Publicação: Estimação da relação sinal ruído óptica baseada em aprendizado profundo utilizando diagramas de constelação das modulações dp-mpsk e dp-mqam em receptores ópticos coerentes flexíveis
Carregando...
Arquivos
Tipo do documento
Data
Direito de acesso
Programa
Área do conhecimento
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA::TELECOMUNICACOES::SISTEMAS DE TELECOMUNICACOES
Título da Revista
ISSN da Revista
Título de Volume
Autores
Orientador
Coorientador
Valadão, Myke Douglas de Medeiros
Resumo
A Relação Sinal Ruído Óptica (OSNR, Optical Signal Noise Ratio) é um
parâmetro crítico para o funcionamento, gestão e manutenção de redes de comunicação
óptica coerentes. Dada a sua importância, este trabalho propõe e avalia uma abordagem
baseada em aprendizagem profunda (DL, deep learning) para a estimação da OSNR a
partir de diagramas de constelação. Para o desenvolvimento dos modelos, gerou-se um
conjunto de dados diversificado, composto por mais de 19.000 imagens, através da
simulação de sinais com formatos de modulação DP m-PSK e DP m-QAM sob diferentes
configurações visuais. No total, foram avaliadas 15 arquiteturas de Redes Neurais
Convolucionais (CNNs, Convolutional Neural Networks) representativas do estado da
arte, incluindo as famílias MobileNetV3, ConvNeXt, DenseNet e EfficientNet. A
arquitetura ConvNeXtBase alcançou o melhor desempenho preditivo do estudo, com um
Erro Absoluto Médio (MAE, Mean Absolute Error) inferior a 0,43 dB e um coeficiente
de determinação (R²) superior a 0,98. Os resultados obtidos confirmam o elevado
potencial das técnicas de visão computacional para a monitorização contínua e não
intrusiva de desempenho em redes óticas de próxima geração.
Abstract
The Optical Signal to Noise Ratio (OSNR) is a critical parameter for the
operation, management, and maintenance of coherent optical communication networks.
Given its importance, this work proposes and evaluates a deep learning (DL) based
approach for OSNR estimation from constellation diagrams. For the development of the
models, a diverse dataset comprising over 19,000 images was generated through the
simulation of signals with DP m-PSK and DP m-QAM modulation formats under
different visual configurations. In total, 15 representative state-of-the-art Convolutional
Neural Network (CNN) architectures were evaluated, including the MobileNetV3,
ConvNeXt, DenseNet, and EfficientNet families. The ConvNeXtBase architecture
achieved the best predictive performance in the study, with a Mean Absolute Error (MAE)
below 0.43 dB and a coefficient of determination (R²) above 0.98. The obtained results
confirm the high potential of computer vision techniques for the continuous and non-
intrusive performance monitoring of next-generation optical networks.
Palavras-chave
aprendizado profundo, diagrama de constelação, estimação, redes ópticas coerentes, OSNR, coherent optical communications, constellation diagrams, deep learning
Citação
ARAÚJO, Mateus Flausino de. Estimação da relação sinal ruído óptica baseada em aprendizado profundo utilizando diagramas de constelação das modulações DP-mPSK e DP-mQAM em receptores ópticos coerentes flexíveis. 2026. 55 f. Trabalho de Conclusão de Curso (Graduação em Engenharia Eletrônica e de Telecomunicações) – Universidade Federal de Uberlândia, Uberlândia, 2026.