Application of the kohonen neural network in analysis of the measurement results of the polarization mode dispersion

• Autorzy: Torbus S. , Kolasa M. , Długosz R.

Warianty tytułu

PL

Zastosowanie sieci neuronowej kohonena do analizy wników pomiaru dyspersji polaryzacyjnej

• Języki publikacji: EN

Abstrakty

EN

This paper presents a subject of the Polarization Mode Dispersion (PMD). PMD is characteristic for a single mode optical fiber transmission. Several aspects have been presented in the paper, such as the interferometric method for measuring the PMD, as well as the statistical analysis of the measurement results contrasted with the analysis of the same results by use of the Kohonen neural network (KNN).

PL

W pracy omówiono zagadnienie dyspersji polaryzacyjnej – PMD (ang. Polarization Mode Dispersion), która jest charakterystyczna dla transmisji z wykorzystaniem jednomodowego włókna światłowodowego. Przedstawiono również interferometryczną metodę pomiaru współczynnika dyspersji polaryzacyjnej, statystyczną analizę rzeczywistych wyników pomiaru oraz analizę tych samych wyników pomiaru za pomocą sieci neuronowej Kohonena.

Słowa kluczowe

EN

polarization mode dispersion; interferometric method for measuring PMD; statistical analysis; Kohonen neural Network

PL

dyspersja polaryzacyjna; metoda interferometryczna pomiaru PMD; analiza statystyczna wyników pomiarów; sieć neuronowa Kohonena

• Wydawca: Wydawnictwa Uczelniane Politechniki Bydgoskiej im. Jana i Jędrzeja Śniadeckich
• Czasopismo: Zeszyty Naukowe. Telekomunikacja i Elektronika / Uniwersytet Technologiczno-Przyrodniczy w Bydgoszczy
• Rocznik: 2010
• Tom: z. 13
• Strony: 55--66
• Opis fizyczny: Bibliogr. 14 poz., rys., tab.

Twórcy

autor

Torbus S.

• University of Technology and Life Science Al. S. Kaliskiego 7, 85-796 Bydgoszcz

autor

Kolasa M.

autor

Długosz R.

Bibliografia

• [1] Ratuszek M., Zakrzewski Z., Majewski J., Wronikowski M., 2001. Wpływ dyspersji polaryzacyjnej na parametry transmisyjne światłowodów KST’2001 –Bydgoszcz.
• [2] Recommendation ITU – T G.652: Characteristics of a single – mode optical fiber and cable 03/2003.
• [3] Perlicki K., 2002. Pomiary w optycznych systemach telekomunikacyjnych WKŁ, Warszawa.
• [4] Torbus S.A., 2007. Measurement and analysis of Polarization Mode Dispersion Photonics Applications in Astronomy, Communications, Industry, and High-Energy Physics Experimants, Wilga, Proc. of SPIE, 0277-786X, Vol. 6937, 69371O.
• [5] Gmurman W.J., 1975. Rachunek prawdopodobieństwa i statystyka matematyczna WNT, Warszawa.
• [6] Kohonen T., 2001. Self-Organizing Maps, third ed. Springer, Berlin.
• [7] Brocki L., 2007. Recent Advances in Mechatronics, Springer Berlin-Heidelberg.
• [8] Mokriš, Forgáč R., 2004. Decreasing the Feature Space Dimension by Kohonen Self-Orgaizing Maps, 2nd Slovakian – Hungarian Joint Symposium on Applied Machine Intelligence, Herľany, Slovakia.
• [9] Boniecki P., 2005. The Kohonen neural network in classification problems solving in agricultural engineering, Journal of Research and Applications in Agricultural Engineering, Vol. 50(1), pp. 37-40, Poznań.
• [10] Verleysen D.M., Jespers P., Legat J-D., 1993. Analog Implementation of a Kohonen Map with On-Chip Learning, IEEE Transactions on Neural Networks, Vol. 4, No. 3, pp. 456-461.
• [11] Fei Li, Chip-Hong Chang L., Siek A., 2009. Compact current mode neuron circuit with Gaussian taper learning capability, IEEE International Symposium on Circuits and Systems (ISCAS), 24-27, pp. 2129-2132.
• [12] Długosz R., Talaska T., Pedrycz W., Wojtyna R., 2010. Realization of a Conscience Mechanism in CMOS Implementation of Winner Takes All Neural Networks, IEEE Transactions on Neural Networks.
• [13] Długosz R., Kolasa M., 2009. Optimization of the Neighborhood Mechanism for Hardware Implemented Kohonen Neural Networks, European Symposium on Artificial Neural Networks (ESANN), Bruge, Belgium, pp. 565-570.
• [14] Kolasa M., Długosz R., 2009. Hardware Implementation Issues of the Neighborhood Mechanism in Kohonen Self Organized Feature Maps, ESANN (European Symposium on Artificial Neural Networks Advances in Computational Intelligence and Learning), Bruges (Belgium), pp. 565-570.