Fugu-MT 論文翻訳(概要): A Novel Machine Learning-based Equalizer for a Downstream 100G PAM-4 PON

論文の概要: A Novel Machine Learning-based Equalizer for a Downstream 100G PAM-4 PON

arxiv url: http://arxiv.org/abs/2405.00720v1
Date: Thu, 25 Apr 2024 19:04:15 GMT
ステータス: 処理完了
システム内更新日: 2024-05-05 17:44:45.347703
Title: A Novel Machine Learning-based Equalizer for a Downstream 100G PAM-4 PON
Title（参考訳）: 下流100G PAM-4 PONのための機械学習に基づく新しい等化器
Authors: Chen Shao, Elias Giacoumidis, Shi Li, Jialei Li, Michael Faerber, Tobias Kaefer, Andre Richter,
Abstract要約: 28.7dBパス損失を有する下流100G PONに対して、周波数校正SCINet等化器を提案する。 FC-SCINetは5kmで、FFEとDNNの10.57%のDNNに比べて、BERを88.87%改善している。
参考スコア（独自算出の注目度）: 2.625249812021009
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: A frequency-calibrated SCINet (FC-SCINet) equalizer is proposed for down-stream 100G PON with 28.7 dB path loss. At 5 km, FC-SCINet improves the BER by 88.87% compared to FFE and a 3-layer DNN with 10.57% lower complexity.
Abstract（参考訳）: 28.7dBパス損失を有する下流100G PONに対して、周波数校正SCINet(FC-SCINet)等化器を提案する。 FC-SCINetは5kmで、FFEとDNNの10.57%のDNNに比べて、BERを88.87%改善している。

関連論文リスト

Decorrelating Structure via Adapters Makes Ensemble Learning Practical for Semi-supervised Learning [50.868594148443215]
コンピュータビジョンでは、従来のアンサンブル学習法は訓練効率が低いか、限られた性能を示す。本稿では,視覚的タスクに適応器を用いたDecorrelating Structure(DSA)による軽量,損失関数なし,アーキテクチャに依存しないアンサンブル学習を提案する。
論文参考訳（メタデータ） (2024-08-08T01:31:38Z)
Advanced Equalization in 112 Gb/s Upstream PON Using a Novel Fourier Convolution-based Network [2.347521140387242]
本稿では,112Gb/s上流PAM4-PONに対して,FConvNetに基づく新しい低複雑性フーリエ畳み込みネットワーク(FConvNet)を実験的に実証する。 FConvNetは、0.005のBERにおいて、51tap Sato等化器とベンチマーク機械学習アルゴリズムと比較して、受信感度を2dBと1dBに向上させる。
論文参考訳（メタデータ） (2024-05-04T08:33:24Z)
Instant Complexity Reduction in CNNs using Locality-Sensitive Hashing [50.79602839359522]
本稿では,パラメータフリーでデータフリーなモジュールであるHASTE(Hashing for Tractable Efficiency)を提案する。局所性感応ハッシュ (LSH) を用いることで, 精度を犠牲にすることなく, 遅延特徴写像を劇的に圧縮することができる。特に、HASTEモジュール用のCIFAR-10上のResNet34で畳み込みモジュールを切り替えるだけで、FLOPの46.72%を即座に落とすことができる。
論文参考訳（メタデータ） (2023-09-29T13:09:40Z)
Ultra-low Power Deep Learning-based Monocular Relative Localization Onboard Nano-quadrotors [64.68349896377629]
この研究は、2つのピアナノドロンのディープニューラルネットワーク(DNN)を介して、単分子の相対的な局所化に対処する、新しい自律的なエンドツーエンドシステムを示す。超制約ナノドローンプラットフォームに対処するため,データセットの増大,量子化,システム最適化などを含む垂直統合フレームワークを提案する。実験の結果,DNNは低分解能モノクローム画像のみを用いて最大2mの距離で10cmのターゲットナノドローンを正確に局在させることができることがわかった。
論文参考訳（メタデータ） (2023-03-03T14:14:08Z)
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)
ECG-TCN: Wearable Cardiac Arrhythmia Detection with a Temporal Convolutional Network [14.503893070243585]
シングルリード心電図信号は、心不整脈を検出、分類、予測する能力を提供する。ウェアラブルプラットフォームでの利用が可能でありながら、高い精度を実現する新しい時間的畳み込みネットワーク(TCN)を提案します。
論文参考訳（メタデータ） (2021-03-25T10:39:54Z)
Low Latency CMOS Hardware Acceleration for Fully Connected Layers in Deep Neural Networks [1.9036571490366496]
FCアクセラレータFC-ACCLは、行列ベクトル乗算のための1288x8または16x16の処理要素に基づいている。この設計は、大きなFC6層の遅延をAlexNetで60%削減し、代替のEIEソリューションと比較してVGG16で3パーセント削減することができる。
論文参考訳（メタデータ） (2020-11-25T15:49:38Z)
Integrating LEO Satellites and Multi-UAV Reinforcement Learning for Hybrid FSO/RF Non-Terrestrial Networks [55.776497048509185]
低高度地球軌道衛星(SAT)と無人航空機(UAV)のメガコンステレーションは、第5世代(5G)を超える高速・長距離通信の実現を約束している。我々は、ミリ波(mmWave)無線周波数(RF)または自由空間光(FSO)リンクを用いて、SATとUAVリレーを介して2つの長距離地上端末間のパケット転送の問題を検討する。
論文参考訳（メタデータ） (2020-10-20T09:07:10Z)
Preprint: Using RF-DNA Fingerprints To Classify OFDM Transmitters Under Rayleigh Fading Conditions [1.6058099298620423]
IoT(Internet of Things)は2020年までにおよそ500億のデバイスで構成される。 IoTデバイスの約70%は、暗号化の形式を使用していないと推定されている。これまでの研究では、暗号化などのビットレベルのセキュリティメカニズムを増強する手段として、特定エミッタ識別(SEI)が用いられてきた。
論文参考訳（メタデータ） (2020-05-06T13:53:25Z)
Improving Efficiency in Large-Scale Decentralized Distributed Training [58.80224380923698]
通信コストを最小化しつつ、スペクトルギャップを改善して(A)D-PSGDに基づくトレーニングを加速する手法を提案する。提案手法の有効性を示すために,2000時間Switchboard音声認識タスクとImageNetコンピュータビジョンタスクの実験を行った。
論文参考訳（メタデータ） (2020-02-04T04:29:09Z)
Pre-defined Sparsity for Low-Complexity Convolutional Neural Networks [9.409651543514615]
この研究は、フィルタ内で定期的に繰り返されるサポートセットを持つ、事前に定義されたスパース2Dカーネルを持つ畳み込みレイヤを導入している。周期的なスパースカーネルの効率的な保存のため、パラメータの節約はエネルギー効率を大幅に向上させることができる。
論文参考訳（メタデータ） (2020-01-29T07:10:56Z)

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。