.png){kind=icon}
返回
Reservoir computing for vector-mode decomposition in deep learning frameworks
.png){kind=icon}
PRE
AI
DOI：10.1088/1402-4896/adc161.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文介绍了一种针对芯移少模光纤（FMF）信道的光学模态分解（OMD）框架，利用了与深度学习架构集成的存储器计算（RC）的非线性映射能力。芯移特性，由径向和相位偏移表征，将原本仅关注模态权重和相位的更简单的OMD任务，转化成一个显著更复杂的问题。我们集成了RC与深度学习，其中RC在硬件友好的实现中替换了传统神经网络中的非线性处理层。仿真结果表明，所提出的网络在保持94%的高相关系数的同时，对于两个矢量模态将计算复杂度降低了32%。该框架的鲁棒性进一步在涉及更多矢量模态的案例中得到验证，确认了其在实际硬件实现中的潜力。本研究不仅通过解决芯移引入的复杂性推进了OMD领域，也为光通信系统中深度学习模型的硬件实现提供了一条新途径。
Keyword:
optical mode decomposition
reservoir computing
deep learning
few-mode fibre
core shift
期刊
IF:
2.6
论文数:
4.3K
被引数:
2.5W
机构
引用论文
Fast modal decomposition for optical fibers using digital holography基于数字全息的光纤快速模态分解.png)
SCIENTIFIC REPORTS
OAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏Multiscale Network Traffic Prediction Method Based on Deep Echo-State Network for Internet of Things基于深度回声状态网络的物联网多尺度网络流量预测方法
PREAI
分享收藏Learning to decompose the modes in few-mode fibers with deep convolutional neural network使用深度卷积神经网络学习分解少模光纤中的模式OPTICS EXPRESS
OAAI
OPTICS EXPRESSIF3.3
OAAI分享收藏分享收藏
查看更多内容