Detection of High Baud-Rate Signals With Pattern Dependent Distortion Using Hidden Markov Modeling
Notice bibliographique
Résumé
In high baud-rate systems, the bandwidth limitations and nonlinearities of drive amplifiers and optical modulators can introduce pattern dependent distortion (PDD) that limits system performance. One solution entails detecting the transmitted symbols with the aid of a look-up table (LUT) containing prototypes of the PDD degraded signal. To improve the performance-complexity trade-offs of this approach, we model the PDD degraded signal as drawn from a hidden Markov model (HMM). Detection of the transmitted symbols given the received signal is performed by finding the HMM state sequence that emits the received signal with maximum a posteriori probability (MAP). Computational complexity is kept manageable by using the Viterbi algorithm to find the MAP state sequence, and by simplifying the HMM emission probability functions to produce variants of the algorithm. The resultant set of algorithm variants subsume a few recent LUT-based nonsequential detection schemes. In a back-to-back experiment, the proposed solutions demonstrate 6-fold lower computational complexity, compared to their nonsequential counterparts for the same target bit error ratio. In a 3 × 402 Gb/s dual-polarization 16-QAM superchannel transmission experiment, the sequential approach offers a 37% reach extension over a nonsequential LUTbased benchmark algorithm. Overall, HMM-based sequential detection offers superior performance-complexity trade-offs over the LUT-based nonsequential detection algorithms.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».