1、“.....这说明在信道数较高且发射总光子数较大的情况下，优化算法对和速率的提升更加明显。总结本文使用深度学习的方法对泊松单用户并行信道的优化进行了研究，针对搜索离散变量最优解的问题，对算究电信技术论文。图单用户信道结果根据实验所产生的结果模型在每个随机生成个背景光子组合进行了评估并记录所有性能的均值，最后，展示了性能的变化折线。由曲线可见，模型在随机产生的背景光子组合下的性能逐步提升，最终收敛在附近，证明在不同的背景光子下，模型产生的最优解产生了足够强的泛化性，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第，目标函数需要离散值作为输入......”。

2、“.....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，代表分配的发射光子数组合，学习速率为，训练总次数设置为个迭代。由于信道数在，的情况下，可以用遍历的方法得到函数的最优解，故本文采用组组两组来验证模型最优解的可行性。信道数较高情况下，使用遍历的方法得到函数最优解的计算代价过大，神经网络的泛化性使得模型在不同输入情况下，可以产生泛化的目标输出，以此减小传统方法的计算资源用的实验数据根据节所介绍......”。

3、“.....大气中的背景光会对其形成干扰，而不同频率的光子在大气中的数量不同。本文根据不同的环境条件，共进行组实验，环境参数设置分别为表离散输出限制下的神经网络算法其中，代表参与次梯度下降的批次大小，前两组由于输入固定，为了符合神经，∞将式代入式可得式。∞−,∞−,−考虑单用户并行信道场景。用户采用不同频率的光同时发送信息，大气中的背景光会对其形成干扰，出空间的映射。如图所示。图单用户无线光通信系统信号经过码率为的重复码编码之后，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，是第信道的背景光子数......”。

4、“.....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，将光子得到不同最优解，达到模型泛化与效率提升。，∞将式代入式可得式。∞−,∞−,−考虑单用户并行信道场景。用户采用不同频率的光同时优解，故设置为。代表信道数。与为常量。代表网络输出上增加的手动偏移，由于默认背景光总数为信道数，故设置网络的初始搜索点为初始的网络输出值。代表信道的背景光总数。采用的优化器为，学习速率为，训练总次数设置为个迭代。由于信道数在，的情况下......”。

5、“.....背景光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，如式。−⋅⋅,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，进行如下计算如式。−，其中，∈，∈，∈，∈，∈，分别是激励向量激活向量权重矩阵偏差系数矩阵和第层的神经元个数。具有足够多隐层的是个通用的近似算子，有足够大的隐层的可以近似任意个从输入空间到函数，具体参见公式。仿真和分析仿真设置本文中使用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......”。

6、“.....由于不同频率的光同时发送信息，大气中的背景光转换为电信号。背景光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，如式。−⋅⋅,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。在每层中送信息，大气中的背景光会对其形成干扰，不同频率的光子在大气中的数量不同，即并行信道中各信道噪声不同。在给定发射总光子数的前提下，合理分配各信道光子数，使和速率最大化。优化问题，如式。，其中，为总发射光子数，为第信道发射光子数，遍历的方法得到函数的最优解，故本文采用组组两组来验证模型最优解的可行性......”。

7、“.....使用遍历的方法得到函数最优解的计算代价过大，神经网络的泛化性使得模型在不同输入情况下，可以产生泛化的目标输出，以此减小传统方法的计算资源浪费，故采用实验组的参数，来验证预训练的模型可以在不同背景光子参数输入下对其形成干扰，而不同频率的光子在大气中的数量不同。本文根据不同的环境条件，共进行组实验，环境参数设置分别为表离散输出限制下的神经网络算法其中，代表参与次梯度下降的批次大小，前两组由于输入固定，为了符合神经网络并行计算的要求，的值大于等于第组由于求取泛化的最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梯度只能保存在连续的变量中......”。

8、“.....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，代表分配的发射光子数组合，代表神经网络，代表目标做出了定的改进。由仿真结果可知，对于泊松散弹噪声受限光子计数问题，深度学习可通过梯度下降的方法进行离散最优点搜索，这种方法为解决泊松优化问题提供了种新的思路。仿真结果显示，算法在不同的信道数与不同总光子数条件下均可得出最优解，并具有较强的泛化性。胡思逸，沈岱灵，周小林，凌力基于深度学习的泊松散弹噪得和速率输出稳定。优化性能分析将训练好后的模型应用于实际场景中......”。

9、“.....选取不同信道数场景，比较均匀功率下的性能和经过优化后的系统性能，如图所示。图系统性能增益曲线由图分析可得，经过训练后的模型，在信道与信道的情景下，在不同的背景光子总数下，优化算法对系统的性能都具有明显的提升。其代表神经网络，代表目标函数，具体参见公式。仿真和分析仿真设置本文中使用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。泊松散弹噪声受限光子计数通信系统速率优化探费，故采用实验组的参数，来验证预训练的模型可以在不同背景光子参数输入下得到不同最优解，达到模型泛化与效率提升。算法的主要改进有两点。第......”。