Издательство СО РАН

Издательство СО РАН

Адрес Издательства СО РАН: Россия, 630090, а/я 187
Новосибирск, Морской пр., 2

soran2.gif

Baner_Nauka_Sibiri.jpg


Яндекс.Метрика

Array
(
    [SESS_AUTH] => Array
        (
            [POLICY] => Array
                (
                    [SESSION_TIMEOUT] => 24
                    [SESSION_IP_MASK] => 0.0.0.0
                    [MAX_STORE_NUM] => 10
                    [STORE_IP_MASK] => 0.0.0.0
                    [STORE_TIMEOUT] => 525600
                    [CHECKWORD_TIMEOUT] => 525600
                    [PASSWORD_LENGTH] => 6
                    [PASSWORD_UPPERCASE] => N
                    [PASSWORD_LOWERCASE] => N
                    [PASSWORD_DIGITS] => N
                    [PASSWORD_PUNCTUATION] => N
                    [LOGIN_ATTEMPTS] => 0
                    [PASSWORD_REQUIREMENTS] => Пароль должен быть не менее 6 символов длиной.
                )

        )

    [SESS_IP] => 3.142.43.216
    [SESS_TIME] => 1715600680
    [BX_SESSION_SIGN] => 9b3eeb12a31176bf2731c6c072271eb6
    [fixed_session_id] => d0ea16adc971ccd1c5a7bc66e24de267
    [UNIQUE_KEY] => 3e6439267f938660aae3bf2a7947c6ec
    [BX_LOGIN_NEED_CAPTCHA_LOGIN] => Array
        (
            [LOGIN] => 
            [POLICY_ATTEMPTS] => 0
        )

)

Поиск по журналу

Автометрия

2024 год, номер 1

МЕТОДЫ МАШИННОГО ОБУЧЕНИЯ ДЛЯ КОМПЕНСАЦИИ ИСКАЖЕНИЙ СИГНАЛОВ В ВОЛОКОННО-ОПТИЧЕСКИХ ЛИНИЯХ СВЯЗИ

О.С. Сидельников, А.А. Редюк, М.П. Федорук
Новосибирский государственный университет, Новосибирск, Россия
o.sidelnikov@g.nsu.ru
Ключевые слова: волоконно-оптические системы связи, нелинейность оптического волокна, компенсация нелинейных искажений, нейронные сети, машинное обучение, цифровая обработка сигнала
Страницы: 3-14

Аннотация

В статье затронуты актуальные проблемы в области волоконно-оптической передачи данных, связанные с постоянным ростом спроса на пропускную способность систем связи и их нелинейным откликом. Представлены основные методы машинного обучения, используемые для компенсации нелинейных искажений сигнала в когерентных линиях связи большой протяжённости, включая нейронные сети различной архитектуры. В работе подчёркнута перспективность решений на основе методов машинного обучения для увеличения производительности оптоволоконных систем связи, благодаря их способности получать эффективные и адаптивные схемы восстановления сигнала с низкой вычислительной сложностью.

DOI: 10.15372/AUT20240101
Добавить в корзину
Товар добавлен в корзину