30 Tbit/s DP-16QAM传输系统中基于机器学习的非线性均衡方法

【目的】采用机器学习的方法对30 Tbit/s(60×500 Gbit/s)奈奎斯特双偏振—16进制正交幅度调制(DP-16QAM)在G.654E光纤中传输6300 km传输系统的传输结果进行非线性均衡,降低传输误码率(BER)。【方法】借鉴卷积神经网络的“感受野”机制,设计“卷积核”大小,根据划分采样数据构造数据集。选取并调试合适的参数构造人工神经网络。采集在C波段的不同波长、不同光信噪比和不同入纤功率发送和接收一一对应的数据,参照经典全连接神经网络结构,根据数据集数据结构来构建神经网络,并对实部和虚部分别进行网络拟合,训练完成后将测试数据集送入网络,在这3个方面分别进行计算并与传统方法进行比对。【结果】文章采用两种神经网络拟合了C波段频率在191.5625~195.9875 THz 60个不同波长传输条件下的传输BER,在与最大似然序列估计(MLSE)算法的对比中,网络1和网络2 BER分别平均降低了23%和41%。在数据中选择了频率为193.8125 THz的光进行入纤功率范围为14~19 dBm的计算,网络1和网络2 BER分别平均降低了32%和52%。在不同光信噪比下,网络1和网络2 BER分别平均降低了30%和57%。【结论】引入的两种神经网络在相干传输系统的非线性均衡中都有不俗的表现。同时,网络层数和节点数会共同影响拟合结果,一般说来,增加层数和节点数可以获取更好的拟合效果,但与之对应的便是模型参数的增多、占用空间的增大和训练时间的增长,所以在应用中应考虑实际情况,在拟合效果和模型属性中进行取舍。

微解密泰森多边形

泰森多边形又叫冯洛诺伊图．假设在空间平面内存在若干离散点，每个离散点对应一个以相应规则构造的多边形，若这些多边形的每个顶点到其对应的离散点的距离相等，则称这些多边形为泰森多边形．

蜂巢迷宫的难度分析、最优方法及应用

蜂巢迷宫（如图1）是“最强大脑（第二季）”中其中一个挑战项目,这个迷宫,由127个正六边形组成,迷宫内包含完全相同的420扇木门,840个把手（每扇木门有正反两个把手）,它有一条正确路线（如图2）,还有很多岔路（如图3）.比赛之前选手需蒙眼被直升机吊送至蜂巢中央,挑战开始后,选手一方面要蒙眼寻找正确路线走出迷宫,另一方面还要在走出迷宫的同时,将藏匿在4个岔路里的指定标记收集齐全（如图4,加粗黑色线框为指定标记的位置）,才算挑战成功.