منصة الرسائل والاطاريح: ﺗﺤﺴﯿﻦ اﻟﻀﻌﻒ اﻟﺒﺼﺮي ﻏﯿﺮ اﻟﺨﻄﻲ ﻟﻨﻈﺎم اﻟﻨﻘﻞ اﻟﻀﻮﺋﻲ ﺑﺎﻻﻋﺘﻤﺎد ﻋﻠﻰ اﻟﺸﺒﻜﺔ اﻟﻌﺼﺒﯿﺔ اﻟﻌﻤﯿﻘﺔ

الخلاصة

ﻧﻤﺎ اﻟﻄﻠﺐ اﻟﻌﺎﻟﻤﻲ ﻋﻠﻰ ﺣﺮﻛﺔ اﻟﺒﯿﺎﻧﺎت اﻟﻀﺨﻤﺔ ﺑﺸﻜﻞ ﻛﺒﯿﺮ ﺧﻼل اﻟﺴﻨﻮات اﻟﻤﺎﺿﯿﺔ وﺳﯿﺘﺠﺎوز اﻟﻄﻠﺐ ﺣﯿﺚ ﺗﺸﻜﻞ أﻧﻈﻤﺔ اﻷﻟﯿﺎف اﻟﻀﻮﺋﯿﺔ اﻟﺒﻨﯿﺔ اﻟﺘﺤﺘﯿﺔ ﻟﻺﻧﺘﺮﻧﺖ، اﻟﻤﺴﺘﻘﺒﻠﻲ ﻗﺪرة اﻟﻌﻤﻮد اﻟﻔﻘﺮي اﻟﺤﺎﻟﻲ اﻟﻤﺮﻛﺰﯾﺔ ﻟﮫ. ﻟﺬﻟﻚ، ﯾﻌﺪ ﺗﺤﺴﯿﻦ اﻷداء أﻣﺮا ﺿﺮورﯾﺎ ﻟﮭﺬه اﻷﻧﻈﻤﺔ وﺟﻌﻠﮭﺎ أﻛﺜﺮ ﻣﺮوﻧﺔ وﻗﺎﺑﻠﺔ ﻟﻠﺘﻄﻮﯾﺮ ﻟﺘﻠﺒﯿﺔ ھﺬا اﻟﻄﻠﺐ اﻟﻤﺘﺰاﯾﺪ. ﺗﺘﻄﻠﺐ ھﺬه اﻟﻘﯿﻮد ﻧﻤﺎذج أﻓﻀﻞ ﻟﻘﻨﻮات اﻷﻟﯿﺎف اﻟﻀﻮﺋﯿﺔ وأﻧﻈﻤﺔ اﻹرﺳﺎل ﻣﻊ أﻓﻀﻞ اﻟﻄﺮق ﻟﻠﺘﺤﺴﯿﻦ واﻟﻤﻌﺎﻟﺠﺔ، ﻣﻤﺎ ﯾﺆدي ھﺬا إﻟﻰ زﯾﺎدة اﻟﺘﻜﻠﻔﺔ واﻟﺘﻌﻘﯿﺪ. ﻟﺬﻟﻚ، ﯾﻤﻜﻦ اﻋﺘﺒﺎر اﻟﺨﻮارزﻣﯿﺎت اﻟﻤﺴﺘﻘﻠﺔ واﻟﻔﻌﺎﻟﺔ ﺣﻼً ﺟﯿﺪًا ﻓﻲ اﻟﻮﻗﺖ اﻟﺤﺎﻟﻲ ﻟﻠﻤﺴﺎﻋﺪة ﻓﻲ ﺗﺤﺴﯿﻦ ﻛﻔﺎءة ھﺬه اﻷﻧﻈﻤﺔ. اﻋﺘﻤﺪت اﻟﺨﻮارزﻣﯿﺎت اﻟﺘﻘﻠﯿﺪﯾﺔ ﻋﻠﻰ طﺮﯾﻘﺔ (SSFM) Split-Fourier ﺗﻘﺴﯿﻢ ﻓﻮرﯾﺮ وطﺮق اﻻﻧﺘﺸﺎر اﻟﻌﻜﺴﻲ اﻟﺮﻗﻤﻲ (DBP) ﻣﻦ ﺧﻼل إﯾﺠﺎد اﻟﺤﻞ اﻟﻤﻘﺪر ﻟـ "ﻣﻌﺎدﻟﺔ ﺷﺮود ﻧﻐﺮ ﻏﯿﺮ اﻟﺨﻄﯿﺔ (NLSE)" ، ﻟﻤﻌﺎﻟﺠﺔ اﻟﺘﺤﺪي اﻷﻛﺜﺮ ﺟﻮھﺮﯾﺔ اﻟﺬي ﯾﻮاﺟﮫ ﻣﺜﻞ ھﺬه اﻷﻧﻈﻤﺔ وھﻮ اﻻﻧﺤﻄﺎط ﻏﯿﺮ اﻟﺨﻄﻲ ، ﻟﻜﻦ ﺗﻨﻔﯿﺬه ﯾﺘﻄﻠﺐ اﻟﻜﺜﯿﺮ ﻣﻦ اﻟﻤﻮارد ﻟﻤﻌﺎﻟﺠﺔ اﻹﺷﺎرات ﺑﺎﻹﺿﺎﻓﺔ إﻟﻰ ﻓﮭﻢ دﻗﯿﻖ وﻋﺎﻟﻲ اﻟﻤﺴﺘﻮى ﻟﮭﺬه اﻷﻧﻈﻤﺔ. ﺑﯿﻨﻤﺎ ﺗﻌﺪ ﺧﻮارزﻣﯿﺎت اﻟﺬﻛﺎء اﻻﺻﻄﻨﺎﻋﻲ (AI) ﺑﺘﻘﺪﯾﻢ أﻓﻀﻞ اﻟﺤﻠﻮل ﻟﻠﺘﺤﺪﯾﺎت اﻟﻤﺴﺘﻘﺒﻠﯿﺔ اﻟﻤﻮﺻﻮﻓﺔ ﻣﻦ ﺧﻼل اﺳﺘﺨﺪاﻣﮭﺎ ﻟﺘﺤﺪﯾﺪ وﺣﻞ أوﺟﮫ اﻟﻘﺼﻮر ﻓﻲ اﻷﻧﻈﻤﺔ اﻟﻤﻌﻘﺪة ﻟﻠﻐﺎﯾﺔ واﻟﺒﯿﺌﺎت اﻟﻤﻌﻘﺪة دون اﻟﺤﺎﺟﺔ إﻟﻰ ﺗﻄﻮﯾﺮ ﻧﻤﻮذج ﻟﻸﺟﮭﺰة )اﻟﻤﺎدﯾﺔ.( طﺒﻘﺖ ھﺬه اﻷطﺮوﺣﺔ اﻟﺘﻌﻠﻢ اﻵﻟﻲ ﻋﻠﻰ أﺳﺎس اﻟﺸﺒﻜﺔ اﻟﻌﺼﺒﯿﺔ اﻟﻌﻤﯿﻘﺔ (DNN) ﻛﻄﺮﯾﻘﺔ ﺗﻌﻠﻢ ﺗﺤﺖ اﻹﺷﺮاف ﻟﻸﻧﻈﻤﺔ اﻟﺒﺼﺮﯾﺔ ﻟﺮﻓﻊ ﻣﺴﺘﻮى أداﺋﮭﺎ. اﻗﺘﺮﺣﺖ ھﺬه اﻟﺪراﺳﺔ ﺑﻨﺎء ﺗﻘﻨﯿﺔ NLC ﻟﻠﺘﻌﻮﯾﺾ ﻋﻦ اﻻﻧﺤﻄﺎط ﻏﯿﺮ اﻟﺨﻄﻲ اﻟﺬي ﯾﺤﺪث ﻓﻲ أﻧﻈﻤﺔ اﻻﺗﺼﺎﻻت اﻟﺒﺼﺮﯾﺔ. ﺗﻢ ﺗﺼﻤﯿﻢ اﻟﻨﻈﺎم وﻣﺤﺎﻛﺎﺗﮫ ﺑﺎﻟﻜﺎﻣﻞ ﻣﻊ ﺗﻄﺒﯿﻖ Optisystem. )اﻹﺻﺪار ﻓﻲ اﻟﻮﻗﺖ اﻟﻔﻌﻠﻲ ﺑﺎﺳﺘﺨﺪام ﺗﻄﺒﯿﻖ (V.2020a) MATLAB. (17.0.0 وان اﻻﺧﺘﺒﺎر / اﻟﺘﺤﺴﯿﻦ ﺗﻢ إﺟﺮاؤه ﻓﻲ ﺛﻼﺛﺔ اﺗﺠﺎھﺎت: أوﻻً: ﻓﻲ أﻧﻈﻤﺔ ﺑﺼﺮﯾﺔ ﻣﺘﻤﺎﺳﻜﺔ أﺣﺎدﯾﺔ اﻻﺳﺘﻘﻄﺎب ﻣﻊ 16-4 ﺗﺸﻜﯿﻞ QAM ﻣﻊ وﺑﺪون OFDM ﻣﺘﻌﺪد اﻟﻤﻮﺟﺎت اﻟﺤﺎﻣﻠﺔ اﻟﻔﺮﻋﯿﺔ ، ﯾﺘﻢ ﻧﻘﻠﮫ ﻋﺒﺮ اﻷﻟﯿﺎف أﺣﺎدﯾﺔ اﻟﻮﺿﻊ اﻟﻘﯿﺎﺳﯿﺔ أﺣﺎدﯾﺔ اﻟﻤﻮﺟﺔ (SSMF) ﺑﺴﺮﻋﺔ 60 ﺟﯿﺠﺎﺑﺖ ﻓﻲ اﻟﺜﺎﻧﯿﺔ ﻟﻤﺴﺎﻓﺔ ارﺗﺒﺎط ﺗﺒﻠﻎ 3000 ﻛﯿﻠﻮ ﻣﺘﺮ.