光学超级通道多播，将一个超级通道同时复制到单个设备中的多个光谱位置，对于未来的光学网络来说，可能是一种很有前途的功能。 高非线性光纤（HNLF）中的多泵四波混频（FWM）是一种实现超通道多播的有效方法。 但是，如果不仔细配置泵的频率，则生成的副本将在频谱上分散，这将增加控制副本性能和管理频谱资源的难度。 在本文中，我们提出了一种递归泵相加（RPA）方案，该方案使副本的频谱聚合度高于我们以前的指数增长间隔（EGS）泵浦方案。 这种副本聚合技术可以减少远离原始通道的副本的相位不匹配，这对副本的性能很有帮助。 \ {RPA \}方案还为多播提供了副本分配的附加选项。 基于\ {RPA \}方案，我们通过实验证明了5个泵的1到21超通道多播。 与典型的7％前向纠错（FEC）阈值相比，所有副本的Q因子余量均超过2.3 dB。 还研究了\ {RPA \}和\ {EGS \}泵方案之间的性能比较。
2021-03-04 15:09:46
3.34MB
1
有一群猴子摘了一堆桃子，他们每天都吃当前桃子的一半且再多吃一个，到了第10天就只余下一个桃子。用多种方法实现求出原来这群猴子共摘了多少个桃子？要求：
（1）采用数组数据结构实现上述求解
（2）采用链数据结构实现上述求解
（3）采用递归实现上述求解
2021-03-03 22:26:37
1KB
1
字符级语言Torch模型的多层递归神经网络 (LSTM, GRU, RNN)
2021-03-02 17:25:34
448KB
1
无论什么样的并行计算方式，其终极目的都是为了有效利用多机多核的计算能力，并能灵活满足各种需求。相对于传统基于单机编写的运行程序，如果使用该方式改写为多机并行程序，能够充分利用多机多核cpu的资源，使得运行效率得到大幅度提升，那么这是一个好的靠谱的并行计算方式，反之，又难使用又难直接看出并行计算优势，还要耗费大量学习成本，那就不是一个好的方式。由于并行计算在互联网应用的业务场景都比较复杂，如海量数据商品搜索、广告点击算法、用户行为挖掘，关联推荐模型等等，如果以真实场景举例，初学者很容易被业务本身的复杂度绕晕了头。因此，我们需要一个通俗易懂的例子来直接看到并行计算的优势。数字排列组合是个经典的算法
2021-03-02 09:06:53
157KB
1