A Data-Driven Digital Demodulator Based on Deep Learning for Radio Over Fiber Transmission System
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
A data-driven digital demodulator based on a Fourier layer Transformer network (FTnet) for radio over fiber (RoF) transmission system with quadrature amplitude modulation (QAM) is developed and experimentally demonstrated. The FTnet combines the Transformer encoder with the Fourier layer to learn the waveforms and directly recover the bitstreams from the impaired received signals. The FTnet-based demodulator does not rely on a series of digital demodulation algorithms such as frequency offset compensation, down-conversion, equalization, and decoding, making the process more efficient and accurate. The 10 GHz 2 Gsym/s 25 km RoF transmission systems are established to evaluate the proposed FTnet-based digital demodulator experimentally. The results show that the bit error rates (BERs) performance of the proposed demodulator for the 16-QAM RoF is better than the ones based on a fully connected neural network, Transformer, and traditional digital demodulator with the least mean square error equalizer (TDD-LMS). The optical receiving sensitivity for the 64-QAM RoF system based on the proposed demodulator is improved by 3 dB compared to TDD-LMS under a BER limit of 3.8 × 10 <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">−3</sup> . Furthermore, our proposed demodulator outperforms other demodulators for the RoF system with wireless transmission at different received optical powers and wireless distances.
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 | 0,001 | 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 découle