多节点WDM网络的数字双胞胎模型是从单个访问点获得的。该模型用于预测和优化网络中每个链接的发射功率配置文件，并获得最多2.2 〜db的边距改进。不优化的传输。

研究了拉曼放大器优化的问题。使用机器学习（ML）获得了拉曼增益系数的可区分插值函数，该函数允许对前向传播拉曼泵的梯度下降优化。然后，针对任意数据通道负载和跨度长度优化了向前泵送配置中任意数量的泵的频率和功率。向前倾斜的拉曼放大器的实验训练的ML模型将正向传播模型结合在一起，以共同优化前向放大器泵的频率和功率以及向后放大器泵的功率。对于250 km的未重新曝光，展示了关节向前和向后放大器的优化。超过4 THz的增益平坦度为$ <$ 1〜 dB。使用数值模拟器验证了优化的放大器。

我们通过实验验证一个实时机器学习框架，能够控制拉曼放大器的泵功率值以在二维（2D）中塑造信号功率演变：频率和光纤距离。在我们的设置中，优化了四个一阶反向传输泵的功率值，以实现所需的2D功率配置文件。泵功率优化框架包括一个卷积神经网络（CNN），然后是差分进化（DE）技术，在线应用于放大器设置，以自动实现目标2D功率配置文件。可实现的2D配置文件的结果表明，该框架能够确保获得的最大绝对误差（MAE）（<0.5 dB）与获得的目标2D配置文件之间。此外，该框架在多目标设计方案中进行了测试，该方案的目标是在跨度结束时达到固定增益水平的2D配置文件，共同在整个光纤长度上进行最小的光谱游览。在这种情况下，实验结果断言，对于目标扁平增益水平的2D轮廓，当设置在泵功率值中不受物理限制时，DE获得的最大增益偏差小于1 dB。模拟结果还证明，有足够的泵功率可用，可以实现更高的目标增益水平的更好的增益偏差（小于0.6 dB）。

基于拉曼扩增的物理特征，我们提出了一个基于神经网络（NN）和线性回归的三步建模方案。与基于纯NN的方法相比，通过模拟证明了更高的精度，较少的数据需求和较低的计算复杂性。

The current optical communication systems minimize bit or symbol errors without considering the semantic meaning behind digital bits, thus transmitting a lot of unnecessary information. We propose and experimentally demonstrate a semantic optical fiber communication (SOFC) system. Instead of encoding information into bits for transmission, semantic information is extracted from the source using deep learning. The generated semantic symbols are then directly transmitted through an optical fiber. Compared with the bit-based structure, the SOFC system achieved higher information compression and a more stable performance, especially in the low received optical power regime, and enhanced the robustness against optical link impairments. This work introduces an intelligent optical communication system at the human analytical thinking level, which is a significant step toward a breakthrough in the current optical communication architecture.

神经网是电磁频谱中无线电信号分类的强大方法。由于缺乏多样化和大量的实际RF数据，这些神经网通常经过合成生成的数据训练。但是，通常不清楚如何在现实世界应用中对合成数据进行训练的神经网。本文调查了不同RF信号障碍（例如相，频率和样本率偏移，接收器过滤器，噪声和频道模型）的影响，该影响与现实世界性能有关合成训练数据。为此，本文通过不同的信号障碍的各种合成训练数据集训练神经网。训练后，对神经网的实际RF数据进行了评估，该数据由软件定义的无线电接收器收集。这种方法揭示了应包括在精心设计的合成数据集中的建模信号障碍。研究的显示示例可以将RF信号分类为短波频段的20种不同无线电信号类型之一。通过仅使用精心设计的合成训练数据，它在实际操作中可实现多达95％的精度。

我们展示了一种简单，高效的“直接学习”方法来利用神经网络培训基于Volterra系列的数字预失真滤波器。我们使用64-QAM 64-GBaud模拟发射器显示出对传统训练方法的卓越性能，具有不同的发射器非线性和嘈杂的条件。

正交频分复用（OFDM）已广泛应用于当前通信系统。人工智能（AI）addm接收器目前被带到最前沿替换和改进传统的OFDM接收器。在这项研究中，我们首先比较两个AI辅助OFDM接收器，即数据驱动的完全连接的深神经网络和模型驱动的COMNet，通过广泛的仿真和实时视频传输，使用5G快速原型制作系统进行跨越式-Air（OTA）测试。我们在离线训练和真实环境之间的频道模型之间的差异差异导致的模拟和OTA测试之间找到了性能差距。我们开发一种新颖的在线培训系统，称为SwitchNet接收器，以解决此问题。该接收器具有灵活且可扩展的架构，可以通过在线训练几个参数来适应真实频道。从OTA测试中，AI辅助OFDM接收器，尤其是SwitchNet接收器，对真实环境具有鲁棒，并且对未来的通信系统有前途。我们讨论了本文初步研究的潜在挑战和未来的研究。

在本文中，提出了一种新的方法，该方法允许基于神经网络（NN）均衡器的低复杂性发展，以缓解高速相干光学传输系统中的损伤。在这项工作中，我们提供了已应用于馈电和经常性NN设计的各种深层模型压缩方法的全面描述和比较。此外，我们评估了这些策略对每个NN均衡器的性能的影响。考虑量化，重量聚类，修剪和其他用于模型压缩的尖端策略。在这项工作中，我们提出并评估贝叶斯优化辅助压缩，其中选择了压缩的超参数以同时降低复杂性并提高性能。总之，通过使用模拟和实验数据来评估每种压缩方法的复杂性及其性能之间的权衡，以完成分析。通过利用最佳压缩方法，我们表明可以设计基于NN的均衡器，该均衡器比传统的数字背部传播（DBP）均衡器具有更好的性能，并且只有一个步骤。这是通过减少使用加权聚类和修剪算法后在NN均衡器中使用的乘数数量来完成的。此外，我们证明了基于NN的均衡器也可以实现卓越的性能，同时仍然保持与完整的电子色色散补偿块相同的复杂性。我们通过强调开放问题和现有挑战以及未来的研究方向来结束分析。

In this work, we demonstrate the offline FPGA realization of both recurrent and feedforward neural network (NN)-based equalizers for nonlinearity compensation in coherent optical transmission systems. First, we present a realization pipeline showing the conversion of the models from Python libraries to the FPGA chip synthesis and implementation. Then, we review the main alternatives for the hardware implementation of nonlinear activation functions. The main results are divided into three parts: a performance comparison, an analysis of how activation functions are implemented, and a report on the complexity of the hardware. The performance in Q-factor is presented for the cases of bidirectional long-short-term memory coupled with convolutional NN (biLSTM + CNN) equalizer, CNN equalizer, and standard 1-StpS digital back-propagation (DBP) for the simulation and experiment propagation of a single channel dual-polarization (SC-DP) 16QAM at 34 GBd along 17x70km of LEAF. The biLSTM+CNN equalizer provides a similar result to DBP and a 1.7 dB Q-factor gain compared with the chromatic dispersion compensation baseline in the experimental dataset. After that, we assess the Q-factor and the impact of hardware utilization when approximating the activation functions of NN using Taylor series, piecewise linear, and look-up table (LUT) approximations. We also show how to mitigate the approximation errors with extra training and provide some insights into possible gradient problems in the LUT approximation. Finally, to evaluate the complexity of hardware implementation to achieve 400G throughput, fixed-point NN-based equalizers with approximated activation functions are developed and implemented in an FPGA.

低成本毫米波（MMWAVE）通信和雷达设备的商业可用性开始提高消费市场中这种技术的渗透，为第五代（5G）的大规模和致密的部署铺平了道路（5G） - 而且以及6G网络。同时，普遍存在MMWAVE访问将使设备定位和无设备的感测，以前所未有的精度，特别是对于Sub-6 GHz商业级设备。本文使用MMWAVE通信和雷达设备在基于设备的定位和无设备感应中进行了现有技术的调查，重点是室内部署。我们首先概述关于MMWAVE信号传播和系统设计的关键概念。然后，我们提供了MMWaves启用的本地化和感应方法和算法的详细说明。我们考虑了在我们的分析中的几个方面，包括每个工作的主要目标，技术和性能，每个研究是否达到了一定程度的实现，并且该硬件平台用于此目的。我们通过讨论消费者级设备的更好算法，密集部署的数据融合方法以及机器学习方法的受过教育应用是有前途，相关和及时的研究方向的结论。

We propose spectrum-sliced reservoir computer-based (RC) multi-symbol equalization for 32-GBd PAM4 transmission. RC with 17 symbols at the output achieves an order of magnitude reduction in multiplications/symbol versus single output case while maintaining simple training.

在多输入多输出（MIMO）系统中使用深度自动码器（DAE）进行端到端通信，是一种具有重要潜力的新概念。在误码率（BER）方面，已示出DAE-ADED MIMO以占地识别的奇异值分解（SVD）为基础的预编码MIMO。本文提出将信道矩阵的左右奇异矢量嵌入到DAE编码器和解码器中，以进一步提高MIMO空间复用的性能。 SVD嵌入式DAE主要优于BER的理论线性预编码。这是显着的，因为它表明所提出的DAES通过将通信系统视为单个端到端优化块来超出当前系统设计的极限。基于仿真结果，在SNR = 10dB，所提出的SVD嵌入式设计可以实现近10美元，并将BER减少至少10次，而没有SVD，相比增长了18倍的增长率最高18倍具有理论线性预编码。我们将这一点归因于所提出的DAE可以将输入和输出与具有有限字母输入的自适应调制结构匹配。我们还观察到添加到DAE的剩余连接进一步提高了性能。

直接到 - 卫星（DTS）通信最近已获得支持全球连接的物联网（IoT）网络的重要性。但是，地球周围密集部署的卫星网络相对较长的距离会导致高路径损失。此外，由于必须部分在物联网设备中进行诸如光束成型，跟踪和均衡之类的高复杂性操作，因此硬件复杂性和对物联网设备的高容量电池的需求都会增加。可重新配置的智能表面（RISS）具有增加能源效率并在传输环境而不是物联网设备上执行复杂的信号处理的潜力。但是，RIS需要级联通道的信息，以更改事件信号的阶段。这项研究将试点信号评估为图形，并将此信息纳入图表网络（GATS），以通过试点信号来跟踪相位关系。提出的基于GAT的通道估计方法研究了DTS IoT网络的性能，以解决不同的RIS配置，以解决具有挑战性的通道估计问题。结果表明，与常规深度学习方法相比，在变化条件下，拟议的GAT均表现出更高的性能，并且在变化的条件下具有更高的鲁棒性，并且计算复杂性较低。此外，根据提议的方法，在通道估计下具有离散和不均匀相移的RIS设计研究了位错误率性能。这项研究的发现之一是，必须在RIS设计期间考虑操作环境的渠道模型和通道估计方法的性能，以尽可能利用性能改进。

由于自动驾驶，物联网和流媒体服务的快速发展，现代通信系统必须应对各种渠道条件以及用户和设备的稳步增加。这以及仍在上升的带宽需求只能通过智能网络自动化来满足，这需要高度灵活和盲目的收发器算法。为了应对这些挑战，我们提出了一种新颖的自适应均衡计划，该计划通过训练用对抗性网络训练均衡器来利用深度学习的繁荣进步。该学习仅基于发射信号的统计数据，因此它对通道模型的实际发送符号和不可知论是盲目的。所提出的方法独立于均衡器拓扑，并实现了强大的基于神经网络的均衡器的应用。在这项工作中，我们证明了这一概念在对线性和非线性传输通道的模拟中，并证明了拟议的盲目学习方案的能力，可以接近非盲均衡器的性能。此外，我们提供了理论观点，并强调了方法的挑战。

In this paper, we propose a deep learning-based beam tracking method for millimeter-wave (mmWave)communications. Beam tracking is employed for transmitting the known symbols using the sounding beams and tracking time-varying channels to maintain a reliable communication link. When the pose of a user equipment (UE) device varies rapidly, the mmWave channels also tend to vary fast, which hinders seamless communication. Thus, models that can capture temporal behavior of mmWave channels caused by the motion of the device are required, to cope with this problem. Accordingly, we employa deep neural network to analyze the temporal structure and patterns underlying in the time-varying channels and the signals acquired by inertial sensors. We propose a model based on long short termmemory (LSTM) that predicts the distribution of the future channel behavior based on a sequence of input signals available at the UE. This channel distribution is used to 1) control the sounding beams adaptively for the future channel state and 2) update the channel estimate through the measurement update step under a sequential Bayesian estimation framework. Our experimental results demonstrate that the proposed method achieves a significant performance gain over the conventional beam tracking methods under various mobility scenarios.

FPGA中首次实施了针对非线性补偿的经常性和前馈神经网络均衡器，其复杂度与分散均衡器的复杂度相当。我们证明，基于NN的均衡器可以胜过1个速度的DBP。

我们根据光学通信中的载体回收率的变异推断研究了自适应盲人均衡器的潜力。这些均衡器基于最大似然通道估计的低复杂性近似。我们将变异自动编码器（VAE）均衡器的概念概括为包括概率星座塑形（PCS）的高阶调制格式，无处不在，在光学通信中，对接收器进行过度采样和双极化传输。除了基于卷积神经网络的黑盒均衡器外，我们还提出了基于线性蝴蝶滤波器的基于模型的均衡器，并使用变异推理范式训练过滤器系数。作为副产品，VAE还提供了可靠的通道估计。我们在具有符号间干扰（ISI）的经典添加剂白色高斯噪声（AWGN）通道和色散线性光学双极化通道上分析了VAE的性能和灵活性。我们表明，对于固定的固定通道但也随时间变化的通道，它可以超越最先进的恒定算法（CMA）来扩展盲人自适应均衡器的应用范围。评估伴随着超参数分析。

Multispectral imaging has been used for numerous applications in e.g., environmental monitoring, aerospace, defense, and biomedicine. Here, we present a diffractive optical network-based multispectral imaging system trained using deep learning to create a virtual spectral filter array at the output image field-of-view. This diffractive multispectral imager performs spatially-coherent imaging over a large spectrum, and at the same time, routes a pre-determined set of spectral channels onto an array of pixels at the output plane, converting a monochrome focal plane array or image sensor into a multispectral imaging device without any spectral filters or image recovery algorithms. Furthermore, the spectral responsivity of this diffractive multispectral imager is not sensitive to input polarization states. Through numerical simulations, we present different diffractive network designs that achieve snapshot multispectral imaging with 4, 9 and 16 unique spectral bands within the visible spectrum, based on passive spatially-structured diffractive surfaces, with a compact design that axially spans ~72 times the mean wavelength of the spectral band of interest. Moreover, we experimentally demonstrate a diffractive multispectral imager based on a 3D-printed diffractive network that creates at its output image plane a spatially-repeating virtual spectral filter array with 2x2=4 unique bands at terahertz spectrum. Due to their compact form factor and computation-free, power-efficient and polarization-insensitive forward operation, diffractive multispectral imagers can be transformative for various imaging and sensing applications and be used at different parts of the electromagnetic spectrum where high-density and wide-area multispectral pixel arrays are not widely available.

最近在无线通信领域的许多任务中考虑了机器学习算法。以前，我们已经提出了使用深度卷积神经网络（CNN）进行接收器处理的使用，并证明它可以提供可观的性能提高。在这项研究中，我们专注于发射器的机器学习算法。特别是，我们考虑进行波束形成并提出一个CNN，该CNN对于给定上行链路通道估计值作为输入，输出下链路通道信息用于波束成形。考虑到基于UE接收器性能的损失函数的上行链路传输和下行链路传输，CNN以有监督的方式进行培训。神经网络的主要任务是预测上行链路和下行链路插槽之间的通道演变，但它也可以学会处理整个链中的效率低下和错误，包括实际的光束成型阶段。提供的数值实验证明了波束形成性能的改善。