AI-Assisted Online Compensation of SRS Effects in OTDR Traces for Super C+L-Band Systems
Notice bibliographique
Résumé
The emergence of wideband optical networks, particularly those utilizing super C+L-band transmission, introduces new challenges for in-service optical time-domain reflectometer (OTDR) due to the effects of stimulated Raman scattering (SRS). As OTDR probe pulses propagate through a fiber carrying high-bandwidth traffic, they experience wavelength-dependent amplification or depletion from SRS, resulting in distorted traces that no longer accurately reflect the fiber’s attenuation profile. In this work, we present a Transformer model-based online approach to correct OTDR trace distortions caused by super C+L-band traffic to restore the fiber loss profile. Notably, the model operates solely on the distorted OTDR trace without requiring knowledge of the fiber launch power distribution or any auxiliary input. The approach is experimentally validated over a 12 THz super C+L-band transmission system by varying the total fiber input power to induce different amount of SRS gain in the OTDR traces. By applying the correction method, the mean absolute errors (MAE) between the OTDR traces distorted by the traffic and the traces when there is no traffic were reduced from 4.7, 3.24, 2.18, and 1.51 dB to 0.072, 0.062, 0.063, and 0.09 dB, respectively, across four launch power settings.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».