Deep-Learning Based Detectors for SISO and SIMO IM/DD FSO Systems
Notice bibliographique
Résumé
Free space optical (FSO) communication has the potential to develop ultra-fast data links that can be used in a vari-ety of sixth-generation (6G) applications, including heterogeneous networks with enormous connectivity and wireless backhauls for cellular systems. This paper proposes several low-complexity deep neural networks designed to detect received symbols in FSO systems, eliminating the need for channel state information (CSI). We consider different intensity modulation (IM) schemes (e.g., on-off shift keying (OOK) and pulse amplitude modulation (PAM)) and different FSO systems (e.g., single-input single-output (SISO) and single-input multiple-output (SIMO)). We design the neural network to be able to exploit the temporal correlation of the channels and the common information received at every single photodetector (the case of SIMO). The convolutional neural network (CNN) is designed in a way that it can learn the channels without using pilots and also can jointly combine the received signals and detect the symbols for a wide range of signal-to-noise ratio (SNR) values and different turbulence levels. Numerical results show that the proposed CNN demonstrates a better performance compared to the maximum likelihood approach that utilizes imperfect channel information for symbol detection.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».