In this paper, we propose to lower

In this paper, we propose to lower the network design margins by improving the estimation of the signal-to-noise ratio (SNR) given by a quality of transmission (QoT) estimator, for new optical demands in a brownfield phase, based on a mathematical model of the physics of propagation. During the greenfield phase and the network operation, we collect and correlate information on the QoT input parameters, issued from the established initial demands and available almost for free from the network elements: amplifiers output power and the SNR at the coherent receiver side. Since we have some uncertainties on these input parameters of the QoT model, we use a machine learning algorithm to reduce them, improving the accuracy of the SNR estimation. With this learning process and for a European backbone network (28 nodes, 41 links), we could reduce the QoT inaccuracy by several dBs for new demands whatever the amount of uncertainties of the initial parameters.

結果 (繁體中文) 1:

在本文中，我們提出了通過提高由傳輸（QoT）估計器的質量，用於在棕相新的光學要求給出的信噪比（SNR）的估計，以降低網絡的設計餘量，基於一個傳播的物理學的數學模型。在綠地相和網絡運行，我們收集和在QoT輸入參數的信息相關，從建立的初始需求和可用的幾乎發出用於從所述網絡元件的分類：放大器的輸出功率和信噪比在相干接收器側。由於我們對QoT模型的這些輸入參數的不確定性，我們使用機器學習算法，以減少他們，提高SNR估計的準確性。有了這個學習過程，並為歐洲骨幹網絡（28個節點，41個鏈接）

結果 (繁體中文) 2:

本文建議根據物理數學模型，改進傳輸品質（QoT）估計器給出的信號雜訊比（SNR）估計值，以降低網路設計裕量，以滿足棕色場相中新的光學需求。傳播。在綠地階段和網路操作期間，我們收集並關聯 QoT 輸入參數的資訊，這些參數從已建立的初始需求中發出，幾乎不受網路元件的免費保護：放大器輸出功率和 SNR相干接收器側。由於QoT模型的這些輸入參數存在一些不確定性，因此我們使用機器學習演算法來減小它們，提高了SNR估計的準確性。通過此學習過程以及歐洲骨幹網（28 個節點、41 個鏈路），無論初始參數的不確定性如何，我們都可以將 QoT 誤差降低幾個 dB，以滿足新的需求。

結果 (繁體中文) 3:

本文在傳播物理數學模型的基礎上，針對棕地相位新的光需求，提出了通過改進傳輸質量（QoT）估計器給出的信噪比（SNR）估計來降低網路設計裕度的方法。在綠地階段和網絡運行期間，我們收集並關聯從已建立的初始需求發出的、幾乎免費從網絡元素獲得的QoT輸入參數的資訊：放大器輸出功率和相干接收端的SNR。由於QoT模型的輸入參數存在一定的不確定性，我們採用機器學習算灋來降低這些不確定性，提高了信噪比估計的精度。通過這個學習過程，對於一個歐洲骨幹網（28個節點，41個連結），無論初始參數的不確定性有多大，我們都可以在新的需求下將QoT的不精確性降低幾個dBs。