論文の概要: SNR optimization of multi-span fiber optic communication systems
employing EDFAs with non-flat gain and noise figure
- arxiv url: http://arxiv.org/abs/2106.03639v1
- Date: Mon, 7 Jun 2021 14:09:53 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-08 17:22:02.369781
- Title: SNR optimization of multi-span fiber optic communication systems
employing EDFAs with non-flat gain and noise figure
- Title（参考訳）: 非平坦ゲインとノイズフィギュアを持つEDFAを用いたマルチスパン光通信システムのSNR最適化
- Authors: Metodi Plamenov Yankov, Pawel Marcin Kaminski, Henrik Enggaard Hansen,
Francesco Da Ros
- Abstract要約: 信号間雑音(SNR)最適化のためのマルチスパン伝送システムのコンポーネントワイズモデルを提案する。
GFFのないCバンド増幅器のゲインおよびノイズフィギュアスペクトルプロファイルについて、機械学習に基づくモデルを訓練する。
SNR平坦度を1.2dBまで同時に達成する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Throughput optimization of optical communication systems is a key challenge
for current optical networks. The use of gain-flattening filters (GFFs)
simplifies the problem at the cost of insertion loss, higher power consumption
and potentially poorer performance. In this work, we propose a component wise
model of a multi-span transmission system for signal-to-noise (SNR)
optimization. A machine-learning based model is trained for the gain and noise
figure spectral profile of a C-band amplifier without a GFF. The model is
combined with the Gaussian noise model for nonlinearities in optical fibers
including stimulated Raman scattering and the implementation penalty spectral
profile measured in back-to-back in order to predict the SNR in each channel of
a multi-span wavelength division multiplexed system. All basic components in
the system model are differentiable and allow for the gradient descent-based
optimization of a system of arbitrary configuration in terms of number of spans
and length per span. When the input power profile is optimized for flat and
maximized received SNR per channel, the minimum performance in an arbitrary
3-span experimental system is improved by up to 8 dB w.r.t. a system with flat
input power profile. An SNR flatness down to 1.2 dB is simultaneously achieved.
The model and optimization methods are used to optimize the performance of an
example core network, and 0.2 dB of gain is shown w.r.t. solutions that do not
take into account nonlinearities. The method is also shown to be beneficial for
systems with ideal gain flattening, achieving up to 0.3 dB of gain w.r.t. a
flat input power profile.
- Abstract（参考訳）: 光通信システムのスループット最適化は、現在の光ネットワークにとって重要な課題である。
ゲインフラット化フィルタ(GFF)の使用は、挿入損失、消費電力の増加、性能の低下といった問題を単純化する。
本研究では,snr(signal-to-noise)最適化のためのマルチスパン伝送システムのコンポーネントワイズモデルを提案する。
機械学習に基づくモデルは、gffのないcバンド増幅器の利得とノイズフィギュアのスペクトルプロファイルのために訓練される。
このモデルは、マルチスパン波長多重系の各チャネルにおけるsnrを予測するために、刺激ラマン散乱を含む光ファイバの非線形性に関するガウスノイズモデルと、バック・ツー・バックで測定された実装ペナルティスペクトルプロファイルとを組み合わせる。
システムモデルのすべての基本コンポーネントは微分可能であり、スパン数とスパンの長さの点で任意の構成のシステムの勾配降下に基づく最適化を可能にする。
入力電力プロファイルを1チャネル当たりのフラットかつ最大受信SNRに最適化すると、任意の3次元実験システムの最小性能を最大8dBw.r.tに向上させる。
フラットな入力パワープロファイルを持つシステム。
SNR平坦度を1.2dBまで同時に達成する。
モデルおよび最適化手法は、サンプルコアネットワークの性能を最適化するために使用され、利得0.2dbがw.r.tを示す。
非線形性を考慮していない解決策です
この方法は、理想的な利得平坦化を持つシステムにも有用であり、利得w.r.tの0.3dBに達することが示されている。
フラットな入力パワープロファイル。
関連論文リスト
- Generalizable Non-Line-of-Sight Imaging with Learnable Physical Priors [52.195637608631955]
非視線画像(NLOS)は、その潜在的な応用により注目されている。
既存のNLOS再構成アプローチは、経験的物理的前提に依存して制約される。
本稿では,Learningable Path Compensation(LPC)とAdaptive Phasor Field(APF)の2つの主要な設計を含む,学習に基づく新しいソリューションを提案する。
論文 参考訳（メタデータ） (2024-09-21T04:39:45Z) - Semi-Federated Learning: Convergence Analysis and Optimization of A
Hybrid Learning Framework [70.83511997272457]
本稿では,ベースステーション(BS)とデバイスの両方を活用するセミフェデレーション学習(SemiFL)パラダイムを提案し,中央集権学習(CL)とFLのハイブリッド実装を提案する。
我々はこの難解な問題を解くための2段階のアルゴリズムを提案し、ビームフォーマに閉形式解を提供する。
論文 参考訳（メタデータ） (2023-10-04T03:32:39Z) - A comparison between black-, grey- and white-box modeling for the bidirectional Raman amplifier optimization [0.8098985611919018]
光学増幅器のオフライン最適化は、物理に深く根ざしたホワイトボックスモデルからブラックボックスのデータ駆動および物理に依存しないモデルまで幅広いモデルに依存している。
実験手法のいずれにおいても,80km間隔でCバンド上で1～3.6dBの同様の周波数および距離平坦性が得られることを示す。
論文 参考訳（メタデータ） (2023-09-11T08:39:57Z) - One-Dimensional Deep Image Prior for Curve Fitting of S-Parameters from
Electromagnetic Solvers [57.441926088870325]
Deep Image Prior(ディープ・イメージ・プライオリ、ディープ・イメージ・プライオリ、DIP)は、ランダムなd畳み込みニューラルネットワークの重みを最適化し、ノイズや過度な測定値からの信号に適合させる技術である。
本稿では,Vector Fitting (VF) の実装に対して,ほぼすべてのテスト例において優れた性能を示す。
論文 参考訳（メタデータ） (2023-06-06T20:28:37Z) - Performance Optimization for Variable Bitwidth Federated Learning in
Wireless Networks [103.22651843174471]
本稿では,モデル量子化による統合学習(FL)における無線通信と計算効率の向上について考察する。
提案したビット幅FL方式では,エッジデバイスは局所FLモデルパラメータの量子化バージョンを調整し,コーディネートサーバに送信し,それらを量子化されたグローバルモデルに集約し,デバイスを同期させる。
FLトレーニングプロセスはマルコフ決定プロセスとして記述でき、反復よりも行動選択を最適化するためのモデルベース強化学習(RL)手法を提案する。
論文 参考訳（メタデータ） (2022-09-21T08:52:51Z) - Federated Learning for Energy-limited Wireless Networks: A Partial Model
Aggregation Approach [79.59560136273917]
デバイス間の限られた通信資源、帯域幅とエネルギー、およびデータ不均一性は、連邦学習(FL)の主要なボトルネックである
まず、部分モデルアグリゲーション(PMA)を用いた新しいFLフレームワークを考案する。
提案されたPMA-FLは、2つの典型的な異種データセットにおいて2.72%と11.6%の精度を改善する。
論文 参考訳（メタデータ） (2022-04-20T19:09:52Z) - A neural network-supported two-stage algorithm for lightweight
dereverberation on hearing devices [13.49645012479288]
本稿では,2段階の軽量オンライン補聴器のオンライン補聴アルゴリズムについて述べる。
このアプローチは、マルチチャネルのマルチフレーム線形フィルタとシングルチャネルのシングルフレームポストフィルタを組み合わせる。
どちらのコンポーネントも、ディープニューラルネットワーク(DNN)によって提供されるパワースペクトル密度(PSD)の推定に依存している。
論文 参考訳（メタデータ） (2022-04-06T11:08:28Z) - 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) - Learning OFDM Waveforms with PAPR and ACLR Constraints [15.423422040627331]
達成可能な情報レートを最大化しつつ,選択した制約を満たすOFDMベースの波形を設計するための学習ベース手法を提案する。
エンドツーエンドシステムは,PAPRとACLRの制約を満たすことができ,スループットを著しく向上させることができることを示す。
論文 参考訳（メタデータ） (2021-10-21T08:58:59Z) - Neural Calibration for Scalable Beamforming in FDD Massive MIMO with
Implicit Channel Estimation [10.775558382613077]
チャネル推定とビームフォーミングは、周波数分割二重化(FDD)大規模マルチインプット多重出力(MIMO)システムにおいて重要な役割を果たす。
受信したアップリンクパイロットに応じて,基地局のビームフォーマを直接最適化する深層学習方式を提案する。
エンド・ツー・エンドの設計のスケーラビリティを向上させるために,ニューラルキャリブレーション法を提案する。
論文 参考訳（メタデータ） (2021-08-03T14:26:14Z) - Optimization-driven Deep Reinforcement Learning for Robust Beamforming
in IRS-assisted Wireless Communications [54.610318402371185]
Intelligent Reflecting Surface (IRS)は、マルチアンテナアクセスポイント(AP)から受信機へのダウンリンク情報伝達を支援する有望な技術である。
我々は、APのアクティブビームフォーミングとIRSのパッシブビームフォーミングを共同最適化することで、APの送信電力を最小化する。
過去の経験からビームフォーミング戦略に適応できる深層強化学習(DRL)手法を提案する。
論文 参考訳（メタデータ） (2020-05-25T01:42:55Z)
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。