1、“.....训练过程中易造成梯度爆炸敛值曲线的最高点所在信道功率相同。如图所示。图个典型的用于解决近似算子拟合的神经网络结构神经网络作为多隐层的，自然可以作为个通用近似算子。神经网络采用对目标函数误差函数进行反向传播与梯度下降的方法，实现对近似算子的拟合。这种拟合在类不具备结构化公式的问题以及在类复杂的结构化公泊松散弹噪声受限光子计数通信系统速率优化探究电信技术论文形式的搜索工作。本文所建立的模型具有传统方法不具备的优势传统的数学方法使用求偏导的方式对高复杂度的数学公式进行梯度的计算和迭代来求取最优解，效率较低且易陷入局部最优。神经网络在没有离散标签的情况下......”。

2、“.....泊松散弹噪声受限光子计数通信系统速率优化探究电信技术论的实验平台为操作系统，硬件环境为核，内存为，显卡为的，显存为。本实验模型实验均在环境下搭建。图个典型的用于解决近似算子拟合的神经网络结构神经网络作为多隐层的，自然可以作为个通用近似算子。神经网络主要改进有两点。第，采用特殊构造的输入对网络的收敛方向进行控制。纯随机的变量输入会导致网络的输出的不稳定，由于本文所构建的目标函数的级数较大近似为有限阶乘，训练过程中易造成梯度爆炸。第，目标函数需要离散值作为输入。由于梯度只能保存在连续的变量中，离散的输出值会导致梯度消失......”。

3、“.....采用调制，通过电压变化驱动发射源激光极管在每个时隙内发送相应的光子数。发送信号时，发射光子数为，时不发光。接收端光电检测装置，将光子数转换为电信号大时适用。近年来，许多学者尝试针对泊松噪声模型进行更精确的理论分析。研究了连续泊松信道速率模型下的功率分配，推导出了泊松速率公式的些性质。在对离散泊松速率公式近似化简的基础上，推导了泊松信道速率的上界和下界。然而，由于公式的复杂度较得了突破性的成绩，也使得神经网络成为解决问题的可行方案。神经网络，是个有较多隐层的传统多层感知机对于个层的神经网络，我们将输入层写作层，输出层写作层为层。摘要泊松散弹噪声具有非线性非加性的性质，因。然而，由于公式的复杂度较高......”。

4、“.....可用于研究系统的极限性能，但不易应用于针对实际系统的研究。而近年来广泛应用的深度学习技术可研究复杂公式的性质，简化了分析的难度，对于实际系统有定的参考价值。研究内容泊松信道速率采用光强调制直接检测的单用户无解，对于实际系统的性能有定的参考价值。并且，深度学习较传统梯度下降搜索算法有更高的泛用性和更快的速度。关键词光子计数泊松信道深度学习电信技术通信系统速率优化引言在无线光通信系统中，接收端光子计数器产生的噪声符合泊松分布，具有特殊的性质。在过去的研究中，泊松噪声多被近似为高斯噪声处理泊松散弹噪声受限光子计数通信系统速率优化探究电信技术论文高......”。

5、“.....可用于研究系统的极限性能，但不易应用于针对实际系统的研究。而近年来广泛应用的深度学习技术可研究复杂公式的性质，简化了分析的难度，对于实际系统有定的参考价值。研究内容泊松信道速率采用光强调制直接检测的单用户无线光通信系统的结构，如图所参考价值。并且，深度学习较传统梯度下降搜索算法有更高的泛用性和更快的速度。关键词光子计数泊松信道深度学习电信技术通信系统速率优化引言在无线光通信系统中，接收端光子计数器产生的噪声符合泊松分布，具有特殊的性质。在过去的研究中，泊松噪声多被近似为高斯噪声处理。然而，这近似方法仅在光强较会对接收端光子计数的结果产生影响，每时隙的背景光为。接收信号符合泊松分布......”。

6、“.....−⋅⋅,根据互信息定义，推导出泊松单用户可达速率公式，如式。泊松散弹噪声受限光子计数通信系统速率优化探究电信技术论文。摘要泊松散弹噪声受到研究者的广泛关注。世纪年代以来，大量关于泊松信道速率和容量的成果被提出。然而，由于泊松噪声的特殊性质，导致速率公式复杂，过去的研究成果大多集中在理论极限性能的推导上下界的问题上。提出了种基于深度学习的方法，针对复杂的速率公式，给出了非理想条件下的最优解，对于实际系统的性能有定的线光通信系统的结构，如图所示。经典高斯系统中，在信道噪声不同的场景下进行功率分配时，采用的是数学推导的方法，得出最优的分配方式。而泊松速率公式十分复杂......”。

7、“.....深度学习算法近年来，深度学习与人工智能在众多研究领域取然而，这近似方法仅在光强较大时适用。近年来，许多学者尝试针对泊松噪声模型进行更精确的理论分析。研究了连续泊松信道速率模型下的功率分配，推导出了泊松速率公式的些性质。在对离散泊松速率公式近似化简的基础上，推导了泊松信道速率的上界和下界具有非线性非加性的性质，因而受到研究者的广泛关注。世纪年代以来，大量关于泊松信道速率和容量的成果被提出。然而，由于泊松噪声的特殊性质，导致速率公式复杂，过去的研究成果大多集中在理论极限性能的推导上下界的问题上。提出了种基于深度学习的方法，针对复杂的速率公式......”。

8、“.....采用调制，通过电压变化驱动发射源激光极管在每个时隙内发送相应的光子数。发送信号时，发射光子数为，时不发光。接收端光电检测装置，将光子数转换为电信号。背景光。第，目标函数需要离散值作为输入。由于梯度只能保存在连续的变量中，离散的输出值会导致梯度消失。算法的具体细节如表所示。算法采用保存对连续变量近似到最近离散值自然数的方法，将去除梯度的近似距离作为加函数叠加到原始输出值上，解决梯度消失问题。算法中代表背景光子数组合，代表分的最优解问题上得到了较为广泛的应用，......”。

9、“.....采用深度学习的方法，对传统复杂问题的最优解进行梯度下降形式的搜索工作。本文所建立的模型具有传统方法不具备的优势传统的数学方法使用求偏导的方式对高复杂度的数学公式进行梯度的计算和迭代来求文。实验结果与实验分析如图所示。图可遍历验证的信道与信道结果的收敛曲线信道与信道实验结果可见，模型所采取的使用近似距离来保存梯度的方法，对于网络的训练是有效的。模型在个时收敛于最优值附近。模型的输入分别为，信道与信道。由遍历法可得，最优解为，信道与信道，与模型收用对目标函数误差函数进行反向传播与梯度下降的方法，实现对近似算子的拟合......”。