five

Notebooks and calculation files for: Modeling of the 3-Coupled-Core Fiber: Comparison Between Scalar and Vector Random Coupling Models|光纤技术数据集|计算建模数据集

收藏
Mendeley Data2024-05-17 更新2024-06-30 收录
光纤技术
计算建模
下载链接:
https://zenodo.org/records/7896591
下载链接
链接失效反馈
资源简介:
The files with simulation results for JLT submission "Modeling of the 3-Coupled-Core Fiber: Comparison Between Scalar and Vector Random Coupling Modelsr". "3CCF_supermodes" file is the Mathematica code which enables to calculate supermodes (eigenvectors of M(w)) and their propagation constants of 3-coupled-core fiber (4CCF). These results are uploaded to the python notebook "3CCF_modelingJLTPaper" in order to plot them to get Fig. 3 in the paper. "TransferMatrix" is the python file with functions used for modeling, simulation and plotting. It is also uploaded in the python notebook "3CCF_modelingJLTPaper", where all the calculations for figures in the paper are presented. ! UPD 25.09.2023: There is an error in the formula of birefringence calculation. It is in the function "CouplingCoefficients" in "TransferMatrix" file. There the variable "birefringence" has to be calculated according to the formula (19) [A. Ankiewicz, A. Snyder, and X.-H. Zheng, “Coupling between parallel optical fiber cores–critical examination”, Journal of Lightwave Technology, vol. 4, no. 9,pp. 1317–1323, 1986]: (4*U**2*W*spec.k0(W)*spec.kn(2, W_)/(spec.k1(W)*V**4))*((spec.iv(1, W)/spec.k1(W))-(spec.iv(2, W)/spec.k0(W))) The correct formula gives almost the same result (the difference is 10^-5), but one has to use a correct formula anyway. P.s. In case of any questions or suggestions or if you need more explanations, you are welcome to write me an email ekader@chalmers.se. If it seems like the code does not work or mistakes in simulations are found, I also appreciate letting me know.
创建时间:
2023-06-28
用户留言
有没有相关的论文或文献参考?
这个数据集是基于什么背景创建的?
数据集的作者是谁?
能帮我联系到这个数据集的作者吗?
这个数据集如何下载?
点击留言
数据主题
具身智能
数据集  4099个
机构  8个
大模型
数据集  439个
机构  10个
无人机
数据集  37个
机构  6个
指令微调
数据集  36个
机构  6个
蛋白质结构
数据集  50个
机构  8个
空间智能
数据集  21个
机构  5个
5,000+
优质数据集
54 个
任务类型
进入经典数据集
热门数据集

Electrical-Lines-Defect-Detection

该数据集是针对电力线路缺陷检测的,包含了由APEPDCL线路工人使用移动相机捕获的图片,并由Sampath Balaji团队整理。数据集以CC BY 4.0许可证发布,旨在促进开源合作、可重现性和人工智能的实践学习。数据集分为两个模块:目标检测和分类。目标检测模块遵循YOLOv12格式,分类模块由文件夹和CSV文件组成,都提供了训练、验证和测试数据集。

huggingface 收录

TROPOMI

TROPOMI(Tropospheric Monitoring Instrument)数据集包含大气成分的观测数据,主要用于监测臭氧、二氧化氮、甲醛、甲烷、二氧化碳等气体,以及气溶胶和云层。这些数据有助于研究空气质量、气候变化和环境监测。

www.tropomi.eu 收录

LFW (Labeled Faces in the Wild)

Labeled Faces in the Wild,是一个人脸照片数据库,旨在研究无约束的人脸识别问题。该数据集包含从网络收集的超过 13,000 张人脸图像。每张脸都标有图中人物的名字。照片中的 1680 人在数据集中有两张或更多张不同的照片。这些人脸的唯一限制是它们是由 Viola-Jones 人脸检测器检测到的。更多细节可以在下面的技术报告中找到。

OpenDataLab 收录

SAVEE

SAVEE(Surrey Audio-Visual Expressed Emotion)数据集包含480个音频和视频文件,由4名男性英语母语者在7种不同的情绪状态下录制。这些情绪包括愤怒、高兴、悲伤、惊讶、恐惧、厌恶和中性。每个文件的时长约为3秒,总时长约为24分钟。该数据集主要用于情感识别研究。

kahlan.eps.surrey.ac.uk 收录

LOL (LOw-Light dataset)

LOL 数据集由 500 个低光和正常光图像对组成,分为 485 个训练对和 15 个测试对。低光图像包含照片捕获过程中产生的噪声。大多数图像是室内场景。所有图像的分辨率均为 400×600。

OpenDataLab 收录