Enhanced Signal-to-Noise Ratio Estimation in Optical Fiber Communications: A Pilot-Based Approach
Notice bibliographique
Résumé
This paper presents two innovative, pilot-assisted, neural network (NN)-based signal-to-noise ratio (SNR) estimators for application in optical fiber communications. These estimators, termed pilot-assisted feature complexity reduction (PAF-CR) and pilot-assisted feature accuracy enhancement (PAF-AE), are designed to jointly estimate both linear and non-linear SNR components. The architectures of these proposed estimators employ feedforward NNs (FFNNs) for the SNR estimation, with PAF-CR utilizing a two-hidden layer FFNN and PAF-AE employing a single-hidden layer FFNN. Novel features are extracted from pilot signals to utilize the pilot overhead in transmitted signals, such as mean absolute error and mean signed deviation, which statistically measure the error between transmitted and received pilot signals. Additionally, features are directly extracted from the received data signal, such as average absolute deviation, entropy, and arithmetic mean, to capture its statistical dispersion characteristics. The proposed features are carefully selected to effectively capture the characteristics of both linear and non-linear SNR components. The estimation accuracy of the SNR components achieved by the proposed estimators is evaluated using the normalized root mean square error and the standard deviation of the estimation errors. A comprehensive computational complexity analysis of the proposed PAF-CR and PAF-AE estimators is conducted, expressed in terms of real-valued multiplications and additions. Numerical results illustrate that the proposed PAF-CR and PAF-AE estimators achieve a favorable trade-off between the SNR estimation accuracy and computational complexity compared with existing literature estimators. The proposed PAF-CR offers significant computational complexity reduction with a slight enhancement in estimation accuracy, while the proposed PAF-AE provides substantial estimation accuracy improvement while slightly decreasing computational complexity.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,007 | 0,001 |
| 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 ».