Active Learning-Aided CNN-Based Entropy-Tunable Automatic Modulation Identification for Rate-Flexible Coherent Optical System
Notice bibliographique
Résumé
Flexible rate and real-time link monitoring are important tasks in the development of software-defined elastic optical networks (EONs). The tunable spectral efficiency characteristic of probabilistic constellation shaping (PCS) naturally provides a possibility to dynamically regulate the rate for future optical communication systems. In this work, we firstly propose an active learning-aided entropy-tunable automatic modulation identification (AL-aided ET-AMI) scheme based on convolution neural network (CNN) model for a PCS-based coherent optical system. An AL-based neural network allows monitoring of the link rate and signal-to-noise ratio (SNR) with tuning entropy or optical power fluctuation. The proposed AL-aided ET-AMI scheme is demonstrated over a 350∼550-Gbps line rate 10-km dual-polarized coherent optical communication system at entropies from 3.5 to 5.5. When the entropy tuning step is 0.1, corresponding to a rate tuning step of 5 Gbps at 50 Gbaud, the recognition accuracy can reach 98% with data aggregation (DA). When the fluctuation of SNR is 1 dB, the recognition rate can reach 87% at an entropy of 4.5 over 400 samples. The verifications show that our proposed AL-aided ET-AMI solution can monitor the rate and SNR performance of PCS-based high-speed rate-flexible optical links well. The solution provides a new perspective and tool for future optical systems and network monitoring.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».