Fugu-MT 論文翻訳(概要): Learned Digital Back-Propagation for Dual-Polarization Dispersion Managed Systems

論文の概要: Learned Digital Back-Propagation for Dual-Polarization Dispersion Managed Systems

arxiv url: http://arxiv.org/abs/2205.11376v1
Date: Mon, 23 May 2022 15:10:21 GMT
ステータス: 処理完了
システム内更新日: 2022-05-25 01:11:32.356065
Title: Learned Digital Back-Propagation for Dual-Polarization Dispersion Managed Systems
Title（参考訳）: Dual-Polarization Dispersion Managed Systemのためのディジタルバックプロパゲーションの学習
Authors: Mohannad Abu-romoh (1), Nelson Costa (2), Antonio Napoli (3), Bernhard Spinnler (3), Yves Jaou\"en (1), Mansoor Yousefi (1) ((1) T\'el\'ecom Paris, (2) Infinera, Portugal, (3) Infinera, Germany)
Abstract要約: ディジタルバックプロパゲーション(DBP)と学習DBP(LDBP)はWDM双極分極分散管理システムにおける非線形性軽減のために提案される。 LDBP は 1.8 dB と 1.2 dB のQ-factor の改善をそれぞれ線形等化と DM システムに適合した DBP の変種で達成する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Digital back-propagation (DBP) and learned DBP (LDBP) are proposed for nonlinearity mitigation in WDM dual-polarization dispersion-managed systems. LDBP achieves Q-factor improvement of 1.8 dB and 1.2 dB, respectively, over linear equalization and a variant of DBP adapted to DM systems.
Abstract（参考訳）: ディジタルバックプロパゲーション(DBP)と学習DBP(LDBP)は、WDM双極分極分散管理システムにおける非線形性軽減のために提案される。 LDBP は 1.8 dB と 1.2 dB のQ-factor の改善をそれぞれ線形等化と DM システムに適合した DBP の変種で達成する。

関連論文リスト

Offline Behavior Distillation [57.6900189406964]
大規模な強化学習(RL)データは通常、インタラクションを必要とせずにポリシをオフラインにトレーニングするために収集される。準最適RLデータから限られた専門家の行動データを合成するオフライン行動蒸留(OBD)を定式化する。そこで本研究では, 蒸留データとオフラインデータ, ほぼ専門的ポリシーのいずれにおいても, 蒸留性能を判断的差異によって測定する2つの単純OBD目標であるDBCとPBCを提案する。
論文参考訳（メタデータ） (2024-10-30T06:28:09Z)
DKDM: Data-Free Knowledge Distillation for Diffusion Models with Any Architecture [69.58440626023541]
拡散モデル (DM) は様々な領域で異常な生成能力を示す。 DMを加速する最も一般的な方法は、生成中のデノナイジングステップの数を減少させることである。本稿では,大規模な事前学習型DMを高速なアーキテクチャに転送する新しい手法を提案する。
論文参考訳（メタデータ） (2024-09-05T14:12:22Z)
Two-Stage ML-Guided Decision Rules for Sequential Decision Making under Uncertainty [55.06411438416805]
SDMU (Sequential Decision Making Under Uncertainty) は、エネルギー、金融、サプライチェーンといった多くの領域において、ユビキタスである。いくつかのSDMUは、自然にマルチステージ問題(MSP)としてモデル化されているが、結果として得られる最適化は、計算の観点からは明らかに困難である。本稿では,2段階の一般決定規則(TS-GDR)を導入し,線形関数を超えて政策空間を一般化する手法を提案する。 TS-GDRの有効性は、TS-LDR(Two-Stage Deep Decision Rules)と呼ばれるディープリカレントニューラルネットワークを用いたインスタンス化によって実証される。
論文参考訳（メタデータ） (2024-05-23T18:19:47Z)
MP-DPD: Low-Complexity Mixed-Precision Neural Networks for Energy-Efficient Digital Predistortion of Wideband Power Amplifiers [8.58564278168083]
Digital Pre-Distortion (DPD) は広帯域RFパワー増幅器(PA)の信号品質を向上させる本稿では,エネルギー効率の DPD に対して,量子化された低精度固定点パラメータを用いたオープンソースの混合精度(MP)ニューラルネットワークを提案する。
論文参考訳（メタデータ） (2024-04-18T21:04:39Z)
BinaryDM: Accurate Weight Binarization for Efficient Diffusion Models [39.287947829085155]
本稿では,バイナライズされたDMを正確かつ効率的に推し進めるため,DMの新しい重み付きバイナライズ手法,すなわちBinaryDMを提案する。表現の観点からは、EDB(Evolvable-Basis Binarizer)を提示し、完全精度から正確に二項化できるDMのスムーズな進化を可能にする。実験により、BinaryDMは、超低ビット幅でのDMのSOTA量子化法と比較して、高い精度と効率向上を達成することが示された。
論文参考訳（メタデータ） (2024-04-08T16:46:25Z)
On Neural Architectures for Deep Learning-based Source Separation of Co-Channel OFDM Signals [104.11663769306566]
周波数分割多重化(OFDM)信号を含む単一チャネル音源分離問題について検討する。我々はOFDM構造からの洞察に基づいて、ネットワークパラメータ化に対する重要なドメインインフォームド修正を提案する。
論文参考訳（メタデータ） (2023-03-11T16:29:13Z)
System Resilience through Health Monitoring and Reconfiguration [56.448036299746285]
人為的なシステムのレジリエンスを、予期せぬ事象に対して向上させるためのエンドツーエンドのフレームワークを実証する。このフレームワークは物理ベースのデジタルツインモデルと,リアルタイム故障診断,予後,再構成を行う3つのモジュールに基づいている。
論文参考訳（メタデータ） (2022-08-30T20:16:17Z)
Two-pass Decoding and Cross-adaptation Based System Combination of End-to-end Conformer and Hybrid TDNN ASR Systems [61.90743116707422]
本稿では,ハイブリッドTDNNとConformer E2E ASRシステムのためのマルチパス再構成とクロスアダプティブに基づくシステムの組み合わせについて検討する。 NIST Hub5'00、Rt03、Rt02の評価データに対して、マルチパス再構成を用いて得られた最良の組み合わせシステムにより、統計的に有意な単語誤り率(WER)が2.5%から3.9%の絶対値(22.5%から28.9%の相対値)に低下した。
論文参考訳（メタデータ） (2022-06-23T10:17:13Z)
Blind Estimation of a Doubly Selective OFDM Channel: A Deep Learning Algorithm and Theory [1.0742675209112622]
深層学習(DL)に基づくブラインド2倍選択チャネル推定器を提案する。この推定器は、対応する最先端の推定器とは異なり、パイロットシンボルを必要としない。また,本研究では, ブラインドOFDMチャネル推定器の試験平均二乗誤差(MSE)性能について, この種の理論を初めて提示する。
論文参考訳（メタデータ） (2022-05-30T07:04:04Z)
Model-Based Machine Learning for Joint Digital Backpropagation and PMD Compensation [10.119875242641207]
最近提案された学習デジタルバックプロパゲーション(LDBP)と分極モード分散(PMD)の分散補償を組み合わせたハードウェアフレンドリーな時間領域非線形性緩和法 LDBP-PMD を複数の PMD 実現に向けて訓練し,最大 dB 性能の 1% 以内に収束することを示す。実用システムにおける最先端のラッピングPMD補償アルゴリズムと同様に、我々の手法は、リンクに沿った特定のMDD実現に関する知識や、蓄積されたPMDに関する知識を前提としない。
論文参考訳（メタデータ） (2020-10-23T11:37:35Z)
Model-Based Machine Learning for Joint Digital Backpropagation and PMD Compensation [10.119875242641207]
マナコフ-PMD方程式の分割ステップ法をパラメータ化することにより、偏極多重系に対するモデルベース機械学習手法を提案する。このアプローチは、ハードウェアフレンドリーなDBPと分散PMD補償を、PMDフリーケースに近い性能で実行する。
論文参考訳（メタデータ） (2020-01-25T08:33:05Z)

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。