MMMar, 2022

基于门控循环单元的自编码器用于无源光网络中光链路故障诊断

PDF
TL;DR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。
发现论文，激发创造
  • 基于机器学习的光纤监测异常检测

    提出了基于数据驱动的方法，包括自编码器的异常检测和注意力机制的双向门控循环单元算法，以诊断物理攻击如光纤断裂和光学窃听对光网络的影响，并在各种攻击方案下使用实际运行数据验证了该方法的有效性。

    Feb, 2022

  • 自动纤维放置中的异常检测：数据限制下的学习

    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。

    Jul, 2023

  • 光网络实时异常检测的机器学习

    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

  • 自编码器辅助的特征集成网络用于潜在故障

    利用深度自动编码器辅助特征集成网络（AE-FENet），改善了对微小振幅初始故障的检测性能，实现了在 Tennessee Eastman 工艺中所发现的故障 3、9 和 15 的高准确率，从而在故障检测领域取得了显著的性能提升。

    Apr, 2024

  • 利用自编码器方法检测虚假数据注入攻击

    本文提出了一种基于自动编码器神经网络的检测方法，通过训练数据依赖性有效地克服了电力系统攻击检测中固有的训练数据不平衡性，实现了对假数据注入攻击的检测，并在 IEEE 118 节点电力系统上进行了实验验证性能表现良好。

    Mar, 2020

  • 使用机器学习技术进行被动光纤网络的故障监控

    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

  • 基于自编码器的消除伪相关性方法

    通过自动编码器方法分析了 Global Wheat Head Detection（GWHD）2021 数据集中存在的错误关联，并使用修复和加权盒融合方法成功提高了平均域准确率（ADA），证明了该方法能够抑制部分 GWHD 2021 数据集中的错误关联。

    Jun, 2024

  • 光纤通信的端到端深度学习

    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

  • 利用机器学习在无源光网络中实现分支识别

    提出了一种机器学习方法，可用于改善几乎均等分支的被动光网络的监测，并经过实验证实。它实现了高达 98.7％的诊断准确性和 0.5m 的事件定位误差。

    Apr, 2023

  • 基于光谱的机器学习软故障管理的实验研究

    我们通过实验比较了不同机器学习算法在软故障管理方面的性能，并引入了一种基于机器学习的软故障管理框架。该框架利用光谱分析仪获取的光谱数据，并运行在变分自动编码器生成对抗网络（VAE-GAN）上。研究结果表明，VAE-GAN 在识别任务中，当可用的训练数据仅为总量的 10％时，表现优于其他机器学习算法。此外，该框架通过先进的训练机制，在未知频谱识别方面显示出很高的 F1 分数。故障定位比较还表明，低复杂度神经网络与 VAE 结合相比于已有的机器学习算法具有优势。

    Dec, 2023