Online Correction of Distorted OTDR Traces Caused by Stimulated Raman Scattering in Wideband Optical Networks
Notice bibliographique
Résumé
The recent interest in the development of wideband optical networks brings up challenges for in-service optical time-domain reflectometer (OTDR) operation due to the stimulated Raman scattering (SRS) effect. Depending on its wavelength, OTDR probe pulses can be pumped or depleted by wideband traffic signal during the propagation along a fiber span. Consequently, the measured traces are distorted and unable to provide accurate fiber loss profiles. In order to correct distorted traces in a real-time online manner, we propose a dither-based method that doesn't require any prior information on channel loading condition or fiber parameters. The proposed method prompts a low frequency sinusoidal power dither on the traffic light, and a large number of OTDR traces are collected in the positive and negative half cycles, respectively. Averaging traces from the two half cycles generates two differential traces, and SRS gain can be calculated and used for correction. The induced dither causes power variation of traffic signal, but this impact can be minimized substantially by employing a second dither at the end of fiber span properly. The proposed method is verified experimentally in a 700 km multiple spans fiber link. In the presence of SRS effect, the mean of absolute errors between the distorted traces and the actual loss trace are about 0.72 dB and 0.3 dB when OTDR pulses and traffic co-propagate and counter-propagate, respectively. By applying the proposed method, these errors are reduced to around 0.07 dB and 0.05 dB correspondingly. Meanwhile, performance of data transmission in terms of bit error rate is monitored during the process, and no penalty is observed.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 | 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 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 ».