基於機器學習的光通信系統物理損傷感知與補償

隨著網路系統規模的擴大、網路靈活性的提升，傳統的光通信補償機制由於複雜度較高、補償效果有限，面臨著極大的挑戰和升級需求。因此，發展高效智慧、低複雜度且具有自我調整能力的損傷感知與補償機制，對構建未來大規模的光通信系統有重要的現實意義。在本書中我們將探索基於機器學習的統計信號處理方法，用於解決光通信系統中靈活多變的物理損傷問題。本書全面系統地介紹了光通信系統中損傷產生的原因及如何應用機器學習進行光通信系統中的參數感知和損傷補償。此外，本書還介紹了機器學習演算在混沌加密中的具體應用。

第1章 機器學習基本原理
1.1 機器學習的研究背景以及發展現狀
1.2 機器學習的分類
1.2.1 監督學習
1.2.2 無監督學習
1.2.3 半監督學習
1.2.4 強化學習
1.3 模型的評估與選擇
1.4 支持向量機
1.4.1 超平面
1.4.2 核函數
1.4.3 多分類問題的支持向量機的應用
1.5 k近鄰演算法
1.5.1 分類原理
1.5.2 KD樹
1.5.3 球樹
1.6 決策樹演算法
1.6.1 基本流程
1.6.2 剪枝
1.7 隨機森林
1.8 邏輯回歸
1.8.1 線性回歸
1.8.2 邏輯回歸
1.9 樸素貝葉斯
1.10 聚類演算法
1.11 神經網路
1.11.1 前饋型神經網路
1.11.2 回饋型神經網路
本章參考文獻

第2章 基於機器學習的複雜損失參數感知
2.1 光學性能檢測
2.1.1 OPM的功能
2.1.2 OPM檢測的參數因數
2.1.3 OPM應該滿足的技術標準
2.1.4 直接檢測系統中的OPM技術
2.1.5 數位相干系統中的OPM技術
2.2 PDM-CO-0FDM系統中的聯合精細時間同步及通道估計技術
2.2.1 PDM-C0-OFDM系統
2.2.2 傳統的通道估計演算法
2.2.3 時間同步與CHU序列
2.2.4 模擬框圖及實驗流程
2.2.5 實驗結果
2.3 級聯深度神經網路對光信噪比、信號調製格式和速率的感知
2.3.1 振幅長條圖
2.3.2 採用的調製方式
2.3.3 深度神經網路DNN
2.3.4 系統模型與結果分析
2.4 基於異或神經網路的光信號調製格式識別
2.4.1 調製格式識別
2.4.2 異或神經網路