چکیده

یکی از روش های طبقه بندی فرمت مدولاسیون استفاده از تصاویر صورت فلکی می باشد. در شبکه های نوری انعطاف پذیر، شبکه در هر لحظه در حال به روزرسانی برای ارسال اطلاعات در انواع قالب های مدولاسیون بر حسب نیاز می باشد. استفاده از انواع مدولاسیون‌های مختلف متناسب با شرایط کانال‌ها می‌تواند کارایی شبکه را ارتقاء دهد. در این مقاله از 5 قالب مدولاسیون M-QAM (16-32-64-128-256) متداول در فرستنده و 4 شبکه یادگیری عمیق AlexNet، GoogLeNet ، ResNet101 و Inceptionv3 شناخته شده برای طبقه بندی استفاده شده است. سیگنال‌های دریافتی در این 5 مدولاسیون از یک مجموعه داده‌ی وسیع شبیه‌سازی شده از یک شبکه الاستیک با 248 سناریوی مختلف بدست آمده است. می توان دید که با کمترین تعداد داده های تجربی در قالب های مدولاسیون نتایج قابل قبول در طبقه بندی به دست آمده است و از بین این 4 شبکه از نظر زمانی و پیچیدگی محاسباتی AlexNet بهترین عملکرد را دارد.

کليدواژه ها

تشخیص فرمت مدولاسیون، شبکه نوری منعطف، یادگیری عمیق

کد مقاله / لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است :

نحوه استناد به مقاله

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
سیدصدرا کاشف , 1400 , تشخیص فرمت مدولاسیون با استفاده از یادگیری عمیق در شبکه‌های نوری منعطف , پنجمین کنفرانس مهندسی مخابرات ایران