A Neural Network-Based Feature Learning and Processing to Estimate Signal-to-Noise Ratio in Coherent Optical Fiber Systems
Notice bibliographique
Résumé
This paper proposes a novel two-stage neural network (TSNN)-based signal-to-noise ratio (SNR) estimator tailored specifically for coherent optical fiber systems. The proposed TSNN architecture consists of two distinct NN stages. In the first NN stage, a novel technique called feature estimation using NN (FE-NN) is proposed, aiming to decrease the computational complexity by learning feature similarities and estimating some features based on others generated mathematically from the received signal. Subsequent to the FE-NN stage, a second NN stage is meticulously crafted to jointly estimate the linear and nonlinear SNR components with precision. This stage utilizes a novel set of input features generated exclusively from the received signal, without prior knowledge of the transmitted signals. The proposed input features leverage statistical measures such as median absolute deviation, arithmetic mean, and entropy to provide a comprehensive insight into SNR dynamics, thereby enhancing estimation accuracy. A comprehensive analysis of the computational complexity of the proposed TSNN SNR estimator is provided, quantifying the required number of real-valued multiplications and realvalued additions. Performance evaluation of the proposed TSNN estimator is conducted through extensive simulations encompassing 4950 realizations of a standard single-mode fiber wavelength division multiplexing system, employing dualpolarization 16-ary quadrature amplitude modulation. The results underscore the pronounced reduction in computational complexity achieved by the proposed TSNN estimator compared to the most efficient estimators in the literature. Moreover, the proposed TSNN estimator yields superior accuracy in both linear and nonlinear SNR components estimation, thereby highlighting its efficacy in optical communication 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 | 0,001 |
| 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 ».