論文の概要: Compensation of Fiber Nonlinearities in Digital Coherent Systems
Leveraging Long Short-Term Memory Neural Networks
- arxiv url: http://arxiv.org/abs/2001.11802v2
- Date: Wed, 23 Sep 2020 09:27:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-05 06:21:19.437119
- Title: Compensation of Fiber Nonlinearities in Digital Coherent Systems
Leveraging Long Short-Term Memory Neural Networks
- Title（参考訳）: 長期記憶ニューラルネットワークを利用したディジタルコヒーレントシステムの非線形性補償
- Authors: Stavros Deligiannidis, Adonis Bogris, Charis Mesaritakis, Yannis
Kopsinis
- Abstract要約: 本稿では,デジタルコヒーレントシステムにおける繊維非線形性の補償のために,Long Short-term memory (LSTM) ニューラルネットワークアーキテクチャを初めて導入する。
偏光多重化によるシングルチャネルとマルチチャネル16-QAM変調方式のCバンドまたはOバンド伝送システムを考慮した数値シミュレーションを行う。
- 参考スコア（独自算出の注目度）: 0.18352113484137625
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce for the first time the utilization of Long short-term memory
(LSTM) neural network architectures for the compensation of fiber
nonlinearities in digital coherent systems. We conduct numerical simulations
considering either C-band or O-band transmission systems for single channel and
multi-channel 16-QAM modulation format with polarization multiplexing. A
detailed analysis regarding the effect of the number of hidden units and the
length of the word of symbols that trains the LSTM algorithm and corresponds to
the considered channel memory is conducted in order to reveal the limits of
LSTM based receiver with respect to performance and complexity. The numerical
results show that LSTM Neural Networks can be very efficient as post processors
of optical receivers which classify data that have undergone non-linear
impairments in fiber and provide superior performance compared to digital back
propagation, especially in the multi-channel transmission scenario. The
complexity analysis shows that LSTM becomes more complex as the number of
hidden units and the channel memory increase can be less complex than DBP in
long distances (> 1000 km).
- Abstract（参考訳）: 本稿では,デジタルコヒーレントシステムにおける繊維非線形性の補償のために,Long Short-term memory (LSTM) ニューラルネットワークアーキテクチャを初めて導入する。
偏光多重化によるシングルチャネルとマルチチャネル16-QAM変調方式のCバンドまたはOバンド伝送システムを考慮した数値シミュレーションを行う。
LSTMアルゴリズムを訓練し、検討されたチャネルメモリに対応する記号の単語の長さと隠れ単位数の影響に関する詳細な分析を行い、LSTMベースの受信機の性能と複雑さに関する限界を明らかにする。
数値計算の結果,LSTMニューラルネットワークは光受信機のポストプロセッサとして,非線形障害をファイバに分類し,特にマルチチャネル伝送シナリオにおいて,ディジタルバック伝搬よりも優れた性能を実現することができることがわかった。
複雑性解析により、LSTMは隠蔽ユニットの数が多いほど複雑になり、チャネルメモリの増大は長距離(>1000km)のDBPよりも複雑になることが示された。
関連論文リスト
- Neuromorphic Wireless Split Computing with Multi-Level Spikes [69.73249913506042]
ニューロモルフィックコンピューティングでは、スパイクニューラルネットワーク(SNN)が推論タスクを実行し、シーケンシャルデータを含むワークロードの大幅な効率向上を提供する。
ハードウェアとソフトウェアの最近の進歩は、スパイクニューロン間で交換された各スパイクに数ビットのペイロードを埋め込むことにより、推論精度をさらに高めることを示した。
本稿では,マルチレベルSNNを用いた無線ニューロモルフィック分割計算アーキテクチャについて検討する。
論文 参考訳（メタデータ） (2024-11-07T14:08:35Z) - B-LSTM-MIONet: Bayesian LSTM-based Neural Operators for Learning the
Response of Complex Dynamical Systems to Length-Variant Multiple Input
Functions [6.75867828529733]
マルチインプットディープニューラル演算子(MIONet)は、異なるバナッハ空間における複数の入力関数を可能にするためにDeepONetを拡張した。
MIONetは、出力位置の制約なしにデータセットグリッド間隔をトレーニングする柔軟性を提供する。
この作業はMIONetを再設計し、Long Short Term Memory(LSTM)を統合して、時間依存のデータからニューラル演算子を学ぶ。
論文 参考訳（メタデータ） (2023-11-28T04:58:17Z) - Lightweight Machine Learning for Digital Cross-Link Interference
Cancellation with RF Chain Characteristics in Flexible Duplex MIMO Systems [2.0126945094632664]
動的時間分割デュプレックス(D-TDD)や動的周波数分割デュプレックス(D-FDD)を含むフレキシブル・デュプレックス(FD)技術は、よりフレキシブルなアップリンク/ダウンリンク・トランスミッションを実現するための有望な解決策であると考えられている。
5G-Advancedまたは6Gモバイル通信システムに深刻なクロスリンク干渉(CLI)を導入する可能性がある。
本稿では,無線周波数(RF)連鎖特性を取り入れた,より現実的な基地局(BS)-BSチャネルモデルを提案する。
論文 参考訳（メタデータ） (2023-04-23T07:10:05Z) - Neural Network Architectures for Optical Channel Nonlinear Compensation
in Digital Subcarrier Multiplexing Systems [0.9252523881586052]
本稿では,デジタルサブキャリア多重化(DSCM)光伝送システムにおけるファイバ非線形干渉のモデル化と補償に,様々なニューラルネットワーク(ANN)構造を用いることを提案する。
我々は,DSCMシステムの繊維非線形歪みを,すべてのサブキャリアにまたがる完全連結ネットワークによって補償し始める。
DSCMシステムにおけるANN非線形等化器の設計に適切なマクロ構造を組み込むことは,次世代のコヒーレント光トランシーバの実用化に不可欠であることを示す。
論文 参考訳（メタデータ） (2023-04-13T21:58:23Z) - Over-the-Air Split Machine Learning in Wireless MIMO Networks [56.27831295707334]
スプリット機械学習(ML)では、ニューラルネットワーク(NN)の異なるパーティションが異なる計算ノードによって実行される。
通信負担を軽減するため、OAC(Over-the-air calculation)は通信と同時に計算の全てまたは一部を効率的に実装することができる。
論文 参考訳（メタデータ） (2022-10-07T15:39:11Z) - Bayesian Neural Network Language Modeling for Speech Recognition [59.681758762712754]
長期記憶リカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端のニューラルネットワーク言語モデル(NNLM)は非常に複雑になりつつある。
本稿では,LSTM-RNN と Transformer LM の基盤となる不確実性を考慮するために,ベイズ学習フレームワークの全体構造を提案する。
論文 参考訳（メタデータ） (2022-08-28T17:50:19Z) - Fast and accurate waveform modeling of long-haul multi-channel optical
fiber transmission using a hybrid model-data driven scheme [3.771681732160885]
提案手法は,光打ち上げ能力,変調形式,チャネル数,伝送距離に高い精度,高速,ロバストな能力を有することを示す。
その結果、非線形ファイバーモデリングの顕著な改善と、NLSEのような偏微分方程式の解法と光ファイバ物理問題に対する新しい視点の開拓が示された。
論文 参考訳（メタデータ） (2022-01-12T06:10:30Z) - Model-Driven Deep Learning Based Channel Estimation and Feedback for
Millimeter-Wave Massive Hybrid MIMO Systems [61.78590389147475]
本稿では,ミリ波(mmWave)システムのモデル駆動深層学習(MDDL)に基づくチャネル推定とフィードバック方式を提案する。
無線周波数(RF)鎖の限られた数から高次元チャネルを推定するためのアップリンクパイロットオーバーヘッドを低減するために,位相シフトネットワークとチャネル推定器を自動エンコーダとして共同で訓練することを提案する。
MDDLに基づくチャネル推定とフィードバック方式は,最先端の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-04-22T13:34:53Z) - Learning to Beamform in Heterogeneous Massive MIMO Networks [48.62625893368218]
大規模マルチインプット多重出力(MIMO)ネットワークにおいて最適なビームフォーマを見つけることはよく知られている問題である。
本稿では,この問題に対処するための新しい深層学習に基づく論文アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-11-08T12:48:06Z) - Deep Denoising Neural Network Assisted Compressive Channel Estimation
for mmWave Intelligent Reflecting Surfaces [99.34306447202546]
本稿では,mmWave IRSシステムに対するディープデノイングニューラルネットワークを用いた圧縮チャネル推定法を提案する。
我々はまず、受信チェーンをほとんど使わず、アップリンクのユーザ-IRSチャネルを推定するハイブリッド・パッシブ/アクティブIRSアーキテクチャを導入する。
完全チャネル行列は、圧縮センシングに基づいて限られた測定値から再構成することができる。
論文 参考訳（メタデータ） (2020-06-03T12:18:57Z) - Fast and Accurate Optical Fiber Channel Modeling Using Generative
Adversarial Network [2.8821682752466975]
ファイバチャネル伝達関数の分布を学習するために, GAN(Generative Adversarial Network)について検討した。
GANは、異なる光打ち上げ能力、変調フォーマット、入力信号分布の下で堅牢な一般化能力を示す。
論文 参考訳（メタデータ） (2020-02-28T10:54:27Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。