Fugu-MT 論文翻訳(概要): Fault Detection and Bit-Error Rate Diagnostics in Optical Wireless Links Using Edge-AI

論文の概要: Fault Detection and Bit-Error Rate Diagnostics in Optical Wireless Links Using Edge-AI

arxiv url: http://arxiv.org/abs/2610.21402v1
Date: Thu, 15 Oct 2026 07:21:10 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-16 19:13:16.247674
Title: Fault Detection and Bit-Error Rate Diagnostics in Optical Wireless Links Using Edge-AI
Title（参考訳）: Edge-AIを用いた光無線リンクの故障検出とビット誤り率診断
Abstract要約: 光無線通信(OWC)システムは、高帯域幅、空間安全、RF干渉のないデジタル伝送を提供する。従来のチャネル診断フレームワークは、外部のコンピューティングノードやクラウドベースの処理に依存している。本稿では,物理層信号テレメトリ抽出を統合した自律自己診断型光無線受信ノードを提案する。
参考スコア（独自算出の注目度）: 17.925787462168707
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Optical Wireless Communication (OWC) systems provide high-bandwidth, spatially secure, and RF-interference-free digital transmission. However, direct free-space optical links suffer from extreme sensitivity to line-of-sight disruptions, optical attenuation, high ambient light saturation, and transmitter-receiver misalignment. Traditional channel diagnostic frameworks rely on external computing nodes or cloud-based processing, which introduces severe diagnostic latency and reduces edge node autonomy. This paper presents an autonomous, self-diagnosing optical wireless receiver node that integrates physical-layer signal telemetry extraction with an on-device TinyML classification engine. Built around an ESP32-S3 microcontroller, the receiver recovers 1000 bit/s On-Off Keying (OOK) digital payloads using a 5-sample majority voting mechanism while concurrently extracting real-time channel features: Bit Error Rate (BER), received signal voltage (Vsignal), Signal-to-Noise Ratio (SNRdB), and ambient light baseline (Lambient). Evaluated against a Random Forest baseline (77.22% accuracy) and a floating-point neural network (78.48% accuracy), a post-training INT8 quantized TensorFlow Lite Micro model occupying only 3.32 kB of SRAM runs directly on the receiver firmware. The quantized model achieves 74.68% overall accuracy across four distinct operational conditions: normal transmission, optical filter attenuation, ambient light interference, and severe obstruction/misalignment. On-device deployment tests confirm real-time, deterministic fault classification, establishing a practical approach for self-aware optical IoT nodes.
Abstract（参考訳）: 光無線通信(OWC)システムは、高帯域幅、空間安全、RF干渉のないデジタル伝送を提供する。しかし、直接自由空間光リンクは、視線破壊、光減衰、高環境光飽和、送信機と受信機の誤調整に極度に敏感である。従来のチャネル診断フレームワークは、外部のコンピューティングノードやクラウドベースの処理に依存している。本稿では、物理層信号テレメトリ抽出とデバイス上のTinyML分類エンジンを統合した、自律自己診断型光無線受信ノードを提案する。 ESP32-S3マイクロコントローラを中心に構築され、受信機は5サンプルの多数投票機構を使用して1000ビット/sのオンオフ・キー(OOK)デジタルペイロードを復元し、同時にリアルタイムチャネルの特徴を抽出する:bit Error Rate (BER)、受信信号電圧(Vsignal)、Signal-to-Noise Ratio(SNRdB)、環境光ベースライン(Lambient)。ランダムフォレストベースライン(77.22%の精度)と浮動小数点ニューラルネットワーク(78.48%の精度)に対して評価されたINT8量子化TensorFlow Lite Microモデルでは、SRAMの3.32kBしか受信ファームウェア上で直接動作しない。量子化モデルは、通常の伝送、光学フィルタの減衰、周囲の光干渉、重度の障害物/ミスアライメントの4つの異なる運用条件で74.68%の精度を達成する。デバイス上でのデプロイメントテストでは、リアルタイムで決定論的な障害分類を確認し、自己認識型光IoTノードの実践的なアプローチを確立している。

関連論文リスト

Seeing Through WiFi: Lightweight Human Pose Estimation with Dynamic Kernel Attention [55.570606479386434]
WiFiベースのヒューマンポーズ推定(HPE)は、ウェアラブルデバイスを必要とせず、人体の位置や動きの検出と解釈を可能にする。本稿では、WiFi CSI信号を用いた軽量で効率的なポーズ推定のための新しいフレームワークWiLHPEを提案する。
論文参考訳（メタデータ） (2026-07-03T11:04:05Z)
Small-scale photonic Kolmogorov-Arnold networks using standard telecom nonlinear modules [0.6219327347402195]
フォトニックニューラルネットワークは超高速な推論を約束するが、ほとんどのアーキテクチャは電子的非線形性を持つ線形光学メッシュに依存している。ここでは、標準電気通信コンポーネントで完全に実装された小規模フォトニックKolmogorov-Arnoldネットワーク(SSP-KAN)を紹介する。少数の光学モジュールからなるSSP-KANは、分類、回帰、画像認識タスク間で強い非線形推論性能を達成する。
論文参考訳（メタデータ） (2026-04-09T16:34:58Z)
Wideband Quantum Transduction for Rydberg Atomic Receivers Using Six-Wave Mixing [49.799227408938144]
ライドバーグ原子受信機は電場に対して非常に高い感度を持つ。従来の電磁誘導透過(EIT)下での有効3dBベースバンド帯域幅は、通常、数十から数百キロヘルツに制限される。広帯域無線周波数(RF)-光量子トランスデューサとして6波混合(SWM)ベースのRydberg原子受信機について検討する。
論文参考訳（メタデータ） (2026-02-15T02:08:30Z)
WiFi-based Cross-Domain Gesture Recognition Using Attention Mechanism [61.79272554643873]
本稿では,マルチセマンティックアテンション機構と自己注意に基づくチャネル機構を融合したジェスチャー認識ネットワークを提案する。その結果、99.72%のドメイン内精度を維持するだけでなく、97.61%のクロスドメイン認識でも高い性能を発揮することがわかった。
論文参考訳（メタデータ） (2025-12-04T07:09:13Z)
Online Reliable Anomaly Detection via Neuromorphic Sensing and Communications [58.796149594878585]
本稿ではニューロモルフィック無線センサネットワークに基づく低消費電力オンライン異常検出フレームワークを提案する。検討したシステムでは、中央受信ノードが各時間フレームでニューロモルフィックセンサノード(ニューロSN)のサブセットを積極的にクエリする。ニューロモルフィックセンサーは事象駆動であり、モニターされたシステムの関連する変化に対応してスパイクを発生させる。
論文参考訳（メタデータ） (2025-10-16T13:56:54Z)
Low-Latency Neural Inference on an Edge Device for Real-Time Handwriting Recognition from EEG Signals [1.0383582379105902]
想像上の手書きは、文字レベルのニューラルデコーディングに直感的なパラダイムを提供する。非侵襲脳波(EEG)はより安全でスケーラブルな代替手段を提供するが、低信号対雑音比と空間分解能に悩まされている。この研究は、高度な機械学習と情報的脳波特徴抽出を組み合わせることで、これらの障壁を克服できることを実証している。
論文参考訳（メタデータ） (2025-10-07T21:20:50Z)
Neuromorphic Wireless Split Computing with Resonate-and-Fire Neurons [69.73249913506042]
本稿では、共振器(RF)ニューロンを用いて時間領域信号を直接処理する無線スプリットコンピューティングアーキテクチャについて検討する。可変周波数で共鳴することにより、RFニューロンは低スパイク活性を維持しながら時間局在スペクトル特徴を抽出する。実験の結果,提案したRF-SNNアーキテクチャは従来のLIF-SNNやANNと同等の精度を達成できることがわかった。
論文参考訳（メタデータ） (2025-06-24T21:14:59Z)
DT-DDNN: A Physical Layer Security Attack Detector in 5G RF Domain for CAVs [10.215216950059874]
妨害攻撃は5Gネットワークに重大なリスクをもたらす。本研究は, CAVネットワークにおけるジャマー検出のための, 深層学習に基づく新しい手法を提案する。提案手法は, 余剰低妨害電力の96.4%検出率を実現する。
論文参考訳（メタデータ） (2024-03-05T04:29:31Z)
FrFT based estimation of linear and nonlinear impairments using Vision Transformer [10.615067455093516]
非線形信号対雑音比(SNRNL)、光信号対雑音比(OSNR)、色分散(CD)、差分群遅延(DGD)の4つの重要な障害を共同で評価することが不可欠である。提案手法は,光学性能モニタリング(OPM)分野における顕著な進歩を示すとともに,広い範囲にわたる線形および非線形障害の正確な推定を実現する。
論文参考訳（メタデータ） (2023-08-25T09:59:35Z)
Convolutional Neural Networks for Reflective Event Detection and Characterization in Fiber Optical Links Given Noisy OTDR Signals [0.0]
本稿では,畳み込みニューラルネットワーク(CNN)に基づく新しいデータ駆動手法を提案する。シミュレーションでは,SNR値が低い場合でも,誤報率の低い検出能力と位置決め精度の向上を実現した。
論文参考訳（メタデータ） (2022-03-19T09:20:40Z)
SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文参考訳（メタデータ） (2021-06-10T04:21:20Z)

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。