Fugu-MT 論文翻訳(概要): A Survey of Applied Machine Learning Techniques for Optical OFDM based Networks

論文の概要: A Survey of Applied Machine Learning Techniques for Optical OFDM based Networks

arxiv url: http://arxiv.org/abs/2105.03289v1
Date: Fri, 7 May 2021 14:29:25 GMT
ステータス: 処理完了
システム内更新日: 2021-05-10 16:10:46.017312
Title: A Survey of Applied Machine Learning Techniques for Optical OFDM based Networks
Title（参考訳）: 光ofdmベースネットワークのための応用機械学習技術に関する調査
Authors: Hichem Mrabet, Elias Giaccoumidis and Iyad Dayoub
Abstract要約: 光周波数分割多重化(O-OFDM)に基づく光通信のための最新の機械学習(ML)技術について分析する。例えば、MLは変調率の低い信号品質を改善するか、決定論とパラメトリック誘導非線形性の両方に取り組むことができる。 O-OFDM伝送性能と計算複雑性の両面から,教師なしおよび教師なしのML手法を解析した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this survey, we analyze the newest machine learning (ML) techniques for optical orthogonal frequency division multiplexing (O-OFDM)-based optical communications. ML has been proposed to mitigate channel and transceiver imperfections. For instance, ML can improve the signal quality under low modulation extinction ratio or can tackle both determinist and stochastic-induced nonlinearities such as parametric noise amplification in long-haul transmission. The proposed ML algorithms for O-OFDM can in particularly tackle inter-subcarrier nonlinear effects such as four-wave mixing and cross-phase modulation. In essence, these ML techniques could be beneficial for any multi-carrier approach (e.g. filter bank modulation). Supervised and unsupervised ML techniques are analyzed in terms of both O-OFDM transmission performance and computational complexity for potential real-time implementation. We indicate the strict conditions under which a ML algorithm should perform classification, regression or clustering. The survey also discusses open research issues and future directions towards the ML implementation.
Abstract（参考訳）: 本稿では,光学直交周波数分割多重化(O-OFDM)に基づく光通信における最新の機械学習技術について分析する。 MLはチャネルとトランシーバーの不完全性を緩和するために提案されている。例えば、mlは低変調消滅率下で信号品質を向上させることができ、また長距離伝送におけるパラメトリックノイズ増幅のような決定論的および確率的非線形性にも対処できる。 O-OFDMのためのMLアルゴリズムは、特に4波混合や相間変調のようなサブキャリア間非線形効果に取り組むことができる。本質的に、これらのML技術は、任意のマルチキャリアアプローチ(例)に有用である。フィルタバンクの変調)。 O-OFDM伝送性能と潜在的リアルタイム実装における計算複雑性の両面から,教師なしML手法を解析した。本稿では,MLアルゴリズムが分類,回帰,クラスタリングを行うための厳密な条件を示す。また、オープンな研究課題とML実装に向けた今後の方向性についても論じている。

関連論文リスト

Hyperparameter Estimation for Sparse Bayesian Learning Models [1.0172874946490507]
Aparse Bayesian Learning (SBL) モデルは、信号処理や機械学習において、階層的な事前処理による疎結合を促進するために広く使われている。本稿では,種々の目的関数に対するSBLモデルの改良のためのフレームワークを提案する。信号雑音比において, 高い効率性を示す新しいアルゴリズムが導入された。
論文参考訳（メタデータ） (2024-01-04T21:24:01Z)
Deep Learning Assisted Multiuser MIMO Load Modulated Systems for Enhanced Downlink mmWave Communications [68.96633803796003]
本稿では, マルチユーザ負荷変調アレイ (MU-LMA) に着目し, マイクロウェーブ (mmWave) マルチインプット・マルチアウトプット (MIMO) システムにおいて, マルチユーザ負荷変調アレイ (MU-LMA) の小型化とコスト削減を図っている。ダウンリンクMU-LMAの既存のプリコーディングアルゴリズムは、自由度と複雑なシステム構成の低下に悩まされるサブアレイ構造化(SAS)送信機に依存している。本稿では,FAS (Full-array Structured) 送信機を用いたMU-LMAシステムを提案し,それに応じて2つのアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-11-08T08:54:56Z)
Machine Learning-based Methods for Joint {Detection-Channel Estimation} in OFDM Systems [0.0]
OFDMシステムにおける共同検出チャネル推定のための機械学習(ML)に基づく2つの構造を提案し,広範囲に評価した。ビットエラーレート(BER)性能と計算複雑性のトレードオフを解析する。
論文参考訳（メタデータ） (2023-04-08T19:30:23Z)
Accurate Discharge Coefficient Prediction of Streamlined Weirs by Coupling Linear Regression and Deep Convolutional Gated Recurrent Unit [2.4475596711637433]
本研究では,CFDシミュレーションに代わるデータ駆動モデリング手法を提案する。提案した3層階層型DLアルゴリズムは,後続の2つのGRUレベルを結合した畳み込み層で構成されており,LR法とハイブリダイゼーションすることで,誤差の低減につながることがわかった。
論文参考訳（メタデータ） (2022-04-12T01:59:36Z)
Adaptive neighborhood Metric learning [184.95321334661898]
適応的近傍距離距離学習(ANML)という新しい距離距離距離距離距離距離学習アルゴリズムを提案する。 ANMLは線形埋め込みと深層埋め込みの両方を学ぶのに使うことができる。本手法で提案するemphlog-exp平均関数は,深層学習手法をレビューするための新たな視点を与える。
論文参考訳（メタデータ） (2022-01-20T17:26:37Z)
Machine Learning Methods for Spectral Efficiency Prediction in Massive MIMO Systems [0.0]
本研究では,特定のプリコーディング方式のスペクトル効率(SE)値を最短時間で推定する機械学習手法について検討する。平均パーセンテージ誤差(MAPE)の最も良い結果は、ソートされた特徴よりも勾配が上昇し、線形モデルは予測精度が悪くなることを示す。そこで本研究では,Quadrigaシミュレータによって生成される幅広いシナリオにおける提案アルゴリズムの実用性について検討する。
論文参考訳（メタデータ） (2021-12-29T07:03:10Z)
Mixed Precision Low-bit Quantization of Neural Network Language Models for Speech Recognition [67.95996816744251]
長期間のメモリ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言語モデル(LM)は、実用アプリケーションではますます複雑で高価なものになりつつある。現在の量子化法は、均一な精度に基づいており、量子化誤差に対するLMの異なる部分での様々な性能感度を考慮できない。本稿では,新しい混合精度ニューラルネットワークLM量子化法を提案する。
論文参考訳（メタデータ） (2021-11-29T12:24:02Z)
Practical Machine Learning Safety: A Survey and Primer [81.73857913779534]
自動運転車のような安全クリティカルなアプリケーションにおける機械学習アルゴリズムのオープンワールド展開は、さまざまなML脆弱性に対処する必要がある。一般化エラーを低減し、ドメイン適応を実現し、外乱例や敵攻撃を検出するための新しいモデルと訓練技術。我々の組織は、MLアルゴリズムの信頼性を異なる側面から向上するために、最先端のML技術を安全戦略にマッピングする。
論文参考訳（メタデータ） (2021-06-09T05:56:42Z)
Solving Sparse Linear Inverse Problems in Communication Systems: A Deep Learning Approach With Adaptive Depth [51.40441097625201]
疎信号回復問題に対するエンドツーエンドの訓練可能なディープラーニングアーキテクチャを提案する。提案手法は,出力するレイヤ数を学習し,各タスクのネットワーク深さを推論フェーズで動的に調整する。
論文参考訳（メタデータ） (2020-10-29T06:32:53Z)
Optimization-driven Machine Learning for Intelligent Reflecting Surfaces Assisted Wireless Networks [82.33619654835348]
インテリジェントサーフェス(IRS)は、個々の散乱素子の位相シフトを制御して無線チャネルを再形成するために用いられる。散乱素子の規模が大きいため、受動ビームフォーミングは一般に高い計算複雑性によって挑戦される。本稿では、IRS支援無線ネットワークの性能向上のための機械学習(ML)アプローチに焦点を当てる。
論文参考訳（メタデータ） (2020-08-29T08:39:43Z)

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。