相干光通信系统数字信号处理的判决模块中,提出了基于高斯混合聚类的M-QAM调制格式信号非线性判决算法。同时,基于高斯混合聚类的优点,本文对直接判决-最小均方（DD-LMS）算法进行了优化和改进,在判决模块中将高斯混合聚类计算得到的均值向量代替标准星座点。经过单载波偏振复用16-QAM相干光通信系统实验验证,相比于传统的基于MLE的判决算法,基于高斯混合聚类的非线性判决算法对非线性损伤敏感度低,能够灵活地根据接收到的数据点的分布进行非线性判决区域划分,实现更准确的信号判决,提高相干光通信系统的非线性容限,提升系统的性能。2.基于特征工程-深度神经网络的非线性均衡方案在相干光通信系统中基于神经网络的非线性均衡技术的基础上,针对由于输入数据特征不丰富,导致神经网络非线性均衡性能受限的问题,提出了基于特征工程-深度神经网络的非线性均衡方案。该方案对接收到的方形M-QAM信号数据进行特征工程处理,丰富数据特征信息,以及在深度神经网络的训练阶段引入加权损失训练机制。经过单载波偏振复用64-QAM相干光通信系统实验验证,所提出的特征工程方案和引入的加权损失训练机制可以有效地提升深度神经网络的收敛速度和非线性均衡性能,在发射光功率为0 dBm时,可以实现1.07 dB的Q因子提升量。3.基于双向门控循环单元神经网络的非线性均衡方案针对相干光通信系统中,非线性效应与色散造成脉冲展宽从而引入符号间干扰的问题,提出了基于双向门控循环单元神经网络的非线性均衡方案,对接收到的高阶调制格式信号数据进行序列化处理。经过单载波偏振复用64-QAM相干光通信系统实验验证,在发射光功率为-3 dBm至3 dBm范围内,提出的非线性均衡方案实现了信号的Q因子超过8.53 dB硬判决前向纠错门限（对应于3.8×10-3的误码率）,最佳发射光功率提升了 2 dB。4.基于双向长短期记忆神经网络-条件随机场的非线性均衡方案在基于循环神经网络的非线性均衡方案的研究基础上,提出了基于双向长短期记忆神经网络-条件随机场的非线性均衡方案。经过单载波偏振复用64-QAM相干光通信系统实验验证,在发射光功率为-3 dBm至3 dBm范围内,提出的非线性均衡方案实现了信号的Q因子超过9.8dB前向纠错门限（对应于1.0×10-3的误码率）,最佳发射光功率由-1 dBm提升至1 dBm,提升了 2 dB。5.基于微扰理论和回归算法相结合的非线性均衡方案在相干光通信系统中基于微扰理论的非线性均衡技术的研究基础上,提出了基于微扰理论和回归算法相结合的非线性均衡方案。不依赖于传输信道的精确参数信息,仅根据接收到的信号序列,使用信道内四波混频和信道内交叉相位调制三重积项作为输入特征,通过回归模型预测出信号在传输过程中受到的非线性损伤,在接收到的符号数据中减去预测的非线性损伤,实现信号的非线性均衡。经过单载波偏振复用64-QAM相干光通信系统实验验证,基于支持向量回归模型的非线性均衡方案实现了当信号发射光功率为1 dBm时误码率低于1.0×10-3,最佳发射光功率提升了 2 dB。
任佳鑫[2]（2021）在《基于深度学习的可见光通信系统非线性抑制算法研究》文中认为随着各种无线应用的不断涌现,无线网络对频谱资源的需求不断增多。而无线频谱资源的不足严重限制了无线网络的发展。可见光通信凭借其丰富的频谱资源、低廉的成本、超高的传播速度成为一个极具前景的无线传输技术。在可见光通信中广泛存在着由于器件非线性引起的非线性失真。而可见光通信系统通常采用的直流偏置光正交频分复用（DCO-OFDM）调制方式存在峰均功率比高的问题,信号容易进入非线性区域,产生非线性失真。当前对于非线性失真的研究主要侧重于通过减小信号的峰均功率比来缓解非线性失真。而缺乏针对可见光通信系统特性的抑制措施。对此,本文围绕可见光通信系统中的信号非线性失真这一关键问题,研究利用深度学习技术抑制传输中的非线性效应,具体涉及以下两方面。首先,本论文提出了一种基于长短时记忆网络（LSTM）的可见光通信信号线性化方法。主要思路是在具有非线性效应的可见光通信模块之前加入一个基于LSTM网络的预失真模块,使级联后的等效系统响应具有良好的线性度。一方面,利用神经网络的非线性表征能力,补偿光通信前端的非线性效应;另一方面,通过使用多级LSTM模块,抵消了光通信前端的记忆效应。该预失真方法将复杂的信号线性化功能部署在发射机侧,降低了接收机端的信号均衡的开销。同时,网络参数的训练仅针对发射机的非线性特性进行优化,无需接收机参与,能够进行离线训练,可以应用于广大的可见光通信系统。实验结果表明,相较于传统非线性抑制算法,本文所提出的基于LSTM的线性化方法能够达到更好的误符号率性能,证明了该算法的有效性。接下来,本论文提出了一种基于端到端训练的可见光通信非线性效应抑制算法。该方法在网络训练中考虑了可见光传播信道响应。在端到端训练过程中,一方面可以自适应地学习信号预处理的方法,避免了前述研究中需要预先设计理想系统响应的问题;另一方面,可以依据接收端的信号质量学习链路中记忆效应和非线性效应的补偿方法,实现对于光信号的线性化处理。本论文对神经网络结构和损失函数的进行了优化。实验结果表明,在考虑可见光多径效应的情况下,本算法相较于基于LSTM预失真网络的线性化算法以及基于自编码器（Auto-encoder）对于可见光系统非线性效应具有更好的抑制效果。通过对网络训练、信息反馈、时间复杂度、实际部署难度、非线性抑制能力等多个维度的分析表明,本论文所提出的基于端到端训练的非线性抑制算法具有较好的有效性和实用性。
刘琪,孙文强,茹国宝[3]（2021）在《基于卷积循环神经网络的短波时变信道盲均衡算法》文中指出针对短波时变信道码间干扰严重、误符号率高等问题,采用卷积循环神经网络（convolutional recurrent neural network,CRNN）,即将卷积神经网络（convolutional neural network,CNN）和循环神经网络（recurrent neural network,RNN）相结合,提出一种基于CRNN的短波时变信道盲均衡算法,设计了针对短波时变信道（瑞利平坦衰落信道和频率选择性衰落信道）的卷积循环神经网络盲均衡器（convolution recurrent neural network blind equalizer,CRNNBE）。该盲均衡器基于CNN收敛速度快和RNN便于处理序列信号的特点,克服码间干扰问题,有效提高了通信质量。仿真实验结果表明:相比基于RNN与CNN的盲均衡器,训练完成后的CRNNBE准确率更高、交叉熵损失值更低,并且收敛速度明显高于RNN盲均衡器,模型在20次左右即可完成收敛;在短波时变信道中,整体而言,相比其他均衡器,在相同信噪比条件下,CRNNBE的误符号率最低,通信可靠性最高。
毕成琦[4]（2021）在《基于神经网络补偿光纤非线性的相干光通信系统研究》文中研究表明光纤通信向着高速率、大容量、远距离传输的目标发展,由于光纤损耗,需要使用光学放大,为增加传输距离,必须相应地使用越来越多的光放大器。光放大器也使噪声放大,为保持较高的信噪比,信号光功率需要增大。然而,当光信号功率超过一定值时,光纤内的非线性会增强,产生非线性干扰噪声。在长距离、高激光发射功率的光通信系统中,光纤中累积的非线性效应成为影响系统通信性能的主要因素,信号由于受到非线性而产生畸变,使得通信质量降低。常见的传统非线性补偿算法,如数字背向传输（DBP）算法、相位共轭双波传播算法等存在着一些计算复杂度过高、传输容量缩减等不足。与这些传统非线性补偿算法相比,基于机器学习的算法具有计算量较小、计算速度快、非线性拟合能力强等优点,并且已有不少研究人员将机器学习算法应用到光纤通信系统中,并证实其可行性。本课题尝试利用机器学习中的人工神经网络算法补偿光纤中累积的非线性效应。本文首先研究了光纤中非线性效应的来源及产生原理,接着探讨了神经网络模型的结构及工作原理,随后提出基于人工神经网络的算法用于补偿光纤中累积的非线性效应,并通过软件仿真光通信系统验证了神经网络的非线性均衡能力。通过仿真结果表明,经神经网络补偿后的系统误码率降低,系统星座图表现良好。文中涉及两种光通信系统,一种是常规高阶高速率的相干光通信系统,针对系统中传输的复数信号采用了复数网络结构进行均衡。另一种则是实验室近两年研究的基于单纤双向的反射式调制相干光通信系统,并首次将神经网络模型应用到这种反射式系统结构中,展现出基于人工神经网络补偿光纤非线性效应的有效性,且由于反射式系统单纤双向传输的特点和特殊的调制方式,使该系统在保密通信领域发挥作用。
李文艳[5]（2021）在《基于水声信道的变结构盲均衡算法研究》文中提出由于水声信道存在多径效应、时延扩展、多普勒效应以及与频率有关的传播损耗等不利因素,如何进行高效、稳定的水声通信成为一个亟须解决的难题。本研究在传统盲均衡算法和神经网络盲均衡算法的基础上,提出了一种基于水声信道的并行结构盲均衡算法,该算法的收敛速度和稳定性较传统盲均衡算法和神经网络盲均衡算法有较大的提高,能有效提升水声通信性能。针对复杂多变的水声信道,本研究深入分析了水声信道的传播损失、背景噪声、多径效应等物理特性,采用盲均衡算法消除噪声,并对最小均方算法（LMS,Least Mean Square）、递归最小二乘法（RLS,Recursive Least Square）和常数模算法（CMA,Constant Modulus Algorithm）三种常用盲均衡算法进行了理论研究与实验仿真分析。实验证明,线性盲均衡器的均衡效果均不理想,因此本研究采用非线性结构的盲均衡算法。神经网络在学习和预测领域表现出良好的性能,能在任何精度范围内接近给定的非线性函数,因此神经网络盲均衡算法较线性均衡器盲均衡算法有着更好的性能。本研究对径向基函数神经网络（RBFNN,Radial Basis Function Neural Network）盲均衡算法进行了研究,针对RBFNN盲均衡算法在水声信道中产生的相位旋转问题,提出了相位透过率径向基函数神经网络（PTRBFNN,Phase Transmittance Radial Basis Function Neural Network）盲均衡算法。通过实验验证,相位透过率径向基函数神经网络盲均衡算法解决了相位旋转问题,大大提升了水声通信性能。为了克服神经网络盲均衡算法计算量大的缺点,本研究在传统盲均衡算法和神经网络盲均衡算法的基础上,提出了一种并行结构CMA-PTRBFNN盲均衡算法,该算法提高了系统的均衡效率,降低了误码率。同时引用了模糊控制器（FC,Fuzzy Controller）,提出了并行结构FC-CMA-PTRBFNN盲均衡算法,通过更新并行结构中CMA和PTRBFNN的参数,进一步加快收敛速度,提升收敛性能。最后通过实验仿真验证算法的性能,对比了FC-CMA-PTRBFNN盲均衡算法与CMA-PTRBFNN盲均衡算法等几种算法在水声信道中的表现。实验表明,FC-CMA-PTRBFNN盲均衡算法性能较优,均方误差和误码率得到了较大地降低,有效提高了水声通信性能。
谭双峰[6]（2021）在《无线光通信高速低复杂度并行盲均衡技术研究与实现》文中指出无线光通信可以提供高速的传输速率,且具有频谱资源丰富、保密性好、抗干扰能力强等优点,成为光通信研究领域的热点之一。激光光束在大气信道传输时会受到大气分子的散射和湍流作用,导致其在时域上产生脉冲展宽现象,进而造成码间干扰,降低了通信系统的传输可靠性,严重影响了无线光通信系统的误码性能。本文针对码间干扰问题,研究了接收端的信道均衡技术,目的在于抑制码间干扰,提高通信系统的性能。本文的主要研究内容如下:1.本文对自适应均衡技术和盲均衡技术进行了研究,重点分析了恒模算法（CMA,Constant Modulus Algorithm）的原理。针对CMA算法迭代步长固定且收敛速度慢的缺点,分析了已有的改进的CMA算法:M-CMA算法和变步长CMA算法。随后,将原有的改进CMA算法相结合,提出了变步长M-CMA算法。2.本文通过Matlab软件对不同盲均衡算法的收敛速度,稳态剩余误差和误码性能进行了仿真验证。仿真结果表明,本文提出的盲均衡算法的收敛速度和稳态剩余误差性能均优于传统CMA算法和M-CMA算法。3.本文研制了基于FPGA的盲均衡硬件模块,同时开展了相应实验验证。硬件模块研制过程中,重点研究了基于脉动阵列的并行滤波器的设计和基于泰勒展开的低复杂度指数函数设计,使得本文设计的并行盲均衡器能够满足高速、低复杂度的要求。实验测试结果表明,采用本文均衡算法处理后的信号误码率降低了2个数量级,实现了本文的研究目标,具有实际工程应用价值。
万智泉[7]（2021）在《机器学习辅助的高速光纤通信理论与技术》文中研究说明光纤传输网络作为信息通信的重要基础性设施,具有应用机器学习技术的广阔空间和潜力。在光纤通信系统中,传统分析模型受限于系统参量获取的准确性、建模的局限性以及计算的复杂度等问题,难以应用于大规模动态光网络及复杂链路系统中。而机器学习算法得益于其数据驱动特性,无需获取具体的系统参量、模型,即可实现复杂问题的动态映射。本论文基于光纤系统的理论分析及模型构造“知识”来实现传统数字信号处理（DSP）算法与机器学习算法的联合设计,并通过系统仿真和实验获取的“数据”进一步优化算法性能。基于此“知识驱动”加“数据驱动”所提出的“定制化”算法既能充分利用机器学习算法在解决非线性问题、分类问题上的优势,又能发挥传统DSP算法所具有的可靠性和鲁棒性等特点。论文围绕“利用机器学习技术来辅助传统DSP算法以实现高可靠、高传输速率和智能化的光纤通信系统”这一目标展开研究,探究机器学习技术在光纤传输链路损伤补偿和光性能监测领域的应用。论文具体研究内容和创新成果如下:1.机器学习辅助的光纤链路损伤补偿技术面向高速短距强度调制直接检测（IM/DD）传输系统对多种链路损伤补偿的需求,论文分别提出了一种新型接收机算法结构和一种基于剪枝神经网络的均衡方案,具体的研究内容如下:a)为解决数据中心商用低成本器件传输高速PAM4信号时带来的带宽受限问题,提出了由全响应均衡器、噪声白化后滤波器和最大似然序列检测（MLSD）算法组成的新型接收机算法结构。通过引入低复杂度的变步长多项式非线性均衡器,使得算法结构具有较强的非线性损伤补偿能力。单边带调制（SSB）PAM4信号传输的实验结果表明,在系统10dB带宽仅为13.5GHz的情况下,可实现64Gbps PAM4信号80km以上色散未补偿标准单模光纤（SSMF）的传输。通过将带宽预补偿方案与上述接收算法结构结合,在带宽受限及非线性更严重的垂直腔面发射激光器-多模光纤（VCSEL-MMF）系统中实现了 160m 100Gbps PAM4信号传输。本研究为低成本的数据中心光互连DSP技术工程实现提供了重要参考。b)鉴于多项式非线性均衡器在非线性损伤补偿上的局限性,提出了基于循环剪枝方案的神经网络均衡器以实现低复杂度、高鲁棒性的非线性均衡。112Gbps SSB-PAM4传输实验的结果表明在传输距离为80km色散未补偿SSMF时,此均衡器相较于Volterra均衡器可带来一个数量级的BER性能提升,且循环剪枝方案可在网络连接数减少90%的情况下保证BER低于HD-FEC门限。针对神经网络均衡器面临的异常性能提升问题,探究了其产生原因并通过仿真分析了此均衡器可带来的真实性能提升。本研究为后续深入探究神经网络与均衡技术的联合设计提供了重要参考。2.机器学习辅助的光性能监测技术面向低冗余弹性光网络（EON）对多个网络性能参量监测的需求,论文分别提出了一种多参量联合监测方案和一种非线性区光信噪比（OSNR）监测方案,具体的研究内容如下:a)基于多任务学习神经网络（MTL-ANN）实现了低复杂度、高准确率、高稳定性的调制格式和OSNR联合监测。基于IM/DD和相干传输系统的仿真和实验结果表明,信号调制格式识别和OSNR监测的准确率分别达到了 100%和98.5%。针对手动调整MTL-ANN任务权重时带来的计算资源消耗问题,提出了权重自适应的MTL-ANN并验证了其泛化性。针对监测结果不准确带来的影响,提出了提高监测置信度的二阶段算法,实验结果表明OSNR监测结果在3dB置信区间的置信度达到1。本研究在实现高性能多参量联合监测的同时还大幅降低了计算资源的消耗,有助于实现EON中低成本的多参量联合监测。b)为解决光纤非线性对OSNR监测技术的影响,提出了自适应滤波器抽头系数辅助的非线性区OSNR监测方案,并通过特征提取技术简化了神经网络结构。在波分复用-双偏振相干光传输系统的仿真验证过程中考虑了不同的链路配置及损伤情况以模拟实际EON状况及验证算法泛化性。仿真结果表明此方案实现的非线性区OSNR监测均方误差为0.3dB,相较于未使用抽头系数辅助的情况,监测误差下降了 1dB。本研究可以和现有的相干接收算法有效结合,实现了灵活的低复杂度非线性区OSNR监测。
张婉婷[8]（2021）在《基于机器学习的光纤非线性均衡技术研究》文中研究说明随着互联网应用的发展,网络容量的需求也在迅速增长,发展高速大容量的光纤通信系统迫在眉睫。但是高传输速率、大信道容量和长距离传输的研究却受到两种因素的限制:线性损伤,包括光纤损耗、色散、偏振模色散;非线性损伤,包括自相位调制、交叉相位调制、四波混频等。在长距离传输系统中,光纤非线性是限制信道容量和传输距离的重要因素之一,因此光纤非线性均衡技术在光纤传输中具有重要的现实意义。为了补偿光纤非线性效应,实现高速大容量光纤通信,有必要在数字相干接收机中引入非线性补偿（NLC）数字信号处理（DSP）算法。近年来,一些NLC算法需要过多的信号处理资源和传输系统的准确参数信息,在降低复杂度方面很难取得突破。因此,高效率、低复杂度的DSP算法是提升光纤通信系统传输速率、信道容量、传输距离的关键。这引发人们对机器学习在光纤通信中的应用的极大关注。机器学习算法通过从接收到的数据符号自身学习来均衡非线性,不需要提前知道具体的光纤传输链路参数等情况,且大大降低了算法复杂度。由于机器学习算法不涉及光纤链路的细节,因此可以普遍应用于所有光纤通信链路,包括短距离、长距离、海底等。本文主要研究基于机器学习的光纤非线性均衡技术。首先研究了改进的神经网络（NN）的非线性均衡性能,将迁移学习（TL）应用在单通道、多通道系统中,使神经网络均衡器大大降低训练开销及成本。之后针对概率整形（PS）系统对非线性的敏感性,提出了利用神经网络、迁移学习在概率整形系统中对非线性效应的均衡,并证明该方案补偿了收发器和光纤传输非线性的综合影响。最后,我们提出并实验验证了一个简化的TL-NN-NLC模型,该模型采用贡献较大的信道内干扰项作为输入。神经网络的输入是有贡献的符号和非线性积项,非线性积利用非线性扰动系数和设置好的窗口大小来选择。同时,我们结合迁移学习算法将训练好的神经网络参数应用到不同发射功率的测试数据集上,加速重构。
刘雪梅[9]（2020）在《基于长短时记忆神经网络的盲均衡器设计》文中研究指明在科技发展愈发重要的今天,信道均衡作为改善通信质量的一项重要技术,一直是学者们关注的内容。为了解决码间干扰的问题,一般会采用均衡技术,很多实际的情况不具备自适应均衡的条件,而盲均衡不需要训练序列的特征能够应用在很多场景中,因此提高盲均衡器的性能具有重要的意义。本文将盲均衡与深度学习的相关技术结合起来,设计一种神经网络盲均衡器,主要在于训练算法和盲均衡器的结构两方面。在训练算法方面,采用基于梯度的优化算法,比较了几种优化算法的优缺点和性能,在这些算法的基础上,优化了训练算法,对这些优化算法进行仿真,仿真结果表明,本文的在训练初始阶段减小学习率方差的算法在收敛速度和均方误差性能上均优于其他优化算法。就盲均衡器的结构而言,选择递归神经网络作为盲均衡器的基本结构,针对简单递归神经网络梯度消失而容易导致无法收敛的缺点,分析了递归神经网络中的长短时记忆神经网络,并且对其结构进行改进,此后的嵌套型长短时记忆神经网络结构的盲均衡器能够更合理地处理信息,仿真结果表明,该结构的盲均衡器收敛速度较快,稳态均方误差较小。本论文还对嵌套型的长短时记忆神经网络盲均衡器进行了硬件电路的设计与验证,得到的稳态均方误差为-33.97d B;Python的仿真稳态均方误差达到了-34.63d B,在1850次迭代后收敛,总的来说达到了预期的效果。
徐炜鸿[10]（2020）在《神经网络在基带信号处理中的应用及其高效实现》文中认为未来无线网络超高的速率给基带信号处理芯片的设计与实现提出了巨大的挑战,基带芯片不仅需要能够处理多种算法,还需要能够提供极高的吞吐率,然而电子信息设备小型化、低功耗的发展趋势意味着未来的基带芯片需要兼具小面积和低功耗的特性。在摩尔定律放缓的大背景下,这些挑战使得基带芯片的设计与制造难上加难。此外已有的无线基带算法中还面临最优检测与估计、无法建模和难以求解以及缺乏算法与硬件实现联合优化等问题。本文立足于以上问题,对神经网络算法在多个基带算法中的应用进行了深入探究。此外,本文还针对经过神经网络优化的算法,进行算法与硬件的协同优化,提出了高效的专用硬件架构,并在ASIC平台上进行了实现和性能验证。首先,针对第五代移动通信（5G）系统中的极化码译码,本文提出了深度学习（DL）方法,以优化极化码BP译码和级联的Polar--LDPC码联合译码这两种译码算法。首先,本文提出了二维偏移最小和（2--D OMS）译码算法,以提升现有归一化最小和（NMS）译码的纠错性能。然后,本文利用DL中优化神经网络的方法用来优化和搜索所提出算法中的参数。数值结果表明,在各种码长度上,所提出的2--D OMS与精确BP译码算法之间几乎没有纠错性能上的差距。本文还针对级联的Polar--LDPC码,提出了低复杂度的级联OMS算法,结果显示经过DL算法优化后的级联OMS算法在码长为1024的极化码上,取得了与L=2的CRC辅助的串行抵消列表（CA-SCL）译码算法接近的纠错性能。上述的优化方法被扩展应用到大规模MIMO系统,深度神经网络（DNN）被用于增强基于消息传递算法的MIMO检测器（MPD）。本文首先介绍了通过展开迭代的MPD算法来构建用于MIMO检测的DNN架构的通用方法。然后结合改进的MPD(包括阻尼置信传播（BP）,最大和（MS）BP和简化的CHEMP算法,提出了多种DNN MIMO检测器。所提出的DNN MIMO检查其中未知的校正因子通过深度学习方法进行优化,以达到更好的性能。实验结果表明,与最小均方误差（MMSE）,BP和CHEMP等多种最新的MIMO检测算法相比,本文提出的DNN MIMO检测器只需要训练一次,即可重复用于多次检测,而且在保证复杂度相近的前提下,可以实现更好的误码率性能,增加对各种天线和信道条件的鲁棒性。基于神经网络方法,本文还研究了非线性信道上的均衡问题。文章提出了一种基于神经网络的联合均衡与译码器,无需信道状态信息（CSI）即可实现对接收信号的盲均衡和译码过程。与已有的方法不同,本文使用了两个分离的神经网络。首先,使用一个卷积神经网络（CNN）从具有码间干扰和非线性失真的接收信号中,自适应地恢复出传输信号。然后,一个深度神经网络译码器（NND）对来自CNN均衡器的检测信号结果进行译码。在多种信道条件下,实验结果表明,所提出的CNN均衡器比其他基于机器学习的方法具有更好的均衡性能。与最先进的神经网络模型相比,所提出的模型减少了约2/3的参数量。此外,该模型可以轻松地以O（n）的复杂度拓展到任意长度的序列。针对低复杂度的硬件实现,本文对极化码译码和神经网络的推理等各种任务提出了多种量化方案和优化策略,主要贡献在于三个方面:（a）本文提出一种确定极化码BP译码器的定点量化方案和最佳LLR缩放因子的方法,为相应的硬件设计提供了理论指导。（b）此外,针对高效CNN推理,本文提出了一种低比特且无需重新训练的量化方法,该方法可使CNN仅用移位和加法运算处理推理运算。实验结果表明,与其他低比特的量化方法相比,该方法无需在Image Net上进行重新训练即可达到更高的精度。而与全精度模型相比,所提出的算法取得了5至8倍的压缩比,而硬件实现所需的资源大量减少,同时还保持了系统吞吐量。（c）为了设计和优化通信系统中的神经网络模型,我们提出了一个经过重新训练的迭代优化框架,以找到不同神经网络的高效量化方案。此外,本文提出了卷积神经网络的高效设计方法,在不损失性能的前提下减少了所需的参数和计算复杂度。在调制分类、信道译码器和均衡器任务上,与全精度模型相比,量化并优化后的NN模型仅需4到5位的权重比特和8比特的激活值即可达到与全精度模型相当的性能。优化后模型的大小被显着压缩,推理的硬件复杂度也大大降低。除了算法的优化外,本文还重点研究了极化码BP译码器和神经网络推理的高效能和可重配置的硬件体系结构。首先,本文提出了可配置的极化码OMS译码器的ASIC硬件架构。该译码器架构可重新配置,以支持三种极化码码长（N=256,512,1024）和两种译码模式（2-D OMS和级联OMS）。在65 nm CMOS工艺上实现的极化码OMS译码器对于码长为1024的最大译码吞吐率为5.4 Gb/s,对于码长为256的最大译码吞吐率为7.5 Gb/s,与目前其他最新的极化码BP译码器性能相当。此外,在码长度为1024的级联OMS译码模式下可实现5.1 Gb/s的吞吐量,延迟为200 ns,这优于具有相近纠错性能的CA-SCL（L=2）译码器。现有的研究利用Winograd和快速傅里叶变换（FFT）等快速算法来减少CNN的卷积运算复杂度,本文针对CNN和生成对抗网络（GAN）模型提出了一种基于ASIC的可重构且低复杂度的加速器,旨在进一步加速CNN中的卷积（CONV）以及GAN中的转置卷积（TCONV）计算。首先,利用费马数变换（FNT）,我们提出了两种基于FNT的快速算法,分别降低了CONV和TCONV计算的复杂度。然后给出了基于FNT的加速器的硬件体系结构,以实现所提出的快速算法。还介绍了确定硬件设计参数和优化数据流的方法,以获取最高的性能和效率。此外,我们在65 nm 1P9M工艺上实现了所提出的加速器,并在多种CNN和GAN模型上对其进行了评估和测试。布局布线的后仿真结果表明,我们的设计在VGG-16上实现了288.0 GOP/s的吞吐率以及25.11 GOP/s/mm2的硬件面积效率,优于最新的CNN加速器。此外,在GAN上至少比现有的加速器快1.7倍,并且其能源效率分别是CPU和GPU的275.3倍和12.5倍。
二、基于神经网络的均衡器（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于神经网络的均衡器（论文提纲范文）
（1）基于高阶调制格式的相干光通信系统中非线性均衡技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 论文研究背景和意义 |
| 1.2 非线性均衡技术的研究现状 |
| 1.2.1 相位共轭法 |
| 1.2.2 Volterra级数非线性均衡技术 |
| 1.2.3 数字后向传播算法 |
| 1.2.4 基于微扰理论的非线性均衡技术 |
| 1.2.5 基于机器学习的非线性均衡技术 |
| 1.3 论文的主要研究内容和创新点 |
| 1.4 论文的组织结构 |
| 第二章 相干光通信系统 |
| 2.1 引言 |
| 2.2 相干光通信系统的高阶调制 |
| 2.2.1 马赫增德尔调制器(MZM)及其工作原理 |
| 2.2.2 I/Q调制器的结构及其工作原理 |
| 2.2.3 高阶调制格式 |
| 2.3 相干光通信系统中的信号损伤 |
| 2.3.1 放大器自发辐射噪声 |
| 2.3.2 激光器引入的频差和相位噪声 |
| 2.3.3 光纤损耗 |
| 2.3.4 色度色散 |
| 2.3.5 偏振模色散 |
| 2.3.6 光纤非线性效应 |
| 2.4 相干检测技术 |
| 2.5 数字信号处理技术 |
| 2.5.1 IQ不平衡补偿和正交归一化 |
| 2.5.2 色散补偿 |
| 2.5.3 时钟恢复 |
| 2.5.4 偏振解复用和偏振模色散补偿 |
| 2.5.5 频偏估计 |
| 2.5.6 载波相位恢复 |
| 2.6 本章小结 |
| 第三章 相干光通信系统中非线性判决算法研究 |
| 3.1 引言 |
| 3.2 基于高斯混合聚类的非线性判决算法 |
| 3.2.1 高斯混合聚类的基本原理 |
| 3.2.2 基于高斯混合聚类的M-QAM信号非线性判决算法 |
| 3.2.3 高斯混合-最小均方算法(MoG-Least Mean Square) |
| 3.3 实验验证与结果分析 |
| 3.3.1 实验系统设置 |
| 3.3.2 实验结果分析 |
| 3.4 本章小结 |
| 第四章 相干光通信系统中基于神经网络的非线性均衡技术研究 |
| 4.1 引言 |
| 4.2 基于特征工程-深度神经网络(FE-DNN)的非线性均衡方案 |
| 4.2.1 神经网络基本原理 |
| 4.2.2 用于方形M-QAM信号的基于FE-DNN的非线性均衡方案 |
| 4.3 基于双向门控循环单元神经网络的非线性均衡方案 |
| 4.3.1 双向门控循环单元神经网络(Bi-GRU)架构 |
| 4.3.2 用于M-QAM信号的基于Bi-GRU的非线性均衡方案 |
| 4.3.3 复杂度分析 |
| 4.4 基于双向长短期记忆神经网络-条件随机场的非线性均衡方案 |
| 4.4.1 双向长短期记忆神经网络(Bi-LSTM)架构 |
| 4.4.2 条件随机场(CRF)基本原理 |
| 4.4.3 用于M-QAM信号的基于Bi-LSTM-CRF的非线性均衡方案 |
| 4.4.4 复杂度分析 |
| 4.5 实验验证与结果分析 |
| 4.5.1 实验系统设置 |
| 4.5.2 实验结果与分析 |
| 4.6 本章小结 |
| 第五章 相干光通信系统中基于微扰理论和回归算法的非线性均衡技术研究 |
| 5.1 引言 |
| 5.2 基于微扰理论和回归算法相结合的非线性均衡方案 |
| 5.2.1 基于微扰理论的光纤传输模型 |
| 5.2.2 线性回归基本原理 |
| 5.2.3 支持向量回归(SVR)基本原理 |
| 5.2.4 用于M-QAM信号的基于回归算法的非线性均衡算法 |
| 5.3 实验验证与结果分析 |
| 5.3.1 实验系统设置 |
| 5.3.2 实验结果与分析 |
| 5.4 本章小结 |
| 第六章 总结和展望 |
| 6.1 本文工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 附录: 缩略词列表 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（2）基于深度学习的可见光通信系统非线性抑制算法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 可见光通信非线性建模方法 |
| 1.2.2 峰均功率比抑制方法 |
| 1.2.3 基于传统方法的可见光通信系统非线性抑制算法 |
| 1.2.4 基于机器学习方法的可见光通信系统非线性抑制算法 |
| 1.3 论文的研究内容 |
| 1.3.1 基于LSTM预失真网络的可见光通信系统线性化 |
| 1.3.2 基于端到端训练的可见光通信非线性抑制算法 |
| 1.4 论文的结构安排 |
| 2 相关技术 |
| 2.1 可见光通信技术概述 |
| 2.1.1 DCO-OFDM调制方式 |
| 2.1.2 Hammerstein建模 |
| 2.1.3 可见光通信中的非线性引起的信号失真 |
| 2.2 深度学习 |
| 2.2.1 深度神经网络 |
| 2.2.2 长短时记忆网络 |
| 2.2.3 端到端学习 |
| 2.2.4 自编码器 |
| 2.3 本章小结 |
| 3 基于LSTM预失真网络的可见光通信系统线性化 |
| 3.1 系统建模 |
| 3.2 设计思路 |
| 3.3 基于预失真的线性化系统整体设计方案 |
| 3.3.1 非线性系统建模 |
| 3.3.2 理想输入-输出特性的设计 |
| 3.3.3 预失真网络设计 |
| 3.4 实验结果与分析 |
| 3.4.1 基于神经网络的可见光通信建模 |
| 3.4.2 最佳输入信号范围的设计 |
| 3.4.3 基于LSTM网络的非线性预失真 |
| 3.4.4 不同信噪比下还原后信号的干扰程度分析 |
| 3.4.5 不同方法下非线性抑制效果 |
| 3.5 本章小结 |
| 4 基于端到端训练的非线性抑制算法 |
| 4.1 场景描述 |
| 4.2 端到端网络结构设计 |
| 4.2.1 损失函数的选择 |
| 4.2.2 神经网络结构的设计 |
| 4.3 Auto-encoder网络的设计 |
| 4.4 仿真结果与分析 |
| 4.4.1 损失函数的选取 |
| 4.4.2 端到端网络及Auto-encoder网络的训练 |
| 4.4.3 还原信号中的干扰分析 |
| 4.4.4 理想信道条件下误符号率性能分析 |
| 4.4.5 考虑可见光信道多径效应下误符号率性能分析 |
| 4.4.6 非线性抑制算法的对比 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 研究工作总结 |
| 5.2 研究工作展望 |
| 参考文献 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 |
| 学位论文数据集 |
（3）基于卷积循环神经网络的短波时变信道盲均衡算法（论文提纲范文）
| 0 引言 |
| 1 基于神经网络的信道盲均衡模型 |
| 2 基于CRNN的短波时变信道盲均衡器 |
| 3 仿真实验及性能分析 |
| 3.1 仿真实验条件 |
| 3.1.1 发送数据与接收数据 |
| 3.1.2 仿真信道 |
| 3.1.3 神经网络均衡器参数 |
| 3.2 仿真实验结果及性能分析 |
| 3.2.1 准确率和交叉熵损失值 |
| 3.2.2 误符号率 |
| 4 结语 |
（4）基于神经网络补偿光纤非线性的相干光通信系统研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 相干光通信技术 |
| 1.2 光纤非线性补偿的发展 |
| 1.3 课题的目的和研究意义 |
| 1.4 论文内容规划及创新性 |
| 第二章 光纤非线性效应 |
| 2.1 非线性光学理论基础 |
| 2.2 光纤通信系统中的非线性光学效应 |
| 2.2.1 自相位调制与交叉相位调制 |
| 2.2.2 受激喇曼散射 |
| 2.2.3 受激布里渊散射 |
| 2.3 数字后向传输算法 |
| 2.4 本章小结 |
| 第三章 基于神经网络补偿光纤非线性的分析 |
| 3.1 神经网络理论基础 |
| 3.1.1 神经网络模型 |
| 3.1.2 激活函数 |
| 3.1.3 神经网络工作原理 |
| 3.2 16-QAM常规相干光通信系统模型 |
| 3.2.1 16-QAM信号生成 |
| 3.2.2 相干检测机及其信噪比分析 |
| 3.3 常规相干光通信系统中基于神经网络的非线性补偿 |
| 3.3.1 16QAM相干光通信系统仿真 |
| 3.3.2 仿真结果分析 |
| 3.3.3 网络模型应用于DP-QPSK系统结果对比分析 |
| 3.4 本章小结 |
| 第四章 反射式单纤双向系统中基于神经网络的非线性补偿分析 |
| 4.1 反射式单纤双向相干光通信系统 |
| 4.1.1 反射式单纤双向系统模型设计 |
| 4.1.2 反射式调制系统的相干检测 |
| 4.1.3 反射式系统中相干探测的性能分析 |
| 4.2 光纤信道中非线性效应分析 |
| 4.2.1 相干瑞利噪声 |
| 4.2.2 反射式系统的中受激布里渊散射 |
| 4.3 神经网络在反射式调制系统中应用分析 |
| 4.3.1 搭建反射式调制系统 |
| 4.3.2 网络模型参数讨论 |
| 4.3.3 结果分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文内容总结 |
| 5.2 未来展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间的研究成果 |
（5）基于水声信道的变结构盲均衡算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 主要研究内容及章节安排 |
| 2 水声信道及盲均衡技术 |
| 2.1 水声信道的特性 |
| 2.1.1 传播损失 |
| 2.1.2 海洋噪声 |
| 2.1.3 多径效应 |
| 2.1.4 多普勒频移 |
| 2.1.5 水声信道模型 |
| 2.2 盲均衡技术 |
| 2.2.1 盲均衡原理 |
| 2.2.2 均衡器的分类 |
| 2.2.3 均衡器的结构 |
| 2.3 盲均衡算法 |
| 2.3.1 最小均方算法 |
| 2.3.2 递归最小二乘法 |
| 2.3.3 常数模算法 |
| 2.4 本章小结 |
| 3 神经网络盲均衡算法 |
| 3.1 神经网络概述 |
| 3.2 神经网络模型 |
| 3.2.1 神经网络模型 |
| 3.2.2 参数设置 |
| 3.2.3 激活函数 |
| 3.2.4 神经网络的训练过程 |
| 3.2.5 基于神经网络的盲均衡 |
| 3.3 改进的相位透过率径向基函数神经网络盲均衡算法 |
| 3.3.1 复数RBF神经网络盲均衡算法 |
| 3.3.2 PTRBFNN盲均衡算法 |
| 3.3.3 实验仿真 |
| 3.4 本章小结 |
| 4 基于模糊控制的并行结构盲均衡算法 |
| 4.1 CMA-PTRBFNN并行结构盲均衡算法 |
| 4.1.1 CMA-PTRBFNN并行结构盲均衡算法 |
| 4.1.2 实验仿真 |
| 4.2 基于模糊控制的CMA-PTRBFNN并行结构盲均衡算法 |
| 4.2.1 模糊控制器的原理 |
| 4.2.2 基于模糊控制的CMA-PTRBFNN并行结构盲均衡算法 |
| 4.2.3 实验仿真 |
| 4.3 实验仿真分析 |
| 4.4 本章小结 |
| 5 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及成果 |
| 致谢 |
（6）无线光通信高速低复杂度并行盲均衡技术研究与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文的研究内容和目标 |
| 1.3.1 论文主要研究内容 |
| 1.3.2 论文研究目标 |
| 1.4 论文的结构安排 |
| 第二章 无线光通信系统及传输信道概述 |
| 2.1 无线光通信系统模型 |
| 2.2 大气信道特性及其对光通信的影响 |
| 2.2.1 大气对光的吸收和散射作用 |
| 2.2.2 大气湍流效应 |
| 2.3 码间干扰原理及影响 |
| 2.4 本章小结 |
| 第三章 无线光通信系统均衡技术研究 |
| 3.1 均衡技术原理和分类 |
| 3.1.1 均衡技术原理 |
| 3.1.2 均衡器的分类 |
| 3.2 自适应均衡算法 |
| 3.2.1 最小均方算法 |
| 3.2.2 递归最小二乘算法 |
| 3.3 盲均衡算法基础理论 |
| 3.3.1 Bussgang类盲均衡算法 |
| 3.3.2 恒模算法 |
| 3.4 盲均衡算法方案设计 |
| 3.4.1 变步长恒模算法 |
| 3.4.2 M-CMA算法 |
| 3.4.3 变步长M-CMA算法 |
| 3.5 均衡算法仿真分析 |
| 3.5.1 均衡算法性能指标 |
| 3.5.2 步长因子对均衡算法性能的影响 |
| 3.5.3 不同盲均衡算法性能比较 |
| 3.6 本章小结 |
| 第四章 盲均衡算法的硬件实现及实验验证 |
| 4.1 均衡器整体架构设计 |
| 4.2 均衡器的FPGA实现和仿真 |
| 4.2.1 并行FIR滤波器模块的实现 |
| 4.2.2 抽头系数更新模块的实现 |
| 4.2.3 误差计算模块的实现 |
| 4.2.4 均衡器的仿真测试 |
| 4.3 实验测试验证和分析 |
| 4.3.1 测试方案 |
| 4.3.2 测试链路搭建 |
| 4.3.3 实验结果统计及分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文内容总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
（7）机器学习辅助的高速光纤通信理论与技术（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号说明 |
| 第一章 绪论 |
| 1.1 光纤通信的演进 |
| 1.1.1 概述 |
| 1.1.2 光纤通信系统的发展历史 |
| 1.2 高速光纤通信系统的发展现状及趋势 |
| 1.2.1 短距高速光纤通信系统的发展现状及趋势 |
| 1.2.2 低冗余弹性光网络光性能监测技术现状及趋势 |
| 1.3 机器学习算法在光纤通信系统中的研究现状 |
| 1.3.1 机器学习算法在光纤传输链路中的研究 |
| 1.3.2 机器学习算法在光性能监测中的研究 |
| 1.4 论文研究意义与主要内容 |
| 1.5 论文结构安排 |
| 第二章 高速光纤通信系统的理论基础与机器学习算法 |
| 2.1 IM/DD光纤通信系统基本原理 |
| 2.1.1 IM/DD光纤通信系统的基本结构 |
| 2.1.2 高速IM/DD光纤通信系统的损伤分析及补偿方案 |
| 2.2 光纤通信系统中的典型数字信号处理算法 |
| 2.2.1 发射端奈奎斯特脉冲成型方案 |
| 2.2.2 时域自适应前馈均衡器 |
| 2.2.3 信号单边带调制方案 |
| 2.3 相干光纤通信系统基本原理 |
| 2.3.1 相干光纤通信系统的调制方案 |
| 2.3.2 相干光纤通信系统的接收方案 |
| 2.3.3 相干光纤通信系统的数字信号处理算法 |
| 2.4 机器学习算法 |
| 2.4.1 机器学习算法概述 |
| 2.4.2 典型的机器学习算法 |
| 2.5 本章小结 |
| 第三章 面向高速IM/DD光纤通信系统的损伤补偿方案研究 |
| 3.1 基于带宽预补偿和多项式非线性均衡的方案研究 |
| 3.1.1 基于FIR滤波器的带宽预补偿原理 |
| 3.1.2 基于变步长多项式的非线性均衡原理 |
| 3.1.3 系统实验框图 |
| 3.1.4 实验结果与分析 |
| 3.2 基于带宽后补偿和多项式非线性均衡的方案研究 |
| 3.2.1 基于噪声白化后滤波器和MLSD算法的带宽后补偿原理 |
| 3.2.2 系统实验框图 |
| 3.2.3 实验结果与分析 |
| 3.3 面向VCSEL-MMF高速传输系统的损伤补偿算法实验验证 |
| 3.3.1 系统实验框图 |
| 3.3.2 实验结果与分析 |
| 3.4 本章小结 |
| 第四章 基于剪枝神经网络的均衡算法研究 |
| 4.1 基于剪枝神经网络的非线性均衡原理 |
| 4.1.1 神经网络均衡器与传统均衡器类比 |
| 4.1.2 基于循环剪枝方案的稀疏神经网络原理 |
| 4.2 面向高速IM/DD系统的剪枝神经网络均衡器实验验证 |
| 4.2.1 系统实验框图 |
| 4.2.2 实验结果与分析 |
| 4.3 神经网络均衡器过拟合问题探究 |
| 4.3.1 PRBS码产生规律及神经网络均衡器过拟合问题 |
| 4.3.2 系统实验结果与分析 |
| 4.4 神经网络均衡器真实性能提升探究 |
| 4.5 本章小结 |
| 第五章 基于多任务神经网络的光性能监测技术研究 |
| 5.1 基于多任务神经网络的多参量监测研究 |
| 5.1.1 面向调制格式识别和OSNR监测任务的特征选取 |
| 5.1.2 多任务神经网络(MTL-ANN)原理 |
| 5.2 面向IM/DD光纤通信系统的MTL-ANN方案研究 |
| 5.2.1 仿真系统框图与结果分析 |
| 5.2.2 实验系统框图与分析 |
| 5.3 基于自适应权重的多任务神经网络研究 |
| 5.3.1 权重自适应MTL-ANN原理 |
| 5.3.2 调制格式自适应M-QAM信号及其AH |
| 5.4 面向相干光纤通信系统的自适应权重MTL-ANN方案研究 |
| 5.4.1 实验系统框图与分析 |
| 5.4.2 基于仿真系统的自适应权重MTL-ANN性能探究 |
| 5.5 提高光性能监测置信度的二阶段算法 |
| 5.5.1 二阶段光性能监测算法原理 |
| 5.5.2 实验系统框图与分析 |
| 5.6 本章小结 |
| 第六章 非线性区OSNR监测技术研究 |
| 6.1 基于幅度柱状图的特征提取方案 |
| 6.2 非线性区OSNR监测方案 |
| 6.2.1 非线性噪声对OSNR监测的影响 |
| 6.2.2 幅度噪声自相关函数 |
| 6.2.3 自适应滤波器抽头系数 |
| 6.2.4 基于神经网络的非线性区OSNR监测方案 |
| 6.3 面向PDM-WDM 16QAM系统的仿真验证 |
| 6.3.1 仿真系统框图 |
| 6.3.2 仿真结果与分析 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 论文工作总结 |
| 7.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 作者攻读博士学位期间的学术论文目录 |
（8）基于机器学习的光纤非线性均衡技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 缩略字表 |
| 第一章 绪论 |
| 1.1 论文研究背景 |
| 1.2 国内外研究现状及研究意义 |
| 1.2.1 光纤非线性补偿的研究意义 |
| 1.2.2 传统的光纤非线性补偿研究现状 |
| 1.2.3 基于机器学习的光纤非线性补偿研究现状 |
| 1.3 论文研究内容及结构规划 |
| 第二章 相干光通信系统中的光纤非线性效应概述 |
| 2.1 相干光通信系统 |
| 2.1.1 相干光通信系统结构 |
| 2.1.2 数字信号处理算法 |
| 2.2 光纤链路中的非线性效应 |
| 2.2.1 光传输波动方程 |
| 2.2.2 信道内的非线性效应 |
| 2.2.3 信道间的非线性效应 |
| 2.3 光纤非线性效应的补偿方法 |
| 2.3.1 数字反向传输 |
| 2.3.2 基于Volterra级数非线性均衡器 |
| 2.3.3 光学相位共轭 |
| 2.4 机器学习在光纤非线性补偿中的应用 |
| 2.4.1 机器学习算法概述 |
| 2.4.2 基于机器学习的非线性补偿算法 |
| 2.4.3 基于神经网络非线性均衡的原理 |
| 2.5 本章小结 |
| 第三章 神经网络均衡器及验证 |
| 3.1 基于神经网络均衡器的方案设计 |
| 3.1.1 神经网络非线性均衡器的设计 |
| 3.1.2 单通道下NN非线性均衡性能比较 |
| 3.1.3 多通道NN非线性均衡性能比较 |
| 3.2 基于迁移学习的非线性均衡 |
| 3.2.1 迁移学习的原理 |
| 3.2.2 单通道下不同功率间网络参数的迁移 |
| 3.2.3 基于迁移学习的多通道非线性均衡 |
| 3.3 基于PS相干通信系统的非线性均衡性能分析 |
| 3.3.1 星座概率整形理论概述 |
| 3.3.2 PS系统下TL-NN非线性均衡器方案设计 |
| 3.3.3 实验系统及结果分析 |
| 3.4 本章小结 |
| 第四章 改进的TL-NN-NLC算法及实验验证 |
| 4.1 NN-NLC算法方案 |
| 4.1.1 NN-NLC输入输出特性 |
| 4.1.2 NN-NLC网络结构优化 |
| 4.1.3 NN-NLC输入积简化 |
| 4.2 TL-NN-NLC算法方案分析 |
| 4.2.1 功率迁移方案及改进 |
| 4.2.2 TL-NN-NLC算法复杂度分析 |
| 4.3 实验系统及结果分析 |
| 4.3.1 单通道16QAM系统的实验方案 |
| 4.3.2 算法参数讨论 |
| 4.3.3 实验性能分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（9）基于长短时记忆神经网络的盲均衡器设计（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 盲均衡算法的研究现状 |
| 1.2.2 基于人工神经网络的盲均衡算法的研究现状 |
| 1.3 论文的研究内容和研究目标 |
| 1.3.1 研究内容 |
| 1.3.2 设计指标 |
| 1.4 论文组织结构 |
| 第二章 盲均衡与神经网络基本理论 |
| 2.1 盲均衡相关的理论基础 |
| 2.1.1 盲均衡的基本原理 |
| 2.1.2 盲均衡算法理论 |
| 2.2 神经网络的理论基础 |
| 2.2.1 神经网络概述 |
| 2.2.2 神经网络的训练方法 |
| 2.2.3 神经网络盲均衡技术 |
| 2.3 本章小结 |
| 第三章 长短时记忆神经网络盲均衡算法仿真和结构设计 |
| 3.1 神经网络盲均衡器的训练算法 |
| 3.1.1 神经网络盲均衡器一般训练算法分析 |
| 3.1.2 神经网络盲均衡器训练算法的优化算法分析 |
| 3.2 神经网络盲均衡器的优化训练算法 |
| 3.3 长短时记忆神经网络盲均衡器的结构改进 |
| 3.3.1 神经网络盲均衡器的结构分析 |
| 3.3.2 递归神经网络盲均衡器的结构分析 |
| 3.3.3 嵌套型长短时记忆神经网络盲均衡器的结构分析 |
| 3.4 嵌套型长短时记忆神经网络盲均衡器 |
| 3.4.1 嵌套型长短时记忆神经网络盲均衡器设计 |
| 3.4.2 信道环境仿真 |
| 3.4.3 基于优化训练算法的递归神经网络盲均衡器 |
| 3.4.4 基于嵌套型长短时记忆神经网络盲均衡器 |
| 3.5 本章小结 |
| 第四章 嵌套型长短时记忆神经网络盲均衡器的逻辑设计与FPGA验证 |
| 4.1 嵌套型LSTM盲均衡器的整体逻辑设计 |
| 4.2 嵌套型LSTM盲均衡器主模块逻辑设计 |
| 4.2.1 Tanh和 Sigmoid激活函数的逻辑设计 |
| 4.2.2 嵌套型长短时记忆神经网络隐藏层和输出层的逻辑设计 |
| 4.2.3 嵌套型长短时记忆神经网络的逻辑设计 |
| 4.3 嵌套型LSTM盲均衡器的FPGA验证 |
| 4.4 嵌套型LSTM盲均衡器的结果分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（10）神经网络在基带信号处理中的应用及其高效实现（论文提纲范文）
| 摘要 |
| Abstract |
| 符号说明 |
| 英文缩略词 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状 |
| 1.2.1 极化码译码 |
| 1.2.2 大规模MIMO检测 |
| 1.2.3 信道均衡 |
| 1.2.4 深度神经网络硬件加速器 |
| 1.3 本文研究内容及意义 |
| 1.4 文章组织结构 |
| 第二章 神经网络在信道译码中的应用 |
| 2.1 极化码置信传播(BP)译码算法 |
| 2.1.1 精确BP译码算法 |
| 2.1.2 低复杂度BP译码算法 |
| 2.2 深度学习优化极化码BP译码器 |
| 2.2.1 2维偏移最小和译码算法 |
| 2.2.2 神经网络的构建及其训练方法 |
| 2.2.3 实验结果 |
| 2.3 通过深度学习优化的Polar-LDPC级联译码器 |
| 2.3.1 级联的Polar-LDPC码 |
| 2.3.2 级联的OMS译码算法 |
| 2.3.3 级联的LDPC码的比特选择方案 |
| 2.3.4 级联的Polar-LDPC码的优化 |
| 2.3.5 实验结果 |
| 2.4 优化方法的复杂度分析 |
| 2.4.1 基于深度学习优化的算术复杂度 |
| 2.4.2 暴力搜索方法的复杂度 |
| 2.4.3 遗传算法的复杂度 |
| 2.4.4 和密度演进算法的比较 |
| 2.5 本章总结 |
| 第三章 神经网络在大规模MIMO检测中的应用 |
| 3.1 大规模MIMO系统模型 |
| 3.2 置信传播检测算法 |
| 3.2.1 BP检测器 |
| 3.2.2 CHEMP检测器 |
| 3.3 简化的置信传播检测算法 |
| 3.3.1 消息阻尼算法 |
| 3.3.2 Max-Sum算法 |
| 3.3.3 低复杂度的CHEMP算法 |
| 3.4 基于DNN的MIMO检测器 |
| 3.4.1 深度神经网络 |
| 3.4.2 多维度校正因子 |
| 3.4.3 DNN检测器 |
| 3.5 实验结果 |
| 3.5.1 DNN结构和训练细节 |
| 3.5.2 数值结果 |
| 3.5.3 复杂度分析 |
| 3.6 本章总结 |
| 第四章 神经网络在信道均衡中的应用 |
| 4.1 系统模型 |
| 4.1.1 码间干扰 |
| 4.1.2 非线性失真 |
| 4.1.3 最大似然均衡器 |
| 4.2 基于神经网络的联合均衡器和译码器 |
| 4.2.1 基于卷积神经网络的均衡器 |
| 4.2.2 深层神经网络译码器 |
| 4.2.3 训练过程 |
| 4.3 实验结果 |
| 4.3.1 实验设置 |
| 4.3.2 在线性信道上的实验结果 |
| 4.3.3 在非线性信道上的实验结果 |
| 4.3.4 联合均衡器和译码器的实验结果 |
| 4.4 算法分析 |
| 4.4.1 相关的工作 |
| 4.4.2 复杂度分析 |
| 4.5 本章总结 |
| 第五章 低比特量化及优化策略 |
| 5.1 极化码BP译码器的量化策略 |
| 5.1.1 信道软信息的定点数量化 |
| 5.1.2 初始化LLR值的缩放策略 |
| 5.2 卷积神经网络的高效非均匀量化策略 |
| 5.2.1 非均匀量化和数据压缩算法 |
| 5.2.2 CNN加速器设计 |
| 5.2.3 实验结果 |
| 5.3 神经网络在通信系统中的量化策略 |
| 5.3.1 所提出的高效神经网络优化框架 |
| 5.3.2 迭代优化方法 |
| 5.3.3 高效卷积神经网络的设计 |
| 5.3.4 实验结果 |
| 5.4 本章总结 |
| 第六章 高效极化码置信度传播(BP)译码器 |
| 6.1 极化码置信度传播译码器的硬件设计 |
| 6.1.1 硬件架构总览 |
| 6.1.2 量化策略 |
| 6.1.3 处理单元阵列 |
| 6.1.4 级联的LDPC译码器 |
| 6.1.5 支持多码长-多码率的可配置硬件架构 |
| 6.1.6 早停止模块 |
| 6.1.7 硬件时序 |
| 6.2 ASIC实现结果和分析比较 |
| 6.2.1 实现细节 |
| 6.2.2 与已有极化码BP译码器的比较 |
| 6.2.3 与已有SCL和CA-SCL译码器的比较 |
| 6.3 本章总结 |
| 第七章 基于快速卷积算法的卷积神经网络加速器设计与实现 |
| 7.1 已有卷积算法的介绍与分析 |
| 7.1.1 卷积层 |
| 7.1.2 转置卷积层 |
| 7.1.3 CNN的快速卷积算法 |
| 7.1.4 已有算法总结分析 |
| 7.2 费马数变换加速的卷积神经网络 |
| 7.2.1 算法设计 |
| 7.2.2 基于2-D OaS FNT的快速卷积算法 |
| 7.2.3 基于1-D OaS FNT的快速转置卷积算法 |
| 7.2.4 小尺寸特征图的优化技术 |
| 7.2.5 复杂度分析 |
| 7.3 FNT硬件设计 |
| 7.3.1 片上全局存储器(On-chip Global Buffer) |
| 7.3.2 PE阵列 |
| 7.3.3 FNT/IFNT变换模块 |
| 7.3.4 BN和(P)ReLU模块 |
| 7.4 设计参数和内存访问优化 |
| 7.4.1 全局存储器大小和数据重用策略 |
| 7.4.2 并行度最大化和循环展开 |
| 7.4.3 快速FNT/IFNT模块 |
| 7.5 性能建模分析 |
| 7.6 实验结果 |
| 7.6.1 实验设置 |
| 7.7 相关的工作 |
| 7.7.1 CNN硬件加速器 |
| 7.7.2 GAN硬件加速器 |
| 7.8 本章总结 |
| 第八章 总结与展望 |
| 8.1 全文总结与主要贡献 |
| 8.2 进一步的研究方向 |
| 致谢 |
| 参考文献 |
| 附录 A 引理1的证明 |
| 附录 B 引理2和引理3的证明 |
| 附录 C 基于Tensorflow库的Polar-LDPC级联译码器核心代码 |
| 附录 D 基于Tensorflow库的DNN-MPD大规模MIMO检测器核心代码 |
| 附录 E 基于Pytorch库的CNN信道均衡器核心代码 |
| 附录 F 实验中使用的CNN模型结构 |
| 附录 G 实验中使用的GAN模型结构 |
| 附录 H Winograd快速卷积算法的推导 |
| H.1 F(2,3)快速卷积算法 |
| H.2 F(2×2, 3 × 3)快速卷积算法 |
| H.3 F(4×4, 3 × 3)快速卷积算法 |
| 附录 Ⅰ 快速FNT变换的Matlab核心代码 |
| 作者攻读硕士学位期间的研究成果 |
四、基于神经网络的均衡器（论文参考文献）
- [1]基于高阶调制格式的相干光通信系统中非线性均衡技术研究[D]. 刘欣雨. 北京邮电大学, 2021(01)
- [2]基于深度学习的可见光通信系统非线性抑制算法研究[D]. 任佳鑫. 北京交通大学, 2021(02)
- [3]基于卷积循环神经网络的短波时变信道盲均衡算法[J]. 刘琪,孙文强,茹国宝. 武汉大学学报(理学版), 2021(03)
- [4]基于神经网络补偿光纤非线性的相干光通信系统研究[D]. 毕成琦. 电子科技大学, 2021(01)
- [5]基于水声信道的变结构盲均衡算法研究[D]. 李文艳. 西安工业大学, 2021(02)
- [6]无线光通信高速低复杂度并行盲均衡技术研究与实现[D]. 谭双峰. 电子科技大学, 2021(01)
- [7]机器学习辅助的高速光纤通信理论与技术[D]. 万智泉. 北京邮电大学, 2021(01)
- [8]基于机器学习的光纤非线性均衡技术研究[D]. 张婉婷. 电子科技大学, 2021(01)
- [9]基于长短时记忆神经网络的盲均衡器设计[D]. 刘雪梅. 东南大学, 2020
- [10]神经网络在基带信号处理中的应用及其高效实现[D]. 徐炜鸿. 东南大学, 2020(01)