概括
本研究引入了一种新的几次射击学习算法,用于联合调制格式识别和光学信号对噪声比率估计. 该方法显著减少了错误,并改善了动态光学网络的适应性.
科学领域:
- 光学通信是指光学通信.
- 机器学习 机器学习
- 信号处理 信号处理
背景情况:
- 精确的调制格式识别 (MFI) 和光学信号噪声比 (OSNR) 估计对于动态光学网络至关重要.
- 短暂学习 (FSL) 由于培训数据有限而带来挑战,需要有效的适应策略.
- 现有的方法可能需要广泛的数据收集和重新培训,以适应新的网络配置.
研究的目的:
- 为共同的MFI和OSNR估计提出和评估一种新的几次射击学习算法.
- 提高模型适应性,降低动态光学网络中的数据收集成本.
- 调查拟议的算法的性能与现有的元学习方案相比.
主要方法:
- 在32 GBaud的双极化连贯检测系统被用来生成6个模块化格式的星座图,跨越不同的OSNR (10-40 dB).
- 为了加速元任务梯度的融合,在模型不可知性元学习 (MAML) 中引入了一个辅助任务.
- 废除研究将拟议方法 (MT-MAML) 与单任务MAML (ST-MAML) 和自适应多任务学习 (AMTL) 进行比较,使用一个小数据集 (每类20个示例).
主要成果:
- 提出的方法实现了最小的初始误差 (~0.37dB) 与微调,在平均平方误差 (MSE) 中超过AMTL (~0.6dB) 和ST-MAML (~0.3dB).
- 观察到更快的适应主要任务,低级调制格式的近零误差.
- 经过30个预训练时代,模型的注意力转向了OSNR估计,并且在不同传输距离上验证了出色的概括性.
结论:
- 拟议的少数射击学习算法有效地整合了MFI和OSNR估计,展示了卓越的性能和更快的适应性.
- 该方法显著减少了对重复数据收集和模型微调的需求,降低了运营成本.
- 实验验证证了该算法的优秀泛化能力,使其适合在大规模,动态光学网络中部署.
