利用机器学习在无源光网络中实现分支识别
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
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
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
近年来,广泛的研究已经进行了探索,以利用机器学习算法在各种直接检测和自相干短距离通信应用中的应用。特别强调其在高带宽需求的被动光网络中的利用,我们介绍了一种用于机器学习信号处理的时间序列方法的新型分类法,提供了一个结构化的分类框架。最后,我们强调了这个快速发展领域中的未来研究方向,并提出了解决硬件实现复杂性问题的具体解决方案,以便在短距离光通信系统中更实用和高效地部署机器学习方法。
May, 2024
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
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
利用有限的测量数据,我们展示了如何应用机器学习技术对漏电光子晶格中的拓扑相进行分类。我们提出了一种仅基于体积强度测量的方法,免除了复杂的相位恢复过程的需求。特别地,我们设计了一个完全连接的神经网络,从模拟实验条件中的双线波导阵列中的输出强度分布准确确定拓扑性质,通过在有限距离上传播局部化的初始激发。
Aug, 2023
该研究提出了一种基于神经网络的方法来实现数字反向传播,针对 32x100 公里的光纤链路,所得到的 “学习” 数字反向传播相对于传统实现方法大大降低了复杂性。
Oct, 2017