面向鲁棒自由空间通信的生成式机器学习
信号处理
2020-10-12 v1 机器学习
光学
量子物理
摘要
现实的自由空间光通信系统遭受光通过大气的湍流传播以及接收端探测器噪声的影响，这会显著劣化接收态的光学模质量、增加模间串扰，并相应提高系统的符号错误率(SER)。为克服这些障碍，我们开发了一种先进的生成式机器学习(GML)与卷积神经网络(CNN)相结合的系统，并证明了其在自由空间光(FSO)通信环境中的有效性。该系统校正由湍流引起的畸变效应并降低探测器噪声，从而在无需反馈的情况下显著降低了接收端输出处的SER与串扰。该方案易于扩展，并可能在不久的将来为建立远距离经典与量子通信链路提供一种具体且经济高效的技术。
引用
@article{arxiv.1909.02249,
title = {Generative Machine Learning for Robust Free-Space Communication},
author = {Sanjaya Lohani and Ryan T. Glasser},
journal= {arXiv preprint arXiv:1909.02249},
year = {2020}
}
备注
9 pages, 5 figures