基于持续同调的深度学习用于轨道角动量(OAM)解码
信号处理
2019-11-19 v1 信息论
机器学习
图像与视频处理
math.IT
摘要
轨道角动量(OAM)编码近年来已成为一种提高自由空间光通信信道容量的有效方法。本文将基于OAM的解码表述为一个监督分类问题。为了在严重大气湍流下保持较低误码率，提出了一种结合来自持续同调与卷积神经网络(CNNs)的有效机器学习工具的新方法来解码OAM模式。为了将持续同调与CNN连接，提出了一种带可学习参数的高斯核，使系统能够提取并区分OAM模式的鲁棒且独特的拓扑特征。仿真结果表明，相较于仅基于CNN的现有最优方法，所提方法在分类准确率上实现了高达20%的提升。这些结果本质上表明几何与拓扑特征在OAM模式分类问题中起着关键作用。
引用
@article{arxiv.1911.06858,
title = {Deep Learning with Persistent Homology for Orbital Angular Momentum (OAM) Decoding},
author = {Soheil Rostami and Walid Saad and Choong Seon Hong},
journal= {arXiv preprint arXiv:1911.06858},
year = {2019}
}