Atenção: Todas as denúncias são sigilosas e sua identidade será preservada.
Os campos nome e e-mail são de preenchimento opcional
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Garde, Ivan Aritz Aldaya [UNESP] | - |
Autor(es): dc.contributor | Universidade Estadual Paulista (Unesp) | - |
Autor(es): dc.creator | Silva, Lucas Marim da | - |
Data de aceite: dc.date.accessioned | 2022-08-04T21:55:35Z | - |
Data de disponibilização: dc.date.available | 2022-08-04T21:55:35Z | - |
Data de envio: dc.date.issued | 2022-04-01 | - |
Data de envio: dc.date.issued | 2022-04-01 | - |
Data de envio: dc.date.issued | 2019-12-04 | - |
Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/217590 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/217590 | - |
Descrição: dc.description | In this work we study the impact of nonlinear impediments on the performace of an coherent digital optical communication system and we use artificial neural network (ANN) algorithms to compensate this adversities. Compensation was performed by classifying symbols using machine learning, making possible the comparison between the bit error rate (BER) obtained by ANNs classification and maximum likelihood detection. Results reveal that by utilizing an ANN with a single hidden layer of 32 neurons properly trained considering a training set of 12000 symbols and 125 backpropagation iterations, the optimal BER is reduced by approximately 23:55% compared to conventional detection. For this topology, the computational cost to classify each symbol is 1152 floating-point operations. | - |
Descrição: dc.description | Neste trabalho estudamos os impactos de impedimentos não lineares no desempenho de um sistema de comunicação óptica digital coerente e utilizamos redes neurais artificiais (ANNs) para a compensação deste tipo de adversidade. A compensação foi realizada por meio da classificação de símbolos utilizando aprendizagem de máquina, possibilitando a comparação entre os valores de taxa de erro de bit (BER) obtidos mediante classificação por ANNs e detecção por máxima verossimilhança. Os resultados revelam que, utilizando uma ANN com apenas uma camada escondida de 32 neurônios treinada com 12000 símbolos em 125 iterações de backpropagation, o valor ótimo de BER é reduzido em aproximadamente 23; 55% se comparados à detecção convencional. Para esta topologia, o custo computacional para classificar cada símbolo é de 1152 operações de ponto flutuante. | - |
Descrição: dc.description | Não recebi financiamento | - |
Idioma: dc.language | pt_BR | - |
Publicador: dc.publisher | Universidade Estadual Paulista (Unesp) | - |
Direitos: dc.rights | Acesso aberto | - |
Palavras-chave: dc.subject | Comunicações ópticas | - |
Palavras-chave: dc.subject | Efeito de Kerr | - |
Palavras-chave: dc.subject | Redes neurais (Computação) | - |
Palavras-chave: dc.subject | Telecomunicações | - |
Título: dc.title | Redes neurais artificiais para compensação de distorção não linear em sistemas de comunicações ópticas coerentes | - |
Título: dc.title | Artificial neural networks for non-linear distortion compensation in coherent optical communications | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: