本书主要介绍6G智能光通信和智能光计算技术。首先，概述6G的发展趋势和应用场景，分析6G对智能光通信和智能光计算的需求与挑战。接着，介绍人工智能与机器学习的发展历程，并阐述面向6G通信系统的人工智能算法。书中内容分为光通信和光计算两部分：光通信部分，深入探讨整体架构、人工智能信道建模、预均衡技术、后均衡技术及端到端优化通信技术；光计算部分，详细介绍光子集成片上光计算、衍射空间光计算、蓄水池光计算，以及基于光计算的信号处理技术。本书不仅讲解这些技术的基本原理，还展示了相关科研成果。
样章试读
目录
- 目录
丛书序
前言
第1章 绪论 1
1.1 6G的发展趋势 1
1.2 6G应用场景 2
1.3 6G对智能光通信的需求与挑战 3
1.4 6G对智能光计算的需求与挑战 4
1.5 本章小结 7
参考文献 7
第2章 人工智能与机器学习概述 9
2.1 人工智能与机器学习发展历程 9
2.1.1 早期探索：智能萌芽的曙光 9
2.1.2 挑战与反思：AI 寒冬的启示与转机 10
2.1.3 机器学习的复兴：从统计学习到深度学习的飞跃 10
2.1.4 深度学习的崛起：智能时代的全面到来 11
2.2 面向6G系统的人工智能算法 11
2.2.1 6G系统的愿景与挑战 11
2.2.2 人工智能在6G系统中的应用 12
2.2.3 面向6G的人工智能算法研究现状 13
2.2.4 面临的挑战与未来展望 14
2.3 6G光通信人工智能简介 14
2.3.1 基于人工智能算法的6G有线光通信系统 15
2.3.2 基于人工智能算法的6G无线光通信系统 16
2.4 前沿技术与发展趋势 19
2.4.1 智能调制格式识别 19
2.4.2 自适应信道均衡 19
2.4.3 基于端到端全局优化的智能光通信系统 20
2.5 本章小结 21
参考文献 21
第3章 光通信整体架构 25
3.1 面向6G/F6G的现代光通信系统 25
3.2 光通信基本架构 28
3.3 光互连通信架构 29
3.3.1 基于IM/DD技术的光互连系统架构 30
3.3.2 面向光互连的先进调制格式 31
3.3.3 面向超高速光互连的数字信号处理算法 36
3.4 面向6G的可见光通信架构 41
3.4.1 可见光通信系统基本架构 42
3.4.2 可见光通信链路 43
3.4.3 LED可见光通信中的数字信号处理技术 43
3.5 毫米波太赫兹无线光融合接入架构 47
3.5.1 毫米波太赫兹通信系统基本架构 48
3.5.2 毫米波太赫兹链路 49
3.5.3 毫米波太赫兹信号生成的理论模型 51
3.5.4 毫米波太赫兹信号探测的理论模型 54
3.6 本章小结 58
参考文献 58
第4章 人工智能信道建模 62
4.1 光和无线网络的物理架构模型 62
4.1.1 发射端 62
4.1.2 信道 63
4.1.3 接收端 64
4.2 人工智能信道建模方法 64
4.2.1 MLP信道建模 64
4.2.2 BiLSTM网络信道建模 66
4.2.3 CGAN信道建模 68
4.3 6G光无线通信建模方法 71
4.3.1 TTHnet 71
4.3.2 MTTHnet 79
4.3.3 物理先验启发的集成学习水下可见光信道估计 82
4.3.4 无线光确定随机联合信道建模 87
4.4 毫米波太赫兹无线光融合建模方法 92
4.4.1 光纤-太赫兹融合建模方法 92
4.4.2 光-毫米波融合建模方法 97
4.5 本章小结 101
参考文献 101
第5章 人工智能预均衡技术 103
5.1 物理层预均衡问题 103
5.2 传统预均衡算法 104
5.2.1 硬件预均衡 104
5.2.2 软件预均衡 105
5.3 人工智能预均衡算法 110
5.3.1 基于聚类的k均值算法 111
5.3.2 神经网络基本原理 113
5.4 人工智能预均衡实现 114
5.4.1 基于k均值聚类算法感知决策的多带无载波幅相VLC系统非线性补偿 114
5.4.2 使用高斯核辅助DNN进行非线性预均衡 117
5.4.3 在IM/DD PON中使用ANN进行非线性预均衡 124
5.5 本章小结 129
参考文献 129
第6章 人工智能后均衡技术 131
6.1 物理层后均衡问题 131
6.2 传统后均衡算法 132
6.2.1 CMMA盲均衡算法 133
6.2.2 LMSE后均衡算法 135
6.2.3 RLS后均衡算法 136
6.2.4 基于沃尔泰拉级数的非线性均衡算法 137
6.3 人工智能后均衡实现 138
6.3.1 基于GK-DNN的后均衡算法 138
6.3.2 基于双分支神经网络的DBMLP后均衡算法 145
6.3.3 基于MIMO多分支混合神经网络的后均衡算法 151
6.4 本章小结 159
参考文献 159
第7章 人工智能端到端优化通信技术 161
7.1 端到端模型架构 161
7.2 端到端优化关键算法 164
7.2.1 梯度下降和反向传播 164
7.2.2 生成对抗网络 165
7.2.3 迁移学习 167
7.3 基于波形级端到端优化的通信系统框架 168
7.4 基于符号级端到端优化的通信框架 169
7.5 基于比特级端到端优化的通信框架 171
7.6 本章小结 174
参考文献 175
第8章 光子集成片上光计算 176
8.1 片上光计算的分类与发展历程 176
8.1.1 片上光计算概述 176
8.1.2 基于平面光转换的片上光计算发展历程 177
8.1.3 片上光计算的分类 177
8.2 片上光计算的对比 181
8.3 片上光计算的应用场景 183
8.3.1 图像处理 184
8.3.2 信道均衡 184
8.3.3 搜索引擎优化 184
8.3.4 人工智能与机器学习 184
8.3.5 优化和决策问题 185
8.4 片上光计算的发展趋势 185
8.4.1 存储技术 186
8.4.2 制造误差校正 186
8.4.3 基于频率梳的波分复用光源 187
8.4.4 绝缘体上铌酸锂调制器 187
8.4.5 光子数模转换器 187
8.5 本章小结 188
参考文献 188
第9章 空间衍射光计算 193
9.1 空间衍射光计算发展历程 193
9.2 空间衍射光计算理论架构 195
9.2.1 神经网络基本数学算子的光学实现 195
9.2.2 衍射深度神经网络基本架构 196
9.3 空间衍射光计算的应用场景 198
9.3.1 数字图像处理 198
9.3.2 模式识别与人工智能 200
9.3.3 大规模高性能计算 201
9.3.4 三维空间感知 202
9.4 空间衍射光计算的实现 203
9.4.1 基于太赫兹相位板的实现 203
9.4.2 基于可见光相位板的实现 203
9.4.3 基于电光调制器的实现 203
9.4.4 片上空间衍射光计算实现 205
9.5 空间衍射光计算的性能对比 205
9.6 本章小结 208
参考文献 208
第10章 蓄水池光计算 210
10.1 蓄水池光计算发展历程 210
10.2 蓄水池光计算的架构 212
10.2.1 蓄水池的并行架构 212
10.2.2 蓄水池的串行架构 213
10.3 蓄水池光计算的应用场景 214
10.3.1 基于蓄水池光信号处理的信号均衡 215
10.3.2 基于蓄水池光计算的语音识别和时间序列预测 216
10.3.3 基于蓄水池光计算的调制格式识别 217
10.4 蓄水池光计算的具体实现 219
10.4.1 光子神经元的实现 220
10.4.2 光子突触可塑性 222
10.4.3 光子神经计算的实现 223
10.4.4 小结与展望 227
10.5 本章小结 228
参考文献 229
第11章 基于光计算的信号处理 232
11.1 基于矩阵线性光计算的信号处理 232
11.1.1 矩阵线性光计算在信号处理中的应用 232
11.1.2 基于矩阵线性光计算的色散损伤处理方案 233
11.1.3 用于多输入多输出恢复的光子神经网络 235
11.2 基于光计算的非线性信号处理 235
11.3 基于片上基础的光计算与光互连 237
11.4 本章小结 240
参考文献 241
彩图
京公网安备 11010102004214号