三种基于深度学习的新型高效方法用于补偿FSO通信系统中的大气湍流
信号处理
2019-12-30 v1
摘要
自由空间光（FSO）通信系统遇到的主要问题之一是大气湍流。尽管存在许多对抗此效应的解决方案，但它们要么复杂度高，要么性能低。本文开展了全面研究，并提出了三种基于深度学习（DL）的新型有效解决方案。本文首次在FSO通信中部署深度学习、收发器学习以及发射器学习。此外，这是首次将DL方法应用于FSO多输入多输出（MIMO）通信中。所提结构的结果与基于MQAM的最先进FSO系统及最大似然检测进行了比较。考虑了从弱到强 regime 的广泛大气湍流范围；结果表明，所提结构尽管复杂度更低，却具有与杰出传统结构相同的性能。此外，在不同的MIMO结构（不同合并器及不同数量的收发孔径）中，所提结构仍能达到最先进传统系统的性能。
引用
@article{arxiv.1912.12232,
title = {Three novel efficient Deep Learning-based approaches for compensating atmospheric turbulence in FSO communication system},
author = {M. A. Amirabadi},
journal= {arXiv preprint arXiv:1912.12232},
year = {2019}
}