本文提出了基于自编码器的深度学习方法，用于识别和定位被动光网络中的光纤故障，并通过实验结果展示该方法可在 97% 的准确率下定位故障，平均绝对误差为 0.18 米，表现优于传统技术。
Mar, 2022
本研究提出使用编码器 - 解码器深度学习模型，结合实时质量传输观测信息进行软故障演化模拟，用于网络攻击等异常检测。该模型在无需标记异常情况和分析整个数据集缺陷的前提下，实时有效地检测网络异常波动。
Jun, 2023
本文通过实验数据验证了针对被动光网络（PON）系统故障监测的多种机器学习方法，解决了全局反射信号难以区分故障分支的问题。
Jul, 2023
该研究提出了一种基于自编码器的方法来检测自动化纤维铺放中的制造缺陷，并通过对深度图的处理能够确定缺陷位置并达到足够的二元分类准确性，克服了数据匮乏问题。
本研究基于光时域反射原理，利用遥测数据，提出了一种基于长短时记忆模型的多任务学习方法，能准确快速地检测、定位和估算光学网络中的故障反射（事件），并且相比传统方法表现更好。
本文介绍了一种基于机器学习的波分复用被动式光网络故障检测方法，该方法通过统计和分类处理 OTDR 信号可以有效地实现网络故障检测和定位。
Apr, 2023
我们提出了一种基于聚类的方法，用于检测和定位光线系统中小功率损耗特征下的窃听事件。我们的研究结果表明，通过仅在接收端收集的光学性能监测（OPM）数据，可以成功检测这种微小的窃听损耗。另一方面，通过利用在线性 OPM 数据可以有效实现对这种事件的定位。
Sep, 2023
本文简要介绍了机器学习在光通信和网络中的应用，包括 ML 在网络数据分析和自动网络自配置和故障管理方面的最新研究进展。尽管近年来出现了许多相关研究论文，但 ML 在光网络中的应用仍处于初始阶段。因此，提出了一些可能的研究方向，以推动其进一步发展。
Mar, 2018
本文提出利用机器学习方法用于校准现有纤维模型的误差，以及将模型和监测方案相结合，以更好地估计 Fiber nonlinear interference 的变异。
Nov, 2018
本论文采用深度学习实现了一种光纤通信系统，可通过单端到端的过程优化收发器，构建出一个灵活的，鲁棒性较好的收发器，成功地将其应用于强度调制 / 直接检测（IM/DD）系统，实现了可靠的传输，并将传输速度提高至 42GBfs。
Apr, 2018