論文の概要: Machine Learning-Driven Compensation for Non-Ideal Channels in AWG-Based FBG Interrogator

• arxiv url: http://arxiv.org/abs/2506.13575v1
• Date: Mon, 16 Jun 2025 14:58:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 17:28:48.709742
• Title: Machine Learning-Driven Compensation for Non-Ideal Channels in AWG-Based FBG Interrogator
• Title（参考訳）: AWGを用いたFBGインターロゲータにおける非Idealチャネルの機械学習による補償
• Authors: Ivan A. Kazakov, Iana V. Kulichenko, Egor E. Kovalev, Angelina A. Treskova, Daria D. Barma, Kirill M. Malakhov, Arkady V. Shipulin,
• Abstract要約: シリコン窒化ケイ素(SiON)を用いたファイバブラッググレーティング(FBG)インタクタの実験的検討を行った。 AWGベースの尋問器はコンパクトで拡張性があるが、その実用性能は非理想スペクトル応答によって制限される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present an experimental study of a fiber Bragg grating (FBG) interrogator based on a silicon oxynitride (SiON) photonic integrated arrayed waveguide grating (AWG). While AWG-based interrogators are compact and scalable, their practical performance is limited by non-ideal spectral responses. To address this, two calibration strategies within a 2.4 nm spectral region were compared: (1) a segmented analytical model based on a sigmoid fitting function, and (2) a machine learning (ML)-based regression model. The analytical method achieves a root mean square error (RMSE) of 7.11 pm within the calibrated range, while the ML approach based on exponential regression achieves 3.17 pm. Moreover, the ML model demonstrates generalization across an extended 2.9 nm wavelength span, maintaining sub-5 pm accuracy without re-fitting. Residual and error distribution analyses further illustrate the trade-offs between the two approaches. ML-based calibration provides a robust, data-driven alternative to analytical methods, delivering enhanced accuracy for non-ideal channel responses, reduced manual calibration effort, and improved scalability across diverse FBG sensor configurations.
• Abstract（参考訳）: シリコンオキシニトリド (SiON) を用いたファイバブラッググレーティング (FBG) インタクタの実験的検討を行った。 AWGベースの尋問器はコンパクトで拡張性があるが、その実用性能は非理想スペクトル応答によって制限される。 これを解決するために, 2.4nm領域における2つの校正戦略を比較した。(1)シグモイド適合関数に基づくセグメント化解析モデル, (2)機械学習(ML)に基づく回帰モデル。 解析的手法は、校正範囲内で7.11 pmの根平均二乗誤差(RMSE)を達成し、指数回帰に基づくMLアプローチは3.17 pmを達成する。 さらに、MLモデルは2.9nmの波長幅を拡張して一般化し、再適合することなく5 pm未満の精度を維持している。 残差分布と誤差分布の解析は、さらに2つのアプローチ間のトレードオフを説明している。 MLベースのキャリブレーションは、分析手法に代わる堅牢でデータ駆動的な代替手段を提供し、非理想チャネル応答の精度の向上、手動キャリブレーションの労力の削減、さまざまなFBGセンサ構成におけるスケーラビリティの向上を提供する。

関連論文リスト

• A Floating Normalization Scheme for Deep Learning-Based Custom-Range Parameter Extraction in BSIM-CMG Compact Models [0.0]
  提案手法では,前方および逆ANNアーキテクチャ内での浮動正規化方式を提案する。 浮動小数点正規化手法はユーザ指定範囲に動的に適応し、抽出したパラメータの微調整制御を可能にする。 TCAD 14 nm FinFET プロセスを用いた実験的検証により,Cgg-Vg および Id-Vg パラメータ抽出の精度が向上した。
  論文  参考訳（メタデータ） (2025-01-25T12:02:38Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• Model-Based Reparameterization Policy Gradient Methods: Theory and Practical Algorithms [88.74308282658133]
  Reization (RP) Policy Gradient Methods (PGM) は、ロボット工学やコンピュータグラフィックスにおける連続的な制御タスクに広く採用されている。 近年の研究では、長期強化学習問題に適用した場合、モデルベースRP PGMはカオス的かつ非滑らかな最適化環境を経験する可能性があることが示されている。 本稿では,長期モデルアンロールによる爆発的分散問題を緩和するスペクトル正規化法を提案する。
  論文  参考訳（メタデータ） (2023-10-30T18:43:21Z)
• Conditional Korhunen-Lo\'{e}ve regression model with Basis Adaptation for high-dimensional problems: uncertainty quantification and inverse modeling [62.997667081978825]
  本稿では,物理系の観測可能な応答のサロゲートモデルの精度を向上させる手法を提案する。 本研究では,定常水理応答のBasis Adaptation (BA)法による代理モデル構築に提案手法を適用した。
  論文  参考訳（メタデータ） (2023-07-05T18:14:38Z)
• Support Vector Machine for Determining Euler Angles in an Inertial Navigation System [55.41644538483948]
  本稿では,機械学習(ML)法を用いたMEMSセンサを用いた慣性ナビゲーションシステムの精度向上について論じる。 提案アルゴリズムは,MEMSセンサに典型的なノイズの存在を正しく分類できることを実証した。
  論文  参考訳（メタデータ） (2022-12-07T10:01:11Z)
• NAG-GS: Semi-Implicit, Accelerated and Robust Stochastic Optimizer [45.47667026025716]
  2つの重要な要素に依存した、新しく、堅牢で、加速された反復を提案する。 NAG-GSと呼ばれる手法の収束と安定性は、まず広範に研究されている。 我々は、NAG-arityが、重量減衰を伴う運動量SGDや機械学習モデルのトレーニングのためのAdamWといった最先端の手法と競合していることを示す。
  論文  参考訳（メタデータ） (2022-09-29T16:54:53Z)
• Gravitational wave surrogates through automated machine learning [0.0]
  自動機械学習(AutoML)に基づくコンパクトバイナリからの重力波形予測の展望を解析する。 核としてのラジアル基底を持つガウス過程の回帰のようなアプローチは、十分正確な解を提供する。 本研究は,還元基底と経験補間法に基づく数値相対性理論のサロゲートの文脈内にある。
  論文  参考訳（メタデータ） (2021-10-17T19:24:23Z)
• On the Double Descent of Random Features Models Trained with SGD [78.0918823643911]
  勾配降下(SGD)により最適化された高次元におけるランダム特徴(RF)回帰特性について検討する。 本研究では, RF回帰の高精度な非漸近誤差境界を, 定常および適応的なステップサイズSGD設定の下で導出する。 理論的にも経験的にも二重降下現象を観察する。
  論文  参考訳（メタデータ） (2021-10-13T17:47:39Z)
• Bayesian multiscale deep generative model for the solution of high-dimensional inverse problems [0.0]
  深層確率的生成モデルに基づく新しいマルチスケールベイズ推論手法が導入された。 この方法は、安定性、効率、精度を示しながら、高次元パラメータ推定を可能にする。
  論文  参考訳（メタデータ） (2021-02-04T11:47:21Z)
• Improved prediction of soil properties with Multi-target Stacked Generalisation on EDXRF spectra [1.2599533416395765]
  エネルギー分散X線蛍光(EDXRF)は、より迅速で環境に優しい分析手法の一つである。 EDXRFスペクトル分析におけるいくつかの課題は、正確な結果を提供するためのより効率的な方法を必要とする。 MTR(Multi-target Regression)手法を用いることで,複数のパラメータの予測が可能となり,相関パラメータの活用により,全体的な予測性能が向上する。
  論文  参考訳（メタデータ） (2020-02-11T11:05:03Z)

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。