Brain Inspired Dynamic System for the Quality of Service Control over the Long-Haul Nonlinear Fiber-Optic Link
Notice bibliographique
Résumé
Brain-inspired intelligence using the cognitive dynamic system (CDS) concept is proposed to control the quality-of-service (QoS) over a long-haul fiber-optic link that is nonlinear and with non-Gaussian channel noise. Digital techniques such as digital-back-propagation (DBP) assume that the fiber optic link parameters, such as loss, dispersion, and nonlinear coefficients, are known at the receiver. However, the proposed CDS does not need to know about the fiber optic link physical parameters, and it can improve the bit error rate (BER) or enhance the data rate based on information extracted from the fiber optic link. The information extraction (Bayesian statistical modeling) using intelligent perception processing on the received data, or using the previously extracted models in the model library, is carried out to estimate the transmitted data in the receiver. Then, the BER is sent to the executive through the main feedback channel and the executive produces actions on the physical system/signal to ensure that the BER is continuously under the forward-error-correction (FEC) threshold. Therefore, the proposed CDS is an intelligent and adaptive system that can mitigate disturbance in the fiber optic link (especially in an optical network) using prediction in the perceptor and/or doing proper actions in the executive based on BER and the internal reward. A simplified CDS was implemented for nonlinear fiber optic systems based on orthogonal frequency division multiplexing (OFDM) to show how the proposed CDS can bring noticeable improvement in the system's performance. As a result, enhancement of the data rate by 12.5% and the Q-factor improvement of 2.74 dB were achieved in comparison to the conventional system (i.e., the system without smart brain).
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 | 0,000 | 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 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 ».