• 文献检索
  • 文档翻译
  • 深度研究
  • 学术资讯
  • Suppr Zotero 插件Zotero 插件
  • 邀请有礼
  • 套餐&价格
  • 历史记录
应用&插件
Suppr Zotero 插件Zotero 插件浏览器插件Mac 客户端Windows 客户端微信小程序
定价
高级版会员购买积分包购买API积分包
服务
文献检索文档翻译深度研究API 文档MCP 服务
关于我们
关于 Suppr公司介绍联系我们用户协议隐私条款
关注我们

Suppr 超能文献

核心技术专利：CN118964589B侵权必究
粤ICP备2023148730 号-1Suppr @ 2026

文献检索

告别复杂PubMed语法，用中文像聊天一样搜索，搜遍4000万医学文献。AI智能推荐，让科研检索更轻松。

立即免费搜索

文件翻译

保留排版，准确专业，支持PDF/Word/PPT等文件格式，支持 12+语言互译。

免费翻译文档

深度研究

AI帮你快速写综述，25分钟生成高质量综述，智能提取关键信息，辅助科研写作。

立即免费体验

深度学习作为数字信号处理设计的高效工具。

Deep learning as a highly efficient tool for digital signal processing design.

作者信息

Pryamikov Andrey

机构信息

Prokhorov General Physics Institute of the Russian Academy of Sciences, Moscow, Russia.

出版信息

Light Sci Appl. 2024 Sep 11;13(1):248. doi: 10.1038/s41377-024-01599-8.

DOI:10.1038/s41377-024-01599-8
PMID:39256354
原文链接:https://pmc.ncbi.nlm.nih.gov/articles/PMC11387506/
Abstract

The backpropagation algorithm, the most widely used algorithm for training artificial neural networks, can be effectively applied to the development of digital signal processing schemes in the optical fiber transmission systems. Digital signal processing as a deep learning framework can lead to a new highly efficient paradigm for cost-effective digital signal processing designes with low complexity.

摘要

反向传播算法是训练人工神经网络最广泛使用的算法，可有效应用于光纤传输系统中数字信号处理方案的开发。作为一种深度学习框架，数字信号处理可以带来一种全新的高效范式，用于设计具有低复杂度且经济高效的数字信号处理。

https://cdn.ncbi.nlm.nih.gov/pmc/blobs/bca3/11387506/95a2096872bd/41377_2024_1599_Fig1_HTML.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/bca3/11387506/95a2096872bd/41377_2024_1599_Fig1_HTML.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/bca3/11387506/95a2096872bd/41377_2024_1599_Fig1_HTML.jpg

相似文献

1
Deep learning as a highly efficient tool for digital signal processing design.深度学习作为数字信号处理设计的高效工具。
Light Sci Appl. 2024 Sep 11;13(1):248. doi: 10.1038/s41377-024-01599-8.
2
Learnable digital signal processing: a new benchmark of linearity compensation for optical fiber communications.可学习的数字信号处理：光纤通信线性度补偿的新基准。
Light Sci Appl. 2024 Aug 13;13(1):188. doi: 10.1038/s41377-024-01556-5.
3
Hardware implementation of backpropagation using progressive gradient descent for in situ training of multilayer neural networks.使用渐进梯度下降进行多层神经网络原位训练的反向传播的硬件实现。
Sci Adv. 2024 Jul 12;10(28):eado8999. doi: 10.1126/sciadv.ado8999.
4
Backpropagation-free training of deep physical neural networks.深度物理神经网络的无反向传播训练
Science. 2023 Dec 15;382(6676):1297-1303. doi: 10.1126/science.adi8474. Epub 2023 Nov 23.
5
Backpropagation algorithms for a broad class of dynamic networks.适用于一大类动态网络的反向传播算法。
IEEE Trans Neural Netw. 2007 Jan;18(1):14-27. doi: 10.1109/TNN.2006.882371.
6
Deep physical neural networks trained with backpropagation.基于反向传播算法训练的深度物理神经网络。
Nature. 2022 Jan;601(7894):549-555. doi: 10.1038/s41586-021-04223-6. Epub 2022 Jan 26.
7
Deep convolutional neural network and IoT technology for healthcare.用于医疗保健的深度卷积神经网络和物联网技术。
Digit Health. 2024 Jan 17;10:20552076231220123. doi: 10.1177/20552076231220123. eCollection 2024 Jan-Dec.
8
Backpropagation-Based Learning Techniques for Deep Spiking Neural Networks: A Survey.基于反向传播的深度学习尖峰神经网络学习技术综述。
IEEE Trans Neural Netw Learn Syst. 2024 Sep;35(9):11906-11921. doi: 10.1109/TNNLS.2023.3263008. Epub 2024 Sep 3.
9
On the performance of multichannel digital backpropagation in high-capacity long-haul optical transmission.多通道数字反向传播在高容量长距离光传输中的性能研究
Opt Express. 2014 Dec 1;22(24):30053-62. doi: 10.1364/OE.22.030053.
10
A Tandem Learning Rule for Effective Training and Rapid Inference of Deep Spiking Neural Networks.一种用于深度脉冲神经网络有效训练和快速推理的串联学习规则。
IEEE Trans Neural Netw Learn Syst. 2023 Jan;34(1):446-460. doi: 10.1109/TNNLS.2021.3095724. Epub 2023 Jan 5.

本文引用的文献

1
Learnable digital signal processing: a new benchmark of linearity compensation for optical fiber communications.可学习的数字信号处理：光纤通信线性度补偿的新基准。
Light Sci Appl. 2024 Aug 13;13(1):188. doi: 10.1038/s41377-024-01556-5.
2
Digital filters for coherent optical receivers.用于相干光接收机的数字滤波器。
Opt Express. 2008 Jan 21;16(2):804-17. doi: 10.1364/oe.16.000804.