Loading...
机构名称:
¥ 8.0

本研究展示了一种使用移动设备进行基于阵列的自由空间光 (FSO) 通信的机器学习 (ML) 方法。现代作战人员需要非射频 (RF) 通信方法来消除与 RF 通信相关的风险,例如检测、窃听和干扰。FSO 通信有望实现巨大的吞吐量,并具有其他优势,例如低拦截/检测概率和抗干扰性。然而,大气条件会通过在信道上引入衰落和噪声,从而显著降低实现的性能。为了提高信道弹性和吞吐量,我们在发射器处使用激光阵列采用空间代码,并在信道字母表上训练多个 ML 模型以在接收器处提供高效解码。我们在训练过程中比较了单次检测 (SSD) MobileNet 模型与 You-Only-Look-Once 模型的性能,并使用训练后的 SSD MobileNet 模型演示了通过概念验证系统进行的数据传输。我们详细介绍了概念验证的硬件和软件实现,它使用手持移动设备和一系列低成本、低功耗激光器。未来的实验计划将结合前向误差校正和在现实条件下进行更远距离的测试。

低功耗手持移动设备的自由空间光学通信

低功耗手持移动设备的自由空间光学通信PDF文件第1页

低功耗手持移动设备的自由空间光学通信PDF文件第2页

低功耗手持移动设备的自由空间光学通信PDF文件第3页

低功耗手持移动设备的自由空间光学通信PDF文件第4页

低功耗手持移动设备的自由空间光学通信PDF文件第5页

相关文件推荐

2022 年
¥1.0
2022 年
¥1.0
2020 年
¥80.0
2024 年
¥7.0
2023 年
¥1.0
2021 年
¥1.0
1998 年
¥63.0
2002 年
¥9.0
2008 年
¥38.0
2018 年
¥6.0
2022 年
¥4.0
2024 年
¥47.0
2022 年
¥4.0
2022 年
¥4.0
2022 年
¥4.0