Optimizing optical pre-dispersion using transmit DSP for mitigation of Kerr nonlinearities in dispersion managed cables
Notice bibliographique
Résumé
With the advent of digital signal processing (DSP) in optical transmitters and receivers, the ability to finely tune the ratio of pre and post dispersion compensation can be exploited to best mitigate the nonlinear penalties caused by the Kerr effect. A portion of the nonlinear penalty in optical communication channels has been explained by an increase in peak to average power ratio (PAPR) inherent in highly dispersed signals. The standard approach for minimizing these impairments applies 50% pre dispersion compensation and 50% post dispersion compensation, thereby decreasing average PAPR along the length of the cable, as compared with either 100% pre or post dispersion compensation. In this paper we demonstrate that simply considering the net accumulated dispersion, and applying 50/50 pre/post dispersion is not necessarily the best way to minimize PAPR and subsequent Kerr nonlinearities. Instead, we consider the cumulative dispersion along the entire length of the cable, and, taking into account this additional information, derive an analytic formula for the minimization of PAPR. Alignment with simulation and experimental measurements is presented using a commercially available 100Gb/s dual-polarization binary phase-shift-keying (DP-BPSK) coherent modem, with transmitter and receiver DSP. Measurements are provided from two different 5000km dispersion managed Submarine test-beds, as well as a 3800km terrestrial test-bed with a mixture of SMF-28 and TWRS optical fiber. This method is shown to deviate significantly from the conventional 50/50 method described above, in dispersion managed communications systems, and more closely aligns with results obtained from simulation and data collected from laboratory test-beds.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 tête enseignante, 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 ».