要約
我々は、複数のEDFAの波長依存利得をモデル化するための、半教師付き、自己正規化ニューラルネットワークに基づく、新しいMLフレームワークを発表する。オープンアイルランドとCOSMOSのテストベッドで22個のEDFAを用いた実験では、異なるアンプタイプで動作させた場合でも、高精度の伝達学習が可能であることが示された。
要約(オリジナル)
We present a novel ML framework for modeling the wavelength-dependent gain of multiple EDFAs, based on semi-supervised, self-normalizing neural networks, enabling one-shot transfer learning. Our experiments on 22 EDFAs in Open Ireland and COSMOS testbeds show high-accuracy transfer-learning even when operated across different amplifier types.
arxiv情報
著者 | Agastya Raj,Zehao Wang,Frank Slyne,Tingjun Chen,Dan Kilper,Marco Ruffini |
発行日 | 2023-08-04 10:17:25+00:00 |
arxivサイト | arxiv_id(pdf) |