論文の概要: Experimental Investigation of Deep Learning for Digital Signal
Processing in Short Reach Optical Fiber Communications
- arxiv url: http://arxiv.org/abs/2005.08790v1
- Date: Mon, 18 May 2020 15:09:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-02 00:40:58.180910
- Title: Experimental Investigation of Deep Learning for Digital Signal
Processing in Short Reach Optical Fiber Communications
- Title（参考訳）: 短距離光ファイバ通信におけるディジタル信号処理のためのディープラーニングの実験的検討
- Authors: Boris Karanov, Mathieu Chagnon, Vahid Aref, Filipe Ferreira, Domanic
Lavery, Polina Bayvel, Laurent Schmalen
- Abstract要約: リカレントニューラルネットワーク(RNN)を用いた自動エンコーダの性能向上手法について検討する。
特に,最近提案されたスライディングウインドウ双方向RNN(SBRNN)光ファイバーオートエンコーダに着目した。
受信機におけるシーケンス推定アルゴリズムにおける処理ウィンドウの調整は、チャネルモデルに基づいて訓練された単純なシステムのリーチを改善することを示す。
- 参考スコア（独自算出の注目度）: 2.9801732851402556
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We investigate methods for experimental performance enhancement of
auto-encoders based on a recurrent neural network (RNN) for communication over
dispersive nonlinear channels. In particular, our focus is on the recently
proposed sliding window bidirectional RNN (SBRNN) optical fiber autoencoder. We
show that adjusting the processing window in the sequence estimation algorithm
at the receiver improves the reach of simple systems trained on a channel model
and applied "as is" to the transmission link. Moreover, the collected
experimental data was used to optimize the receiver neural network parameters,
allowing to transmit 42 Gb/s with bit-error rate (BER) below the 6.7%
hard-decision forward error correction threshold at distances up to 70km as
well as 84 Gb/s at 20 km. The investigation of digital signal processing (DSP)
optimized on experimental data is extended to pulse amplitude modulation with
receivers performing sliding window sequence estimation using a feed-forward or
a recurrent neural network as well as classical nonlinear Volterra
equalization. Our results show that, for fixed algorithm memory, the DSP based
on deep learning achieves an improved BER performance, allowing to increase the
reach of the system.
- Abstract（参考訳）: 分散非線形チャネル上での通信のためのリカレントニューラルネットワーク(RNN)に基づく自動エンコーダの性能向上手法について検討する。
特に,最近提案されたスライディングウインドウ双方向RNN(SBRNN)光ファイバーオートエンコーダに着目した。
受信機におけるシーケンス推定アルゴリズムにおける処理ウィンドウの調整により、チャネルモデルで訓練された単純なシステムのリーチが向上し、伝送リンクに"as is"を適用した。
さらに、収集した実験データを用いて、受信ニューラルネットワークパラメータを最適化し、ビットエラー率(BER)で42Gb/sを最大70km、20kmで84Gb/sまでの距離で6.7%の精度で転送する。
実験データに最適化されたデジタル信号処理(DSP)の研究は、フィードフォワードまたはリカレントニューラルネットワークを用いたスライディングウィンドウシーケンス推定と古典非線形ボルテラ等化を行う受信機によるパルス振幅変調に拡張される。
その結果,アルゴリズムメモリの固定化により,深層学習に基づく DSP は BER 性能の向上を実現し,システムの範囲を拡大できることがわかった。
関連論文リスト
- Channelformer: Attention based Neural Solution for Wireless Channel
Estimation and Effective Online Training [1.0499453838486013]
本稿では,改良されたチャネル推定を実現するために,エンコーダ・デコーダニューラルアーキテクチャ(Channelformer)を提案する。
我々は,復号器として,エンコーダと残差畳み込みニューラルアーキテクチャに多面的注意を払っている。
また,現代通信システムにおける第5世代(5G)新しい無線(NR)構成に基づく効果的なオンライントレーニング手法を提案する。
論文 参考訳（メタデータ） (2023-02-08T23:18:23Z) - RF-Photonic Deep Learning Processor with Shannon-Limited Data Movement [0.0]
光ニューラルネットワーク(ONN)は、超低レイテンシとエネルギー消費を持つ有望な加速器である。
我々は、周波数領域のデータを符号化する乗法的アナログ周波数変換ONN(MAFT-ONN)を導入する。
我々は、生のRF信号で完全にアナログのディープラーニングを演算する最初のハードウェアアクセラレータを実験的に実証した。
論文 参考訳（メタデータ） (2022-07-08T16:37:13Z) - Deep Learning-Based Synchronization for Uplink NB-IoT [72.86843435313048]
狭帯域モノのインターネット(NB-IoT)における狭帯域物理ランダムアクセスチャネル(NPRACH)のデバイス検出と到着時刻推定のためのニューラルネットワーク(NN)に基づくアルゴリズムを提案する。
導入されたNNアーキテクチャは、残余の畳み込みネットワークと、5Gニューラジオ(5G NR)仕様のプリアンブル構造に関する知識を利用する。
論文 参考訳（メタデータ） (2022-05-22T12:16:43Z) - Two-Timescale End-to-End Learning for Channel Acquisition and Hybrid
Precoding [94.40747235081466]
本研究では,ミリ波(mmWave)大規模マルチインプット多重出力(MIMO)システムのためのエンドツーエンドの深層学習に基づくジョイントトランスシーバ設計アルゴリズムを提案する。
我々は受信したパイロットを受信機でフィードバックビットにマッピングし、さらに送信機でハイブリッドプリコーダにフィードバックビットをマッピングするDNNアーキテクチャを開発した。
論文 参考訳（メタデータ） (2021-10-22T20:49:02Z) - Learning to Estimate RIS-Aided mmWave Channels [50.15279409856091]
そこでは,観測観測のために,既知の基地局とRIS位相制御行列を併用したアップリンクチャネル推定手法を提案する。
推定性能を向上し, トレーニングオーバーヘッドを低減するため, 深部展開法において, mmWaveチャネルの固有チャネル幅を生かした。
提案したディープ・アンフォールディング・ネットワーク・アーキテクチャは,トレーニングオーバーヘッドが比較的小さく,オンライン計算の複雑さも比較的小さく,最小二乗法(LS)法より優れていることが確認された。
論文 参考訳（メタデータ） (2021-07-27T06:57:56Z) - A Novel Look at LIDAR-aided Data-driven mmWave Beam Selection [24.711393214172148]
軽量ニューラルネットワーク(NN)アーキテクチャとそれに対応するLIDARプリプロセッシングを提案する。
nnベースのビーム選択方式は、ビーム探索のオーバーヘッドなしに79.9%のスループットを達成でき、95%のスループットを6ビーム以内で探索できる。
論文 参考訳（メタデータ） (2021-04-29T18:07:31Z) - Deep Learning Based Antenna Selection for Channel Extrapolation in FDD
Massive MIMO [54.54508321463112]
大規模なマルチインプット多重出力(MIMO)システムでは、多数のアンテナが正確なチャネル状態情報を取得する上で大きな課題となる。
ニューラルネットワーク(NN)を用いて、アップリンクとダウンリンクチャネルデータセット間の固有の接続を捕捉し、アップリンクチャネル状態情報のサブセットからダウンリンクチャネルを外挿する。
アンテナサブセット選択問題について検討し、最高のチャネル外挿を実現し、NNのデータサイズを小さくする。
論文 参考訳（メタデータ） (2020-09-03T13:38:52Z) - 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) - Optical Fiber Communication Systems Based on End-to-End Deep Learning [3.157838763210381]
フィードフォワードまたは双方向リカレントニューラルネットワーク(BRNN)とディープラーニングに基づくエンドツーエンド最適化光伝送システムについて検討する。
本稿では,BRNNオートエンコーダの試作実験を行い,分散非線形チャネル上での通信における繰り返し処理による性能向上について報告する。
論文 参考訳（メタデータ） (2020-05-18T15:02:42Z) - Millimeter Wave Communications with an Intelligent Reflector:
Performance Optimization and Distributional Reinforcement Learning [119.97450366894718]
ミリ波基地局のダウンリンクマルチユーザ通信を最適化するための新しいフレームワークを提案する。
チャネル状態情報(CSI)をリアルタイムで計測するために,チャネル推定手法を開発した。
最適赤外反射を学習し、ダウンリンク能力の期待を最大化するために、分布強化学習(DRL)手法を提案する。
論文 参考訳（メタデータ） (2020-02-24T22:18:54Z) - Sound Event Detection with Depthwise Separable and Dilated Convolutions [23.104644393058123]
最先端音事象検出(SED)法は通常、入力された音声信号から有用な特徴を抽出するために一連の畳み込みニューラルネットワーク(CNN)を用いる。
本稿では,CNNを深く分離可能な畳み込みに置き換えることと,RNNを拡張畳み込みに置き換えることを提案する。
平均フレーム単位のF1スコアと平均エラー率をそれぞれ4.6%、平均エラー率を3.8%向上させる。
論文 参考訳（メタデータ） (2020-02-02T19:50:51Z)
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。