Overlaying 5G radio access networks on wavelength division multiplexed optical access networks with carrier distribution
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
As 5G communication matures, the requirement for advanced radio access networks (RAN) drives the evolution of optical access networks to support these needs. Basic RAN functions, mobile front-haul to the backbone and interconnected front-end remote radio units, must support and enable data rate surges, low-latency applications, RF coordination, etc. Wavelength division multiplexed optical access networks (WDM-OANs) provide sufficient network capacity to support the addition of RAN services, especially in unused portions of WDM. We propose and demonstrate a method for RAN overlay in WDM-OANs that employ distributed carriers. In such systems, the carrier is modulated at the central office for direct-detected downstream digital data services; later the same carrier is remodulated for the uplink. We propose the use of silicon photonics to intercept the downstream and add 5G signals. We examine the distributed-carrier power budget issues in this overlay scenario. The carrier power must be harvested for direct detection of both digital and RoF services, and yet hold in reserve sufficient power for the uplink remodulation of all services. We concentrate on the silicon photonics subsystem at the remote node to add RoF signals. We demonstrate the overlay with a fabricated chip and study strategic allocations of carrier power at the optical network units housing the radio units to support the overlay. After the successful drop and reception of both conventional WDM-OAN and the newly overlaid RoF signals, we demonstrate sufficient carrier power margin for the upstream remodulation.
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.
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 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle