qq_43730605的博客

原创 贝叶斯优化bayes_opt在工程上的应用

贝叶斯优化方法是一种基于高斯过程去迭代搜索的优化算法，非常实用。下面，从一个具体的实例来简单了解一下贝叶斯优化方法。详细讲解贝叶斯优化的例子见：https://coderzcolumn.com/tutorials/machine-learning/bayes-opt-bayesian-optimization-for-hyperparameters-tuning。

原创 从GIT上clone代码到本地仓库

3、改代理，具体参考。

原创 Origin 2017 许可证文件缺失或者不正确

原创 安装pytorch心得

1.不要用清华源安装，输入torch.__version__ 就会发现自己安装的是CPU版本，直接官网下载；4.检查是否安装成功，torch.cuda.is_avaliable()2.去对应的网站下载WHL文件，网站链接。3.注意电脑的CUDA版本就行了；

原创 Python 一些总需要用到的命令

清华：https://pypi.tuna.tsinghua.edu.cn/simple/阿里：http://mirrors.aliyun.com/pypi/simple/安装第三方库：pip install [第三方库] -i [source]sio.savemat（文件名， 保存变量-dict）豆瓣：http://pypi.douban.com/

原创 tensorboard问题

1.添加环境变量，在虚拟环境下的scripts文件夹下；

原创 如何合理利用Zotero软件写毕业论文

这个地址里详细描述了一些会用到的方法，怎么使用zotero,另外还专门介绍了如何插入cls文件，那个是针对不同的引用格式的。

原创 读《Machine Learning for Future Fiber-Optic Communication systems 》有感

因为这样能让机器学习的自主性最大化，无需人工干扰，且能达到和传统的信号相关的一下功能模块组合一样的效果。这个网络结构的设计很大程度上会影响最后系统整体的性能，比如设计的编码器是否有记忆性，能否对光信号这种会由于光纤信号而导致展宽的特性有良好的恢复能力。由此呢，就像多次统计取平均会减小误差一样，针对最后的解码过程，Boris教授使用了一种滑动窗口的办法，最后输出的概率向量中的每一维都是3次结果的平均值。因此在一些数据缺乏或者模型复杂的情况下有很大的作用，特别是光纤信道这种很难用物理建模去表达的。

原创 降低神经网络在光纤信道均衡方面的复杂度：从概念到应用

在选择中心点初始化技术之后，使用每个权重到这些中点的最小距离来确定训练网络的每一层的共享权重，以便同一聚类中的所有权重共享相同的权重值。#裁剪：裁剪技术的适用范围非常广，而文中主要考虑的是针对静态的、迭代的、非结构化的、global magnitude-based 裁剪方式。需要注意的是，使用这种技术带来的好处取决于输入向量和权重矩阵的长度，以及学习到的权重模式如何分布在权重矩阵上。事实上，SRS影响通常在仅有C波段的系统中是可以忽略的，但是随着在超宽带光学系统的到来，SRS是光网络中主要的传输损伤。

转载 光通信关键技术面临的九大挑战

挑战1互联网数据业务的爆炸式增长是长途系统发展的主要推动力。在过去的二十年中，数据业务每年的增速超过25%，带动了长途系统的发展，其特征主要表现在以下几个方面：首先是传输距离，长途网络传输距离至少在1200公里以上；其次是频谱容量，主要使用C波段频谱，波长通道间隔为50GHz或25GHz的倍数关系；最后是站间跨距，已达80公里左右。面向未来的发展，可从如下两方面进行考量。其一，是400G×80波相干光系统。业界从400G高性能光模块、C+L更宽的可使用频谱，如何实现稳态的宽谱光系统以抵消系统非线性效应影响，

原创 PAM4调制格式下的短距IM/DD系统低复杂度非线性均衡

只有均衡器中重要的线性核需要一个高的resolution，其余的核只需要低resolution，从而达到实现再均衡器的复杂度和误码率之间的一个平衡。实验验证如图所示，自变量考虑两个：ROP、符号率，也比较了背靠背传输和1KmSSMF下的误码率。越高阶PAM星座图在带宽受限的情况下有更高的裕度，但是更容易产生非线性。这个方法是将传统的FFE的核分为两个子集，两个子集有不同的分辨率。从图中可以看出，低电平之间的距离大于高电平之间的。考虑非线性的来源：MZM调制失真和PD的平方律检测。

原创 光纤通信系统中的端到端的学习：概念和收发机设计

传统的通信系统是包含好几个数字信号处理的模块，每一块都承担在收发端中独立的任务。那么在光纤系统里缺乏一个最优的、运算灵活的算法在含色散的非线性信道。作者将人工神经网络ANN和循环神经网络LSTM引入进光纤通信系统里，无需像传统光纤通信里的设计各个模块，这样一来就可以实现整个收发机的性能达到最优！适用场景：这种自编码器比较适合应用在一些最优的收发配置不清或者运算资源受限的场景。上图就是对整个传输系统的仿真模拟，其中包括了各种损伤的来源等等。上图就把FFNN应用在整个系统里的流程图，还是很清晰的！

原创 短距光通信系统中关于深度学习在DSP算法中的实验研究

自编码器能够避免传统的系统里复杂的模块设计的问题，并且能实现一个端到端的性能优化。最早的一个关于光纤自编码器的实验验证是用一个简单的前馈神经网络-FFNN，被证明了效果比传统的最简单的线性均衡器效果要好。为了解决FFNN系统不具备信道记忆功能，基于双向循环神经网络提出了一种滑动窗口序列估计算法-SBRNN，被证明在PAM传输中效果比最流行的非线性均衡器和最大似然序列检测效果好。数据是通过一个Mersenne twister algorithm生成的，避免学习到伪随机序列的表示方法。

原创 基于网格编码的非线性编码非均匀叠加QAM在可见光通信中的应用

非线性预编码正交幅度调制叠加调制技术（NCNS）