1 杭州电子科技大学 通信工程学院，杭州 310018
2 上海交通大学 光纤区域网与新型光通信系统国家重点实验室，上海 200240
3 江苏省新型光纤技术与通信网络工程研究中心，江苏 苏州 215000
为提升基于带限光电器件及直接调制激光器(DML)的强度调制直接检测(IMDD)系统性能，解决传统均衡器计算复杂度过高的问题，提出深度神经网络(DNN)均衡器简化方案。首先，利用自适应动量估计(Adam)算法更新DNN的权重系数，优化了传统梯度下降算法的迭代速度和收敛性能；然后，在此基础上引入丢弃层和剪切操作以降低DNN的高计算复杂度，减少网络结构的冗余连接，并避免过拟合现象的产生。最后，在80 Gb/s带限DML-IMDD仿真系统中验证了DNN均衡器简化方案的有效性和可行性。
均衡方案 简化方案 深度神经网络 强度调制直接检测系统 丢弃层 剪切方法 equalization scheme, simplified scheme, deep neura
重庆邮电大学 通信与信息工程学院，重庆 400065
针对非线性抑制方法需要先验统计信息确定最佳门限且引起非线性失真的问题，提出一种改进深度神经网络(DNN)的电力线脉冲噪声抑制与补偿算法。首先通过DNN锁定脉冲噪声的位置，然后采用置零法清除该位置的数据，最后对处理后的信号进行非线性失真重构与补偿，并与其它算法进行了仿真对比实验。仿真结果表明：所提算法提升了DNN的识别率，降低了系统误码率，具有较好的鲁棒性。
电力线通信 智能电网 脉冲噪声 深度学习 人工智能 深度神经网络 power line communication, smart grid, impulse nois
中国电波传播研究所, 山东青岛 266071中国人民解放军 31007部队, 北京 100000
通信语音干扰效果评估, 是指对语音通信系统接收的受扰语音信号进行分析, 确定语音信号被干扰程度的技术。准确地评估干扰效果是研制通信对抗设备、评估电子对抗态势以及了解通信质量等活动的重要依据。针对超短波通信干扰系统, 提出了基于梅尔频率倒谱系数 (MFCC)特征、小波统计特征和感知特征的统计测度, 结合最小二乘、反向传播(BP)神经网络以及支持向量回归 (SVR)拟合回归模型的评估系统, 其预测值和主观评估值的相关系数达到 0.9以上, 保障了该干扰评估系统的实用性。研究了基于深度学习的无参考评估方法, 并利用实测数据验证了其有效性, 准确率达到了 87%, 高于多测度融合评估方法。
机器学习 深度神经网络 语音质量评估 干扰效果评估 machine learning Deep Neural Network(DNN) speech quality assessment jamming effect evaluation 太赫兹科学与电子信息学报
2023, 21(10): 1217
江苏商贸职业学院 电子与信息学院, 江苏 南通 226011
针对红外夜视遥感系统成像质量差的问题, 提出一种目标与背景分离的多模态图像融合方法来改善红外夜视的成像质量。一方面, 采用注意力U-Net对红外与可见光图像的目标区域进行分割与融合处理, 利用U-Net强大的学习能力充分保留原图像中的目标信息; 另一方面, 通过引导滤波器对红外与可见光图像的背景区域进行分解, 采取不同的融合策略处理基层信息与细节层信息, 增强背景中的显著区域。在TNO数据集上的对比实验结果表明, 该方法在主观视觉评价与客观量化评价两方面均优于其它对比方法。
红外夜视系统 图像融合 图像质量增强 深度神经网络 引导滤波器 infrared night vision system image fusion image quality enhancement deep neural networks guided filter
西安科技大学 通信与信息工程学院, 西安 710600
针对OAM通信系统中相干OAM复用光束的解调技术,提出了一种基于纯振幅型衍射深度神经网络(D2NN)的OAM相干复用解调实现方法。通过数值实验研究了D2NN解调器对四相OAM相干复用波束的解调性能,使用误码率（BER）对其性能进行了表征。为了降低D2NN解调的误码率,提出了一种改进的OAM选择策略。并与纯相位型D2NN解调器进行性能对比,仿真实验结果表明,该方法对四相OAM相干复用波束具有较高的解复用和解调精度有着明显优势,为OAM相干复用通信提供了一种灵活的实时解调方法。
轨道角动量 相干复用 衍射深度神经网络 解调 机器学习 orbital angular momentum coherent multiplexing deep diffractive neural network demodulation machine learning
江苏商贸职业学院 电子与信息学院, 江苏 南通 226000
针对基于接收信号强度的可见光通信系统室内定位精度低的问题, 提出一种基于深度神经网络的可见光通信系统室内定位方法。方法采用可见光信道估计技术进行室内距离测量, 以解决接收信号强度稳定性与可靠性不足的问题。此外, 设计了深度神经网络在离线阶段学习光电二极管距离向量的分布特性, 以避免光信号不稳定导致误差升高的问题.在线上阶段基于多距离向量对目标进行定位, 可在满足时间效率要求的情况下提高定位精度。仿真结果表明, 在室内场景下, 该方法的平均定位精度优于传统三角定位法与基于接收信号强度的定位方法。
可见光通信 接收信号强度 室内距离测量 光信道估计 深度神经网络 室内定位 visible light communication received signal strength indoors distance measurement optical channel estimation deep neural networks indoors positioning0 引 言
1 南京邮电大学通信与信息工程学院，南京 江苏 210023
2 固体微结构物理国家重点实验室，南京 江苏 210008
衍射深度神经网络（D2NN）通过无源衍射层的深度学习，可实现快速高效的深度学习功能。利用多组不同湍流强度干扰下的轨道角动量（OAM）态和目标OAM态组成的训练数据集对设计的D2NN网络组件进行训练，更新和优化组件中各参数，直到由D2NN输出的OAM态与目标OAM态的平方误差损失函数达到预定的阈值，便可获得实现高速、高精度的OAM波前校正的D2NN组件。测试结果表明：D2NN迭代次数、衍射层数、训练参数的选择会对组件的校正速度和准确度产生影响，通过D2NN可以实现受大气湍流干扰的OAM态的高精度校正；当大气湍流强度为10-14 m-2/3、D2NN网络层层数为8时，组件性能最佳，其损失函数相比5层网络层的D2NN降低超过45.45%；而对于更强大气湍流的干扰，可以通过增加网络训练时的迭代次数来提高校正的准确度，迭代20次后损失函数的值降低率达到98.03%；对于湍流强度较弱的干扰，训练时采用纯相位参数，组件的性能更优；而对于强湍流的干扰，训练时采用相位参数与振幅参数两者相结合的方法，组件的性能更优；除此之外，OAM态的拓扑荷值越小，校正后的失真度越小。
衍射深度神经网络 无源衍射层 轨道角动量态 大气湍流 相位屏 光学学报
2023, 43(24): 2401008
1 西南石油大学 电气信息学院，成都 610500
2 西南石油大学 理学院，成都 610500
为了提高基于结构光法的3维重建精度，采用机器学习中的回归模型对物体进行了3维形貌测量，通过以单目式获取对象高度点不同方向的光强信息簇样本，将其作为回归模型的训练集，在训练好回归模型后，直接建立起条纹图案的光强信息分布与对象高度之间的映射函数关系，完成对目标的3维测量;将调制条纹光数值信息以特征形式导入回归模型，获得端到端高度信息，验证了机器学习的神经网络回归模型在3维面形重建上的可行性。结果表明，该模型即使在投影特征模糊或噪音较大的情况也能较精确地重建3维面形，平均重建误差为1.40×10-4 mm，优于一般面形重建方法的数据。该研究为物体在强干扰条件下的单目式高精度3维面形重建提供了参考，简化了繁琐的计算过程和测量过程，提高了测量精度。
信息光学 高精度3维面形重建 深度神经网络 结构光 单目式 形变条纹 information optics high precision 3-D surface reconstruction deep neural network structured light monocular stripe of deformation、
1 复旦大学 通信科学与工程系 电磁波信息科学教育部重点实验室，上海 200433
2 鹏城实验室，广东 深圳 518055
3 上海低轨卫星通信与应用工程技术研究中心，上海 200433
4 上海市低轨卫星通信技术协同创新中心，上海 200433
水下可见光通信（UVLC）具有高传输速率、大容量、低延时和低成本等优势，已成为水下通信领域可行且很有吸引力的替代方案，应用前景广阔。然而，UVLC性能受到带宽、各种线性或非线性效应等瓶颈问题的局限。为了缓解这些问题，文章研究了基于几何整形的振幅移相键控（APSK）调制和编码映射，提出了基于双向循环神经网络（BRNN）的波形级后均衡器。此外，文章还提出了用基于深度神经网络（DNN）的波形到符号接收机来代替传统的匹配滤波、下采样和后均衡等操作。实验表明，与传统接收机相比，基于BRNN后均衡电压动态范围提升了170 mV（69%），基于DNN的波形到符号接收机电压动态范围提升了245 mV（100%）。实验结果证明，基于BRNN后均衡和基于DNN的波形到符号接收机能有效提升系统性能，是未来UVLC中很有前景的技术方案。
水下可见光通信 振幅移相键控 双向循环神经网络 后均衡 深度神经网络 UVLC APSK BRNN post-equalization DNN
1 昆明理工大学信息工程与自动化学院，云南 昆明 650550
2 昆明理工大学生命科学与技术学院，云南 昆明 650550
针对蛋白质质谱数据检索研究中由于样本单一、数据不平衡导致传统的相似性匹配检索方法效率低且精度不高的问题，提出一种基于复杂的放回抽样（Flex-Bootstrap）和多次卷积神经网络（Multi-CNN）与深度神经网络（DNN）融合模型的检索方法，并与DNN模型、CNN与DNN融合模型相比较。Flex-Bootstrap方法结合Multi-CNN与DNN融合模型应用于蛋白质质谱数据种类预测时取得了较好的效果，其测试集的准确率提升至98.82%，损失函数值降低至0.0397。该模型不仅有效解决了使用DNN模型、CNN与DNN融合模型进行数据检索时存在的欠拟合问题，同时提高了预测的准确率以及质谱数据库的搜索效率。
医用光学 蛋白质种类 复杂的放回抽样 深度神经网络 卷积神经网络 质谱数据预测 激光与光电子学进展
2023, 60(16): 1617001
