تشخیص فرمت مدولاسیون با استفاده از یادگیری عمیق در شبکه های نوری منعطف

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 مدولاسیون های مختلف متناسب با شرایط کانال ها می تواند کارایی شبکه را ارتقاء دهد. در این مقاله از ۵ قالب مدولاسیون M-QAM ۱۶-۳۲-۶۴-۱۲۸-۲۵۶ متداول در فرستنده و ۴ شبکه یادگیری عمیق ResNet۱۰۱ ، GoogLeNet ،AlexNet و Inceptionv۳ شناخته شده برای طبقه بندی استفاده شده است. سیگنال های دریافتی در این ۵ مدولاسیون از یک مجموعه دادهی وسیع شبیه سازی شده از یک شبکه الاستیک با ۲۴۸ سناریوی مختلف بدست آمده است. میتوان 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 ۴ شبکه از نظر زمانی و پیچیدگی محاسباتی AlexNet بهترین عملکرد را دارد.