MétaCan
Menu
Retour à la cohorte
Enregistrement W4403295628 · doi:10.1109/jlt.2024.3477506

On Distributed Polarization-Dependent Loss Monitoring and Mitigation: An Optical Layer Approach Enabled by Pilot Tone Technique

2024· article· en· W4403295628 sur OpenAlexaff
Xiang Lin, Zhiping Jiang

Notice bibliographique

RevueJournal of Lightwave Technology · 2024
Typearticle
Langueen
DomaineEngineering
ThématiqueOptical Network Technologies
Établissements canadiensHuawei Technologies (Canada)
Organismes subventionnairesnon disponible
Mots-clésPolarization (electrochemistry)Materials scienceElectronic engineeringTone (literature)OptoelectronicsOpticsComputer scienceEngineeringPhysics

Résumé

récupéré en direct d'OpenAlex

Polarization-dependent loss (PDL) presents a significant challenge in modern optical fiber networks by causing variations in signal attenuation that depend on the polarization state. This variability degrades the optical signal-to-noise ratio and overall system performance. In most optical links, PDL primarily originates from wavelength selective switches (WSSs), and the variation in signal power occurs because the polarization state of light is not preserved throughout the fiber. Most existing approaches either focus on compensating aggregated PDL through advanced algorithms at the transceiver level or estimating the PDL of each WSS to optimize margin design. In this paper, we introduce a method that integrates distributed PDL monitoring and compensation using low-cost amplitude pilot tone (PT) technology. Our approach involves modulating a polarization-multiplexed signal with two different PT frequencies on each polarization. By measuring the power difference between these polarizations at any PT detection point along the link, we can determine the PDL of devices within the link. Additionally, by placing a polarization controller (PC) between two WSSs, we can adjust the overall PDL by tuning the PC. This enables effective PDL compensation based on our distributed monitoring technique. Extensive experiments have been performed, and the results demonstrate that our method accurately estimates the wavelength-dependent PDL of WSS devices with an accuracy better than <inline-formula xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"><tex-math notation="LaTeX">$ 0.1$</tex-math></inline-formula> dB. Moreover, it reduces the total PDL of two WSSs from approximately <inline-formula xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"><tex-math notation="LaTeX">$ 1.5$</tex-math></inline-formula> dB to <inline-formula xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"><tex-math notation="LaTeX">$ 0.3$</tex-math></inline-formula> dB over a <inline-formula xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink"><tex-math notation="LaTeX">$ 675$</tex-math></inline-formula> km multiple-span optical link.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,210
Score d'incertitude au seuil0,815

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,010
Tête enseignante GPT0,248
Écart entre enseignants0,238 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Lightwave TechnologyMême sujetOptical Network TechnologiesTravaux en français237 207