10.3969/j.issn.1007-5461.2022.05.012
基于深度学习的量子信号大气衰减系数预测
针对空间量子通信系统中大气信道环境随气象条件实时改变的特性,提出了基于深度学习的量子信号大气衰减系数预测方法.实验基于西安地区气象数据,分别使用了误差反向传播神经网络(BPNN)、长短期记忆网络(LSTM)、门限循环单元(GRU)三种神经网络模型进行数据预测,并进行了分析比较.结果表明三种神经网络模型均可以有效实现预测,并能达到80%的数据拟合度,其中LSTM和GUR网络的整体预测能力较强,但三种网络模型均在峰值处产生较大误差.该预测方案为空间量子通信中各类针对大气信道的补偿手段和智能参数优化提供了基础.
量子光学、空间量子通信、深度学习、神经网络
39
TN918
2022-11-03(万方平台首次上网日期,不代表论文的发表时间)
共9页
786-794