Mar, 2022

使用 长短期记忆处理反射光纤故障检测和表征

PDF
TL;DR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。
optical networktelemetry datafault diagnosislstm modelotdr
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

  • 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

  • 利用长短时记忆神经网络对数字相干系统中光纤非线性进行补偿

    使用长短时记忆神经网络来补偿数字相干系统中光纤非线性，该方案在单 / 多信道 16QAM 调制和极化复用情况下得到了验证，结果表明，与数字反向传播相比，LSTM 神经网络可以作为光接收机的后处理器，提供卓越的性能。

    Jan, 2020

  • 使用机器学习的被动式光网络故障分支识别

    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

  • 基于注意力机制的频率多任务学习用于电力系统故障检测

    本文介绍了一种基于深度学习的故障检测方法，利用高精度的数据采集设备收集数据来训练模型，并使用长短时记忆网络和一维卷积神经网络来提取时序特征和频率信息进行故障预测，在 Kaggle 平台上的结果表明该方法具有更好的性能和解释性。

    Sep, 2020

  • 基于超低复杂度的长短期记忆网络用于相干光通信系统中的光纤非线性抑制

    本文提出了一种中心定向长短记忆网络（Co-LSTM）结合简化模式和回收机制的方法，以实现在具有超低复杂度的相干光通信系统中减轻纤维非线性。

    Aug, 2021

  • 利用机器学习进行光网络信号丢失预测

    通过监控性能数据并利用监督式机器学习，我们可以在 1~7 天内预测光网络中的信号丢失事件，其中精确度较高，但召回率较低。通过使用多个网络同时训练模型，预测的精确度得到提高，而针对特定网络或设施类型进行调优只带来了适度的改进。

    Jan, 2022

  • 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

  • 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

    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

  • 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