Ultrafast and low overhead training symbol based channel estimation in coherent M-QAM single-carrier transmission systems
Notice bibliographique
Résumé
We propose a training symbol based channel estimation (TS-EST) algorithm that estimates the 2 × 2 Jones channel matrix. The estimated matrix entries are then used as the initial center taps of the 2 × 2 butterfly equalizer. Employing very few training symbols for TS-EST, ultrafast polarization tracking is achieved and tap update can be initially pursued using the decision-directed least mean squares (DD-LMS) algorithm to mitigate residual intersymbol interference (ISI). We experimentally verify the proposed TS-EST algorithm for 112 Gbps PDM-QPSK and 224 Gbps PDM-16QAM systems using 10 and 40 training symbols for TS-EST, respectively. Steady-state and transient bit error rates (BERs) achieved using the TS-EST algorithm are compared to those obtained using the constant modulus algorithm (CMA) and the training symbol least mean squares (TS-LMS) algorithm and results show that the proposed TS-EST algorithm provides the same steady-state BER with a superior convergence speed. Also, the tolerance of the proposed TS-EST algorithm to laser phase noise and fiber nonlinearity is experimentally verified. Finally, we show by simulation that the superior tracking speed of the TS-EST algorithm allows not only for initial polarization tracking but also for tracking fast polarization transients if four training symbols are periodically sent during steady-state operation with an overhead as low as 0.57%.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».