論文の概要: Free-Space Optical Channel Turbulence Prediction: A Machine Learning Approach

• arxiv url: http://arxiv.org/abs/2405.16729v1
• Date: Mon, 27 May 2024 00:08:36 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-28 19:35:41.705107
• Title: Free-Space Optical Channel Turbulence Prediction: A Machine Learning Approach
• Title（参考訳）: 自由空間光チャネル乱流予測:機械学習アプローチ
• Authors: Md Zobaer Islam, Ethan Abele, Fahim Ferdous Hossain, Arsalan Ahmad, Sabit Ekin, John F. O'Hara,
• Abstract要約: 我々は、追加のセンサーハードウェアを使わずにチャネル乱流レベルを予測するための機械学習の適用について検討する。 光ビットストリームは、6つの異なる乱流レベルの下で、研究室の制御されたチャネルを介して送信された。 MLに基づく乱流レベル分類では,複数のMLトレーニングパラメータで98%の精度が得られたが,乱流レベル間の変化の時間スケールに大きく依存していた。
• 参考スコア（独自算出の注目度）: 0.1759252234439348
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Channel turbulence presents a formidable obstacle for free-space optical (FSO) communication. Anticipation of turbulence levels is highly important for mitigating disruptions. We study the application of machine learning (ML) to FSO data streams to rapidly predict channel turbulence levels with no additional sensing hardware. An optical bit stream was transmitted through a controlled channel in the lab under six distinct turbulence levels, and the efficacy of using ML to classify turbulence levels was examined. ML-based turbulence level classification was found to be >98% accurate with multiple ML training parameters, but highly dependent upon the timescale of changes between turbulence levels.
• Abstract（参考訳）: チャネル乱流は、自由空間光(FSO)通信に強い障害を与える。 乱れを緩和するためには、乱流レベルの予測が極めて重要である。 本研究では,FSOデータストリームへの機械学習(ML)の適用について検討し,追加のセンサハードウェアを使わずにチャネル乱流レベルを高速に予測する。 実験室内の6つの異なる乱流レベルの下で制御されたチャネルを通して光ビットストリームを伝送し, MLを用いて乱流レベルを分類する方法の有効性を検討した。 MLに基づく乱流レベル分類では,複数のMLトレーニングパラメータで98%の精度が得られたが,乱流レベル間の変化の時間スケールに大きく依存していた。

関連論文リスト

• Light-Weight Fault Tolerant Attention for Large Language Model Training [14.178223242134166]
  大規模言語モデル (LLM) は様々な自然言語処理タスクにおいて顕著な性能を示した。 LLMは、特にアテンション機構において故障の影響を受けやすいが、これはトランスフォーマーベースのLLMの重要な構成要素である。 我々は,LLMにおけるアテンション機構に適したアルゴリズムベースフォールトトレランス(ABFT)技術であるATTNCheckerを提案する。
  論文  参考訳（メタデータ） (2024-10-15T15:52:45Z)
• Robust Federated Learning Over the Air: Combating Heavy-Tailed Noise with Median Anchored Clipping [57.40251549664762]
  重み付き雑音による有害な影響に対処するため,メディアアンコールド・クリッピング (MAC) と呼ばれる新しい勾配クリッピング法を提案する。 また、MAC下でのアナログオーバー・ザ・エア・フェデレーション学習によるモデルトレーニングの収束率の解析式も導出する。
  論文  参考訳（メタデータ） (2024-09-23T15:11:40Z)
• R-SFLLM: Jamming Resilient Framework for Split Federated Learning with Large Language Models [83.77114091471822]
  Split Federated Learning (SFL)は、分散機械学習(ML)における計算効率のパラダイムである。 SFLの課題は、特に無線チャネル上に展開する場合、送信されたモデルパラメータが相手のジャミングに感受性を持つことである。 これは、言語理解に不可欠である大規模言語モデル(LLM)における単語埋め込みパラメータに対して特に顕著である。 無線ネットワーク上でのLLM(R-SFLLM)を用いたレジリエンスSFLのための物理層フレームワークを開発した。
  論文  参考訳（メタデータ） (2024-07-16T12:21:29Z)
• Frequency-Aware Deepfake Detection: Improving Generalizability through Frequency Space Learning [81.98675881423131]
  この研究は、目に見えないディープフェイク画像を効果的に識別できるユニバーサルディープフェイク検出器を開発するという課題に対処する。 既存の周波数ベースのパラダイムは、偽造検出のためにGANパイプラインのアップサンプリング中に導入された周波数レベルのアーティファクトに依存している。 本稿では、周波数領域学習を中心にしたFreqNetと呼ばれる新しい周波数認識手法を導入し、ディープフェイク検出器の一般化性を高めることを目的とする。
  論文  参考訳（メタデータ） (2024-03-12T01:28:00Z)
• Spectrum Breathing: Protecting Over-the-Air Federated Learning Against Interference [73.63024765499719]
  モバイルネットワークは、近隣のセルやジャマーからの干渉によって損なわれる可能性がある。 本稿では,帯域幅拡大を伴わない干渉を抑制するために,カスケード段階のプルーニングとスペクトル拡散を行うスペクトルブリーチングを提案する。 呼吸深度によって制御された勾配プルーニングと干渉誘発誤差の間には,性能的トレードオフが認められた。
  論文  参考訳（メタデータ） (2023-05-10T07:05:43Z)
• Combating errors in propagation of orbital angular momentum modes of light in turbulent media [0.0]
  大気および海洋乱流中におけるOAMモードの伝播の不変性を同定した。 そこで我々は,理想的なクロストークチャネルと呼ぶ誤りに対処する手法を開発した。 我々は,理想化されたクロストークチャネルに対して,量子誤り訂正と拒否符号を構築した。
  論文  参考訳（メタデータ） (2022-08-10T05:28:21Z)
• Unit-Modulus Wireless Federated Learning Via Penalty Alternating Minimization [64.76619508293966]
  Wireless Federated Learning(FL)は、分散データセットから無線通信を介してグローバルパラメトリックモデルをトレーニングする、新興機械学習パラダイムである。 本稿では、ローカルモデルパラメータをアップロードし、無線通信を介してグローバルモデルパラメータを算出する無線FLフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-31T08:19:54Z)
• A Survey of Applied Machine Learning Techniques for Optical OFDM based Networks [0.0]
  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。
  論文  参考訳（メタデータ） (2021-05-07T14:29:25Z)
• T$^2$-Net: A Semi-supervised Deep Model for Turbulence Forecasting [65.498967509424]
  空気の乱気流予測は、乗客の安全を保ち、効率を最大化し、コストを下げるガイドルートである有害な乱気流を避けるのに役立つ。 従来の予測手法は、動的で複雑な気象条件では効果の低い、高度にカスタマイズされた乱流指数に依存している。 本研究では,(1)複雑な時間的相関関係と(2)希少性,非常に限られた乱流ラベルが得られるという2つの課題から,機械学習による乱流予測システムを提案する。
  論文  参考訳（メタデータ） (2020-10-26T21:14:15Z)
• Performance of real-time adaptive optics compensation in a turbulent channel with high-dimensional spatial-mode encoding [3.5744562056015052]
  リアルタイム適応光学(AO)補正による実大気乱流におけるOAM QKDの性能について検討した。 我々のAOシステムでさえ、弱い乱流によって引き起こされる誤差を軽減し、安全なチャネルを確立することができる。
  論文  参考訳（メタデータ） (2020-02-14T17:58:00Z)
• Machine Learning Based Channel Modeling for Vehicular Visible Light Communication [7.716156977428555]
  現在の光無線通信(OWC)の伝搬チャネル特性は、VVLC(Vehicular Visible Light Communication)システムの設計と性能解析において重要な役割を果たしている。 決定論的合成および移動誘導法に基づく現在のOWCチャネルモデルでは、チャネル特性に対する環境光、光乱流、路面反射の影響に対処できない。 環境光, 光乱流, 路面反射効果および車間距離, 形状を考慮した機械学習手法を提案し, 正確なVVLCチャネル損失とチャネル周波数応答(CFR)を求める。
  論文  参考訳（メタデータ） (2020-02-03T12:38:57Z)

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。