针对高阶正交振幅调制（quadrature amplitude modulation，QAM）信号难以调制分类的问题，提出了一种基于改进型Transformer的深度学习调制分类方法，通过并行2个Transformer的编码器，分析了在加性高斯白噪声（additive white Gaussian noise，AWGN）信道下，从4 QAM到4 096 QAM的10种调制格式在信噪比从−10 dB到30 dB的自动调制分类效果。首先将QAM信号的正交、同相分量提取出来并进行预处理操作，再将预处理过的同相分量和正交分量分别通过2个Transformer编码器来提取分量特征，最后将2个提取到的分量特征进行组合来判断QAM信号的调制格式。实验结果证明：在没有载波频率偏移影响且信噪比大于20 dB时，网络可以准确识别出10种QAM调制格式；在载波频率偏移为500 Hz且信噪比大于26 dB时，网络对10种QAM调制格式的分类准确率高于98.6%。

Large-bandwidth, high-sensitivity, and large dynamic range electric field sensors are gradually replacing their traditional counterparts. The lithium-niobate-on-insulator (LNOI) material has emerged as an ideal platform for developing such devices, owing to its low optical loss, high electro-optical modulation efficiency, and significant bandwidth potential. In this paper, we propose and demonstrate an electric field sensor based on LNOI. The sensor consists of an asymmetric Mach–Zehnder interferometer (MZI) and a tapered dipole antenna array. The measured fiber-to-fiber loss is less than -6.7 dB, while the MZI structure exhibits an extinction ratio of greater than 20 dB. Moreover, 64-QAM signals at 2 GHz were measured, showing an error vector magnitude (EVM) of less than 8%.

针对自由空间光（FSO）通信系统易受大气湍流效应影响的问题，为降低系统在饱和湍流情况下的误码率（BER），并且考虑到实际工程中需要在有限信噪比（SNR）下得到最大的分集增益，需要对系统的分集性能进行研究，以得到分集增益与SNR和系统链路数量等参数的关系。文章选择采用多输入多输出（MIMO）技术，设计了基于正交振幅调制（QAM）的MIMO-FSO通信系统，分析了系统在负指数分布信道模型下的性能表现，推导出系统的BER计算公式与分集增益相关参数（如分集阶数（DO）、分集阶数增量（IDO）和收敛速度（SOC）等）的闭式表达式，并利用数学软件Matlab进行仿真实验，通过蒙特卡洛仿真来验证所推导公式的准确性。仿真结果表明，MIMO技术在不增加发射功率和接收孔径面积的情况下，可以大幅度降低FSO通信系统的BER，且在饱和湍流信道下，系统链路数量越多或湍流强度越低时，DO随SNR增长到理论最大值的速度越快。MIMO技术有效地抑制了大气湍流对系统的负面影响，大幅提高了系统性能。在条件允许的情况下，尽量使用多的发射机和接收机可以使得系统在有限SNR下获得的分集增益更高，但是也需要考虑到实际工程中的部署成本和安装难度来选择合适的链路数量。