Joint Power and Gain Allocation in MDM-WDM Optical Communication Networks Based on Enhanced Gaussian Noise Model
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
Achieving reliable communication over different wavelength channels and modes is one of the main goals of Mode Division Multiplexing-Wavelength Division Multiplexing (MDM-WDM) transmission. The reliability can be described by the minimum Signal to Noise Ratio (SNR) margin which depends on launch power, the gain of Few-Mode Erbium-Doped Fiber Amplifiers (FM-EDFA), and the nonlinear impairments of Few-Mode Fiber (FMF). In this paper, we develop the Enhanced Gaussian Noise (EGN) nonlinear model for FMF, which can be used in both weak and strong coupling regimes. We validate the model by comparing simulation results with those obtained through the Split-Step Fourier Method. Based on our proposed EGN model, we address the problem of joint optimized power and gain allocation based on minimum SNR margin maximization when accounting for practical FM-EDFA constraints such as saturation power and maximum gain. The problem is solved using a convex optimization approach and considering different scenarios such as the best equal power, optimized power, and joint optimized power and gain. Results demonstrate that the minimum SNR margin improvement for the joint optimized power and gain allocation compared to the best equal power allocation is <inline-formula> <tex-math notation="LaTeX">$1.4~dB$ </tex-math></inline-formula> and <inline-formula> <tex-math notation="LaTeX">$1.7~dB$ </tex-math></inline-formula> for MDM-single channel and single-mode fiber-WDM systems, respectively.
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 | 0,000 |
| Science ouverte | 0,000 | 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