A New Proposed Model for Dispersion Compensation via Linear Chirped Fiber Bragg Grating
Notice bibliographique
Résumé
In recent years, the technology of fiber optics communication has experienced immense evolution due to the huge data rates and transmission capacity requirements of emerging communication systems.However, nonlinear effects and dispersion which are challenging impairments are among the main issues that have an impact on the optical fiber systems performance.As a result, to solve this challenging issue, the utilization of a dispersion compensating technique such as Dispersion Compensating Fiber (DCF) or Fiber Bragg Grating (FBG) is an urgent necessity.In this paper, a new model for dispersion compensation utilizing Fiber Bragg Grating is proposed.Tanh apodization and linear chirp functions are added to the proposed model to provide a Linear Chirped FBG.In addition, it has been used with a Gaussian filter of low pass type to enhance the proposed system in terms of performance parameters such as: BER, Q-factor, and eye-diagram.These parameters are the most significant performance measurements that impact any optical communication system.The proposed model is simulated via Optisystem and analyzed via Python.Simulation results for different lengths of fiber show that the BER, Q-factor, and eye diagrams of the proposed model have a better performance compared to that of the other systems where either no FBG is applied or a traditional uniform FBG is used.The Q-factor values and BER values for 40km fiber length were 29.5524 and 9.3407*10 -182 for the system model proposed in this study, 13.9969 and 6.5823*10 -45 for the system with uniform FBG, and 5.0736 and 1.1792*10 -7 for the system without FBG.Finally, the eye diagrams of the proposed model also show a better opening compared to other systems.
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 ».