自适应调制的正交频分复用多模光纤通信系统性能分析

随着短距离通信网的不断发展,多模光纤(MMF)已经成为实现高速大容量信息传输的理想介质,但多模光纤严重的模式色散限制了其传输能力.为了提高多模光纤的传输能力,设计了基于自适应调制(AM)的正交频分复用(OFDM)多模光纤通信系统.提出了适用于该系统的自适应比特分配算法,并通过仿真证明了该算法的有效性.在此基础上重点分析了自适应调制对系统性能的影响,对比了自适应前后不同传输速率、不同信道情况下的误码特性.结果表明,自适应调制能较好地克服深衰落点对系统性能的影响,有效降低了系统误码率(BER).     

融合全局和序列特征的多变量时间序列预测方法

时间序列在现实生活中具有广泛的用途,使用时间序列预测模型能够预估序列的未来变化趋势,为决策提供支撑.对于多变量时间序列的预测研究,已经提出了很多模型,但已有方法存在如下问题：不能同时考虑时间序列本身和协变量的信息;忽略了多变量时间序列中的全局信息;不能对预测结果进行解释.针对这些问题,本文提出了一个基于深度学习的多变量时间序列预测模型TEDGER,可以提取隐藏在单个时间序列中的序列模式和隐藏在多变量时间序列中的全局特征,并将序列模式和全局特征进行融合,通过残差预测的方式实现时间序列的预测.本文所提模型在真实的时间序列数据集上进行了实验评估.结果表明,本文提出的模型在预测准确度上超越了其他基准模型,同时模型拥有一定的可解释性.     

基于百度飞桨AI Studio的机器学习教学新模式实践与探索

针对机器学习课程教学中存在的问题,提出以百度飞桨AI Studio平台为载体的线上线下混合式理论教学模式和基于项目式的实验教学模式,介绍具体教学改革方案与实践,为学生进一步学习人工智能其他课程奠定坚实的基础.